Predição do tráfego de rede de computadores usando redes neurais tradicionais e de aprendizagem profunda

Neste artigo são comparados quatro abordagens diferentes para a previsão do tráfego de redes de computadores, usando o tráfego de dispositivos de redes de computadores que se conectam a Internet e usando Redes Neurais Artificiais (RNA) para a predição, sendo elas: (1) Multilayer Perceptron (MLP) com Backpropagation para o treinamento; (2) MLP com Resilient Backpropagation (Rprop); (3) Rede Neural Recorrente (RNN); (4) Stacked Autoencoder (SAE) com aprendizagem profunda (deep learning). Também é apresentado que um modelo de rede neural mais simples, tais como a RNN e MLP, podem ser mais eficientes do que modelos mais complexos, como o SAE. A predição do tráfego de Internet é uma tarefa importante para muitas aplicações, tais como aplicações adaptativas, controle de congestionamento, controle de admissão, detecção de anomalias e alocação de largura de banda. Além disso, métodos eficientes de gerenciamento de recursos, como a largura de banda, podem ser usados para melhorar o desempenho e reduzir custos, aprimorando a Qualidade de Serviço (QoS). A popularidade das novas redes neurais profundas vêm aumentado em muitas áreas, porém há uma falta de estudos em relação a predição de séries temporais, como o tráfego de Internet