Научная статья на тему 'Метод управления компьютерной сетью на базе нейронных сетей'

Метод управления компьютерной сетью на базе нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
890
220
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ / ТЕЛЕКОММУНИКАЦИИ / КОМПЬЮТЕРНЫЕ СЕТИ / АРХИТЕКТУРА СЕТИ / ТРАФИК / ПРОГНОЗ / ОБРАБОТКА ИНФОРМАЦИИ / ARTIFICIAL NEURAL NETWORKS / TELECOMMUNICATIONS / COMPUTER NETWORKS / ARCHITECTURE OF A NETWORK / TRAFFIC / FORECAST / INFORMATION PROCESSING

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Семейкин Валерий Дмитриевич, Скупченко Александр Вячеславович

Объект исследования телекоммуникационные системы и сети передачи данных, нейросетевые модели и их применение для решения инфокоммуникационных задач. Цель работы изучение и создание нейросетевых моделей для решения задачи управления сетью передачи данных. В процессе работы изучаются и разрабатываются нейросетевые модели на базе искусственных нейронных сетей для эффективного решения следующих задач в сфере телекоммуникаций: управление коммутацией, прогнозирование трафика, управлением трафиком. Основные технические особенности: построение алгоритма принятия решения на базе искусственных нейронных сетей и их применение для решения задач в сфере телекоммуникаций. Библиогр. 4. Ил. 2.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

The object of the investigation is telecommunication systems and data transmission networks, neuronet models and their application for the solution of communication problems. The objective of the work is studying and creation neuronet models for the solution of the management problem of a data transmission network. Neuronet models on the basis of artificial neural networks for the effective solution of the following telecommunication problems: management of switching, traffic forecasting, traffic control are studied and developed in the course of the work. The basic technical features are: construction of the algorithm of decision-making on the basis of artificial neural networks and their application for the solution of telecommunication problems.

Текст научной работы на тему «Метод управления компьютерной сетью на базе нейронных сетей»

УДК 004.738.5:621.395

В. Д. Семейкин, А. В. Скупченко

МЕТОД УПРАВЛЕНИЯ КОМПЬЮТЕРНОЙ СЕТЬЮ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ

Введение

Постоянный рост количества пользователей Ш;ете1 предъявляет новые требования к пропускной способности сетей связи и компьютерных сетей. Создание Всемирной паутины привело к появлению различных видов трафика. Графическая информация, голосовые данные, а также видеоприложения предъявляют свои особые требования к таким сетям. Для удовлетворения всех запросов одного увеличения емкости сети недостаточно. Поскольку количество пользователей Ш;ете1 и различных сетевых приложений увеличивается с каждым днем, сеть нуждается в средствах, которые обеспечили бы поддержку как существующих, так и появляющихся приложений и служб.

Способ управления сетью передачи данных на основе искусственных нейронных сетей

Для управления современной сетью передачи данных необходимо применять эффективные методы маршрутизации, управления трафиком и контроля загруженности сети, которые основывались бы на данных, предоставляемых инструментом прогнозирования трафика на основе предыдущих значений.

Наиболее подходящим инструментом для прогнозирования являются искусственные нейронные сети (ИНС) [1]. Можно было бы использовать статистические методы, однако в настоящее время структура сетей очень быстро изменяется, и такие методы в некоторых случаях могут не справиться с данной задачей. В отличие от этих методов, использование ИНС позволяет не только выполнять заранее запрограммированную последовательность действия на заранее определенном наборе данных, но и анализировать вновь поступающую информацию, находить в ней закономерности, адаптироваться и проводить прогнозирование. Таким образом, искусственные нейронные сети непрерывно обучаются на основе предыдущих значений.

Рассмотрим формулировку и основные принципы организации вычислений при решении подобного рода задач. Пусть для некоторой группы узлов сети, с известными расстояниями между ними, требуется найти кратчайший маршрут. Обозначим узлы буквами А, В, С..., а расстояния между ними - йЛВ, йЛС, .вс ... . Решением является упорядоченное множество из п узлов. Последовательность, в которой перебираются узлы, удобно представлять матрицей п х п, строки которой соответствуют узлам, а столбцы - номерам узлов в последовательности. Например, для пяти узлов А, В, С, В, Е последовательность обхода этих узлов может быть задана матрицей вида

1 2 3 4 5

А 0 10 0 0

В 0 0 0 1 0

(1)

с 1 0 0 0 0

В 0 0 0 0 1

Е 0 0 10 0

Таким образом, узел С подключается первым, узел А - вторым и т. д. Длина маршрута равна ^А + ёАЕ +...+ ёос ... . В каждом столбце и в каждой строке этой матрицы может быть только одна единица, т. к. в каждый момент подключается только один узел и каждый узел подключается только один раз. Матрицу вида (1) можно воспринимать как состояние нейронной сети из N = п2 нейронов. Задача состоит в том, чтобы из п!/2п маршрутов выбрать один с наименьшей длиной. Состояние каждого нейрона описывается двумя индексами, которые соответствуют узлу и порядковому номеру его подключения в маршруте. Например, Уу = 1 показывает, что узел х был]-м по порядку узлом маршрута.

