Research Article
BibTex RIS Cite

Development of Internet Traffic Prediction Software Using Time-Series Multilayer Perceptron

Year 2018, , 1 - 6, 30.11.2018
https://doi.org/10.17714/gumusfenbil.430137

Abstract

Internet traffic prediction plays a fundamental
role in network design, management, control and optimization. Although there
exist several studies in litereture that focus on predicting Internet traffic
using statistical and machine learning methods, to the best of our knowledge, a
fully functional off-the-shelf software with different optimization
capabilities has not been developed. The purpose of this study is to develop a
new software for prediction of Internet traffic data based on time-series
Multilayer Perceptron (MLP). The software includes features such as the
optimization of the number of hidden layers and neurons in each layer and
feedback delay optimization with respect to autocorrelations. The Internet
traffic data from two different Internet Service Providers, varying by 1-hour
and 5-minute time frequencies, have been used for testing the software. The
datasets have been split into training and testing sets via 70-30% and 80-20%
split ratios. The Mean Absolute Percentage Error (MAPE) has been utilized as
the main error rate metric in order to evaluate the accuracy of the prediction
models. It has been observed that the MAPE's of the Internet traffic prediction
models change between 3.25 and 9.09. One can conclude that the developed
software can be used for Internet traffic prediction within acceptable error
rates.

References

  • Bian, G., Liu, J., ve Lin, W. 2017. Internet Traffic Forecasting using Boosting LSTM Method. DEStech Transactions on Computer Science and Engineering.
  • Chabaa, S., Zeroual, A. ve Antari, J., 2010. Identification and Prediction of Internet Traffic Using Artificial Neural Networks. Journal of Intelligent Learning Systems and Applications. 2(3), 147-155.
  • Cortez, P., Rio, M., Rocha, M. ve Sousa, P., 2012. Multi-scale Internet Traffic Forecasting Using Neural Networks and Time Series Methods. Expert Systems. 29(2), 143-155.
  • Daly, C. 2016. H. 265 Video Traffic Prediction Using Neural Networks. Georgia Southern University Research Symposium. s127.
  • Jiang, M., Wu, C. M., Zhang, M. ve Hu, D. M., 2009. Research on the Comparison of Time Series Models for Network Traffic Prediction. Acta Electronic Sinica. 37(1), 2353-2358.
  • Katris, C., ve Daskalaki, S. 2015. Comparing forecasting approaches for Internet traffic. Expert Systems with Applications, 42(21), 8172-8183.
  • Liu, X., Fang, X., Qin, Z., Ye, C., ve Xie, M. 2011. A Short-Term Forecasting Algorithm for Network Traffic Based on Chaos Theory and SVM. Journal of Network and Systems Management. 19(4), 427-447.
  • Narejo, S., ve Pasero, E. 2018. An Application of Internet Traffic Prediction with Deep Neural Network. In Multidisciplinary Approaches to Neural Computing. pp. 139-149. Springer, Cham.
  • Oliveira, T. P., Barbar, J. S. ve Soares, A. S. 2014. Multilayer Perceptron and Stacked Autoencoder for Internet Traffic Prediction. In Network and Parallel Computing. pp. 61-71.
  • Sahrani, M. N., Zan, M. M. M., Yassin, I. M., Zabidi, A., ve Ali, M. S. A. M. 2017. Artificial Neural Network Non-linear Auto Regressive Moving Average (NARMA) Model for Internet Traffic Prediction. Journal of Telecommunication, Electronic and Computer Engineering. 9(1-3), 145- 149.

Zaman Serili Çok Katmanlı Algılayıcı Kullanılarak Internet Trafik Tahmini Yazılımı Geliştirilmesi

