Modelo Adaptativo para Previsão de Recursos de Rede em Provedores de Internet Modernos

  • Dyego Henrique Oliveira Universidade Estadual do Ceará
  • Francisco Mardônio Filho Universidade Estadual do Ceará
  • Thelmo Pontes de Araújo Universidade Estadual do Ceará
  • Joaquim Celestino Júnior Universidade Estadual do Ceará
  • Rafael Lopes Gomes Universidade Estadual do Ceará

Resumo


Atualmente, os Provedores de Internet (ISPs) tendem a evoluir para Provedores de Internet Modernos (MISPs), a fim de lidar com situações como a demanda elástica de recursos de rede que podem causar queda na Qualidade de Serviço (QoS). Uma abordagem promissora para lidar com demanda elástica é o uso de técnicas de previsão de tráfego. Contudo, tais técnicas não atingem fatores de correção necessários quando o comportamento da rede não segue um padrão claro (como nas situações de demanda elástica). Neste contexto, este artigo apresenta um modelo adaptável de previsão de rede para MISPs, que ajusta sazonalidade e tendência e remove os ciclos de erro na série temporal de acordo com o comportamento observado no tráfego de rede. Os resultados, usando um conjunto de dados real, sugerem que o modelo proposto aprimora as técnicas de previsão tradicionais.

Palavras-chave: Demanda Elástica, Previsão de Recursos, Modelo Adaptativo

Referências

Adhikari, R. and Agrawal, R. K. (2013). An introductory study on time series modelingand forecasting. CoRR, abs/1302.6613.

Aldhyani, T. H. H. and Joshi, M. R. (2016). Integration of time series models with softclustering to enhance network traffic forecasting. In 2016 Second International Confe-rence on Research in Computational Intelligence and Communication Networks (ICR-CICN), pages 212-214.

Bayati, A., Khoa Nguyen, K., and Cheriet, M. (2018). Multiple-step-ahead traffic predic-tion in high-speed networks. JEEE Communications Letters, 22(12):2447-2450.

Carrion-I-Silvestre, J. L., Sansó-I-Rosselló, A., and Ortufio, M. A. (2001). Unit root andstationarity tests” wedding. Economics Letters, 70(1):1-8.

Chatfield, C. and Yar, M. (1988). Holt-winters forecasting: Some practical issues. Journalof the Royal Statistical Society: Series D (The Statistician), 37(2):129-140.

De O. Schmidt, R., Sadre, R., Melnikov, N., Schônwilder, J., and Pras, A. (2014). Linkingnetwork usage patterns to traffic Gaussianity fit. 2014 IFIP Networking Conference,IFIP Networking 2014.

Dokumentov, A. and Hyndman, R. J. (2015). STR : A Seasonal-Trend DecompositionProcedure Based on Regression. (13):23.

Foukas, X., Patounas, G., Elmokashfi, A., and Marina, M. K. (2017). Network slicing in5g: Survey and challenges. IEEE Communications Magazine, 55(5):94-100.Communications Magazine,53(3):199-207.

Harstead, E. and Sharpe, R. (2015). Forecasting of access network bandwidth demands foraggregated subscribers using monte carlo methods. IEEE Communications Magazine, 53(3):199–207.

Hou, Z., She, C., Li, Y., Quek, T. Q. S., and Vucetic, B. (2018). Burstiness awarebandwidth reservation for uplink transmission in tactile internet. In 2018 IEEE In-ternational Conference on Communications Workshops (ICC Workshops), pages 1-6.

Katris, C. and Daskalaki, S. (2019). Dynamic bandwidth allocation for video trafficusing farima-based forecasting models. Journal of Network and Systems Management,27(1):39-65.

Kwiatkowski, D., Phillips, P. C., Schmidt, P., and Shin, Y. (1992). Testing the null hy-pothesis of stationarity against the alternative of a unit root: How sure are we thateconomic time series have a unit root? Journal of Econometrics, 54(1):159 — 178.

Maleki, A., Nasseri, S., Aminabad, M. S., and Hadi, M. (2018). Comparison of ARIMAand NNAR Models for Forecasting Water Treatment Plant's Influent Characteristics.KSCE Journal of Civil Engineering, 22(9):3233-3245.

Ruan, L., Mondal, S., and Wong, E. (2018). Machine learning based bandwidth predictionin tactile heterogencous access networks. In [EEE INFOCOM 2018 - IEEE Conferenceon Computer Communications Workshops (INFOCOM WKSHPS), pages 1-2.

Schmidt, R. D. O., Sadre, R., and Pras, A. (2013). Gaussian traffic revisited. 2013 IFIPNetworking Conference, IFIP Networking 2013, pages 1-9.

Su, F, Dong, H., Jia, L., Qin, Y., and Tian, Z. (2016). Long-term forecasting oriented tourban expressway traffic situation. Advances in Mechanical Engineering, 8(1):1-16.

Wang, T., Guo, Z., Chen, H., and Liu, W. (2018). Bwmanager: Mitigating denial of ser-vice attacks in software-defined networks through bandwidth prediction. IEEE Tran-sactions on Network and Service Management, 15(4):1235-1248.

Yar, M. and Chatfield, C. (1990). Prediction intervals for the holt-winters forecastingprocedure. International Journal of Forecasting, 6(1):127 — 137.

Yoo, W. and Sim, A. (2015). Network bandwidth utilization forecast model on highbandwidth networks. In 2015 International Conference on Computing, Networkingand Communications (ICNC), pages 494-498.
Publicado
07/12/2020
Como Citar

Selecione um Formato
OLIVEIRA, Dyego Henrique; FILHO, Francisco Mardônio; DE ARAÚJO, Thelmo Pontes; CELESTINO JÚNIOR, Joaquim; GOMES, Rafael Lopes. Modelo Adaptativo para Previsão de Recursos de Rede em Provedores de Internet Modernos. In: WORKSHOP DE GERÊNCIA E OPERAÇÃO DE REDES E SERVIÇOS (WGRS), 25. , 2020, Rio de Janeiro. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 209-222. ISSN 2595-2722. DOI: https://doi.org/10.5753/wgrs.2020.12462.