| DC Field | Value | Language |
|---|
| dc.contributor.author | Млёник, Н. С. | - |
| dc.contributor.author | Семенович, Е. И. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-07-21T07:32:35Z | - |
| dc.date.available | 2025-07-21T07:32:35Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Млёник, Н. С. Методы прогнозирования интернет-трафика = Internet traffic forecasting techniques / Н. С. Млёник, Е. И. Семенович // Актуальные вопросы экономики и информационных технологий : сборник материалов докладов 61-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 20–25 апреля 2025 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2025. – С. 47–51. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/60860 | - |
| dc.description.abstract | В статье рассматривается задача прогнозирования интернет-трафика в условиях роста объёмов данных и
сложности сетевых паттернов. Описаны методы машинного обучения: Random Forest для прогноза объёма трафика и
классификации типов, SVM для выявления сложных паттернов и аномалий, DBSCAN для кластеризации и обнаружения
всплесков и атак. Показана эффективность комбинированного подхода для повышения точности прогнозов и устойчивости к
сетевым аномалиям. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | сетевые аномалии | en_US |
| dc.subject | сетевые паттерны | en_US |
| dc.title | Методы прогнозирования интернет-трафика | en_US |
| dc.title.alternative | Internet traffic forecasting techniques | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The paper considers the task of Internet traffic forecasting in conditions of data volume growth and complexity of network
patterns. The methods of machine learning are described: Random Forest for traffic volume forecasting and type classification, SVM for
detection of complex patterns and anomalies, DBSCAN for clustering and detection of bursts and attacks. The effectiveness ofthe combined
approach for improving prediction accuracy and robustness to network anomalies is shown. | en_US |
| Appears in Collections: | Актуальные вопросы экономики и информационных технологий : материалы 61-й научной конференции аспирантов, магистрантов и студентов (2025)
|
