Застосування методу Ateb-прогнозування для дослідження зразків високороздільного відеотрафіку

Размещено на http://www.allbest.ru/

Застосування методу Ateb-прогнозування для дослідження зразків високороздільного відеотрафіку

Наведено результати поточного стану зростання відеотрафіку у світі. За допомогою зібраних статистичних даних показано, що цей процес призводить до збільшення завантаження комп'ютерних мереж. Показано, що на сьогодні забезпечення аналізу переваг та недоліків особливостей функціонування сучасних комп'ютерних мереж, а також розвитку методів прогнозування інтенсивності потоків трафіку, методів маршрутизації в комп'ютерних мережах є важливими та невідкладними завданнями. Згідно з прогнозами, обсяг світового трафіку зросте у 4 рази, на приблизно 33 % щороку, а відео з таких платформ, як: YouTube, Netflix, Amazon Prime, Facebook та інших сервісів, становитимуть основну частину майбутнього трафіку. Саме тому необхідно спрогнозувати тренди високороздільного відеотрафіку, що дасть змогу здійснити адаптивне управління мережевим обладнанням, а також зменшити затримки передавання даних. Подано посилання на процес конструювання прогнозу тренду високороздільного відеотрафіку, що був попередньо розроблений. Комп'ютерне імітаційне моделювання показало, що природа цього трафіку є самоподібною, тому метод можна успішно застосувати для прогнозування пульсацій відеотрафіку типів 1080p60, 4k, 1080p, але для 8k метод необхідно доопрацювати. Для оцінювання самоподібності відеотрафку було використано параметр Херста.

Розглядаючи сучасні темпи розвитку інформаційного суспільства, можна помітити, що об'єми світового інтернет-трафіку невпинно зростають. Постійне зростання кількості корисної інформації на планеті призводить до збільшення завантаження телекомунікаційних та комп'ютерних систем, а комп'ютерних мереж зокрема. Тому невідкладним завданням на сьогодні є забезпечення та проведення аналізу переваг та недоліків особливостей структури, архітектури та функціонування сучасних комп'ютерних мереж, а також різноманітних методів адаптивного управління обладнанням таких мереж, розвитку методів прогнозування інтенсивності потоків трафіку, методів маршрутизації та перенаправлення потоків даних між вузлами в комп'ютерних мережах.

Згідно зі сучасними прогнозами, у період від 2017 до 2022 рр. (Cisco website, 2018) (рис. 1):

1. Глобально світовий відеотрафік зросте у 4 рази, додаючи приблизно 33 % щороку.

2. Три трильйони хвилин (5 млн років) тільки відеокон- тенту буде транспортуватись через Всесвітню мережу щомісяця у 2022 р.

3. На 12,4 % за цей період зросте частка Live Video, що транслюються через мережу Інтернет.

Глобально, кількість Live Video трафіку за цей період зросте у 15 разів, приблизно на 72,7 %.

Якщо поглянути на дещо інші статистичні дані, то можна побачити дуже швидке динамічне зростання кількості переглядів потокового відео високої якості на найбільш популярних користувацьких сервісах та платформах для перегляду таких відео. Згідно з цими статистичними даними, вже на сьогодні 58 % завантажуваних потоків Інтернет-трафіку становлять відео з таких платформ як YouTube, Netflix, HTTP Media Stream, Amazon Prime, Facebook, Raw MPEG-TS та інших сервісів, як зображено на рис. 2 (Sandvine website, 2018a).

Якщо проглянути статистичні дані країни за країною, а саме розглянути одного з найбільших споживачів світового Інтернет-трафіку - Сполучені Штати Америки, то можна точно побачити, як кількість унікальних переглядів потокового відео зростає на найпопулярні- ших мережевих сервісах та платформах, серед яких можна виділити Facebook, Vevo, Comcast та декілька інших сервісів (Statista website, 2018b). На рис. 3 зображено статистичні дані унікальних переглядів за місяць. відправлення та отримування. Саме тому було б доцільно здійснювати прогнозування інтенсивності потоку ві- деотрафіку на рівні мережевого обладнання. Для зниження імовірності перевантаження та "падіння" мережевого обладнання, необхідно також оцінювати та досліджувати стан мережевого обладнання та рівень його завантаженості в певний конкретний момент часу. Розглядаючи ситуацію, яка відбувається в певний конкретний момент часу в мережевому обладнанні, дуже часто існує загроза виникнення ситуації перевантаження під час процесу передавання даних.

