msiСовременная наука и инновацииModern Science and Innovations2307-910XNorth-Caucasus Federal University10.37493/2307-910X.2022.3.2msi-1358Research ArticleТЕХНИЧЕСКИЕ НАУКИ. ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕTECHNICAL SCIENCES. INFORMATION, COMPUTING AND MANAGEMENTОценка эффективности эталонных моделей машинного обучения для предсказания объема буферной памяти при преобразовании самоподобного входного потока пакетов в поток, имеющий экспоненциальное распределение при условии равенства математических ожиданий и медиан потоковEvaluation of the efficiency of reference machine learning models for buffer memory prediction when transforming a self-similar input stream of packets into a stream having exponential distribution under the condition of equality of mathematical expectations and median flowsЛинецГ. И.LinetsG. I.

Линец Геннадий Иванович - доктор технических наук, доцент, заведующий кафедрой инфокоммуникаций, Института цифрового развития.

Ставрополь

Тел.: (8652)95-69-97

Gennady I. Linets - Doctor of Technical Sciences, Associate Professor, Head of the Department of Infocommunications, Institute of Digital Development of the North Caucasus Federal University.

Tel.: (8652)95-69-97

glinetc@ncfu.ruВоронкинР. А.VoronkinR. Al.

Воронкин Роман Александрович - кандидат технических наук, доцент кафедры инфокоммуникаций, Института цифрового развития.

Ставрополь

Тел.: +7 (8652) 95-69-97

Roman A. Voronkin - Candidate of Technical Sciences, Associate Professor of the Department of Information Communications, Institute of Digital Development of the North Caucasus Federal University.

Tel.: 7 (8652) 95-69-97

kbytw@mail.ruГовороваС. В.GovorovaS. Vl.

Говорова Светлана Владимровна - старший преподаватель доцент кафедры инфокоммуникаций, Института цифрового развития.

Ставрополь

Тел.: +7 (8652) 95-69-97

Svetlana V. Govorova - Senior Lecturer, Associate Professor of the Department of Info-Communications, Institute of Digital Development of the North Caucasus Federal University.

Tel.: +7 (8652) 95-69-97

sgovorova@ncfu.ruСеверо-Кавказский федеральный университетРоссияNorth Caucasus Federal UniversityRussian Federation202213012023032032Copyright © Линец Г.И., Воронкин Р.А., Говорова С.В., 20232023Линец Г.И., Воронкин Р.А., Говорова С.В.Linets G.I., Voronkin R.A., Govorova S.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msi.elpub.ru/jour/article/view/1358

С использованием методов машинного обучения разработаны модели для предсказания размера очереди в зависимости от показателя Херста на основании данных, полученных при выполнении преобразования входного самоподобного потока, распределенного по закону Парето в поток, имеющий экспоненциальное распределение при равенстве математического ожидания и при равенстве медиан. Выполнен сравнительный анализ полученных моделей. Каждая модель исследована с использованием следующих метрик качества: коэффициента детерминации, среднеквадратичной ошибки регрессии, средней абсолютной ошибки, величины штрафа, предполагаемая величина потерь. Лучшими по выбранным метрикам качества для способов преобразования входного и выходного потока пакетов при равенстве математического ожидания являются модели, которые используют методы изотонической регрессии и опорных векторов. Для способов преобразования входного и выходного потока пакетов при равенстве медиан лучшими являются линейные модели.

Using machine learning methods, models have been developed to predict the size of the queue depending on the Hurst exponent based on the data obtained when performing the transformation of an input self-similar stream distributed according to the Pareto law into a stream having an exponential distribution with equal mathematical expectation and equal medians. A comparative analysis of the obtained models is carried out. Each model was examined using the following quality metrics: coefficient of determination, rms regression error, mean absolute error, penalty value, estimated loss. Models that use isotonic regression and support vector methods are the best in terms of the selected quality metrics for methods of transforming the input and output packet streams when the mathematical expectation is equal. For methods of transforming the input and output packet stream with equal medians, linear models are the best.

