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.
Abstrakt:
Celem tego badania było określenie przydatności wykorzystania wybranych bibliotek środowiska obliczeniowego R do ustalenia współczynnika autopodobieństwa. Środowisko R jest środowiskiem analitycznym o bogatej funkcjonalności, wykorzystywanym w wielu pracach badawczych i praktycznych dotyczących analizy danych i odkrywania wiedzy. Takie zagadnienie jest istotne w kontekście współczesnych rozległych sieci komputerowych i powstającego typu infrastruktury sieciowej IoT. Wynika to bezpośrednio z nowej natury ruchu IoT, która ma również istotny wpływ na Przemysł 4.0. Zapewnia wbudowane operacje ułatwiające przetwarzanie danych. Współczynnik Hursta służy do oceny zachowania ruchu i analizy jego charakteru. W badaniu przeanalizowano dwa przypadki ruchu sieciowego IoT: o wysokiej i niskiej intensywności. Dla różnych rozmiarów okien czasowych wyznaczyliśmy statystyczny wykładnik Hursta i porównaliśmy go ze standardową, wygładzoną i metodą Robinsona. Oceniono dokładność zastosowanych metod. Dodatkowo wygenerowano wykresy regresji widmowej dla wybranych wariantów ruchu. Uzyskane wyniki zweryfikowano metodami Higuchi i Aggvar.
