Forecasting the state of complex network systems using machine learning methods

Abstract

Стремительное развитие информационных технологий приводит к тому, что количество пользователей в телекоммуникационных сетях постоянно растет вместе с необходимостью повышения качества обслуживания. Прогнозирование сетевого трафика является важной задачей в этой области, так как лежит в основе диагностики сети и эффективного использования ее ресурсов. Различные линейные и нелинейные методы, такие как нейронные сети, активно используются для анализа временных и пространственных признаков и прогнозирования сетевого трафика. Однако большинство из них не могут точно описать динамику сети, так как важность различных узлов меняется со временем, что усложняет топологию. В данной работе предлагается модифицировать модели авторегрессии и градиентного бустинга для обнаружения пространственных особенностей и работы с данными с сетевой структурой, чтобы решить вышеуказанную проблему. Результаты экспериментов с тремя общедоступными наборами данных о сетевом трафике показывают, что предлагаемые методы превосходят свои одномерные аналоги и могут конкурировать с современными решениями.

The rapid development of information technology leads to the fact that the number of users in telecommunication networks is constantly growing along with the need to improve the quality of service. Network traffic prediction is an important task in this area, as it underlies network diagnostics and efficient use of its resources. Various linear and non-linear methods such as neural networks are actively used to analyze temporal and spatial relationships and forecast network traffic. However, most of them cannot accurately describe the dynamics of the network, as the importance of different nodes changes over time, which complicates the topology. This work proposes to modify autoregressive and gradient boosting models to detect spatial features and work with data with network structure in order to solve the above problem. Experimental results on three publicly available network traffic datasets show that the proposed methods outperform their one-dimensional counterparts and can compete with state-of-the-art solutions.