СИСТЕМЫ ТЕЛЕКОММУНИКАЦИЙ И СЕТЕВЫЕ ТЕХНОЛОГИИ

Свойства трафика видеоконференций 5G и его прогнозирование методами искусственного интеллекта

Д. В. Кутузов^a, А. В. Осовский^a, Н. С. Мальцева^a, С. В. Мартынов<sup>b

a</sup> Астраханский государственный технический университет, Астрахань, Россия
^b 4Филиал ПАО «Мобильные ТелеСистемы» в Астраханской области, Астрахань, Россия

Аннотация: Изложены цели и перспективы краткосрочного и долгосрочного прогнозирования трафика данных в сетях 5G. Представлен обзор актуальных методов прогнозирования трафика. Большое количество работ свидетельствует о множестве подходов к анализу и прогнозированию мобильного трафика. Эти подходы включают как традиционные статистические методы, так и методы глубокого обучения, что является важным фактором для развития сетевых технологий и оптимизации сетей радиодоступа. Прогнозирование и управление играют большую роль как на уровне всей сети 5G, так и на уровне отдельных ее компонентов. С увеличением объема больших данных прогнозирование трафика становится сложной задачей из-за мобильности и различного поведения пользователей. В связи с этим обстоятельством на примере данных мобильного трафика систем видеоконференций Google Meet, MS Teams и Zoom проанализированы особенности этого вида трафика и сделан вывод о том, что распределение интервалов времени между поступлением пакетов соответствует $\alpha$-стабильному распределению. По результатам изучения некоторых методов машинного обучения, предназначенных для прогнозирования временных рядов, был выполнен сравнительный анализ эффективности этих методов для краткосрочного прогнозирования интенсивности трафика. Для анализа и прогноза были использованы следующие модели: наивная сезонная, экспоненциальное сглаживание, линейная регрессия, ARIMA, Theta и NBEATS. Установлено, что для трафика Google Meet наилучшие показатели качества обеспечивает линейная регрессия, для MS Teams лучшие показатели качества показывает метод экспоненциального сглаживания, а для Zoom лучшие показатели у метода Theta.

Ключевые слова: телекоммуникационные системы, анализ трафика, модели прогнозирования, QoS, искусственный интеллект, линейная регрессия, Theta, экспоненциальное сглаживание.

УДК: 004.896

Поступила в редакцию: 29.11.2024
Принята в печать: 14.01.2024

DOI: 10.24143/2072-9502-2025-1-103-116