|
DOI: 10.14489/vkit.2024.06.pp.041-049
Обухов С. А., Елагин В. С.
ПРИМЕНЕНИЕ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СЕТЯХ СВЯЗИ 5G И 6G ДЛЯ КЛАССИФИКАЦИИ СЕТЕВОГО ТРАФИКА
(c.41-49)
Аннотация. Представлен обзор моделей искусственного интеллекта и машинного обучения, которые могут быть адаптированы или использованы для классификации трафика в сетях 5G и 6G. Предложена структура сетей 6G. Дано описание уровней сетей 6G и обозначены задачи, которые будет решать искусственный интеллект. Перечислены конкретные архитектуры нейронных сетей и алгоритмы для сетей 6G. Описано место искусственного интеллекта в сетях 6G, учитывая тип централизации. Выделены положительные и негативные последствия от внедрения искусственного интеллекта в сетях 6G.
Ключевые слова: искусственный интеллект; нейронные сети; сети связи; структура; архитектура; 5G; 6G; классификация трафика; сетевой трафик; сверточные сети.
Obukhov S. A., Elagin V. S.
APPLICATION OF ARTIFICIAL INTELLIGENCE MODELS IN 5G AND 6G COMMUNICATION NETWORKS FOR NETWORK TRAFFIC CLASSIFICATION
(pp.41-49)
Abstract. An overview of artificial intelligence and machine learning models that can be adapted or used for traffic classification in 5G and 6G networks is provided. Emphasis is placed on convolutional neural networks, designed to handle data with a constant network topology. Given this feature, the need to transform traffic data into formats suitable for convolutional neural networks is outlined. Models capable of traffic classification, such as LeNet-5, AlexNet, VGGNet, ResNet, 1D CNN, Inception (GoogleNet), MobileNet, and Capsule Networks are proposed. Their features, advantages, and disadvantages are summarized. The structure of 6G networks is proposed. A description of the levels of 6G networks is given, and the tasks to be solved by artificial intelligence at each level are outlined. Specific neural network architectures and existing algorithms for 6G networks are listed, including authors, year of creation, and main articles on the topic, with features. The conceptual place of artificial intelligence in 6G networks is described, considering the type of centralization. Positive and negative consequences from the implementation of artificial intelligence in 6G networks are highlighted.
Keywords: Artificial intelligence; Neural networks; Communication networks; Structure; Architecture; 5G; 6G; Traffic classification; Network traffic; Convolutional networks.
С. А. Обухов, В. С. Елагин (Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича, Санкт-Петербург, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
S. A. Obukhov, V. S. Elagin (The Bonch-Bruevich Saint Petersburg State University of Telecommunications, Saint Petersburg, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Мохамед А. Р. А. Прогнозирование характеристик трафика для сетей 5G на основе технологий искусственного интеллекта: специальность 05.12.13 «Системы, сети и устройства телекоммуникаций»: автореф. дис. … канд. техн. наук / Мохамед Али Рефаее Абделлах; Санкт-Петербургский гос. ун-т телекоммуникаций им. проф. М. А. Бонч-Бруевича. Санкт-Петербург, 2022. 146 с.
2. Абделлах А. Р., Махмуд О. А., Парамонов А. И., Кучерявый А. Е. Прогнозирование задержки в сетях интернета вещей и тактильного интернета с использованием машинного обучения // Электросвязь. 2021. № 1. С. 23–27.
3. Бородин А. С., Абделлах А. Р., Кучерявый А. Е. Глубокое обучение с долговременной краткосрочной памятью для прогнозирования трафика интернета вещей // Электросвязь. 2021. № 2. С. 26–30.
4. Денисенко В. В., Ященко А. С. Применение искусственного интеллекта для анализа сетевого трафика // Международный журнал гуманитарных и естественных наук. 2023. № 1-1(76). С. 19–22. DOI: 10.24412/2500-1000-2023-1-1-19-22
5. Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition // Proc. IEEE. V. 86(11). P. 2278–2324.
6. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks. URL: https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html (дата обращения: 13.02.2024).
7. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. URL: https://arxiv.org/abs/1409.1556 (дата обращения: 13.02.2024).
8. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. URL: https://arxiv.org/abs/1512.03385 (дата обращения: 13.02.2024).
9. Kim Y. Convolutional Neural Networks for Sentence Classification. URL: https://arxiv.org/abs/1408.5882 (дата обращения: 13.02.2024).
10. Going Deeper with Convolutions / C. Szegedy, W. Liu, Y. Jia, P. Sermanet et al. URL: https://arxiv.org/abs/1409.4842 (дата обращения: 13.02.2024).
11. Efficient Convolutional Neural Networks for Mobile Vision Applications / A. G. Howard, M. Zhu, B. Chen et al. URL: https://arxiv.org/abs/1704.04861 (дата обращения: 13.02.2024).
12. Sabour S., Frosst N., Hinton G. E. Dynamic Routing Between Capsules URL: https://arxiv.org/abs/1710.09829 (дата обращения 13.02.2024).
13. SqueezeNet: AlexNet-level Accuracy with 50x Fewer Parameters and < 0,5 MB Model Size / F. N. Iandola, S. Han, M. W. Moskewicz et al. URL: https://arxiv.org/abs/1602.07360 (дата обращения: 13.02.2024).