Постановка завдання. Проаналізувавши отриману статистику, можна побачити стабільне зростання завантаженості комп'ютерних мереж та їхніх компонентів. Пульсуючий та самоподібний характер мережевого ві- деотрафіку є найважливішими причинами виникнення додаткового ризику перевантаження мережевого обладнання, що призведе до зростання кількості помилок під час оброблення даних та втрати корисної інформації.

Тому аналіз та прогнозування збурень під час передавання високороздільного відеотрафіку дає змогу забезпечити адаптивне управління завантаженням мережевого обладнання, "згладити" пульсації високороз- дільного відеотрафіку, зменшити пульсації затримок такого трафіку, а також зменшити затримки передавання корисної інформації у комп'ютерній мережі.

Якщо розглянути процес передавання відеотрафіку між вузлами у комп'ютерній мережі, то найкращою та найбільш відповідною частиною процесу передачі даних для імплементації розроблених вдосконалень буде та, під час якої дані передаються через певні проміжні вузли комп'ютерної мережі, розташовані між вузлом

породжує так зване "вузьке горло" у використанні мережевого обладнання. Отож, враховуючи перераховані причини, сьогодні рекомендовано створювати та застосовувати нові програмні рішення для покращення балансування навантаженням у таких комп'ютерних мережах (Mandelbrot, 1982).

Особливо варто зосередити увагу на тому факті, що, враховуючи сучасне різноманіття архітектур, структур та конфігурацій мережевого обладнання, доцільно буде створювати саме інноваційні та ефективні програмні засоби для прогнозування інтенсивності потоків високо- роздільного відеотрафіку, враховуючи його природу та структуру (Susmit Bagchi, 2017), що і становить мету цього дослідження.

Об'єктом дослідження є процес передавання даних у комп'ютерних мережах.

Предметом дослідження є метод прогнозування значень трафіку в комп'ютерних мережах.

Основним завданням було дослідити особливості моделювання відеопотоків високої роздільної здатності за допомогою розробленого раніше методу Ateb-прог- нозування.

Процедура комп'ютерного імітаційного моделювання. Процес конструювання та тестування отриманого прогнозу інтенсивності високороздільного відеотра- фіку розроблено з метою оцінити результати використання розробленого методу Ateb-прогнозування. Комп'ютерне імітаційне моделювання було проведено за допомогою розробленого програмного забезпечення.

Цей процес складається з декількох стадій, а саме:

^• обрання та отримання відеофайлу;

^• вибір та програвання фрагменту;

^• застосування методу Ateb-моделювання;

^• побудова кривої передбачення (стадія прогнозування (моделювання));

^• стадія тестування (значення високороздільного трафіку в оригінальному фрагменті порівнюються зі значеннями, отриманими внаслідок побудови кривої прогнозування).

Як зображено на рис. 4, для того, щоб отримати експериментальні результати, було застосовано всі п'ять стадій, продемонстровані на цьому рисунку: обрано певний відеофайл як вхідні дані для здійснення прогнозування, обрано також і певний фрагмент відео, побудова Ateb-тренду та операцій стадії прогнозування і, на завершення, порівняння фрагменту оригінального відеотрафіку зі сконструйованими значеннями прогнозу.

Стадія тестування

Передусім необхідно обрати та отримати необхідний файл із високороздільним відеотрафіком, у розробленому програмному забезпеченні для цього було реалізовано дві можливості, а саме: отримання зразка ви- сокороздільного відеотрафіку в режимі реального часу (Tanwir & Perros, 2014; Kastrinakis et al., 2017; Liew, Ko- dikara & Kondoz, 2005), а також можливість отримати такий зразок за допомогою попереднього запису тренду такого відеотрафіку або ж зчитування його з відповідної бази даних.

Потім обраний фрагмент трафіку завантажується для оброблення у розробленому програмному забезпеченні. Після того розпочинається процес конструювання кривої прогнозу за допомогою розробленого методу. Цей процес також охоплює процес підбору та адаптації параметрів Ateb-функції з метою знаходження найбільш відповідних параметрів згідно з проведеним аналізом обраного фрагмента відеотрафіку. Протягом стадії прогнозування сконструйовані значення будуються на основі обраних параметрів прогнозування. Під час останньої стадії відбувається тестування релеван- тності отриманих кривих прогнозу за допомогою розробленого програмного забезпечення (Fedevych, Dron- уик & Lizanets, 2018; Demydov et аі., 2019).

