Tarmoq elementlarini masofaviy diagnostika qilishda Machine Learning modellari tahlili

Ibratbek Omonov; Alisher Bekimetov

Авторы

Ibratbek Omonov Abu Rayhon Beruniy nomidagi Urganch davlat universiteti
Alisher Bekimetov

Ключевые слова:

Network, network elements, diagnostics, machine learning, remote diagnostics, real-time

Аннотация

Телекоммуникационные сети обладают сложной архитектурой, включающей различные устройства, линии передачи и системы управления. Отказы или сбои в работе элементов сети могут привести к нарушению функционирования всей системы. Поэтому актуальной задачей является создание систем дистанционной диагностики и прогнозирования состояния сети с использованием моделей машинного обучения (Machine Learning, ML). Элементы сети являются неотъемлемой частью цифровой инфраструктуры. Сети, построенные на основе технологий Wi-Fi, 5G, Bluetooth, ZigBee, NB-IoT и других, служат основным средством передачи данных в различных областях - промышленности, транспорте, здравоохранении и Интернете вещей (IoT). В связи с этим дистанционная диагностика, то есть автоматический контроль состояния сети через централизованный или облачный сервер.

Библиографические ссылки

Cortes, C., & Vapnik, V. “Support-vector networks.” Machine Learning, 20(3), 273-297, 1995. DOI: https://doi.org/10.1007/BF00994018

Breiman, L. “Random forests.” Machine Learning, 45(1), 5-32, 2001.DOI: https://doi.org/10.1023/A:1010933404324

Bishop, C. M. Pattern Recognition and Machine Learning. Springer, 2006. DOI: https://doi.org/10.1007/978-0-387-45528-0

Goodfellow, I., Bengio, Y., & Courville, A. Deep Learning. MIT Press, 2016. DOI: https://doi.org/10.7551/mitpress/10251.001.0001

Haykin, S. Neural Networks and Learning Machines. Pearson, 2009. DOI: https://doi.org/10.5555/1687519

Omonov I. Using the theories of fuzzy sets for researching the processes of diagnostics of data communication networks. Diagnostyka. 2023;24(2):2023202. https://doi:10.29354/diag/161316

Rish, I. “An empirical study of the Naive Bayes classifier.” IJCAI Workshop on Empirical Methods in AI, 2001.DOI: https://doi.org/10.48550/arXiv.cs/0412098

Zhang, Y. et al. “Anomaly Detection in Computer Networks using Machine Learning Algorithms.” IEEE Access, 9, 56323-56335, 2021. DOI: https://doi.org/10.1109/ACCESS.2021.3071584

Li, Y., & Luo, T. “A survey on network fault diagnosis based on machine learning.” Journal of Network and Computer Applications, 2022. DOI: https://doi.org/10.1016/j.jnca.2022.103510

Al-Garadi, M. A., et al. “A survey of machine and deep learning methods for Internet of Things (IoT) security.” IEEE Communications Surveys & Tutorials, 22(3), 1646-1685, 2020. DOI: https://doi.org/10.1109/COMST.2020.2977748

S. Djabborov, I. Omonov, A. Bekimetov and G. Artikova, "Use of Modern Routing Methods in Data Transmission Networks," 2024 IEEE 25th International Conference of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation, 2024, pp. 570-573, https://doi:10.1109/EDM61683.2024.10614990

Zhang, X., et al. “Online fault diagnosis for wireless sensor networks using hybrid neural network.” Sensors, 21(8), 2021. DOI: https://doi.org/10.3390/s21082703

He, K., Zhang, X., Ren, S., & Sun, J. “Deep residual learning for image recognition.” Proc. IEEE CVPR, 2016. DOI: https://doi.org/10.1109/CVPR.2016.90

Otaboy Masharipov, Davlatbek Matyakubov, Olimboy Olimov, Ibratbek Omonov; Ways to further improve reliability of optical systems for transmitting large volumes of information. AIP Conf. Proc. 27 November 2024; 3244 (1): 030042. https://doi.org/10.1063/5.0242051.

O’Shea, T., & Hoydis, J. “An introduction to deep learning for the physical layer.” IEEE Transactions on Cognitive Communications and Networking, 3(4), 563-575, 2017. DOI: https://doi.org/10.1109/TCCN.2017.2758370

Chen, T., & Guestrin, C. “XGBoost: A scalable tree boosting system.” Proc. 22nd ACM SIGKDD, 2016. DOI: https://doi.org/10.1145/2939672.2939785

R. K. Djurayev, S. Y. Jabborov and I. I. Omonov, "Interconnection of Performance Indicators and Reliability of Data Transmission Systems," 2021 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2021, pp. 1-7, https://doi:10.1109/ICISCT52966.2021.9670078

Kuo, M., et al. “Optimization of anomaly detection in network systems using deep autoencoders.” Applied Soft Computing, 115, 2022. DOI: https://doi.org/10.1016/j.asoc.2021.108190

Pournaras, E. “Self-diagnosis of network failures using distributed learning agents.” Future Generation Computer Systems, 127, 2022. DOI: https://doi.org/10.1016/j.future.2021.09.018

Djurayev R. K., Jabborov S. Y., Omonov I. I. METHODS FOR ASSESSING THE INFORMATION SECURITY OF TELECOMMUNICATIONS NETWORKS //Scientific progress. – 2021. – Т. 1. – №. 3. – С. 73-77.

Omonov I.I., Sherdjanova D.Sh. ZAMONAVIY TELEKOMUNIKATSIYA TARMOQLARIDA MARSHRUTLASH USULLARI, International Scientific Conferences With Higher Educational Institutions IEEE, 2023. – С. 1-23-29.