W ramach prac badawczych realizowanych w obszarze zastosowań metod analizy ruchu w sieciach komputerowych, IoE, oraz w diagnostyce, nadzorowaniu i sterowaniu procesów w Przemyśle 4.0 opublikowany został artykuł w czasopiśmie Applied Sciences (obecna punktacja ministerialna: 70 pkt, Impact Factor: 2.474):
Dymora, P.; Mazurek, M. Influence of Model and Traffic Pattern on Determining the Self-Similarity in IP Networks. Appl. Sci. 2021, 11, 190.
https://www.mdpi.com/2076-3417/11/1/190
Celem pracy było określenie przydatności wykorzystania wybranych bibliotek środowiska obliczeniowego R do ustalenia współczynnika samoopodobieństwa. Środowisko R jest środowiskiem analitycznym o bogatej funkcjonalności, które jest wykorzystywane w wielu pracach badawczych i praktycznych dotyczących analizy danych i odkrywania wiedzy. Zagadnienie to jest istotne w kontekście współczesnych rozległych sieci komputerowych i powstającego typu infrastruktury sieciowej IoT. Wywodzi się to bezpośrednio z nowego charakteru ruchu IoT, który ma również istotny wpływ na branżę 4.0. Zapewnia ona wbudowane operacje ułatwiające przetwarzanie danych. Współczynnik Hursta jest wykorzystywany do oceny zachowania ruchu i analizy jego charakteru. W badaniu przeanalizowano dwa przypadki ruchu w sieci IoT: wysokie i niskie natężenie. Dla różnych wielkości okien czasowych wyznaczyliśmy statystyczny wykładnik Hursta i porównaliśmy go z metodami standardowymi, wygładzonymi i Robinsona. Oceniono dokładność zastosowanych metod. Dla wybranych wariantów ruchu wygenerowano dodatkowo spektralne wykresy regresji. Uzyskane wyniki zostały zweryfikowane metodami Higuchiego i Aggvara.
Abstract:
This study aimed to determine the applicability of using selected libraries of computing environment R to establish the coefficient of self-similarity. R environment is an analytical environment with rich functionality that is used in many research and practical works concerning data analysis and knowledge discovery. Such an issue is significant in the context of contemporary wide area computer networks and the emerging type of network infrastructure IoT. This originates directly from the new nature of IoT traffic, which also has a substantial impact on Industry 4.0. It provides built-in operations facilitating data processing. The Hurst coefficient is used to evaluate traffic behavior and analyze its character. The study analyzed two cases of IoT network traffic: high and low intensity. For different sizes of time windows, we dermined the statistical Hurst exponent and compared it with standard, smoothed, and Robinson methods. The accuracy of the methods used was evaluated. Spectral regression graphs were additionally generated for selected motion variants. The obtained results were verified by Higuchi and Aggvar methods.
