CC BY
45
2. Электронный ресурс: результаты инициативного исследования ESG Artificial Intelligence and Machine Learning: Gauging the Value of Infrastructure (Искусственный интеллект и машинное обучение: оценка значения инфраструктуры), март 2019 г. [Электронный ресурс] URL: https://www. del-lemc.com/az-az/collaterals/unauth/analyst-reports/products/ready-solutions/esg-technical-revi ew- deep-learning-with -intel-april-2019.pdf (дата обращения: 09.12.2019).
3. Нечахин В.А. Применение методов глубинного обучения для обнаружения вторжений // Информационные технологии, 2019. С. 36-37.
4. Ильин И.В., Гудков К.В. Анализ программных средств для глубинного обучения искусственных нейронных сетей // Фундаментальные научные исследования: теоретические и практические аспекты, 2018. С. 43-45.
5. Душкин Р.В. Почему за гибридными ИИ-системами будущее // Экономические стратегии. 2018. Т. 20. №. 6. С. 84-93.
6. Zhang D. et al. Synthesizing Supervision for Learning Deep Saliency Network without Human Annotation //IEEE transactions on pattern analysis and machine intelligence, 2019.
7. Cheng G. et al. When deep learning meets metric learning: Remote sensing image scene classification via learning discriminative CNNs //IEEE transactions on geoscience and remote sensing. 2018. Т. 56. №. 5. P. 2811-2821.
8. Vargas R., Mosavi A., Ruiz R. Deep learning: a review // Advances in Intelligent Systems and Computing, 2017.
Линдигрин Александр Николаевич, аспирант, alexoib@mail.ru, Россия, Тула, Тульский государственный университет
DEEP LEARNING TECHNOLOGIES IN NEURAL NETWORKS A.N. Lindigrin
Annotation. This article discuses deep learning technologies in neural networks. The classes of problems solved by the given technologies are also given. In conclusion, the problems of deep learning are formulated and the vectors of innovative research in this area for the next decade are identified.
Key words: neural network, deep learning, CNN, RNN.
Lindigrin Alexander Nikolaevich, postgraduate, alexoib@mail. ru, Russia, Tula, Tula State University
УДК 621.391
МОДЕЛЬ УЗЛА КОММУТАЦИИ ДЛЯ ОЦЕНКИ ПОКАЗАТЕЛЕЙ КАЧЕСТВА ОБСЛУЖИВАНИЯ СЕТЕВОГО ТРАФИКА
В.Н. Обердерфер
Представлена модель узла коммутации мультисервисной сети связи военного назначения, позволяющая производить оценку основных показателей качества обслуживания разноприоритетного сетевого трафика. Определены особенности циркулирующего в сети мультимедийного трафика и сопутствующие этому проблемы, связанные с его моделированием. Предложены пути решения данных противоречий, а также подходы к моделированию узлов коммутации с использованием средств имитационного моделирования.
Ключевые слова: узел коммутации, мультисервисная сеть связи, самоподобный трафик, имитационное моделирование.
Особенностью сетей военной связи является отличия в значимости передаваемой информации, то есть необходимостью ее категорирования, и явно выраженной иерархичностью органов управления, между которыми она передается. Постоянно возрастающие объемы информации, передаваемые органами военного управления, в условиях воздействия на сеть противника зачастую превосходят возможности сети по ее передаче. На этом фоне обеспечение требуемого качества обслуживания разноприоритетного речевого трафика в мультисервисной сети связи военного назначения становиться актуальной задачей. Одним из направлений решения данной проблемы является применение различных алгоритмов, обеспечивающих выполнение данных требований. Проводить оценку эффективности данных механизмов на действующих сетях военной связи не представляется возможным, поэтому целесообразно в качестве инструмента применить моделирование.
В настоящее время существует множество подходов к анализу функционирования узлов коммутации сетей связи [1,2] как классического типа, так и мультисервисных. Этому способствовало развитие математической теории в середине 60-х годов XX века. В то же время изменение характера проходящих по сети информационных потоков требует применения современного математического аппарата. На этапе анализа функционирования узлов коммутации мультисервисных сетей применяются достаточно сложные математические модели представления информационных потоков, в частности, наблюдается переход от пуассоновских моделей к моделям так называемого самоподобного трафика [3], которые позволяют получить качественные и количественные оценки моделируемых систем, близкие к реальным значениям. Переход на новые потоковые модели связан с более детальным изучением проходящего через узлы коммутации информационного трафика. Как показывают исследования [4, 5], пакеты информации, передаваемые от источника к получателю, концентрируются таким образом, что создаваемая ими нагрузка отличается от пуассоновского закона распределения. Передаваемы по сети связи трафик обладает свойствами самоподобия [6]. Для такого типа трафика характерно наличие интервалов времени, на которых резко возрастает количество передаваемых по сети связи информационных пакетов. Это в свою очередь приводит к переполнению буферов УК, рассчитанных по моделям пуассоновского трафика. В рассматриваемом узле коммутации мультисервисной сети связи циркулирующий трафик является сложным и пульсирующим.
