Візуальна ідентифікація деяких закономірностей пакетного мережевого трафіку
DOI:
https://doi.org/10.15587/1729-4061.2024.299002Ключові слова:
UDP, AR-оцінка, рухоме вікно, інтенсивність пакетів, довгостроковий тренд, високочастотна складоваАнотація
Сучасні гетерогенні пакетні мережі генерують мережевий трафік зі складною структурою. У даній статті об’єктом дослідження є часовий ряд. Загальна кількість пакетів User Datagram Protocol (UDP) досягла 250 242. На думку аналітиків, тенденція зростання трафіку, в тому числі додатків реального часу, збережеться, а обсяг даних буде рости, що може призвести до формування черг пакетів. при обробці мережевими пристроями. У цьому випадку можливі збитки при великих чергах. Для вирішення цієї проблеми була проведена оцінка спектру потужності. Було показано, що оцінка максимальної ентропії AR більш чутлива, ніж допоміжна оцінка Фур’є.
Облік нестаціонарності спектральними методами можливий лише через оцінку в ковзному часовому вікні. Отримано 9 діаграм спектрально-часового аналізу вихідної серії, її інкрементів та змішаної серії інкрементів: із параметрами за замовчуванням, з малими та великими вікнами. Діаграми, пов’язані з вихідним рядом, відображають динаміку зміни інтенсивності передачі даних у мережі; вони демонструють вищу тимчасову роздільну здатність, вказуючи на наявність високочастотних компонентів (шум) і присутність низькочастотних компонентів (тенденція). Діаграми з приростами описують сигнали періодичних складових; зміна довжини вікна не відображала наявність шуму або ознак тенденції. Діаграми зі змішаними кроками показують, що частотні компоненти розподілені рівномірно. Унікальність цієї роботи полягає в реальних виміряних даних, а відмінною рисою отриманих результатів є візуальне дослідження складної транспортної структури, що дозволяє вирішити досліджувану задачу. Практичне застосування отриманих результатів може бути застосовано в управлінні якістю обслуговування (QoS), плануванні ресурсів та оптимізації продуктивності мережі
Посилання
- Andronov, I. L., Naumova, A. V. (2013). Program WWZ: wavelet analysis of astronomical signals with irregularly spaced arguments. Odessa Astronomical Publications, 26 (1). https://doi.org/10.48550/arXiv.1310.5031
- Ledoit, O., Wolf, M. (2017). Analytical nonlinear shrinkage of large-dimensional covariance matrices. University of Zurich, 56. Available at: https://www.econ.uzh.ch/apps/workingpapers/wp/econwp264.pdf
- Huang, N. E., Chen, X., Lo, M.-T., Wu, Z. (2011). On hilbert spectral representation: a true time-frequency representation for nonlinear and nonstationary data. Advances in Adaptive Data Analysis, 03 (01n02), 63–93. https://doi.org/10.1142/s1793536911000659
- Dettinger, M. D., Ghil, M., Strong, C. M., Weibel, W., Yiou, P. (1995). Software expedites singular‐spectrum analysis of noisy time series. Eos, Transactions American Geophysical Union, 76 (2), 12–21. https://doi.org/10.1029/eo076i002p00012
- Ghaderpour, E., Vujadinovic, T. (2020). The Potential of the Least-Squares Spectral and Cross-Wavelet Analyses for Near-Real-Time Disturbance Detection within Unequally Spaced Satellite Image Time Series. Remote Sensing, 12 (15), 2446. https://doi.org/10.3390/rs12152446
- Tzallas, A. T., Tsipouras, M. G., Fotiadis, D. I. (2009). Epileptic Seizure Detection in EEGs Using Time-Frequency Analysis. IEEE Transactions on Information Technology in Biomedicine, 13 (5), 703–710. https://doi.org/10.1109/titb.2009.2017939
- Yan, X., Yang, D., Lin, Z., Vucetic, B. (2022). Significant Low-Dimensional Spectral-Temporal Features for Seizure Detection. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 30, 668–677. https://doi.org/10.1109/tnsre.2022.3156931
- Ghaderpour, E., Pagiatakis, S. D., Hassan, Q. K. (2021). A Survey on Change Detection and Time Series Analysis with Applications. Applied Sciences, 11 (13), 6141. https://doi.org/10.3390/app11136141
- Guo, Q., Zhang, J., Zhong, C., Zhang, Y. (2021). Change Detection for Hyperspectral Images Via Convolutional Sparse Analysis and Temporal Spectral Unmixing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 4417–4426. https://doi.org/10.1109/jstars.2021.3074538
- Singh, P., Joshi, S. D., Patney, R. K., Saha, K. (2017). The Fourier decomposition method for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 473 (2199), 20160871. https://doi.org/10.1098/rspa.2016.0871
- Tang, Z., Amatulli, G., Pellikka, P. K. E., Heiskanen, J. (2021). Spectral Temporal Information for Missing Data Reconstruction (STIMDR) of Landsat Reflectance Time Series. Remote Sensing, 14 (1), 172. https://doi.org/10.3390/rs14010172
- Yin, J., Cao, J., Siuly, S., Wang, H. (2019). An Integrated MCI Detection Framework Based on Spectral-temporal Analysis. International Journal of Automation and Computing, 16 (6), 786–799. https://doi.org/10.1007/s11633-019-1197-4
- Wu, Z., Tan, Z.-M., Pietrafesa, L. (2023). Spectral analysis of a time series: From an additive perspective to a multiplicative perspective. Applied and Computational Harmonic Analysis, 63, 94–112. https://doi.org/10.1016/j.acha.2022.11.005
- Harris, F. J. (1978). On the use of windows for harmonic analysis with the discrete Fourier transform. Proceedings of the IEEE, 66 (1), 51–83. https://doi.org/10.1109/proc.1978.10837
- Oppenheim, A. V., Schafer, R. W. (2010). Discrete-time signal processing. Pearson. Available at: https://media.pearsoncmg.com/ph/esm/ecs_oppenheim_dtsp_3/contents/index.htm
- Das, S., Subba Rao, S., Yang, J. (2021). Spectral methods for small sample time series: A complete periodogram approach. Journal of Time Series Analysis, 42 (5-6), 597–621. https://doi.org/10.1111/jtsa.12584
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Sharafat Mirzakulova, Zhanar Ibrayeva, Saule Kuanova, Aisha Mamyrova, Bakyt Japparkulov, Ruslan Kamal
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
