СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

На сегодняшний день в вопросах обработки и управления сетевым трафиком нет единого подхода, применимого к широкому пулу прикладных задач, который бы позволял решать вопросы по управлению трафиком. Опубликованные работы в этой области направлены на решение узкоспециализированных целей: при применении комплексных решений эти задачи требуют введения множества дополнительных параметров, которые увеличивают вычислительную сложность, или решают только узконаправленные проблемы. В настоящей статье приводится сравнительный анализ классических моделей сетевого трафика и выявляется возможность практического применения таких моделей в реальных задачах. Подробно рассмотрены классические модели трафика, а именно пуассоновская модель, модели трафика с «тяжелым хвостом», модели на основе цепей Маркова, модели трафика на основе теории фракталов и модели на основе стохастических временных рядов. Также представлено математическое описание каждой модели трафика. По итогам проведенного сравнительного анализа была проведена оценка применимости математических моделей к реальным проектам. На ее основе были выявлены две основные проблемы: во-первых, отсутствие учета предыдущих результатов обработки сетевого трафика; во-вторых, узконаправленная применимость каждой из моделей с учетом жесткой привязки к предметным областям, что позволяет решать лишь узкий круг задач. В качестве критериев для оценки моделей сетевого трафика брались за основу следующие показатели: возможность масштабирования анализируемого трафика, возможность учитывать предыдущие данные трафика, вычислительная сложность и отсутствие неких случайных признаков, которые могли бы повлиять на работу модели. При детальном изучении проблемы масштабирования трафика выявлены основные закономерности, зависимости, размерности пакета трафика от времени его обработки.

1. Кузьмин В.В. Модели и процедуры управления трафиком в мультисервисной сети оператора связи: дис. ... канд. техн. наук. – Н. Новгород, 2015. – 189 с.

2. Hidden markov model modeling of SSH brute-force attacks / A. Sperotto, R. Sadre, P. de Boer, A. Pras // Integrated Management of Systems, Services, Processes and People in IT. DSOM 2009. – Venice, Italy, 2009. – P. 164–176.

3. Velan P., Cermák M., Celeda P. A survey of methods for encrypted traffic classification and analysis // International Journal of Network Management. – 2015. – Vol. 25 (5). – P. 355–374.

4. Имитатор сетевого трафика / П.А. Будко, Д.Н. Рыжкова, Ж.О. Карпова, Д.В. Воронина // Техника средств связи. – 2018. – № 2 (142). – С. 86–98.

5. Ефимов А.Ю. Использование энтропийных характеристик сетевого трафика для определения его аномальности // Программные продукты и системы. – 2021. – Т. 34, № 1. – С. 83–90.

6. Джаммул С.М. Идентификация трафика сетей передачи данных в реальном времени: дис. … канд. техн. наук. – М., 2018. – 143 с.

7. Manaseer S., Al-Nahar O.M., Hyassat A.S. Network traffic modeling, case study: the University of Jordan // International Journal of Recent Technology and Engineering (IJRTE). – 2019. – Vol. 7, iss. 5. – P. 13–16.

8. How to accelerate your Internet: a practical guide to bandwidth management and optimisation using open source software / R. Flickenger, M. Belcher, E. Canessa, M. Zennaro. – [S. l.]: INASP/ICTP, 2006. – ISBN 0-9778093-1-5. – 298 p.

9. Карташевский И.В. Разработка и исследование методов анализа качества обслуживания коррелированного трафика в телекоммуникационных сетях: дис. … д-ра техн. наук. – Самара, 2020. – 288 с.

10. Wang Q., Zhang T. Source traffic modeling in wireless sensor networks for target tracking // PE-WASUN'08: Proceedings of the 5th ACM International Symposium on Performance Evaluation of Wireless Ad-Hoc, Sensor, and Ubiquitous Networks. – Vancouver, British Columbia, Canada, 2008. – Р. 96–100.

11. Vybornova A., Koucheryavy А. Traffic analysis in target tracking ubiquitous sensor networks // Internet of Things, Smart Spaces, and Next Generation Networks and Systems. NEW2AN 2014. – Cham: Springer International Publishing, 2014. – Р. 389–398. – (Lecture Notes in Computer Science; vol. 8638).

12. Осовский А.В., Кутузов Д.В., Стукач О.В. Анализ моделей трафика, создаваемого устройствами интернета вещей // Динамика систем, механизмов и машин. – 2019. – Т. 7, № 4. – С. 220–226.

13. Кутузов Д.В., Осовский А.В., Стукач О.В. Модель генерации и обработки трафика IoT параллельными коммутационными системами // Вестник СибГУТИ. – 2019. – № 4. – С. 78–87.

14. Сарымсаков Т.А. Основы теории процессов Маркова. – М.: Гостехтеориздат, 1954. – 208 с.

15. Федер Е. Фракталы: пер. с англ. – М.: Мир, 1991. – 254 с.

16. Feder J. Fractals. – New York: Plenum Press, 1988. – 312 p.

17. Треногин Н.Г., Петров М.Н., Соколов Д.Е. Свойства фрактального трафика при прохождении системы массового обслуживания с очередью // Вестник СибГАУ. – 2017. – Т. 18, № 1. – С. 105–110.

18. Елагин В.С., Спиркина А.В., Фицов В.В. Фундаментальные основы моделирования трафика в гетерогенных сетях связи, с перспективой канальной идентификации отдельных сервисов и прогнозирования состояния сети // Актуальные проблемы инфотелекоммуникаций в науке и образовании: X Юбилейная Международная научно-техническая и научно-методическая конференция: в 4 т. – СПб., 2021. – Т. 1. – С. 351–356.

19. Characterization of video codecs as autoregressive moving average processes and related queuing system performance / R. Grunenfelder, J.P. Cosmas, S. Manthorpe, A. Odinma-Okafor // IEEE Journal on Selected Areas in Communications. – 1991. – Vol. 9 (3). – P. 284–293.

20. Rutka G. Network traffic prediction using ARIMA and neural network models // Electronics and Electrical Engineering. – 2008. – Vol. 4 (48). – P. 47–52.