ОСОБЕННОСТИ ТРАФИКА В СОВРЕМЕННЫХ ТЕЛЕКОММУНИКАЦИОННЫХ СЕТЯХ И ОГРАНИЧЕНИЯ ТРАДИЦИОННЫХ МЕТОДОВ ЕГО АНАЛИЗА

FEATURES OF TRAFFIC IN MODERN TELECOMMUNICATION NETWORKS AND LIMITATIONS OF TRADITIONAL METHODS OF ITS ANALYSIS

Kozlovsky Maxim Alexandrovich

Master's student, Department of Telecommunication Systems and Information Security, Russian New University,

Russia, Moscow

Stepanova Evgenia Nikolaevna

Scientific supervisor, candidate of Sciences in Pedagogics, associate professor of the Department of Information Systems in Economics and Management, Russian New University,

Russia, Moscow

АННОТАЦИЯ

В статье рассматриваются особенности современных телекоммуникационных сетей и характеристики передаваемого по ним трафика. Проанализированы ключевые параметры сетей и приведена классификация сетевого трафика по статистическим свойствам и типу передаваемой информации. Особое внимание уделено ограничениям традиционных методов анализа трафика — сигнатурного и портового подходов, классических вероятностных моделей теории телетрафика, агрегированных средств мониторинга. Показано, что рост доли зашифрованного трафика и самоподобный характер сетевой нагрузки обусловливают необходимость применения интеллектуальных методов анализа данных.

ABSTRACT

The article examines the features of modern telecommunication networks and the characteristics of the traffic transmitted through them. Key network parameters are analyzed, and a classification of network traffic by statistical properties and type of transmitted information is provided. Special attention is paid to the limitations of traditional traffic analysis methods — signature-based and port-based approaches, classical probabilistic models of teletraffic theory, and aggregated monitoring tools. It is shown that the growth of encrypted traffic and the self-similar nature of network load determine the need for intelligent data analysis methods.

Ключевые слова: телекоммуникационная сеть; сетевой трафик; анализ трафика; качество обслуживания; самоподобный трафик; сигнатурный анализ; искусственный интеллект.

Keywords: telecommunication network; network traffic; traffic analysis; quality of service; self-similar traffic; signature analysis; artificial intelligence.

Современные телекоммуникационные сети переживают этап радикальной трансформации, обусловленный экспоненциальным ростом объёмов передаваемых данных, массовым внедрением устройств интернета вещей (Internet of Things, IoT), развитием приложений реального времени, телемедицины и генеративного искусственного интеллекта. Одновременно резко возрастает доля зашифрованного трафика, что делает крайне недейственным применение классических сигнатурных и пороговых методов анализа потоков [5]. Сигнатурные подходы неприменимы к зашифрованным потокам, классические вероятностные модели не отражают самоподобную природу реального трафика, а агрегированные средства мониторинга предоставляют лишь усреднённые метаданные, недостаточные для глубокого анализа [11].

Цель данной статьи — систематизировать сведения о современных телекоммуникационных сетях, рассмотреть классификацию и характеристики сетевого трафика, а также проанализировать ограничения традиционных методов его анализа, что послужит основой для применения методов искусственного интеллекта к задачам классификации трафика, обнаружения аномалий и прогнозирования нагрузки.

1. Телекоммуникационные сети: понятие и основные характеристики

В нормативных документах, в частности в Федеральном законе Российской Федерации № 126-ФЗ «О связи», телекоммуникационная сеть рассматривается как совокупность средств и линий связи [1]. В рекомендациях International Telecommunication Union (ITU) акцент делается на функциональном назначении сети — обеспечении обмена информацией между удалёнными пользователями посредством взаимосвязанных узлов коммутации и каналов передачи [2]. Обобщая, можно сформулировать интегральное определение: телекоммуникационная сеть — это организационно и технически взаимосвязанная совокупность линий связи, сетевого оборудования, программных средств и протоколов, предназначенная для передачи, приёма, обработки и маршрутизации информации с обеспечением установленных требований по надёжности, пропускной способности, задержке и безопасности [4].

Современные телекоммуникационные сети строятся по многоуровневой архитектуре, включающей сеть доступа (FTTH, xDSL, 5G NR, Wi-Fi, PON), транспортную сеть на базе DWDM, OTN, MPLS-TP, IP/MPLS, ядро сети (коммутация услуг, маршрутизация, биллинг) и сеть управления и оркестрации (SDN-контроллеры, NFV-оркестраторы) [12]. К ключевым характеристикам сетей относятся пропускная способность, задержка, джиттер, надёжность, масштабируемость, качество обслуживания и безопасность передачи данных. В таблице 1 представлены их сущность и значимость для функционирования информационных систем.

