Бехтин Юрий Станиславович, доктор технических наук, профессор кафедры прикладной математики и искусственного интеллекта
Author ID: 518783
ул. Красноказарменная, д. 14/1, г. Москва 111250
Yuri S. Bekhtin, Dr. Sci. (Engineering), Professor at the Department of Applied Mathematics and Artificial Intelligence
Author ID: 518783
14/1 Krasnokazarmennaya Str., Moscow 111250
Баланев Кирилл Сергеевич, аспирант
Author ID: 1204517
ул. Красноказарменная, д. 14/1, г. Москва 111250
Kirill S. Balanev, Postgraduate
Author ID: 1204517
50 Let Oktyabrya Str. 94, Kursk 305040
Титова Анна Владимировна, кандидат технических наук, доцент
Author ID: 1169728
ул. 50 лет Октября, д. 94, г. Курск 305040
Anna V. Titova, Cand. Sci. (Engineering), Associate Professor
Author ID: 1169728
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования — разработать критерии обнаружения и классификации перегрузок, возникающих в многомашинных вычислительных системах, по данным сетевого трафика с опорой на анализ его регулярного тренда и последующую вероятностную интерпретацию перегрузочного состояния.
Методы. В качестве метода выделения регулярного тренда сетевого трафика используется вейвлет-регрессионная обработка временного ряда, обеспечивающая подавление высокочастотных возмущений и сохранение регулярной составляющей. Для выявления интервалов перегрузки применяется байесовский обнаружитель импульсных сигналов, формирующий селаженную импульсную последовательность апостериорных вероятностей превышения нормального режима. Для количественного описания каждого перегрузочного эпизода введена параметрическая модель импульса на основе еауссовой аппроксимации, позволяющая связать перегрузку с тремя измеримыми характеристиками: амплитудой, длительностью и интегральной площадью. Дополнительно предложены нормализованные показатели параметров относи- тельно статистики нормального режима и интегральный критерий отклонения, обеспечивающий оценку выраженности перегрузочного состояния.
Резулытаты. Получены критерии и правила классификации перегрузок по пяти типам: импульсная, фоновая, прогрессирующая, периодическая и атакующая. Результаты имитационного моделирования на данных с различными режимами нагрузки показали работоспособность предложенного подхода: перегрузочные эпизоды выделяются устойчиво, а типизация соответствует ожидаемой структуре сценариев. Выявлены особенности реакции вероятностного обнаружителя на плавно нарастающую нагрузку, способную проявляться как последовательность локальных импульсов.
Заключение. Разработанная методика обеспечивает переход от визуальной интерпретации выходного сигнала байесовского обнаружителя к количественной оценке и типизации перегрузок и может применяться в задачах автоматизированного мониторинга сетевого трафика и поддержки решений по управлению качеством обслуживания в многомашинных вычислительных системах.
The purpose of the research is to develop criteria for detecting and classifying overloads occurring in multi-machine computing systems based on network traffic data based on an analysis of its regular trend and subsequent probabilistic interpretation of the overload state.
Methods. The wavelet regression processing of the time series is used as a method for detecting the regular trend of network traffic, which ensures the suppression of high-frequency disturbances and the preservation of the regular component. To identify overload intervals, a Bayesian pulse signal detector is used, which generates a smoothed pulse sequence of a posteriori probabilities of exceeding the normal mode. To quantify each overload episode, a parametric pulse model based on Gaussian approximation is introduced, which makes it possible to associate overload with three measurable characteristics: amplitude, duration, and integral area. Additionally, normalized parameter indicators relative to normal mode statistics and an integral deviation criterion are proposed, which provides an assessment of the severity of the overload condition.
Results. Criteria and rules for classifying overloads into five types are obtained: impulse, background, progressive, periodic and attacking. The results of simulation modeling on data with different load modes showed the efficiency of the proposed approach: overload episodes are consistently highlighted, and the typing corresponds to the expected structure of scenarios. The features of the probabilistic detector’s response to a smoothly increasing load, which can manifest itself as a sequence of local pulses, are revealed.
Conclusion. The developed technique provides a transition from visual interpretation of the Bayesian detector output signal to quantification and typification of congestion and can be used in tasks of automated monitoring of network traffic and support for quality-of-service management solutions in multi-machine computing systems.
The authors declare that there are no conflicts of interest present.