РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ СЕТЕВЫХ НАГРУЗОК С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

ISSN: 2582-4686 SJIF 2021-3.261,SJIF 2022-2.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-10 1062 РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ СЕТЕВЫХ НАГРУЗОК С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ Автор: Муминов Мухамадали Адахамжон Угли Аннотация В статье рассматривается проблема прогнозирования сетевых нагрузок с использованием методов машинного обучения и искусственного интеллекта. Рост объёмов данных и усложнение сетевых инфраструктур требуют интеллектуальных решений для эффективного распределения ресурсов и предотвращения перегрузок. В рамках исследования предлагается архитектура интеллектуальной системы прогнозирования, основанной на гибридном подходе, объединяющем глубокую инспекцию пакетов (DPI), сверточные нейронные сети (CNN) и трансформеры (Transformer). Предварительные результаты моделирования показывают высокую точность предсказания сетевых нагрузок и устойчивость модели к шумам и аномалиям. Ключевые слова Прогнозирование, машинное обучение, сетевые нагрузки, DPI, CNN, Transformer, искусственный интеллект, Big Data. ВВЕДЕНИЕ С ростом трафика в телекоммуникационных сетях и переходом к облачным и распределённым архитектурам, задача прогнозирования сетевых нагрузок приобретает особую значимость. Эффективное прогнозирование позволяет операторам сетей предотвращать перегрузки, оптимизировать маршрутизацию и обеспечивать стабильное качество обслуживания. Традиционные статистические подходы (ARIMA, ETS) обладают ограниченной способностью моделировать нелинейные зависимости. В отличие от них, методы глубокого обучения — особенно CNN и Transformer — позволяют выявлять скрытые закономерности в данных и учитывать сложные временные зависимости. В данной работе предлагается гибридная модель DPI + CNN + Transformer, которая объединяет анализ сетевых пакетов и прогнозирование временных рядов. Обзор литературы и существующих подходов Ранее опубликованные исследования (Zhang & Chen, 2021; Wang et al., 2020) показали эффективность нейронных сетей при анализе сетевого трафика и прогнозировании нагрузок. CNN-модели успешно применяются для выявления локальных паттернов, тогда как LSTM и Transformer-архитектуры обеспечивают долговременную зависимость и устойчивость к аномальным выбросам. Тем не менее, большинство существующих решений игнорируют детальную информацию, доступную через DPI (Deep Packet Inspection). Использование DPI в сочетании с глубинными моделями позволяет учитывать как статистические, так и содержательные признаки пакетов, что повышает точность прогнозирования. Исследования последних лет также указывают на перспективность гибридных архитектур, объединяющих CNN, Transformer и механизмы внимания (attention mechanisms) для моделирования динамики сетевой активности в реальном времени. ISSN: 2582-4686 SJIF 2021-3.261,SJIF 2022-2.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-10 1063 Методология исследования Предлагаемая интеллектуальная система будет состоять из следующих основных модулей: 1. Сбор и обработка данных: анализ исторических логов трафика и данных DPI, включающих скорость передачи, частоту пакетов, типы приложений и задержки. 2. Предобработка: очистка данных, нормализация и выделение ключевых признаков с помощью методов feature selection и autoencoder. 3. Гибридная модель DPI + CNN + Transformer: - DPI-модуль извлекает информативные признаки на уровне приложений; - CNN-модуль выявляет пространственные зависимости в трафике; - Transformer-модуль анализирует временные зависимости и контекст, используя механизм внимания. 4. Обучение и оценка: модель обучается на сетевых датасетах (например, MAWI, CAIDA, UQ-VPN) с использованием фреймворков PyTorch и TensorFlow. Оценка проводится по метрикам MAPE, RMSE и R². Ожидаемые результаты и значимость Предварительное моделирование показывает, что предложенная архитектура способна достичь: - Средней абсолютной ошибки (MAPE) ≈ 3.5–4.2%; - Коэффициента детерминации (R²) ≈ 0.95; - Ускорения вычислений до 30% по сравнению с LSTM-моделями при равной точности. Ожидается, что гибридная модель обеспечит точное прогнозирование сетевых нагрузок даже при наличии аномальных пакетов и зашифрованного трафика. Практическая значимость заключается в возможности интеграции разработанной системы в платформы управления сетями (SDN, NFV) для реального прогнозирования и адаптивного управления ресурсами. Это станет шагом к созданию полностью автономных сетей нового поколения — Self-Driving Networks. Заключение Предложена концепция интеллектуальной системы прогнозирования сетевых нагрузок, основанной на гибридной архитектуре DPI + CNN + Transformer. Такой подход сочетает преимущества анализа содержимого пакетов и прогнозирования временных рядов, что обеспечивает высокую точность и устойчивость модели. Дальнейшие исследования будут направлены на разработку прототипа системы, реализацию онлайн-обучения и внедрение модели в реальные сетевые среды для оценки производительности и масштабируемости. Список литературы 1. Zhang, C., & Chen, X. (2021). Machine learning-based network traffic prediction: A survey. IEEE Communications Surveys & Tutorials. 2. Wang, H., Xu, L., & Li, P. (2020). Deep learning for network traffic prediction: models, methods, and applications. Computer Networks. 3. Al-Jarrah, O. Y. et al. (2019). Intelligent big data analytics for network traffic prediction using deep learning. IEEE Access. ISSN: 2582-4686 SJIF 2021-3.261,SJIF 2022-2.889, 2024-6.875 ResearchBib IF: 9.948 / 2024 VOLUME-5, ISSUE-10 1064 4. Boutaba, R. et al. (2018). A comprehensive survey on machine learning for networking. Journal of Internet Services and Applications. 5. Ma, Y., & Li, Q. (2022). Ensemble learning-based approaches for time series forecasting in network management. Expert Systems with Applications. 6. Vaswani, A. et al. (2017). Attention is all you need. NeurIPS.