Обнаружение и классификация перегрузок многомашинных вычислительных систем

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.

1. Петушков Г. В. Оценка производительности вычислительной системы // Известия Юго-Западного государственного университета. 2025. Т. 29, № 2. С. 201-220.

2. Hassan S. О. AD-RED: A new variant of random early detection AQM algorithm // Journal of High Speed Networks. 2024. Vol. 30, N 1. P. 53—67.

3. Toopchinezhad M. P., Ahmadi M. Machine learning approaches for active queue management: A survey, taxonomy, and future directions // arXiv.org. URL: https://arxiv.org/abs/2410.02563 (дата обращения: 15.03.2026).

4. Технологии оптимизации сетевого трафика / Д. В. Гадасин, А. Д. Кобелькова, А. А. Родина, М. А. Сурова // Системы синхронизации, формирования и обработки сигналов. 2025. Т. 16, № 3. С. 9-16.

5. Muhammad $., Chaudhery Т. J., Noh Y. Study оп performance of AQM schemes over TCP variants in different network environments // IET Communications. 2021. N 15. P. 93-111. https://doi.org/10.1049/cmu2.12061.

6. Математическое моделирование системы автоматического регулирования численным интегрированием / В. А. Хандожко, О. Н. Федонин, В. П. Матлахов, А. В. Хандожко // Известия Юго-Западного государственного университета. 2025. Т. 29, № 2. С. 55-70.

7. Neural network-based CUSUM for online change-point detection / T. Gong, J. Lee, X. Cheng, Y. Xie // arXiv.org. URL: https://arxiv.org/abs/ 2210.17312 (дата обращения: 15.03.2026).

8. Performance measurement of Bayesian online changepoint detection and its application / M. Shimono [et al.] // Second International Conference on Advanced Robotics, Automation Engineering, and Machine Learning (ARAEML 2025). SPIE, 2025. Vol. 13815. P. 83–103.

9. Tsaknaki I.-Y., Lillo F., Mazzarisi P. Bayesian Autoregressive Online Change-Point Detection with Time-Varying Parameters // arXiv.org. URL: https://arxiv.org/abs/2407.16376 (дата обращения: 15.03.2026).

10. Online Bayesian changepoint detection for network Poisson processes with community structure / J. Corneck [et al.] // Statistics and Computing. 2025. Vol. 35, N 3. P. 1–29.

11. Bekhtin Y. S., Balanev K. S. Simulation Modeling Network Traffic Behavior Using Regression Analysis in Wavelet Domain // 2024 6th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). Moscow: IEEE, 2024. P. 1–6.

12. Stability Appraisal of the Wavelet-and-Regression Method for Unsteady Network Traffic Trend Highlighting / Y. S. Bekhtin, K. S. Balanev, E. A. Dubrovskaya, A. V. Pavlovich // 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). Moscow: IEEE, 2025. P. 1–5.

13. Клименко А. Б. Методика выбора способа управления распределенными информационными системами в условиях высокой динамики сетевой инфраструктуры // Известия Юго-Западного государственного университета. 2022. Т. 26, № 1. Р. 57—72.

14. RouteNet-Fermi: Network Modeling With Graph Neural Networks / M. Ferriol-Galmés [et al.] // IEEE/ACM Transactions on Networking. 2023. Vol. 31, N 6. P. 3080–3095.

15. Bicski B., Pekar A. Early Detection of Network Service Degradation: An Intra-Flow Approach // 2024 20th International Conference on Network and Service Management (CNSM). Prague: IEEE, 2024. P. 1–5.

16. Graf F., Watteyne T., Villnow M. Monitoring Performance Metrics in Low-Power Wireless Systems // ICT Express. 2024. Vol. 10, N 5. P. 989–1018.

17. Espinal A., Sanchez Padilla V. Queuing Delay Reduction based on Network Traffic Patterns: A Predictive QoS Framework For Point-To-Point Communications // Transport and Telecommunication Journal. 2025. Vol. 26, N 3. P. 237–249.

18. Ali S. Hong, Cheung T. Congestion or No Congestion: Packet Loss Identification and Prediction Using Machine Learning // 2024 International Conference on Platform Technology and Service (PlatCon). Jeju, 2024. P. 72–76.

19. Jin Q. Optimized transmission of multi-path low-latency routing for electricity internet of things based on SDN task distribution // PLoS One. 2025. N 20(2). P. 1–23. https://doi.org/10.1371/journal.pone.0314253.

20. Alauthman A., Al-Hyari A. Analysis of LTE/5G network performance parameters in smartphone use cases: a study of packet loss, delay and slice types // International Journal of Computer Networks & Communications (IJCNC). 2025. Vol. 17, N 4. P. 75–93.

21. A Comparative Study of TCP and UDP Performance Using NS-3 Simulation / G. Gaoyang, C. Zhiyi, F. Qamar, A. Hafizah Mohd Aman // Asia-Pacific Journal of Information Technology and Multimedia. 2025. N 14(1). P. 1–19.