Analiza ruchu w sieci komputerowej w oparciu o modele multifraktalne

Celem badań była analiza ruchu w sieci komputerowej z wykorzystaniem wybranych modeli multifraktalnych. W części teoretycznej omówiono podstawowe zagadnienia związane z oprogramowaniem zbierającym dane w sieci komputerowej, klasyfikacją przebiegów czasowych przy użyciu wykładnika Hurst’a. Opisano metody wykorzystane do wyznaczenia widm multifraktalnych. W części badawczej dokonano analizy przepływu ruchu w sieci komputerowej na podstawie liczby pakietów oraz prędkości przesyłania danych. Wykonano analizę wykładnika Hurst’a wyznaczanego dla poszczególnych przebiegów czasowych. Dokonano analizy widm multifraktalnych utworzonych dla badanych rodzajów ruchu sieciowego.

Pełny tekst (pdf)

[1] http://scitechconnect.elsevier.com/wp-content/uploads/2013/09/IntroducingNetwork-Analysis.pdf, [Dostęp 18.04.2017].
[2] Dymora P., Mazurek M., Zelazny K., Operating system efficiency evaluation on the base of measurements analysis with the use of non-extensive statistics elements, Annales UMCS, Informatica. Volume 14, Issue 3, Pages 65–75, ISSN (Online) 2083-3628, 2014.
[3] Qian B., Rasheed K.: Hurst exponent and financial market predictability, University of Georgia, 2005.
[4] Dymora P., Mazurek M., Network Anomaly Detection Based on the Statistical Selfsimilarity Factor, Analysis and Simulation of Electrical and Computer Systems Lecture Notes in Electrical Engineering Volume 324, Springer, pp 271-287, 2015.
[5] Mazurek M., Dymora P., Network anomaly detection based on the statistical selfsimilarity factor for HTTP protocol, Przegląd elektrotechniczny, ISSN 0033-2097, R. 90 NR 1/2014, s.127 - 130, 2014.
[6] Brożek B., Dymora P., Mazurek M., Badanie wydajności systemu operacyjnego zainfekowanego złośliwym oprogramowaniem z wykorzystaniem analizy samopodobieństwa, Zeszyty Naukowe Politechniki Rzeszowskiej 294, Elektrotechnika 35 RUTJEE, t. XXIV, z. 35 (2/16), kwiecień-czerwiec 2016, (p-ISSN 0209-2662, eISSN 2300-6358).
[7] http://analytics-magazine.org/the-hurst-exponent-predictability-of-time-series/, [Dostęp 18.04.2017].
[8] Jędruś S.: Modele multifraktalne natężenia ruchu sieciowego z uwzględnieniem samopodobieństwa statystycznego. Telekomunikacja Cyfrowa: technologie i usługi T.4, 2001/2002.