ПРОГНОЗУВАННЯ НАВАНТАЖЕННЯ В ГЕТЕРОГЕННИХ ТЕЛЕКОМУНІКАЦІЙНИХ МЕРЕЖАХ НА ОСНОВІ РОЗРОБЛЕНОЇ НЕЙРОННОЇ МОДЕЛІ

Вікторія Жебка

doi:10.28925/2663-4023.2024.26.788

Автор(и)

Вікторія Жебка Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0003-4051-1190

DOI:

https://doi.org/10.28925/2663-4023.2024.26.788

Ключові слова:

гетерогенна телекомунікаційна мережа, нейронна мережа, прогнозування навантаження, багатошаровий перцептрон, інформаційна технологія.

Анотація

У статті розглядається актуальна наукова проблема прогнозування навантаження в гетерогенних телекомунікаційних мережах на основі використання нейронних мереж. У зв’язку з активним впровадженням технологій 5G, IoT, розумних міст та мобільного хмарного обчислення, виникає необхідність у побудові інтелектуальних моделей, здатних ефективно аналізувати великі обсяги телекомунікаційних даних і прогнозувати навантаження з високою точністю. Одним із ключових викликів у гетерогенних мережах є нерівномірний розподіл трафіку між різними технологіями зв’язку (LTE, Wi-Fi, NB-IoT тощо), що обумовлює потребу в адаптивному управлінні ресурсами мережі. Запропонована в дослідженні модель заснована на багатошаровій перцептронній нейронній мережі (MLP), яка навчається на часових рядах даних про навантаження мережевих компонентів. В якості вхідних параметрів у модель подаються попередні значення навантаження, часові характеристики, тип мережі та рівень QoS. Навчання відбувається з використанням алгоритму зворотного поширення помилки з функцією втрат MSE (середньоквадратична похибка). Результатом роботи мережі є прогнозоване значення навантаження на визначений інтервал часу. У роботі детально представлено алгоритм функціонування моделі, сформульовано математичний опис, цільову функцію та систему обмежень. Модель охоплює структурні особливості гетерогенних мереж, забезпечує адаптивність до змін середовища та може бути масштабована під різні телекомунікаційні платформи. Наведено аналіз сучасних публікацій у галузі прогнозування навантаження в телекомунікаційних системах, зокрема в роботах G. Zhang, M. Chen, Y. Sun, а також українських дослідників, таких як Д.В. Козлов, А.О. Грабовець та Ю.П. Соловей. Результати дослідження можуть бути використані для оптимізації мережевого трафіку, підтримки динамічного балансування навантаження, адаптивного планування ресурсів і запобігання перевантаженням. У перспективі модель може бути інтегрована з системами моніторингу в реальному часі, а також адаптована до мереж 6G та гібридних архітектур зв’язку. Запропоноване рішення сприяє підвищенню ефективності управління телекомунікаційною інфраструктурою в умовах швидко зростаючих цифрових сервісів та інтенсивного використання мереж.

Завантаження

Дані завантаження ще не доступні.

Посилання

Cao, S., & Liu, W. (2019). LSTM Network Based Traffic Flow Prediction for Cellular Networks. In Proceedings of the 5th International Conference on Computer and Communications (pp. 1435-1440). Springer.

Jaffry, S. (2020). Cellular Traffic Prediction with Recurrent Neural Network. arXiv preprint arXiv:2003.02807.

Azari, A., Papapetrou, P., Denic, S., & Peters, G. (2019). Cellular Traffic Prediction and Classification: A Comparative Evaluation of LSTM and ARIMA. arXiv preprint arXiv:1906.00939.

Hua, Y., Zhao, Z., Li, R., Chen, X., Liu, Z., & Zhang, H. (2018). Deep Learning with Long Short-Term Memory for Time Series Prediction. arXiv preprint arXiv:1810.10161.

Gao, M., Wei, Y., Xie, Y., & Zhang, Y. (2024). Traffic Prediction with Self-Supervised Learning: A Heterogeneity-Aware Model for Urban Traffic Flow Prediction Based on Self-Supervised Learning. Mathematics, 12(9), 1290.

Wang, X., Zhao, J., Zhu, L., Zhou, X., Li, Z., Feng, J., Deng, C., & Zhang, Y. (2021). Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting. arXiv preprint arXiv:2111.00724.

Gao, M., Wei, Y., Xie, Y., & Zhang, Y. (2024). Traffic Prediction with Self-Supervised Learning: A Heterogeneity-Aware Model for Urban Traffic Flow Prediction Based on Self-Supervised Learning. Mathematics, 12(9), 1290.

Wang, X., Zhao, J., Zhu, L., Zhou, X., Li, Z., Feng, J., Deng, C., & Zhang, Y. (2021). Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting. arXiv preprint arXiv:2111.00724.

Gao, M., Wei, Y., Xie, Y., & Zhang, Y. (2024). Traffic Prediction with Self-Supervised Learning: A Heterogeneity-Aware Model for Urban Traffic Flow Prediction Based on Self-Supervised Learning. Mathematics, 12(9), 1290.

Wang, X., Zhao, J., Zhu, L., Zhou, X., Li, Z., Feng, J., Deng, C., & Zhang, Y. (2021). Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting. arXiv preprint arXiv:2111.00724.

V. Zhebka, et al., Stability Method of Connectivity Automated Calculation for Heterogeneous Telecommunication Network, in: Workshop on Cybersecurity Providing in Information and Telecommunication Systems, vol. 3188 (2021) 282–287.

P. Anakhov, et al., Evaluation Method of the Physical Compatibility of Equipment in a Hybrid Information Transmission Network, J. Theor. Appl. Inf. Technol. 100(22) (2022) 6635–6644.

N. Dovzhenko, et al., Method of Sensor Network Functioning under the Redistribution Condition of Requests between Nodes, in: Cybersecurity Providing in Information and Telecommunication Systems vol. 3421 (2023) 278–283.

P. Anakhov, et al., Protecting Objects of Critical Information Infrastructure from Wartime Cyber Attacks by Decentralizing the Telecommunications Network, in: Workshop on Cybersecurity Providing in Information and Telecommunication Systems, vol. 3050 (2023) 240-245

P. Anakhov, et al., Increasing the Functional Network Stability in the Depression Zone of the Hydroelectric Power Station Reservoir, in: Workshop on Emerging Technology Trends on the Smart Industry and the Internet of Things, vol. 3149 (2022) 169–176