Телекоммуникационная сетьсамоподобный трафикпоказатель Херстапроизводительностьраспределение Паретопотери пакетоврегрессионноый анализметрики качествафункция штрафамашинное обучениеTelecommunication networkself-similar trafficHurst exponentPareto distributionpacket lossregression analysisquality metricspenalty scoremachine learningReferencesМ. Л. Федорова, Т. М. Леденева., Об исследовании свойства самоподобия трафика мультисервисной сети //Вестник воронежского государственного университета. Серия: системный анализ и информационные технологии. 2010. №1. С.46-54.M. L. Fedorova, T. M. Ledeneva., Ob issledovanii svoistva samopodobiya trafika mul'tiservisnoi seti //Vestnik voronezhskogo gosudarstvennogo universiteta. Seriya: sistemnyi analiz i informatsionnye tekhnologii. 2010. №1. S.46-54.Шелухин О. И., Фрактальные процессы в телекоммуникациях / О.И. Шелухин, А.М. Тенякшев, А.В. Осин; Под ред. О.И. Шелухина. - М.: Радиотехника, 2003 - 479 с.Shelukhin O. I., Fraktal'nye protsessy v telekommunikatsiyakh / O.I. Shelukhin, A.M. Tenyakshev, A.V. Osin; Pod red. O.I. Shelukhina. - M.: Radiotekhnika, 2003 - 479 s.Линец Г.И., Говорова С.В., Воронкин Р.А, Мочалов В.П., Имитационная модель асинхронного преобразования самоподобного трафика в узлах коммутации с использованием очереди // Инфокоммуникационные технологии. 2019. Т.17. №3. С. 293-303.Linets G.I., Govorova S.V., Voronkin R.A, Mochalov V.P., Imitatsionnaya model' asinkhronnogo preobrazovaniya samopodobnogo trafika v uzlakh kommutatsii s ispol'zovaniem ocheredi // Infokommunikatsionnye tekhnologii. 2019. T.17. №3. S. 293-303.Линец Г.И., Говорова С.В., Воронкин Р.А. Функциональные преобразования самоподобного потока пакетов с сохранением значения медианы. Современная наука и инновации, 2021, №1. г. Пятигорск, C. 50-57.Linets G.I., Govorova S.V., Voronkin R.A. Funktsional'nye preobrazovaniya samopodobnogo potoka paketov s sokhraneniem znacheniya mediany. Sovremennaya nauka i innovatsii, 2021, №1. g. Pyatigorsk, C. 50-57.Gennadiy Linets, Roman Voronkin, Svetlana Govorova, Ilya Palkanov, Carlos Grilo. The Regression Analysis of the Data to Determine the Buffer Size. YRID-2020: International Workshop on Data Mining and Knowledge Engineering. CEUR-WS. org, ISSN 1613-0073, Vol- 2842 – 150 pp.Gennadiy Linets, Roman Voronkin, Svetlana Govorova, Ilya Palkanov, Carlos Grilo. The Regression Analysis of the Data to Determine the Buffer Size. YRID-2020: International Workshop on Data Mining and Knowledge Engineering. CEUR-WS. org, ISSN 1613-0073, Vol- 2842 – 150 pp.Линец Г.И., Говорова С.В., Воронкин Р.А. Программа формирования набора данных для исследования статистических характеристик модели преобразования самоподобного трафика. Свидетельство о гос. регистрации программы для ЭВМ № 2019619275. Дата регистр. 15.07.19.Linets G.I., Govorova S.V., Voronkin R.A. Programma formirovaniya nabora dannykh dlya issledovaniya statisticheskikh kharakteristik modeli preobrazovaniya samopodobnogo trafika. Svidetel'stvo o gos. registratsii programmy dlya EHVM № 2019619275. Data registr. 15.07.19.Handbook of Mathematics. Sixth Edition / I.N. Bronshtein, K.A. Semendyayev, G. Musiol, H. Mühlig.URL: https://doi.org/10.1007/978-3-662-46221-8Handbook of Mathematics. Sixth Edition / I.N. Bronshtein, K.A. Semendyayev, G. Musiol, H. Mühlig.URL: https://doi.org/10.1007/978-3-662-46221-8Базовые принципы машинного обучения на примере линейной регрессии. URL: https://habr.com/ru/company/ods/blog/322076/ (дата обращения 01.06.2020).Bazovye printsipy mashinnogo obucheniya na primere lineinoi regressii. URL: https://habr.com/ru/company/ods/blog/322076/ (data obrashcheniya 01.06.2020).Isotonic regression. URL: https://scikit-learn.org/stable/modules/isotonic.html (дата обращения 01.06.2020).Isotonic regression. URL: https://scikit-learn.org/stable/modules/isotonic.html (data obrashcheniya 01.06.2020).Westling T., Gilbert P., Carone M. Causal isotonic regression. URL: http://arxiv.org/abs/1810.03269 (дата обращения 23.05.2020).Westling T., Gilbert P., Carone M. Causal isotonic regression. URL: http://arxiv.org/abs/1810.03269 (data obrashcheniya 23.05.2020).Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python / пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2018. 358 с.Sharden B., Massaron L., Bosketti A. Krupnomasshtabnoe mashinnoe obuchenie vmeste s Python / per. s angl. A. V. Logunova. M.: DMK Press, 2018. 358 s.Support Vector Regression (SVR) using linear and non-linear kernels. URL: https://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html?highlight=svr (дата обращения 01.06.2020).Support Vector Regression (SVR) using linear and non-linear kernels. URL: https://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html?highlight=svr (data obrashcheniya 01.06.2020).

The authors declare that there are no conflicts of interest present.