Неформально, самоподобный процесс определяется как случайный процесс, статистические характеристики которого проявляют свойства масштабирования [7]. Это означает, что при усреднении выборок из N элементов в результате получается также самоподобный процесс.
Важнейшим параметром, характеризующим степень самоподобия случайного процесса, является параметр Херста Н, определяемый для временного ряда Хк, где к=1,2, ..., N из соотношения:
— = (а • N)Н,
N
где — - размах отклонения; а - константа.
В зависимости от значения параметра Херста выделяют три типа случайных процессов:
0 < Н < 0,5 - случайный процесс является антиперсистентным или эргодическим рядом, который не обладает самоподобием;
Н = 0, 5 - полностью случайный ряд, аналогичный случайным смещения частицы при классическом броуновском движении.
Н > 0,5 - персистентный (самоподдерживающийся) процесс, который обладает длительной памятью и является самоподобным.
Следует отметить, что между самоподобными и пуассоновскими потоками существует ряд отличий. В отличие от пуассоновских процессов самоподобные характеризуются наличием последействия: вероятность поступления следующего события зависит не только от времени, но и от предыдущих событий. Это означает, что число текущих событий может зависеть от числа предыдущих событий в отдаленные промежутки времени. Дополнительно следует отметить, что самоподобный процесс часто носит взрывной характер, что выражается в возможности наличия выбросов вовремя относительно низкой скорости поступления событий.
Применительно к трафику самоподобие выражается в неизменности поведения при изменении временных масштабов наблюдения и сохранения склонности к всплескам при усреднении по шкале времени.
Приведенные отличия самоподобных процессов от пуассоновских приводят к некорректности применения модели пуассоновского закона распределения при анализе протекающих на узле коммутации процессов.
Для наглядной интерпретации особенностей поведения трафика в узлах коммутации сети связи с коммутацией пакетов наиболее предпочтительным является моделирование трафика с использованием модели типа О^ОГГ, которая может быть использована при описании пульсирующей структуры трафика (рис. 1).
Рис .1. Модель трафика ON/OFF 473
i
В работе [4] на основе анализа большого числа работ по исследованию трафика в №-сетях приведена классификация трафика, и к каждому виду трафика сопоставлен закон распределения (таблица 1). Из таблицы видно, что на сетевом уровне для описания трафика возможно применить распределение Парето.
Таблица 1
Законы распределения трафика на различных уровнях_
Тип трафика Уровень OSI Закон распределения
Интервалы поступления Длины протокольных блоков
VoIP Прикладной Парето Парето
FTP/TCP Транспортный Парето Парето
SMTP/TCP Транспортный Экспоненциальный Экспоненциальный
HTTP/TCP Транспортный Парето Парето
IP Сетевой Парето Парето
Ethernet Канальный Парето Парето
В работе [5] так же доказано, что большинство протекающих процессов в ^-ориентированных сетях могут быть успешно описаны распределение Парето. При агрегировании потоков от нескольких источников в случае, если хотя бы один из них генерирует самоподобный трафик, свойства самоподобия определяют агрегированный поток. Наложения множества источников, генерирующих трафик, описываемый процессом с бесконечной дисперсией, приводит к объединенному самоподобному сетевому трафику, который стремиться к фрактальному броуновскому движению [3]. Самоподобность сохраняется при наложении и однородных, и разнородных источников трафика.
Как было отмечено выше, из-за не пуассоновского характера трафика моделью узла коммутации может служить система G/G/m, так как на практике зачастую имеются произвольные законы распределения временных параметров трафика и параметров обслуживания в узлах коммутации.
