Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...
Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...
Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Capitolul 8 Melinda BARABÁS<br />
Capitolul 8<br />
Implementarea ¸<strong>si</strong> evaluarea tehnicilor<br />
<strong>de</strong> predic¸tie a traficului<br />
8.1 Motiva¸tie<br />
Predic¸tia traficului joacă un rol important în garantarea calită¸tii serviciilor (QoS) într-o re¸tea IP,<br />
putând fi folo<strong>si</strong>tă în scheme <strong>de</strong> control care modifică func¸tionarea re¸telei, <strong>de</strong> exemplu procesul <strong>de</strong><br />
rutare sau mecanisme <strong>de</strong> evitare a congestiei. Alegerea meto<strong>de</strong>i <strong>de</strong> predic¸tie reprezintă un compromis<br />
între intervalul <strong>de</strong> predic¸tie, eroarea <strong>de</strong> predic¸tie ¸<strong>si</strong> costul computa¸tional. În literatura <strong>de</strong><br />
specialitate au fost propuse diferite meto<strong>de</strong> <strong>de</strong> predic¸tie a parametrilor <strong>de</strong> trafic, dar rămâne neclar<br />
care dintre ele poate a<strong>si</strong>gura performan¸ta necesară, fiind în acela¸<strong>si</strong> timp <strong>si</strong>mplă ¸<strong>si</strong> adaptivă. Se<br />
con<strong>si</strong><strong>de</strong>ră problema predic¸tiei ratei <strong>de</strong> transfer. Se dore¸ste a se i<strong>de</strong>ntifica metoda cea mai potrivită<br />
pentru predic¸tia parametrilor <strong>de</strong> trafic, ¸tinând cont atât <strong>de</strong> precizia, cât ¸<strong>si</strong> <strong>de</strong> complexitatea solu¸tiei.<br />
8.2 Testarea performan¸telor tehnicilor liniare <strong>de</strong> predic¸tie<br />
Se compară capacitatea <strong>de</strong> predic¸tie a următoarelor tehnici: mo<strong>de</strong>lul ARMA, algoritmul ARAR,<br />
algoritmul HW ¸<strong>si</strong> predic¸tia prin re¸tele neuronale. În cazul re¸telelor neuronale (NN – Neural Network)<br />
se tratează atât problema învă¸tării multi-task, cât ¸<strong>si</strong> problema învă¸tării multirezolu¸tie prin<br />
folo<strong>si</strong>rea transformatei wavelet, respectiv combinarea celor două abordări. Pentru evaluarea predictorilor<br />
liniari se folose¸ste software-ul ITSM 2000, în timp ce pentru <strong>si</strong>mularea re¸telelor neuronale<br />
se apelează la mediul <strong>de</strong> <strong>de</strong>zvoltare MATLAB. S-a ales o colec¸tie <strong>de</strong> date alcătuită din N = 200<br />
<strong>de</strong> măsurători consecutive <strong>de</strong> trafic, indicând rata <strong>de</strong> transfer, care se utilizează pentru mo<strong>de</strong>lare<br />
liniară ¸<strong>si</strong> pentru instruirea predictorilor NN, iar un set ulterior <strong>de</strong> 20 <strong>de</strong> valori (care nu sunt incluse<br />
în setul <strong>de</strong> antrenare/mo<strong>de</strong>lare) este folo<strong>si</strong>t pentru testare.<br />
8.3 Evaluarea tehnicilor liniare <strong>de</strong> predic¸tie<br />
Calitatea predic¸tiei se evaluează prin intermediul metricilor <strong>de</strong> performan¸tă: MSE (Mean Square<br />
Error), NMSE (Normalized MSE), RMSE (Root MSE), NRMSE (Normalized Root MSE), MAPE<br />
(Mean Absolute Percentage Error), coeficientul <strong>de</strong> corela¸tie r ¸<strong>si</strong> coeficientul <strong>de</strong> eficien¸tă E.<br />
Diferitele meto<strong>de</strong> <strong>de</strong> predic¸tie <strong>de</strong>scriu în felul următor ¸<strong>si</strong>rul <strong>de</strong> date mo<strong>de</strong>lat:<br />
• mo<strong>de</strong>l ARMA(3, 5):<br />
X(t) = 2.142X(t − 1) − 2.038X(t − 2) + 0.8036X(t − 3) + Z(t) − 1.258Z(t − 1)+<br />
+ 0.8077Z(t − 2) + 0.3543Z(t − 3) − 0.3987Z(t − 4) + 0.1565Z(t − 5) ,<br />
Teză <strong>de</strong> doctorat, 2011 33