К статистическому анализу профиля трафика мобильного оператора

Исследование и прогнозирование трафика находят широкое применение в областях сетевых технологий. На сегодняшний день используются различные варианты изучения сетевого трафика, включая методы, основанные на интеллектуальном анализе данных и машинном обучении. Проводимый анализ данных помогает понимать и предсказывать поведение пользователей, оказываемую ими нагрузку на сеть и их потребности в отдельных видах услуг, предоставляемых оператором связи. Определение закономерностей и тенденций помогает автоматизировать процесс распределения ресурсов. В работе рассмотрены данные по мониторингу активности абонентов, а именно профиль трафика сети, который отображает поведение пользователей в зависимости от времени суток. Следующим шагом будет построение модели прогнозирования распределения трафика сети между абонентами и видами услуг, учитывая нагрузку на соту. Исследован профиль трафика, который содержит дату и время, в течение которого собирались данные по восходящему и нисходящему трафику, уникальный идентификатор пользователя, классы приложений и объём входящего и исходящего трафика. Были рассмотрены абоненты сети, их модель поведения в зависимости от времени суток и используемых видов услуг.

On statistical analysis of mobile operator traffic profile

Traffic research and prediction are widely used in the field of network technology. Various options for studying network traffic are in use today, including methods based on data mining and machine learning. The ongoing data analysis helps to understand and predict user behavior, their load on the network and their needs for certain types of services provided by the telecom operator. Identifying patterns and trends helps automate the resource allocation process. The paper considers data on monitoring the activity of subscribers, namely the network traffic profile, which displays the behavior of users depending on the time of day. The next step is to build a model for predicting the distribution of network traffic between subscribers and types of services, considering the load on the cell. The traffic profile, which contains the date and time during which upstream and downstream data was collected, a unique user ID, classes of applications and the amount of upstream and downstream traffic was investigated. The subscribers of the network, their model of behavior depending on the time of day and the types of services used were considered.