Опис виконаних експериментів. Зразки трафіку в цій роботі визначаються як коротка частина (з тривалістю менше як однієї години реального часу) відеотрафі- ку в комп'ютерних мережах із визначеними характеристиками. Характеристики зразків наведено в табл. 1

Параметри, які було обрано для конструювання значень прогнозу для розробленого програмного забезпечення, наведено в табл. 2. Дані у цій таблиці показують типи зразків відеотрафіку, які було обрано для проведення експериментів, три види Ateb-функцій, що показали найкращі результати прогнозування серед інших функцій, крок інтервалу як період зміни між максимумом та мінімумом, крок зсуву як період зсуву функції прогнозування.

Щоб забезпечити чистоту та надійність зразків, взя-тих для дослідження, відеотрафік було зібрано за допо-могою програмного забезпечення Wireshark. Формули обчислень представлено в роботах (Fedevych, Dronyuk & Lizanets, 2018; Demydov et аі., 2019).

Результати моделювання. Беручи до уваги і базу-ючись на даних розрахунків параметра Херста, можли-во застосувати метод Ateb-моделювання до обраних зразків відеотрафіку ^кіаг, 2001). Результати експери-ментів показано в табл. 3.

Результати порівняння здійснених обчислень, а особливо значень кореляції, самоподібності та Херст- апроксимації для 4 різних типів зразків відеотрафіку, зображено на рис. 5-9. Коефіцієнт кореляції обчислювали між реальним та прогнозованим відеотрафіком у табл. 3. У колонці Херст-трафік, параметр Херста розрахували для зразка реального відеотрафіку за допомогою R/S методу (Cajueiro et аі., 2005). Колонка Херст- апроксимації містить результати обчислень параметра Херста з використанням R/S методу для прогнозованого відеотрафіку з відповідними параметрами.

Висновки

З'ясовано, що трафік у телекомунікаційних мережах поділяється на різні типи. Одним із найважливіших і найчисленніших за об'ємами типом трафіку є відеотрафік. Комп'ютерне імітаційне моделювання значень обраних зразків відеотрафіку показало, що природа цього трафіку є самоподібною, тому попередньо розроблений метод можна успішно застосувати для прогнозування трендів відеотрафіку типів 1080p60, 4k, 1080p, але для типу 8k метод потрібно вдосконалити. Проведені дослідження показали, що поведінка компонентів (трендів) відеотрафіку загалом визначає його поведінку, незалежно від конкретного типу відеотрафі- ку. У наступних дослідженнях плануємо продовжити дослідження зразків 8k відеотрафіку з метою встановлення його характеристик та властивостей для здійснення прогнозування його збурень.

Перелік використаних джерел

відеотрафік інформаційний суспільство

1.Cajueiro, Daniel, & Tabak, Benjamin. (2005). The rescaled variance statistic and the determination of the Hurst exponent. Mathematics and Computers in Simulation, 70, 172-179.

2.Cisco website. (2018). Index, Cisco Visual Networking. "Forecast and methodology, 2015- 2020 white paper." Retrieved 1st June (2017). Accessed 20 Dec 2018.

3.Demydov, I., Dronyuk, I., Fedevych, O., & Romanchuk, V. (2019). Traffic Fluctuations Optimization for Telecommunication SDP Segment Based on Forecasting Using Ateb-Function. Data-Centric Business and Applications, Evolvements in Business Information Processing and Management, 20, 71-88. Springer, Berlin.

4.https://doi.org/10.1007/978-3-319-94117-2 4 Fedevych, O., Dronyuk, I., & Lizanets, D. (2018). Researching Measured and Modeled Traffic with Self-Similar Properties for Ateb- Modeling Method Improvement. In P. Gaj, M. Sawicki, G. Suchac- ka, A. Kwiecien (Eds), Computer Networks. CN 2018. Communications in Computer and Information Science, 860. Springer, Cham. https://doi.org/10.1007/978-3-319-92459-5 2 Kastrinakis, Marios, Badawy, Ghada, Smadi, Mohammed N. & Kout- sakis, Polychronis. (2017). Video frame size modeling for user-generated traffic in an enterprise-like environment. Computer Communications, 109, 24-37.

Размещено на Allbest.ru