XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Принимая во внимание объективно существующую неоднородность как телекоммуникационных сетей, сетевых информационных ресурсов, так и аудитории, которой адресована эта информация, необходимо создавать и надежно эксплуатировать достаточно большой набор информационно-коммуникационных сервисов, обеспечивающих эффективное использование разнородной информации в разнородных телекоммуникационных сетях. Практика использования и эксплуатации разрозненных телекоммуникационных сетей, связанная с прозрачностью, сложностью, организационными ограничениями и отсутствием детализации, определяет необходимость использования статистических методов анализа и мониторинга, основанных на открытой потоковой информации [1, 2], которую можно легко получить с помощью доступных методов и инструментов.

В результате обработки статистических данных о функционировании телекоммуникационной сети можно определить обычный профиль сети (этап анализа). Идентификация и прогнозирование отклонений от нормального профиля сети (фаза мониторинга) осуществляется системным администратором для определения возникновения аварийной ситуации и принятия соответствующих решений по изменению конфигурации сети.

Поэтому актуальной является разработка методов сбора первичной статистики о функционировании телекоммуникационных сетей, обработки первичной информации с использованием выбранных методов статистического анализа и выработки рекомендаций по реконфигурации сети [3].

Чтобы выбрать наиболее подходящую модель для анализа и мониторинга телекоммуникационных сетей, мы рассмотрим наиболее распространенную модель системы.

Марковская модель системы. В качестве исходной информации для построения марковской модели рассматриваются так называемые события. Например, все действия пользователя, связанные с безопасностью: локальная авторизация, запросы удаленного доступа и т. д.

Предположение о стационарности марковской цепи приводит к еще большему упрощению модели и вычислительного алгоритма, тем самым делая использование таких моделей удобным на ранних этапах исследования систем. Естественно, в этом случае возникает вопрос о достоверности модели [4].

Моделирование сетевого трафика методом фрактального броуновского движения. При построении такой модели сетевого трафика фрактальность процессов, происходящих в сети, основывается на изучении характеристик самоподобия.

Экспериментальная проверка фрактальных характеристик сетевого трафика основана на методе, позволяющем генерировать и оценивать некоторую статистику, которая может быть использована для проверки гипотезы о расширенной зависимости трафика, на основе выборочных значений количества событий за заданный интервал времени [5].

Моделирование временных рядов. Он моделирует различные компоненты, характеризующие поведение сети, такие как объем трафика, количество потерянных пакетов и т. д. В виде временных рядов он обладает многими очевидными преимуществами по сравнению с вышеупомянутыми методами. При построении модели временных рядов используется экспериментальная информация (она получена в сети, которая действительно работает), требуется меньше допущений, и, следовательно, более корректно отражается реальный объект, то есть телекоммуникационная сеть. Математическая модель описывает поток информации, который зависит от момента T. При статистическом анализе временного потока информации необходимо выявлять тенденции и периодические компоненты - колебания относительно тенденций с некоторой регулярностью, а также анализировать случайные компоненты.

Математическое описание обычно включает в себя сумму 1 из этих компонентов или некоторых из них.

Предлагаются следующие методы исследования для этой модели. Моделирование тренда может быть выполнено с использованием хорошо разработанных методов регрессионного анализа. Для построения ряда Фурье следует использовать метод анализа периодограммы и метод спектрального анализа случайного процесса. Характеристики случайных последовательностей изучаются с использованием классического метода математической статистики и метода анализа случайных последовательностей.

Статистические модели телекоммуникационных сетей в виде временных рядов являются наиболее надежными, поскольку основаны на большом количестве экспериментальных данных, которые наиболее полезны для прогнозирования состояния сети.

Список литературы:

1. Кабаева Ирина Игоревна Структура и характеристики систем телекоммуникации // Наука, техника и образование. 2016. №8 (26). URL: https://cyberleninka.ru/article/n/struktura-i-harakteristiki-sistem-telekommunikatsii

2. А. В. Пуговкин. Основы построения инфокоммуникационных систем и сетей: учебное пособие. Томск: Томск. гос. ун-т систем упр. и радиоэлектроники, 2022. 128 с.

3. Аветисян Т.В., Львович Я.Е., Преображенский А.П., Преображенский Ю.П. Исследование возможностей оптимизации процессов управления киберфизическими системами // Информационные технологии и вычислительные системы. 2023. № 2. С. 96-105.

4. Информационные технологии в управлении, автоматизации и мехатронике: сборник научных трудов 2-й Международной научно-технической конференции, Курск, 30 апреля 2020 года. – Курск: Юго-Западный государственный университет, 2020. – 236 с. 

5. Вострецова, Е.В. Основы информационной безопасности: учебное пособие для студентов вузов. Екатеринбург: Изд-во Урал. ун-та, 2019. 204 с