Sistema de Previsão de Tráfego em Enlaces de Rede Utilizando Séries Temporais

Transcrição

1 Sistema de Previsão de Tráfego em Enlaces de Rede Utilizando Séries Temporais Evandro Luiz Cardoso Macedo Luís Felipe Magalhães de Moraes Laboratório de Redes de Alta Velocidade RAVEL/CPPE

2 Laboratório Ravel Coordenação Professor Luís Felipe M. de Moraes Projetos em andamento IPTraf Sistema de Previsão de Tráfego Sistema de Alarme de Anomalias Solução de Identidade Segura Modelagem de Redes Acesse:

3 Sumário Introdução e Contextualização A metodologia empregada A previsão Testes Conclusão

4

5 Introdução Considere uma rede de um provedor de acesso Enlaces críticos Desafio Previsão de tráfego em enlaces de redes

6 Cotações Ibovespa Série Temporal Histórico Previsto t - h Dias t t +Δt

7 Séries Temporais Estacionariedade Em sentido amplo, ou seja, média e variância constantes Tendência Crescente ou decrescente Sazonalidade Padrões de comportamento periódicos Autossimilaridade Semelhança em diferentes escalas de tempo (fractal)

8

9 Metodologia Filtragem Coleta de Dados Extração de Medidas Cálculo de Desvio Análise Estatística e Escolha de Modelos Caracterização dos dados Ajuste de Distribuição Modelo de Previsão Previsão Tomada de Decisão Baseada em Box-Jenkins

10 Coleta de Dados SNMP através do MRTG Variável observada Quantidade média de bytes passando pela interface Medidas com várias granularidades 5 minutos, 30 minutos, 2 horas, 1 dia

11 Filtragem e Extração de Medidas Interpretação dos logs feito em Java Descarte de interfaces não monitoradas sem dados suficientes Scripts feitos em R para de geração dos gráficos

12 f(x) 0,06 0,056 0,052 0,048 0,044 0,04 0,036 0,032 0,028 0,024 0,02 0,016 0,012 0,008 0, E+6 4E+6 6E+6 8E+6 FDPE com Ajuste de Distribuição 1E+7 1,2E+7 Histogram Beta Log-Gamma Log-Logistic Lognormal Weibull x 1,4E+7 1,6E+7 1,8E+7 2E+7 2,2E+7 2,4E+7 Caracterização dos dados Ajuste de Distribuição Análise Estatística e Escolha de Modelos Modelo de Previsão

13 Estudo de Caso

14 Caracterização dos Dados Função de Densidade de Probabilidade Empírica Tráfego de Entrada - CBPF Função de Distribuição de Probabilidade Acumulada Empírica Tráfego de Entrada - CBPF

15 Ajuste de Distribuição

16

17 Metodologia Previsão Modelo AutoRegressive Moving Average - ARMA(p,q)

18 Metodologia Previsão Modelo AutoRegressive Moving Average - ARMA(p,q) Combina os termos de autorregressão e de média móvel Requer estacionariedade! (média não varia com o tempo)

19 Metodologia Previsão Modelo AutoRegressive Moving Average - ARMA(p,q) Combina os termos de autorregressão e de média móvel Requer estacionariedade! (média não varia com o tempo)

20 Metodologia Previsão Modelo AutoRegressive Integrated Moving Average - ARIMA(p,d,q) Utiliza o modelo ARMA após d operações de diferença que aproximem a série de um comportamento estacionário Modelo SARIMA(p,d,q)(P,D,Q) Modelo ARIMA com componente sazonal

21 Previsão pelo Método ARIMA

22 Previsão pelo Método ARIMA

23 Bytes/s Previsão pelo Método ARIMA Previsão de 6 meses utilizando SARIMA(6,0,5)(1,1,0)

24

25 Testes Série com valores médios mensais Valores anteriores a 2014 foram inventados

26 Teste Valores inventados Previsão de 1 ano utilizando ARIMA(1,1,2)

27 Teste Valores inventados Previsão de 1 ano utilizando ARIMA(2,2,1)

28 Teste Valores criados Previsão de 1 ano utilizando ARIMA(0,0,1)

29 Teste Valores criados sem picos Valores de picos amenizados

30 Teste Valores criados sem picos Previsão de 6 Meses utilizando ARIMA(0,0,1) Previsão de 1 ano utilizando ARIMA(0,0,1)

31 Teste Valores criados sem picos Previsão de 1 ano utilizando SARIMA(0,0,0)(1,0,0)

32 Teste Com tendência Valores amortecidos segundo uma constante a cada ano

33 Teste Com tendência Previsão de 6 meses utilizando ARIMA(1,1,1)

34 Teste Com tendência Previsão de 6 meses utilizando SARIMA(1,1,1)

35

36 Vantagens Acompanhamento da utilização de um enlace com antecipação Efetivação de atualizações de capacidade de enlaces em tempo hábil Antecipar e evitar condições de congestionamento Flexibilidade na alocação de recursos

37 Necessidades Histórico de dados da rede Manter os dados na sua maior granularidade Ter ao menos 3 anos de medidas Para prever alguns meses...

38