В настоящее время для описания трафика в сетях с коммутацией пакетов широко используется модель входного потока на основе распределения Парето, которая позволяет учитывать долговременные зависимости случайных пачек пакетов с различными значениями показателя Хёрста НЕ [0.5,1). Данное распределение имеет простой аналитический вид и в отличие, например, от модели фрактального броуновского движения [8] его достаточно просто реализовать при имитационном моделировании процессов обслуживания мультимедийного трафика в узлах коммутации (УК) мультисервисной сети. Однако точные аналитические модели, описывающие зависимости показателей качества обслуживания от параметров УК и входного самоподобного трафика с распределением Парето в настоящее время не известны. Хотя существуют эмпирические аналитические модели, позволяющие получать приближенные результаты или граничные оценки [9].
Распределение Парето имеет функцию распределения:
F (Х) =1 -ß
(1)
где а- параметр формы (индекс «хвоста»), характеризующий, будет ли распределение иметь конечное или бесконечное среднее и дисперсию, и /- параметр нижней границы (минимальное значение случайной величины x). Выражение (1) справедливо при условиях что, x > / > 0 и а> 0. Плотность распределения Парето можно задать функцией вида:
a ' ß
f ( x) = • ß v x )
0,
x >ß.
(1)
дание.
При а< 2дисперсия величины x бесконечна.
а/
x <ß при
a £ 1 бесконечно и математическое ожи-
M [ x] =
D [ x] =
a-1
aß2
a> 1,
a£ 1;
(a- 1)2(a
-2)' a£ 2;
a> 2,
(2)
(3)
a
сю
oo
С2 [ х] =
Р [ х]
(М [ х])2
1
а(а-1)
а> 2,
(4)
а< 2,
где М [х] - математическое ожидание величины х, Р[х]- дисперсия величины х, С2 [х] - квадратичный коэффициент вариации случайной величины х.
Существует взаимосвязь параметра формы распределения а и параметра степени самоподобия - коэффициента Херста Н [5]:
3-а
Н =
2
(5)
Следовательно, выбирая параметр формы распределения Парето, можно задавать параметр Херста - степень самоподобия входящего трафика.
С учетом того, что у самоподобного трафика коэффициент Херста лежит в диапазоне 0,5 < Н < 1, для самоподобного трафика параметр распределения Парето, будет находиться в диапазоне 1 <а< 2.
Согласно выражениям (5, 6) распределение Парето в диапазоне 1 < а < 2 обладает бесконечной дисперсией, что обусловлено отсутствием ограничений на максимальный размер передаваемых блоков данных и делает невозможным получение устойчивых оценок.
Однако в реальных сетях связи размеры передаваемых протокольных блоков данных (пачек пакетов) ограничены. При моделировании самоподобных процессов для решения данного противоречия, в [4] предлагается использование усеченных распределений. При этом усеченное распределение позволяет, не меняя значения параметра формы «хвоста распределения», задать как минимальное -/, так и максимальное - у значение случайной величины х, характеризующей размеры протокольных блоков данных (пачек пакетов) или интервалы времени между их приходами. В соответствии с этим для плотности распределения (3) в [9] введены пределы интегрирования, которые позволяют получить плотность распределения вероятностей для усеченного распределения Парето:
г (х)х°
/< х <у, 0 <а< 2.
(6)
1 -
У.
При этом основные параметры распределения (8) конечны и имеют вид:
а-(у-/"-у"-/).
М [ х] =
Р[ х] =-
а
С2[х] =
у -/а Г у .ра-у.р
(1 -а)( Г-/аУ
Г у2-ра-ур2 а-(у/а-уа/)2 \ (1 -а)2-(уа-/а)
2-а
а-(у /а-уа-/)2) Г (1 -а)2-(уа-/а)
(
\
а-(у-/а-уа-/)2
(7)
(8)
(9)
2-а (1 -а)2-(уа-/а)
где М [х] - математическое ожидание величины х, Р[х]- дисперсия величины х, С2 [х] - квадратичный коэффициент вариации случайной величины х для усеченного распределения Парето.
Производительность узла коммутации описывается показателем интенсивности обслуживания пакетов в узле. Среднее число пакетов, поступающих в систему обслуживания за единицу времени, называется интенсивностью поступления пакетов и определяется следующим соотношением:
(10)
1 = 1,
_
где п - среднее значение интервала между поступлением очередных пакетов. Среднее число пакетов,
обслуженных (обработанных) в системе обслуживания за единицу времени, называется интенсивностью обслуживания пакетов и определяется следующим выражением:
т==к (11)
^обс
где 1обс - среднее время обслуживания одного пакета в обслуживающем устройстве.
