Оценка 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 потоков

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.

1. М. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. Handbook of Mathematics. Sixth Edition / I.N. Bronshtein, K.A. Semendyayev, G. Musiol, H. Mühlig.URL: https://doi.org/10.1007/978-3-662-46221-8

8. Базовые принципы машинного обучения на примере линейной регрессии. URL: https://habr.com/ru/company/ods/blog/322076/ (дата обращения 01.06.2020).

9. Isotonic regression. URL: https://scikit-learn.org/stable/modules/isotonic.html (дата обращения 01.06.2020).

10. Westling T., Gilbert P., Carone M. Causal isotonic regression. URL: http://arxiv.org/abs/1810.03269 (дата обращения 23.05.2020).

11. Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python / пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2018. 358 с.

12. 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).