МЕТОДЫ ДВОЙНОГО ЭКСПОНЕНЦИАЛЬНОГО СГЛАЖИВАНИЯ И ВРЕМЕННЫХ ОКОН ДЛЯ ПРЕДИКТИВНОГО МОНИТОРИНГА ЛВС: АНАЛИЗ, СРАВНЕНИЕ И ПРИМЕНЕНИЕ

Abstract

Данная статья посвящена исследованию методов предиктивного мониторинга локальных вычислительных сетей (ЛВС), с акцентом на сравнительный анализ и практическое применение методов двойного экспоненциального сглаживания (DES) и временных окон (WTC). Предметом исследования является поиск наиболее эффективного подхода к прогнозированию отказов в ЛВС путем детального анализа их ключевых характеристик, таких как принципы работы, преимущества, недостатки и сферы применения. В статье подчеркивается важность адаптации этих методов к специфическим условиям эксплуатации сети, что является ключевым аспектом повышения точности прогнозов и обеспечения стабильности работы ЛВС. Методы DES и WTC были выбраны не случайно: DES, как метод анализа временных рядов, демонстрирует высокую эффективность в прогнозировании долгосрочных трендов, в то время как WTC обеспечивает более глубокий анализ локальных изменений и краткосрочных аномалий. Проведенный сравнительный анализ позволил выявить их сильные и слабые стороны, а также оптимальные параметры для повышения эффективности.В статье представлены рекомендации по внедрению данных подходов в реальные условия работы сетей, что способствует раннему обнаружению потенциальных неисправностей и минимизации простоев. Кроме того, исследование уделяет внимание вопросам интеграции предиктивных методов в существующие системы мониторинга ЛВС, включая возможности их использования в сочетании с современными инструментами машинного обучения. Это позволяет предложить гибкие решения, которые могут быть адаптированы под различные эксплуатационные сценарии и потребности организаций.Выводы исследования являются актуальными для организаций, заинтересованных в модернизации своей сетевой инфраструктуры и переходе к проактивному управлению сетями. Такие подходы повышают не только надежность, но и экономическую эффективность за счет оптимизации обслуживания и предотвращения внеплановых простоев. Таким образом, работа вносит вклад в развитие технологий предиктивного анализа и демонстрирует их практическую ценность.

More by Gulzhan Uskenbayeva

• Causal Multivariate Forecasting of Diesel Hydrotreating Variables on a Reproducible Synthetic BenchmarkAlgorithms · 2026
• A Hybrid ARX and Deep Sequence Learning Architecture for Multivariate Industrial Time-Series Forecasting: An Application in Fluid Catalytic CrackingAlgorithms · 2026 · Citations: 1
• ГИБРИДТІ МОДЕЛЬДЕУ ӘДІСТЕРІ НЕГІЗІНДЕ КҮРДЕЛІ ӨНЕРКӘСІПТІК ОБЪЕКТІЛЕРДІҢ ЦИФРЛЫҚ ЕГІЗІН ҚАЛЫПТАСТЫРУBulletin of Toraighyrov University Energetics series · 2026
• Methods for developing models and decision making in a fuzzy environment for effective control of the coking processCogent Engineering · 2026 · Citations: 1