• Proceedings of the Korea Information Processing Society Conference
• /
• 2002.04b
• /
• pp.1317-1320
• /
• 2002

네트워크에서 실시간으로 통신 트래픽의 변화량을 감시하고 시계열 분석을 이용해 변화량의 추이를 모형화한다. 트래픽의 변화량을 모형화하게 되면 트래픽에 대한 예측이 가능하게 되므로 트래픽 예측을 이용하여 성능관리를 수행할 수 있다. 본 연구에서는 실시간 트래픽을 이용한 성능관리 시스템에 대해 다룬다. 기존의 성능관리 시스템은 SNMP를 이용한 MIB-II 정보를 바탕으로 하는 분석 방법으로 이는 누적 데이터를 기본으로 하는 관리 방법으로 이상 징후의 판단이 즉각적이지 않았고 또한 모니터링을 수행하기 위해서는 통신 트래픽의 증가를 가져왔다. 대부분의 성능관리 시스템은 단순히 망에서의 트래픽이나 에러율 등을 관리자에게 보고하는 데 그치고 있어 능동적인 성능관리가 이루어지지 않는다. 따라서, 본 논문에서는 실시간 트래픽 감시를 위해 네트워크에 들어오거나 나가는 트래픽의 양을 측정하여 분석하고, 이 정보를 바탕으로 특정 시점 이후의 트래픽 추이를 모형화하여 미래의 트래픽 양을 예측하고, 예측된 정보를 바탕으로 하는 성능관리 시스템에 대해 연구한다. 예측 알고리즘으로는 시계열 분석을 통해 시계열 자료의 예측을 가능하게 하는 알고리즘으로 설계한다. 이 성능관리시스템을 바탕으로 망 관리자가 전체 통신 네트워크의 부하 상태를 예측하여 신속하게 대응을 할 수 있다.

• Journal of KIISE:Information Networking
• /
• v.34 no.3
• /
• pp.156-167
• /
• 2007

In this paper, we develop the model based prediction algorithm for Variable-Bit-Rate(VBR) video traffic with regular Group of Picture(GOP) pattern. We use multiplicative ARIMA process called GOP ARIMA (ARIMA for Group Of Pictures) as a base stochastic model. Kalman Filter based prediction algorithm consists of two process: GOP ARIMA modeling and prediction. In performance study, we produce three video traces (news, drama, sports) and we compare the accuracy of three different prediction schemes: Kalman Filter based prediction, linear prediction, and double exponential smoothing. The proposed prediction algorithm yields superior prediction accuracy than the other two. We also show that confidence interval analysis can effectively detect scene changes of the sample video sequence. The Kalman filter based prediction algorithm proposed in this work makes significant contributions to various aspects of network traffic engineering and resource allocation.

• Proceedings of the Korean Institute of Communication Sciences Conference
• /
• 1991.10a
• /
• pp.167-173
• /
• 1991

현재까지 가입자 트래픽 예측방법은 계량학적 방법중 추세분석 방법을 이용하고 있는데, 이 방법은 급변하는 시장상황이나 지역여건을 고려하지 못하고 하나의 통계적 기술에 의한 획일화된 예측방법으로서 트래픽예측치가 실제 운용트래픽값과는 다소 차이가 있어왔다. 이러한 원인을 제거할 수 있는 하나의 방법으로서 Box-Jenkins 시계열 분석에 의한 트래픽 예측방법을 제안하고자 한다. 이 방법에 대한 이론을 살펴보고, 시뮬레이션을 통하여 얻은 결과를 각각 분석하여 문제점을 파악하고 실측치와 비교분석함으로서 본 논문에서 제안한 방법이 기존방법보다 타당함을 입증하려 하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2001.10b
• /
• pp.1323-1326
• /
• 2001

서브네트워크에서 실시간으로 통신 트래픽을 감시하고, 트래픽 정보를 바탕으로 시계열 분석을 이용해 트래픽의 변화추이를 예측할 수 있는 시스템을 설계 및 구현한다. SNMP를 이용한 MIB-II 정보를 바탕으로 하는 분석 방법은 누적 데이터를 기본으로 하는 관리 방법으로 이상 징후의 판단이 실시간 감시에는 적합하지 않은 점이 있다. 따라서, 본 논문에서는 실시간 트래픽 감시를 위해 서브네트워크에 들어오거나 나가는 트래픽의 양을 측정하여 분석하고, 이 정보를 바탕으로 특정 시점 이후의 트래픽 추이를 시계열 분석 방법을 이용하여 미래의 트래픽 양을 예측하는 알고리즘을 시스템으로 구현한다. 예측 알고리즘으로는 AR, MA, ARMA, ARIMA 모델중에 평균 제곱 오차를 최소로 가지는 알고리즘을 선택하여 예측하도록 설계한다. 개발되는 시스템을 망 관리자가 전체 통신 네트워크의 부하 상태를 예상할 수 있게 하여 신속하고 예방적인 대응을 할 수 있다.

