संवहनीय तंत्रिका नेटवर्क के साथ छोटे अवधि के डेटा केंद्र नेटवर्क ट्रैफ़िक लोड की भविष्यवाणी

डेटा केंद्रों में कुशल संसाधन प्रबंधन सामग्री सेवा प्रदाताओं के लिए केंद्रीय महत्व का है क्योंकि 90 प्रतिशत नेटवर्क ट्रैफ़िक की अपेक्षा है कि आने वाले वर्षों में उनके माध्यम से गुज़रेगा। इस संदर्भ में, हम डेटा केंद्र नेटवर्क पर ट्रैफ़िक में होने वाले छोटे अवधि के परिवर्तनों की भविष्यवाणी के लिए संवहनीय तंत्रिका नेटवर्क (CNNs) के उपयोग का प्रस्ताव करते हैं। यह मान वर्चुअल मशीन गतिविधि का संकेतक है और इसे डेटा केंद्र अवसंरचना को तदनुसार आकार देने के लिए उपयोग किया जा सकता है। सेकंड के पैमाने पर नेटवर्क ट्रैफ़िक का व्यवहार अत्यधिक बेतरतीब है और इसलिए पारंपरिक समय-श्रृंखला-विश्लेषण दृष्टिकोण जैसे कि ARIMA सटीक पूर्वानुमान प्राप्त करने में विफल रहते हैं। हम दिखाते हैं कि हमारा संवहनीय तंत्रिका नेटवर्क दृष्टिकोण नेटवर्क ट्रैफ़िक की गैर-रेखीय नियमितताओं का लाभ उठाने में सक्षम है, जिससे डेटा के औसत निरपेक्ष और मानक विचलन के संबंध में महत्वपूर्ण सुधार मिलता है, और पूर्वानुमान ग्रैन्युलैरिटी 16-सेकंड के संकल्प से ऊपर होने पर ARIMA को एक बढ़ते महत्वपूर्ण अंतर से पीछे छोड़ता है। पूर्वानुमान मॉडल की सटीकता बढ़ाने के लिए, हम पहले संवहनीय परत के अलग-अलग चैनलों के बीच वितरित मल्टी-रिज़ॉल्यूशन इनपुट का उपयोग करते हुए CNNs की संरचना का लाभ उठाते हैं। हम अपने दृष्टिकोण को 5 महीनों के दौरान एक इंटरनेट सेवा प्रदाता के कोर नेटवर्क पर एकत्र किए गए डेटा सेट का उपयोग करके व्यापक सेट के प्रयोगों के साथ मान्य करते हैं, जिसमें एक सेकंड के संकल्प पर कुल 70 दिनों का ट्रैफ़िक है।