Year 2018, , 1 - 6, 30.11.2018
https://doi.org/10.17714/gumusfenbil.430137

Abstract

Internet trafik tahmini ağ tasarımı, yönetimi, kontrolü ve
optimizasyonunda temel bir rol oynamaktadır. Literatürde Internet trafiğinin
istatistiksel ve makine öğrenme yöntemleri kullanılarak tahmin edilmesi üzerine
odaklanan çeşitli  çalışmalar bulunmasına
rağmen, bilgimiz dahilinde farklı optimizasyon seçeneklerine sahip, tam işlevsel
bir yazılım geliştirilmemiştir. Bu çalışmanın temel amacı, Internet trafik
tahmini için zaman serili Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP)
üzerine kurulu yeni bir yazılımın geliştirilmesidir. Yazılımın içerdiği
özellikler arasında gizli katmanların ve her bir katman içerisindeki nöron
sayısının optimize değerlerinin bulunmasının yanı sıra en uygun zaman gecikmesi
değerlerinin otokorelasyonlara bağlı olarak optimize edilmesi de bulunmaktadır.
Yazılımın test edilmesi amacıyla iki farklı İnternet Servis Sağlayıcısı’ndan
tedarik edilen, zaman frekansları 1 saat ve 5 dakika şeklinde değişen Internet
trafiği verileri kullanılmıştır. Veri setleri %70-30 ve %80-20 oranlarında
eğitim ve test verileri olmak üzere iki kısma bölünmüştür. Tahmin modellerine
ait performansın değerlendirilmesi amacıyla, ana metrik olarak Ortalama Mutlak
Yüzde Hata (Mean Absolute Percentage Error, MAPE) hesaplanmıştır.
Internet trafik tahmini modellerine ait MAPE değerlerinin 3.25 ve 9.09
arasında değiştiği gözlemlenmiştir. Elde edilen sonuçlara göre, geliştirilen
yazılım kabul edilebilir hata oranları ile Internet trafiğinin tahmin edilmesi
amacıyla kullanılabilir. 

References

  • Bian, G., Liu, J., ve Lin, W. 2017. Internet Traffic Forecasting using Boosting LSTM Method. DEStech Transactions on Computer Science and Engineering.
  • Chabaa, S., Zeroual, A. ve Antari, J., 2010. Identification and Prediction of Internet Traffic Using Artificial Neural Networks. Journal of Intelligent Learning Systems and Applications. 2(3), 147-155.
  • Cortez, P., Rio, M., Rocha, M. ve Sousa, P., 2012. Multi-scale Internet Traffic Forecasting Using Neural Networks and Time Series Methods. Expert Systems. 29(2), 143-155.
  • Daly, C. 2016. H. 265 Video Traffic Prediction Using Neural Networks. Georgia Southern University Research Symposium. s127.
  • Jiang, M., Wu, C. M., Zhang, M. ve Hu, D. M., 2009. Research on the Comparison of Time Series Models for Network Traffic Prediction. Acta Electronic Sinica. 37(1), 2353-2358.
  • Katris, C., ve Daskalaki, S. 2015. Comparing forecasting approaches for Internet traffic. Expert Systems with Applications, 42(21), 8172-8183.
  • Liu, X., Fang, X., Qin, Z., Ye, C., ve Xie, M. 2011. A Short-Term Forecasting Algorithm for Network Traffic Based on Chaos Theory and SVM. Journal of Network and Systems Management. 19(4), 427-447.
  • Narejo, S., ve Pasero, E. 2018. An Application of Internet Traffic Prediction with Deep Neural Network. In Multidisciplinary Approaches to Neural Computing. pp. 139-149. Springer, Cham.
  • Oliveira, T. P., Barbar, J. S. ve Soares, A. S. 2014. Multilayer Perceptron and Stacked Autoencoder for Internet Traffic Prediction. In Network and Parallel Computing. pp. 61-71.
  • Sahrani, M. N., Zan, M. M. M., Yassin, I. M., Zabidi, A., ve Ali, M. S. A. M. 2017. Artificial Neural Network Non-linear Auto Regressive Moving Average (NARMA) Model for Internet Traffic Prediction. Journal of Telecommunication, Electronic and Computer Engineering. 9(1-3), 145- 149.
There are 10 citations in total.

Details

Primary Language English
Subjects Engineering
Journal Section Articles
Authors

Murat Can Yüksel This is me 0000-0003-4846-849X

Mehmet Fatih Akay 0000-0003-0780-0679

Selami Çiftçi This is me

Publication Date November 30, 2018
Submission Date June 3, 2018
Acceptance Date November 30, 2018
Published in Issue Year 2018

Cite

APA Yüksel, M. C., Akay, M. F., & Çiftçi, S. (2018). Development of Internet Traffic Prediction Software Using Time-Series Multilayer Perceptron. Gümüşhane Üniversitesi Fen Bilimleri Dergisi1-6. https://doi.org/10.17714/gumusfenbil.430137