Удосконалення системи моніторингу телекомунікаційних мереж з використанням штучного інтелекту для прогнозування навантаження
Автор: Возенков Максим Юрійович
Кваліфікаційний рівень: магістр
Спеціальність: Системне адміністрування телекомунікаційних мереж
Інститут: Інститут телекомунікацій, радіоелектроніки та електронної техніки
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: Актуальність дослідження полягає в необхідності підвищення ефективності та надійності мережевої інфраструктури через використання системи моніторингу Zabbix, застосування штучної нейронної мережі для прогнозування трафіку та температури, інтеграції з Telegram для оперативного реагування, а також в потенціалі використання технологій глибинного навчання та систем домофонії з розпізнаванням обличчя в майбутньому для поліпшення безпеки та комфорту. У першому розділі встановлено, що моніторинг ІКТ-систем є важливим аспектом роботи системних адміністраторів, спрямованим на підвищення гарантованого рівня надання послуг, підвищення продуктивності праці та зменшення збитків від простою системи. Застосування системи моніторингу, такої як Zabbix, забезпечує чітке уявлення про продуктивність і роботу мережевої інфраструктури. Незалежно від розміру компанії, впровадження такої системи позитивно впливає на роботу всієї мережі і компанії вцілому. Обрана для цієї роботи система моніторингу Zabbix володіє широким функціоналом для відстеження різних ІТ-компонентів, включаючи моніторинг мережевого трафіку, системних ресурсів та виявлення проблем в режимі реального часу. У другому розділі вказано, що штучна нейронна мережа є аналогією природної нейронної мережі мозку та може досягати результатів, що перевершують можливості пересічної людини. Зазначено, що нейромережа представляє собою інформаційну систему, яка спеціалізується та вдосконалюється в обмеженій області, досягаючи високої ефективності. Вона складається з багатьох шарів нейронів, які взаємодіють між собою і навчаються за допомогою рекурсивного процесу для поліпшення точності оцінки. Зазначено, що рекурентні нейронні мережі (RNN) обробляють послідовну інформацію, а їх вихід залежить від обчислень, здійснених попередніми елементами, використовуючи вхідні дані, пов’язані з часом. У третьому розділі відзначено, що належна конфігурація та ефективне використання системи моніторингу сприяють зменшенню операційних витрат та полегшують роботу системних адміністраторів і інших працівників телекомунікаційних компаній. Сучасні системи моніторингу можуть зчитувати різноманітні дані, включаючи завантаженість каналів, помилки, втрати, температуру на серверах і напругу на акумуляторах. Це дозволяє постійно контролювати стан мережі і спрощує виправлення проблем. Компанії часто використовують кілька систем моніторингу з різними функціональними можливостями для повного відслідковування стану мережі. Однак, крім самої системи моніторингу, важливо правильно обирати та налаштовувати обладнання, яке повинно відповідати сучасним стандартам та передавати інформацію системі моніторингу без викривлення. Робота з досліджуваною мережею, що налічує понад 2000 пристроїв та обслуговує 85 тисяч абонентів, включає конфігурацію комутаторів, маршрутизаторів та серверів доступу різних виробників. З огляду на значний обсяг різноманітного трафіку, питання моніторингу, зокрема його вдосконалення, є вкрай актуальними. У четвертому розділі розроблено ефективний алгоритм прогнозування мережевого трафіку у місті Самбір за допомогою LSTM-моделі, яка виявилася точнішою на 5% порівняно із відомими моделями. Також успішно впроваджено прогностичну LSTM-модель для моніторингу температури в серверній кімнаті LimNet, що дозволяє уникати аварій та забезпечує стабільну роботу обладнання. Інтеграція з Telegram забезпечує оперативне сповіщення та ефективну комунікацію щодо змін температури. Зазначено, що штучний інтелект може знайти застосування в різних галузях, наприклад, автоматизація будівництва WiFi-мережі за допомогою нейромережі, що самостійно визначатиме параметри точок доступу. Технології глибинного навчання вже успішно впроваджені в системи відеонагляду та розумних будинків, поліпшуючи точність розпізнавання та реалізуючи нові функції. Глибинне навчання також сприяє розвитку сфери безпеки, підвищуючи ефективність розпізнавання облич, виразів та інших параметрів. Використання GPU допомагає прискорити обробку великого обсягу даних. Зазначено, що впровадження системи домофонії з розпізнаванням обличчя може значно поліпшити безпеку та комфорт в житлових чи офісних приміщеннях. У п’ятому розділі проведено техніко-економічне обгрунтовання удосконалення системи моніторингу