Traffic Forecasting for Monitoring in Computer Networks using Time Series

Abstract

With the expansion of connectivity and information exchange, monitoring Internet traffic becomes a priority in network management to identify anomalies and resource use. This paper presents a study of data traffic forecasting on a computer network, by using known approaching methods for Time Series analysis. The objective of this work is to monitoring the connection of users to network -based applications, including resource availability and network stability of a Brazilian educational institute. To estimate the traffic at a given time, the adjustments made with Exponential Smoothing, AR and ARIMA models were compa red in order to detect possible future abnormal behavior of network usage. The results indicate that the chosen models, mainly the ARIMA, can be used to predict both input and output traffic of a network, also allowing the generation of alerts in real time. It is possible to predict how Internet traffic will be in the next few moments in order to detect possible anomaly on the network in a short period of time when they differ considerably from the forecast made for that specific period. Efficient network monitoring favors the quality of applications and services available to users, helping the network manager to make decisions for maintenance and constant improvement.

Previsão da capacidade energética de fontes renováveis dos países do grupo BRICS

“…Para valores próximos de 1, um ajuste rápido é alcançado (quando efeitos antigos têm pouco impacto na previsão e efeitos recentes têm alto impacto). E um ajuste lento (amortecimento de efeitos antigos e recentes) é obtido com valores de α próximos a 0 (Dornel et al, 2019). (2) Sendo:…”

“…Para obter-se a previsão baseada no método de Holt é necessário estabelecer os valores dos coeficientes α e β que irão corrigir os erros de previsões. Os pacotes computacionais usados para calcular este modelo, incluem simulações para ajustar o nível dos coeficientes de modo a reduzir o erro de previsão (Dornel et al, 2019). Pode-se encontrar os valores destes coeficientes através da ferramenta Solver do MS Excel, resolvendo um modelo de programação não linear para determinar os valores dos coeficientes α e β que minimizem o erro de previsão.…”

“…α é o coeficiente de suavização (0 ≤ α ≤ 1) e Dt é o valor real observado no período de tempo t. A predição P no instante de tempo t é calculada na Eq. (4), buscando h períodos de tempo à frente(Dornel et al, 2019):(4) Existem também outras variações de Alisamento Exponencial, como o Método Holt-Winters, que considera o comportamento sazonal da Série Temporal.…”

Unsupervised Anomaly Detection for Communication Networks: An Autoencoder Approach

“…However, they assume a labeled dataset. Dornel et al describe a solution for monitoring computer networks using traffic forcasting [6]. They employ Exponential Smoothing and ARIMA models to detect possible future abnormal behavior of network usage.…”