Таблица 1.

Основные характеристики телекоммуникационных сетей

Как видно из таблицы 1, большинство параметров характеризуются высокой или очень высокой значимостью для функционирования информационных систем. Современные сети, особенно в контексте архитектуры 5G, характеризуются высокой степенью виртуализации и поддержкой концепции сетевого слайсинга, что усложняет задачу мониторинга и анализа.

2. Понятие и классификация сетевого трафика

Сетевой трафик представляет собой совокупность передаваемых по каналам связи информационных потоков и описывается как стохастический процесс поступления и обработки запросов на доступ к сетевым ресурсам. Научные принципы оценки и моделирования сетевой нагрузки заложены А. К. Эрлангом и расширены в нормативных документах Международного союза электросвязи [8]. Интенсивность трафика A в коммутируемых сетях измеряется в эрлангах и определяется как произведение среднего числа поступающих требований в единицу времени (λ) на среднее время занятия ресурса (h): A = λ · h. В пакетных сетях чаще используется объём трафика и скорость передачи (bit rate).

По характеру поступления и статистическим свойствам выделяют следующие типы трафика:

• гладкий. Почти детерминированный, с низкой вариацией.
• пуассоновский. Наиболее часто используемая модель для вызовов в телефонных сетях.
• самоподобный. Характерен для современных IP-сетей, проявляет долгосрочную зависимость с параметром Херста H > 0,5.
• агрегированный. С ярко выраженными всплесками нагрузки.

По типу передаваемой информации трафик подразделяется на голосовой (VoIP), видеотрафик (видеоконференцсвязь, стриминг, IPTV), данные (web, email, облачные сервисы), сигнальный (SS7, Diameter, SIP), IoT-трафик (массовый mMTC и критический URLLC), а также управляющий и служебный трафик [6]. Современные сети являются мультисервисными — они одновременно передают разнородные потоки с существенно различающимися статистическими свойствами и требованиями к качеству обслуживания. В таблице 2 представлены основные классы трафика в соответствии с рекомендациями 3GPP и ITU-T.

Таблица 2.

Основные классы трафика по требованиям QoS

Из таблицы 2 видно, что требования различных классов трафика к сетевым ресурсам существенно различаются: от ультранизкой задержки порядка единиц миллисекунд для критичных IoT-приложений до фактического отсутствия требований ко времени доставки для фонового обмена. Действенное управление современной сетью требует внедрения интеллектуальных систем классификации и политик QoS, способных динамически адаптироваться к потребностям разнородных приложений.

3. Традиционные методы анализа трафика и их ограничения

Анализ сетевого трафика осуществляется рядом методов, каждый из которых имеет принципиальные ограничения, проявляющиеся в условиях современных сетей.

Сигнатурный анализ основан на сравнении исследуемого потока с эталонными шаблонами из специального каталога образцов [9]. Метод требует регулярного пополнения базы сигнатур и фактически неработоспособен при массовом переходе сервисов на шифрование передаваемых данных.

Портовый анализ использует информацию из полей транспортного уровня. Подход прост в реализации, однако не применим к зашифрованным или туннелированным потокам, а также к приложениям с динамическими портами [6].

Анализ числовых параметров и поведенческих моделей опирается на количественные атрибуты передаваемых блоков и наблюдение за сетевой активностью. На основе поведенческой модели поток можно классифицировать с приемлемой точностью, однако одновременная проверка множества блоков снижает действенность способа в высокоскоростных сетях [10].

Классические вероятностные модели теории телетрафика (Erlang B, Erlang C, Engset, Pollaczek–Khinchine, сети Джексона) исторически являлись основой расчётов телекоммуникационных систем. При переходе к пакетным сетям эти модели столкнулись с фундаментальными ограничениями: реальный трафик демонстрирует сильную всплескообразность и долгосрочную зависимость, а пуассоновские модели существенно недооценивают всплесковость TCP-трафика [8].

Агрегированные средства мониторинга (SNMP, IPSLA, NetFlow) полезны для отслеживания состояния инфраструктуры, однако предоставляют лишь усреднённые метаданные и не дают полной картины происходящего в сети [11].

Сравнение поведения традиционных и современных моделей трафика приведено в таблице 3.

Таблица 3.

