Застосування методу Ateb-прогнозування для дослідження зразків високороздільного відеотрафіку
Анотація
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.
Посилання
Cajueiro, Daniel, & Tabak, Benjamin. (2005). The rescaled variance statistic and the determination of the Hurst exponent. Mathematics and Computers in Simulation, 70, 172–179. https://doi.org/10.1016/j.matcom.2005.06.005
Cisco website. (2018). Index, Cisco Visual Networking. "Forecast and methodology, 2015– 2020 white paper." Retrieved 1st June (2017). Accessed 20 Dec 2018.
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. 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. Suchacka, A. Kwiecień (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. & Koutsakis, Polychronis. (2017). Video frame size modeling for user-generated traffic in an enterprise-like environment. Computer Communications, 109, 24–37. https://doi.org/10.1016/j.comcom.2017.05.008
Liew, C. H, Kodikara, C., & Kondoz, A. M. (2005). Video Traffic Model for MPEG4 Encoded Video 62nd IEEE VTS Vehicle Technology Conference, 3, 1854–1858. http://doi.org/10.1109/VETECF.2005.1558427
Mandelbrot, B. B. (1982). The Fractal Geometry of Nature. W. H. Freeman, New York, 550 p. https://doi.org/10.1119/1.13295
Sandvine website. (2018a). Downstream traffic statistic. https://www.sandvine.com/. Accessed 18 Oct 2018.
Sklar, B. (2001). Digital Communications: Fundamentals and Applications. (2nd ed.). Prentice Hall P T R, New Jersey.
Statista website. (2018b). Most popular online video properties in the United States. https://www.statista.com/. Accessed 15 Sep 2018.
Susmit Bagchi. (2017). Computational Analysis of Network ODE Systems in Metric Spaces. An Approach. Journal of Computer Science, Science Publications, 13(1), 1–10. https://doi.org/10.3844/jcssp.2017.1.10
Tanwir, Savera, & Perros, Harry G. (2014). VBR Video Traffic Models. Wiley, 148 p.
Авторське право (c) 2018 http://creativecommons.org/licenses/by/4.0
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
