Российские математики сравнили две популярные модели машинного обучения для прогноза трафика в сети. Это позволило ученым выяснить, в каких ситуациях модели справляются лучше. Это важно для оптимизации сетей 5G и 6G, которые должны адаптироваться под изменения в трафике и запросах пользователей. Результаты опубликованы в журнале Future Internet.
Сети 5G и 6G в каждый момент должны учитывать нагрузку и адаптировать расход ресурса. Для этого нужно знать текущие показатели и уметь их прогнозировать. Так сервисы будут принимать решения о разделении сети на слайсы, «куски», и балансировать нагрузку. Обычно для прогноза используют модели машинного обучения. Российские ученые сравнили две модели для прогнозирования и указали их сильные и слабые стороны.
«Сети 5G и 6G будут поддерживать беспилотные летательные аппараты, виртуальную и дополненную реальность. При этом если количество подключенных устройств увеличивается, то трафик резко вырастает, и возникает перегрузка сети. В результате снижается качество обслуживания, растут сетевые задержки и потеря данных. Поэтому архитектура сети должна адаптироваться к объемам трафика и учитывать несколько типов трафика с разными требованиями», — рассказала Ирина Кочеткова, кандидат физико-математических наук, доцент института компьютерных наук и телекоммуникаций РУДН.
Математики сравнили две модели анализа временных рядов — сезонной интегрированной модели авторегрессии скользящего среднего (SARIMA) и модель Хольта — Винтерса. Для построения модели использовали данные португальского мобильного оператора об объемах траффика на загрузку и выгрузку за фиксированные отрезки времени (один час).
Обе модели оказались подходящими для прогнозирования трафика на ближайший час. Однако SARIMA больше подошла для прогноза трафика от пользователя к базовой станции — средняя ошибка составила 11,2%, на 4% меньше, чем у второй модели. А модель Хольта — Винтерса лучше сработала для прогноза трафика от базовой станции к пользователю — ошибка 4,17% вместо 9,9%.
«Обе модели эффективно предсказывают средние значения трафика. Однако модель Хольта — Винтерса лучше подходит для прогнозирования трафика базовой станции к пользователю , а SARIMA больше подходит для трафика от пользователя к базовой станции. Универсального решения здесь нет, поскольку каждый набор данных требует своего собственного подхода. Будущие исследования будут сосредоточены на объединении статистических моделей с методами машинного обучения для более точных прогнозов и обнаружения аномалий», — подытожила Ирина Кочеткова.
Материал опубликован в рамках совместного проекта с Национальным центром развития искусственного интеллекта. Подробнее о развитии ИИ в России — на сайте ai.gov.ru.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