Запишем функцию вычислительной энергии для сети, предназначенной для решения задачи маршрутизации, в которой состояние с наименьшей энергией соответствует самому короткому маршруту. В общем виде такая функция для рассматриваемой сети имеет следующий вид [1]:

где Е - искусственная энергия сети; wij - вес от выхода нейрона і к входу нейрона у; Уу - выход нейрона у; I - внешний вход нейрона у; Ту - порог нейрона у.

Изменение энергии, вызванное изменением состояния у-го нейрона, можно вычислить следующим образом:

где ЪУу - изменение выхода у-го нейрона.

Каждому состоянию системы соответствует конкретная величина вычислительной энергии. Устойчивое состояние имеет меньшую энергию, чем неустойчивое. Эволюция системы во времени - это движение в пространстве состояний в поисках минимума энергии и остановка в этой точке.

Для рассматриваемой системы функция энергии должна удовлетворять следующим требованиям [2]. Во-первых, она должна поддерживать устойчивые состояния в форме матрицы (1); во-вторых, из всех возможных решений функция энергии должна поддерживать те решения, которые соответствуют коротким маршрутам. Этим требованиям удовлетворяет функция энергии вида [1]:

При этом Yxj = О, І.

Первые три члена выражения (4) поддерживают первое требование, четвертый член -второе; А, В, С, D - положительные множители. Первый член равен нулю, если каждая строка х содержит не больше одной единицы. Второй член равен нулю, если каждый столбец содержит не более одной единицы. Третий член равен нулю, если в матрице вида (І) n единиц. Таким образом, без учета четвертого члена функция энергии имеет минимумы (Е = О) во всех состояниях, представленных матрицей с одной единицей в каждом столбце и каждой строке. Все другие состояния имеют более высокую энергию. Короткие маршруты поддерживает четвертый член. В нем индексы i берутся по mod n, для того чтобы показать, что i-й узел соседствует в маршруте с (n - І)-м и первым, т. е. Ykn+j = Ykj. Четвертый член численно равен длине маршрута.

Раскрывая скобки в (4) и приравнивая коэффициенты при квадратичных и линейных членах в полученном выражении и общей формуле энергии [І], определяем матрицу связей и внешние взаимодействия:

где 5у = 1, если і = у, в противном случае 5у = 0. Кроме того, каждый нейрон имеет смещающий вес Іхі = Сп.

Первый член в (5) задает связи нейронов в каждой строке, второй - внутри каждого столбца, третий и четвертый - глобальные связи. И в (4), и в (5) три первых члена отвечают за общие ограничения для любой задачи маршрутизации и приводят сеть к финальному состоянию в виде (1). Четвертый член управляет тем, какое из п\/2п возможных различных финальных состояний соответствует самому короткому маршруту.

(2)

j

j

j

(З)

x i j Фі i x k Фx V x i J

(4)

J

x k Ф x i

w

'Xi,j = Ad xk (І-djj) - Bdj (І-б xk) - c - Ddxk (б ji+І + d ji-і),

(З)

Выбор маршрутов, максимизирующих степень узла в сети, позволяет спланировать работу так, чтобы время ее выполнения было минимальным. Степень узла для этого случая определяется как сумма всех потоков, поступающих в узел и исходящих от узла. Например, линия, которая должна активироваться, три раза добавляет поток из трех единиц к обоим узлам, которые она соединяет. При этом критерий качества работы, выбираемый для задачи маршрутизации, должен отражать цели, связанные с соответствующей задачей составления плана работы линий связи. Показатель качества работы должен согласовываться со структурой ИНС Хопфилда.

Выходные напряжения нейронов, которые и определяют их состояния, такой ИНС приближают к двоичным значениям по мере перехода сети к состоянию устойчивого равновесия с минимальной «энергией». Соединения между нейронами / и] описываются весом Ту, который положителен, если соединение возбуждающее, и отрицателен, если соединение тормозящее.

Иногда ИНС не может провести распознавание образов (образцов) и выдает на выходе несуществующий образ. Это связано с проблемой ограниченности возможностей искусственной нейронной сети. Для ИНС Хопфилда число запоминаемых образов т не должно превышать значения равного 0,15п. Кроме того, если два образа А и Б сильно похожи, они могут вызывать у сети перекрестные ассоциации, т. е. предъявление на входе сети вектора А приведет к появлению на ее выходах вектора Б, и наоборот. Еще одним недостатком сетей Хопфилда является их тенденция стабилизироваться в локальном, а не в глобальном минимуме.

