How to reconstruct end-to-end traffic based on time-frequency analysis and artificial neural network

ترافیک پایان دادن به پایان، که ویژگی های ذاتی و رفتارهای پایان یافته شبکه های ارتباطی را توصیف می کند، پارامتر ورودی مهم مدیریت شبکه و مهندسی ترافیک شبکه است. این مقاله یک الگوریتم بازسازی جدید را برای توسعه تحقیقات در زمینه بازسازی ترافیک پایان به پایان در شبکه های ارتباطی بزرگ ارائه می دهد. ما در ابتدا تجزیه و تحلیل فرکانس زمان را در ترافیک پایان به پایان می رسانیم و سپس ویژگی های آن را برای به دست آوردن خواص فرکانس زمانی خود را قبل از تجزیه آن به اجزای فرکانس پایین و فرکانس بالا محاسبه می کنیم. ما متوجه می شویم که اگر به صورت مناسب تجزیه شود، مولفه پایین فرکانس ترافیک به پایان می رسد به طرز دقیق روند تغییر آن را منعکس می کند، در حالی که مولفه فرکانس آن می تواند ماهیت لرز و نوسان را نشان دهد. این باعث می شود که ما یک استراتژی تجزیه فرکانس زمانی مناسب برای استخراج مولفه های کم فرکانس و فرکانس بالا از ترافیک به پایان برساند. علاوه بر این، ما بیشتر الهام بخش ما برای استفاده از مدل رگرسیو برای مدل سازی قسمت پایین فرکانس، بهره برداری از شبکه های عصبی مصنوعی برای مشخص کردن مولفه فرکانس بالا، و سپس ترکیب این دو بخش با توجه به مدل رگرسیو و شبکه های عصبی مصنوعی به دقت بازسازی پایان تا پایان ترافیک نتایج شبیه سازی نشان می دهد که در مقایسه با روش های قبلی، الگوریتم ما بسیار موثر و امیدوار کننده است.