14. Zhang X., Zhou X., Lin M., Sun J. ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices. URL: https://arxiv.org/abs/1707.01083 (дата обращения: 13.02.2024).
15. Zoph B., Vasudevan V., Shlens J., Le Q. V. NASNet – Neural Architecture Search Network. URL: https://arxiv.org/abs/1707.07012 (дата обращения: 13.02.2024).
16. Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. URL: https://arxiv.org/abs/1905.11946 (дата обращения: 13.05.2024).
17. Huang G., Liu Z., Van der Maaten L., Weinberger Q K. Densely Connected Convolutional Networks. URL: https://arxiv.org/abs/1608.06993 (дата обращения: 13.02.2024).
18. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. URL: https://arxiv.org/abs/1804.02767 (дата обращения: 13.02.2024).
19. DeepSense: A Unified Deep Learning Frame-work for Time-Series Mobile Sensing Data Processing / S. Yao, S. Hu, Y. Zhao et al. URL: https://arxiv.org/abs/1611.01942 (дата обращения: 13.02.2024).
20. Lotfollahi M., Zade R. S. H., Siavoshani M. J., Saberian M. Deep Packet: A Novel Approach for Encrypted Traffic Classification Using Deep Learning. URL: https://arxiv.org/abs/1709.02656 (дата обращения: 13.02.2024).
1. Mohamed A. R. A. (2022). Prediction of traffic characteristics for 5G networks based on artificial intelligence technologies: specialty 05.12.13 “Systems, networks and telecommunications devices.” Saint Petersburg: Sankt-Peterburgskiy gosudarstvenniy universitet telekommunikatsiy im. professora M. A. Bonch-Bruevicha. [in Russian language]
2. Abdellah A. R., Mahmud O. A., Paramonov A. I., Kucheryaviy A. E. (2021). Predicting latency in IoT and Tactile Internet networks using machine learning. Elektrosvyaz', (1), 23 – 27. [in Russian language]
3. Borodin A. S., Abdellah A. R., Kucheryaviy A. E. (2021). Deep Learning with Long Short-Term Memory for Internet of Things Traffic Prediction. Elektrosvyaz', (2), 26 – 30. [in Russian language]
4. Denisenko V. V., Yashchenko A. S. (2023). Application of artificial intelligence to analyze network traffic. Mezhdunarodniy zhurnal gumanitarnyh i estestvennyh nauk, 76(1-1), 19 – 22. [in Russian language] DOI: 10.24412/2500-1000-2023-1-1-19-22
5. Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition. Proceedings IEEE, 86(11), 2278 – 2324.
6. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks. Retrieved from https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html (Accessed: 13.02.2024).
7. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. Retrieved from https://arxiv.org/abs/1409.1556 (Accessed: 13.02.2024).
8. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. Retrieved from https://arxiv.org/abs/1512.03385 (Accessed: 13.02.2024).
9. Kim Y. Convolutional Neural Networks for Sentence Classification. Retrieved from https://arxiv.org/abs/1408.5882 (Accessed: 13.02.2024).
10. Szegedy C., Liu W., Jia Y., Sermanet P. et al. Going Deeper with Convolutions. Retrieved from https://arxiv.org/abs/1409.4842 (Accessed: 13.02.2024).
11. Howard A. G., Zhu M., Chen B. et al. Efficient Convolutional Neural Networks for Mobile Vision Applications. Retrieved from https://arxiv.org/abs/1704.04861 (Accessed: 13.02.2024).
12. Sabour S., Frosst N., Hinton G. E. Dynamic Routing Between Capsules. Retrieved from https://arxiv.org/abs/1710.09829 (Accessed: 13.02.2024).
13. Iandola F. N., Han S., Moskewicz M. W. et al. SqueezeNet: AlexNet-level Accuracy with 50x Fewer Parameters and < 0,5 MB Model Size. Retrieved from https://arxiv.org/abs/1602.07360 (Accessed: 13.02.2024).
14. Zhang X., Zhou X., Lin M., Sun J. ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices. Retrieved from https://arxiv.org/abs/1707.01083 (Accessed: 13.02.2024).
15. Zoph B., Vasudevan V., Shlens J., Le Q. V. NASNet – Neural Architecture Search Network. Retrieved from https://arxiv.org/abs/1707.07012 (Accessed: 13.02.2024).
16. Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Retrieved from https://arxiv.org/abs/1905.11946 (Accessed: 13.05.2024).
17. Huang G., Liu Z., Van der Maaten L., Weinberger Q. K. Densely Connected Convolutional Networks. Retrieved from https://arxiv.org/abs/1608.06993 (Accessed: 13.02.2024).
18. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. Retrieved from https://arxiv.org/abs/1804.02767 (Accessed: 13.02.2024).
19. Yao S., Hu S., Zhao Y. et al. DeepSense: A Unified Deep Learning Framework for Time-Series Mobile Sensing Data Processing. Retrieved from https://arxiv.org/abs/1611.01942 (Accessed: 13.02.2024).
20. Lotfollahi M., Zade R. S. H., Siavoshani M. J., Saberian M. Deep Packet: A Novel Approach for Encrypted Traffic Classification Using Deep Learning. Retrieved from https://arxiv.org/abs/1709.02656 (Accessed: 13.02.2024).
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2024.06.pp.041-049
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2024.06.pp.041-049
and fill out the form
.
|
Archive
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»