В тех случаях, когда не требуется, чтобы ИНС в явном виде выдавала образ (образец), т. е. достаточно получить номер образца, задача может быть успешно решена с помощью ИНС Хэмминга (рис. 1). Модели на основе ИНС Хэмминга, по сравнению с ИНС Хопфилда, имеют меньшие затраты на память и объём вычислений. Искусственная нейронная сеть Хэмминга состоит из двух слоёв: первый и второй слои имеют т нейронов, где т - число образцов. Нейроны первого слоя имеют по п синапсов, соединенных с входами сети. Нейроны второго слоя связаны между собой отрицательными обратными синаптическими связями. Роль первого слоя условна: воспользовавшись один раз на 1-м шаге значениями его весовых коэффициентов, сеть больше не обращается к нему. Поэтому первый слой может быть исключён из сети и заменён на матрицу весовых коэффициентов.

Рис. 1. Структурная схема ИНС Хэмминга

Идея работы ИНС Хэмминга - определение расстояния Хэмминга от тестируемого образца до всех образцов. Расстоянием Хэмминга называется число отличающихся битов в двух бинарных векторах. Сеть должна выбрать образец с минимальным расстоянием Хэмминга до неизвестного входного сигнала, в результате активизируется только один выход сети, соответствующий данному образцу.

Наиболее широко применяемый протокол в Internet-сетях - это протокол TCP/IP. Для ускорения и оптимизации процесса передачи больших объемов данных протокол TCP определяет метод управления потоком, называемый методом скользящего окна, который позволяет отправителю посылать очередной сегмент, не дожидаясь подтверждения о получении в пункте назначения предшествующего сегмента [3].

Если иметь возможность заранее получать данные о переполнении буфера оборудования или возрастающих задержках сети, то можно управлять сетью для предотвращения потери данных и увеличения сохранности передаваемой информации. Эту задачу может взять на себя ИНС Хэмминга (рис. 1) [4], на вход которой подаются данные об объеме буфера или задержках в сети. Данная ИНС может спрогнозировать будущее поведение трафика сети на основе известных данных, собранных заранее.

Ниже представлен алгоритм, реализующий прогноз и принятие решения для управления сетью передачи данных (рис. 2). В качестве входных данных для процесса прогнозирования нейронной сети используются заранее собранные значения трафика сети в блоке базы данных. Поступивший трафик N анализируется на наличие желаемых элементов: широкополосный трафик, избыточность, задержка сети, полоса пропускания, надежность и загруженность сети. На основе выбранных данных происходит прогнозирование повторного появления выбранного объекта исследования (N + 1), шаг прогнозирования можно увеличить, но достоверность прогноза значительно уменьшается.

Рис. 2. Алгоритм управления сетью передачи данных на базе ИНС

На основе спрогнозированных данных происходит воздействие на сеть передачи данных. Под воздействием понимается активация сетевых команд для предотвращения появления спрогнозированного объекта (управляющее воздействие на пропускную способность канала, очистка буферов активных сетевых элементов, активация фильтров и т. д.).

Заключение

В настоящее время задача прогнозирования и управления трафиком сетей очень важна и требует самого пристального внимания. Предложенный вариант алгоритма обеспечивает возможность более стабильной работы сети передачи данных с сохранением самих данных, а также сокращение времени простоя сети в случаях обнаружения нежелательного трафика.

СПИСОК ЛИТЕРАТУРЫ

1. Комашинский В. И., Смирнов Д. А. Нейронные сети и их применение в системах управления и связи. -М.: Горячая линия - Телеком, 2003. - 94 с.

2. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1992. - 192 с.

3. Мамаев М. Телекоммуникационные технологии (Сети TCP/IP): учеб. пособие. - Владивосток, 2001.

4. Семейкин В. Д., Скупченко А. В. Применение модели на основе ИНС Хемминга для построения оптимальной системы маршрутизации в телекоммуникационных сетях / Международный форум информатизации (МФИ-2009). Тр. конф. «Телекоммуникации и вычислительные системы». - М.: МТУСИ, 2009.

Статья поступила в редакцию 1.10.2009

MANAGEMENT METHOD OF THE COMPUTER NETWORK ON THE BASIS OF NEURAL NETWORKS

V. D. Semeykin, A. V. Skupchenko

The object of the investigation is telecommunication systems and data transmission networks, neuronet models and their application for the solution of communication problems. The objective of the work is studying and creation neuronet models for the solution of the management problem of a data transmission network. Neuronet models on the basis of artificial neural networks for the effective solution of the following telecommunication problems: management of switching, traffic forecasting, traffic control are studied and developed in the course of the work. The basic technical features are: construction of the algorithm of decision-making on the basis of artificial neural networks and their application for the solution of telecommunication problems.

Key words: artificial neural networks, telecommunications, computer networks, architecture of a network, traffic, forecast, information processing.

i Надоели баннеры? Вы всегда можете отключить рекламу.