Дослідження ефективності алгоритмів машинного навчання для класифікації трафіка в мобільних мережах

Анотація

Розвиток мобільних мереж і поява нових стандартів, як-от 5G та в перспективі 6G, призводять до збільшення як обсягів трафіка у мережі, так і до появи нових типів трафіка, зокрема зі специфічними вимогами до обслуговування. Існуючі на цей час методи обробки трафіка не адаптовані до таких змін, що може привести до погіршення якості обслуговування. Можливим шляхом вирішення задачі підвищення ефективності обробки інформації є впровадження нових алгоритмів класифікації та пріоритезації трафіка. У зв`язку з цим у роботі ставиться актуальне завдання аналізу ефективності алгоритмів машинного навчання для вирішення завдання класифікації трафіка в мобільних мережах у режимі реального часу. Для досягнення мети аналізується точність класифікації та швидкодія для найпоширеніших алгоритмів машинного навчання та визначається оптимальний алгоритм за критерієм точності класифікації. Результати порівняльного аналізу показали, що найкращих показників точності можна досягти у разі використання алгоритмів ANN (кількість прихованих шарів мережі дорівнює 200) та RF. При цьому до переваг ANN слід віднести високу оперативність і достовірність обробки інформації, а також простоту у навчанні. В той же час RF хоча і є швидким і потужним алгоритмом класифікації, але він має недоліки під час інтерпретації рішення та неефективний для малих обсягів даних. Крім того, у роботі виконано оцінку важливості полів датасету для класифікації. Вказані вдосконалення можуть бути впровадженні як на кінцевих пристроях, так і на базових станціях, що дозволяє підвищити якість класифікації, кластеризації та обробки пакетів, а також підвищити ефективність інтелектуальної системи управління мобільною мережею загалом. Подальшим розвитком теми може бути застосування досліджуваних алгоритмів для вирішення завдань виявлення аномалій трафіка з метою підвищення захищеності мережі.