Сравнение поведения традиционных и современных моделей трафика

Данные таблицы 3 демонстрируют фундаментальное несоответствие между традиционными вероятностными моделями и реальным самоподобным сетевым трафиком, что приводит к ошибкам при проектировании инфраструктуры — хроническому занижению требований к буферной памяти и пиковой пропускной способности. Согласно перечисленным ограничениям, применение методов искусственного интеллекта представляет собой перспективное направление развития средств анализа трафика, способное преодолеть ограничения сигнатурных, портовых и классических вероятностных подходов [3, 7].

Заключение

Современные телекоммуникационные сети представляют собой сложные мультисервисные инфраструктуры с разнородным трафиком и различными требованиями к качеству обслуживания. Статистические свойства реального трафика (самоподобность, долгосрочная зависимость, тяжёлые хвосты распределений, всплескообразность) существенно отличаются от классических вероятностных моделей. Традиционные методы анализа — сигнатурный и портовый, классические модели теории телетрафика, агрегированные средства мониторинга — обладают принципиальными ограничениями: они неприменимы к зашифрованному трафику и не отражают самоподобной природы нагрузки. Это формирует предпосылки для применения интеллектуальных методов анализа данных, способных автоматизировать классификацию трафика, выявлять скрытые закономерности и адаптироваться к изменяющимся условиям функционирования сетей.

Список литературы:

1. Российская Федерация. Законы. О связи: Федеральный закон № 126-ФЗ: [принят Государственной Думой 18 июня 2003 года: одобрен Советом Федерации 25 июня 2003 года]. – Москва: Кремль, 2003. – Доступ из справочно-правовой системы «КонсультантПлюс». – Текст: электронный.
2. International Telecommunication Union (ITU-T) [Электронный ресурс] // Официальный сайт Международного союза электросвязи. – URL: https://www.itu.int (дата обращения: 25.04.2026).
3. Андреев И. И. Применение искусственных нейронных сетей для анализа сетевого трафика // Новые компетенции цифровой реальности: теория и практика их развития у обучающихся: сб. докладов и науч. ст. III Всерос. науч.-практ. конф. – Чебоксары, 2022. – С. 7–11.
4. Бородин А. С., Волков А. Н., Мутханна А. С. А., Кучерявый А. Е. Искусственный интеллект в сетях связи пятого и последующих поколений // Электросвязь. – 2021. – № 1. – С. 17–22.
5. 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.
6. Дмитриева Ю. С., Елагин В. С. Анализ методов идентификации трафика для искусственного интеллекта // Подготовка профессиональных кадров в магистратуре для цифровой экономики (ПКМ-2023): сб. лучших докл. Всерос. науч.-техн. и науч.-метод. конф. магистрантов и их руководителей: в 2 т. – СПб., 2023. – Т. 1. – С. 287–292.
7. Иванов Р. А. Анализ сетевого трафика с использованием искусственного интеллекта // Подготовка профессиональных кадров в магистратуре в эпоху цифровой трансформации (ПКМ-2024): сб. лучших докл. V Всерос. науч.-техн. и науч.-метод. конф. магистрантов и их руководителей: в 2 т. – СПб., 2025. – Т. 1. – С. 207–211.
8. Кутузов Д. В., Осовский А. В., Старов Д. В., Мальцева Н. С., Перова К. В. Анализ и прогнозирование трафика современных телекоммуникационных систем на основе методов искусственного интеллекта // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2024. – № 1. – С. 73–87.
9. Ложников К. А., Трещев И. А. Исследование конфигураций искусственных нейронных сетей для анализа трафика на наличие уязвимостей // Наука, инновации и технологии: от идей к внедрению: материалы Междунар. науч.-практ. конф. – Комсомольск-на-Амуре, 2022. – С. 120–123.
10. Носач Д. П. Исследование возможностей обучения нейронной сети для оптимизации работы телекоммуникационной сети // Радиоэлектроника, электротехника и энергетика: тез. докл. XXX Междунар. науч.-техн. конф. студентов и аспирантов. – М., 2024. – С. 244.
11. Куликова О. В., Пинигин А. С. Использование средств искусственного интеллекта для анализа сетевого трафика на предмет кибератак // Научный Альманах ассоциации France-Kazakhstan. – 2025. – № 1. – С. 94–100.
12. Тихвинский В. О., Девяткин Е. Е., Савочкин А. А., Смирнов Ю. Я., Новикова Т. В. Использование технологий искусственного интеллекта для анализа сетевых данных в базовой сети 5G // Первая миля. – 2023. – № 5 (113). – С. 46–55.