پیش بینی دوره های طولانی ترافیک شبکه با استفاده از تبدیل موجک و سری زمانی ARIMA)

در این مقاله، یک روش جهت مدل سازی و پیش بینی ترافیک شبکه های رایانه ای به منظور امکانسنجی ترافیک شبکه در آینده و تشخیص ناهنجاری ارایه گردیده است ، در این روش با استفاده ازتبدیلات فوریه و موجک بر روی ترافیک NETFLOW ارایه شده از آزمایشگاه مرجع دانشگاهمک گیل کانادا ، فرکانس های پرتکرار در قالب دو مولفه فرکانسی اصلی و جزیی تشخیص داده شدهو بر اساس آنالیز واریانس مولفه های فرکانسی ، مولفه های با واریانس بیشتر انتخاب و مدل سریزمانی از ترافیک شبکه با ابعاد کمتر تعیین میگردد، ما نشان میدهیم که مدل تعیین شده از رفتارهایترافیکی شبکه نا ایستا و دارای روند های طولانی مدت میباشد که این ویژگی امکان پیش بینیترافیک را برای ما فراهم می سازد. با توجه به خصوصیت نا ایستایی مدل ، و بر اساس متدولوژیباکس- جنکیس پارامترهای خود همبستگی و همبستگی جزیی احصاء و رگرسیون خطی سری زمانیبا مرتبه پایین ARIMA جهت تخمین مدل تعیین و معیار آکابیک به منظور دستیابی به پارامترهایبهینه سری زمانی مورد استفاده قرار گرفته است ،در نهایت با استفاده از رگرسیون سری زمانیARIMA و نتایج بدست آمده ما قادر به پیش بینی فصلهای زمانی طولانی مدت پر تکرار 12 ساعته،یک روزه، یک هفته و یا ماهانه خواهیم بود.

کلیدواژه ها:

تبدیل موجک ، آنالیز واریانس ، سری زمانی ، رگرسیون خطی ، پیش بینی