بررسی مدل های پیش بینی خرابی در زیرساخت های شبکه مبتنی بر داده های زمانی

پایداری و قابلیت اطمینان زیرساخت های شبکه ای یکی از عوامل کلیدی در تضمین کیفیت خدمات در سامانه های ارتباطی و فناوری اطلاعات محسوب می شود. با گسترش شبکه های پیچیده و افزایش حجم داده های تولیدشده توسط تجهیزات، استفاده از روش های تحلیل داده های زمانی برای پیش بینی خرابی ها اهمیت فزاینده ای یافته است. مدل های پیش بینی مبتنی بر داده های زمانی با بهره گیری از الگوهای رفتاری گذشته در شاخص های عملکردی شبکه، امکان شناسایی زودهنگام ناهنجاری ها و خرابی های احتمالی را فراهم می کنند. در این حوزه، رویکردهای آماری کلاسیک مانند ARIMA و مدل های یادگیری ماشین و یادگیری عمیق نظیر LSTM، GRU و شبکه های مبتنی بر توجه، به طور گسترده مورد بررسی قرار گرفته اند. این مدل ها با تحلیل روندها، وابستگی های زمانی و تغییرات غیرخطی در داده های شبکه، نقش مهمی در بهبود نگهداری پیش بینانه و کاهش زمان ازکارافتادگی سیستم ها ایفا می کنند. همچنین ترکیب روش های یادگیری عمیق با تکنیک های تشخیص ناهنجاری، دقت پیش بینی و قابلیت تعمیم مدل ها را در محیط های شبکه ای پویا افزایش داده است. مرور پژوهش های اخیر نشان می دهد که بهره گیری از داده های زمانی چندمنبعی و مدل های ترکیبی می تواند مسیر موثری برای ارتقای قابلیت پیش بینی خرابی در زیرساخت های شبکه فراهم کند.

کلیدواژه ها:

پیش بینی خرابی شبکه ، داده های زمانی ، نگهداری پیش بینانه ، یادگیری ماشین ، یادگیری عمیق ، LSTM