• Journal of KIISE:Information Networking
• /
• v.32 no.4
• /
• pp.433-442
• /
• 2005

An increase In traffic has a large Influence on the performance of a total network. Therefore, traffic management has become an important issue of network management. In this paper, we propose a new routing algorithm that attempts to analyze network conditions using time series prediction models and to propose predictive optimal routing decisions. Traffic congestion is assumed when the predicting result is bigger than the permitted bandwidth. By collecting traffic in real network, the predictable model is obtained when it minimizes statistical errors. In order to predict network traffic based on time series models, we assume that models satisfy a stationary assumption. The stationary assumption can be evaluated by using ACF(Auto Correlation Function) and PACF(Partial Auto Correlation Function). We can obtain the result of these two functions when it satisfies the stationary assumption. We modify routing oaths by predicting traffic in order to avoid traffic congestion through experiments. As a result, Predicting traffic and balancing load by modifying paths allows us to avoid path congestion and increase network performance.

• KNOM Review
• /
• v.24 no.2
• /
• pp.13-23
• /
• 2021

Recently, as networks become more complex due to the activation of IoT devices, research on long-term traffic prediction beyond short-term traffic prediction is being activated to predict and prepare for network congestion in advance. The recursive strategy, which reuses short-term traffic prediction results as an input, has been extended to multi-step traffic prediction, but as the steps progress, errors accumulate and cause deterioration in prediction performance. In this paper, an LSTM-based multi-step traffic prediction method using a multi-output strategy is introduced and its performance is evaluated. As a result of experiments based on actual DNS request traffic, it was confirmed that the proposed LSTM-based multiple output strategy technique can reduce MAPE of traffic prediction performance for non-stationary traffic by 6% than the recursive strategy technique.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.11 no.11
• /
• pp.1069-1076
• /
• 2016

Recent development in visual sensor technologies has encouraged various researches on adding imaging capabilities to sensor networks. Video data are bigger than other sensor data, so it is essential to manage the amount of image data efficiently. In this paper, a new method of video traffic estimation is proposed for efficient traffic management of visual sensor networks. In the proposed method, a first order autoregressive model is used for modeling the traffic with the consideration of the characteristics of video traffics acquired from visual sensors, and a Kalman filter algorithm is used to estimate the amount of video traffics. The proposed method is computationally simple, so it is proper to be applied to sensor nodes. It is shown by experimental results that the proposed method is simple but estimate the video traffics exactly by less than 1% of the average.

• The Korean Journal of Applied Statistics
• /
• v.26 no.6
• /
• pp.1053-1061
• /
• 2013

In this paper, we propose the time series forecasting models for internet traffic with long memory and heteroscedasticity. To control and forecast traffic volume, we first introduce the traffic forecasting models which are determined by the volatility and heteroscedasticity of the traffic. We then analyze and predict the heteroscedasticity and the long memory properties for forecasting traffic volume. Depending on the characteristics of the traffic, Fractional ARIMA model, Fractional ARIMA-GARCH model are applied and compared with the MAPE(Mean Absolute Percentage Error) Criterion.

• The Korean Journal of Applied Statistics
• /
• v.24 no.2
• /
• pp.307-313
• /
• 2011

In this paper, we compare performance of three models. The Holt-Winters, FARIMA and ARGARCH models, are used in predicting internet traffic data for analysis of traffic characteristics. We first introduce the time series models and apply them to real traffic data to forecast. Finally, we examine which model is the most suitable for explaining the long memory, the characteristics of the traffic material, and compare the respective prediction performance of the models.

• Communications for Statistical Applications and Methods
• /
• v.19 no.3
• /
• pp.415-422
• /
• 2012

In this paper, we first the compare the performance of Holt-Winters, FSARIMA, AR-GARCH and Seasonal AR-GARCH models with in the short term based data. The results of the compared data show that the Holt-Winters model outperformed other models in terms of forecasting accuracy.