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

سال انتشار: 1395
محل انتشار: سومین کنگره بین المللی کامپیوتر، برق و مخابرات
کد COI اختصاصی: ITCC03_043
زبان مقاله: فارسی
تعداد مشاهده: 827

نویسندگان

کارشناسی ارشد برق –مخابرات ، واحد کاشان ،دانشگاه آزاد اسلامی ،کاشان ،ایران

دکتری برق – مخابرات ، واحد کاشان ،دانشگاه آزاد اسلامی ،کاشان ،ایران

چکیده

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

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.