Важным параметром работы узла коммутации является коэффициент загрузки р, который показывает количество пакетов, поступающих в узел за время обслуживания одного пакета одним обслу-
оо
2
живающим устройством, и определяется, как отношение интенсивности поступления пакетов 1 к интенсивности обслуживания пакетовц. Если выполняется условие р < 1, то существует стационарный режим функционирования системы.
С учетом того, сто среднее время интервала между поступлением очередных пакетов и среднее время обслуживания одного пакета обслуживающим устройством распределены по закону Парето, в [9] предлагается в качестве аналитического выражения для расчета средней длины очереди в СМО Р/М/1 и Р/Б/1 использовать формулу Поллячека-Хинчина, предназначенную изначально для расчета средней длины очереди Ь в СМО М/О/1 (М - входной поток с экспоненциальным распределением, О - выходной поток с неизвестным распределением и известным математическим ожиданием и дисперсией), обобщая её до СМО 0/0/1 (с неизвестным распределением на входе и известным математическим ожиданием и дисперсией).
Средняя длина очереди (среднее число пакетов в очереди) рассчитывается по формуле:
С 2 + С 2
Ь = Р(р, т)~р---п-^, (12)
1 - р 2
где множитель Р(р, т) определяет вероятность того, что пакет, поступивший в узел коммутации, застанет все обслуживающие устройства занятыми и встанет в очередь; т - количество обслуживающих устройств в системе; С2 и С2 - квадратичные коэффициенты вариации интервалов поступления между
<п <обе
пакетами входящего потока и длительностью обслуживания пакетов в узле коммутации соответственно; р- коэффициент загрузки узла коммутации.
Множитель Р(р, т) может быть рассчитан по приближенной второй формуле Эрланга (С -формула Эрланга) [10]:
т
Р(р, т)» т(1 -Р)у-рт • (13)
В одноканальной системе массового обслуживания, при т=1, данный множитель становиться равен Р(р,1) = р.
Среднее число пакетов в системе массового обслуживания равно сумме среднего числа пакетов в очереди и среднего числа пакетов в обслуживающем устройстве:
С 2 + С 2
п = Р(р, т)-р----+ тр. (14)
1-р 2
Время ожидания пакета в очереди будет составлять:
< С2 + С2
Т = Р(рт)-обе---<п-<о6^ (15)
ож УГ ' / N
т(1 -р) 2
Время задержки пакета в узле коммутации составляет суммарное время ожидания пакета в очереди и время обслуживания пакета в обслуживающем устройстве и вычисляется по формуле:
А = Тож + Тобс. (16)
Потери пакетов в узле коммутации (Рп) зависят от интенсивности трафика, размера буфера, применяемой политики обслуживания очередей, а также от используемых методов предотвращения перегрузки. В общем случае для расчета потерь пакетов в узле коммутации в [9] предлагается использовать выражение:
! 2 к
Р = 1 -р рСП +С2обс (17)
р ,
1 р <п <обс
где к - размер буфера узла коммутации.
Однако в статье [11] доказывается, что приведённые аналитические выражения могут рассматриваться лишь как инструмент получения верхней граничной оценки средней длины очереди , причём только в области низких и средних нагрузок (и/или относительно небольших значениях параметра Хёр-ста Н), поскольку при очень большой нагрузке (больших значениях Н) значения средней длины очереди, рассчитанные с помощью имитационной модели, превышают среднюю длину очереди, рассчитанную с помощью рассмотренной аналитической модели [11]. Таким образом можно сделать вывод о том, что использование представленной выше аналитической модели позволяет получить верхние граничные оценки основных параметров качества передаваемого трафика, а для получения более точных результатов необходимо применить имитационное моделирование.
Имитационное моделирование процесса обслуживания мультимедийного трафика на основе распределения Парето может быть реализовано с помощью специальных программных средств, имеющих соответствующие генераторы псевдослучайных чисел с таким распределением.
В настоящее существует достаточное количество систем имитационного моделирования. Наиболее популярные из них это AnyLogic, Opnet++, NS-3, GPSS. У каждой из них есть определенные особенности, плюсы и минусы. Для создания имитационной модели была выбрана среда моделирования сложных систем и процессов AnyLogic. Данный выбор был сделан, вышеописанная среда моделирования позволяет:
позволяет создавать модели практически любого типа, без ограничения на тип используемой системы массового обслуживания;
использует объектно-ориентированное моделирование, поэтому кроме иерархических компонент имеется возможность создавать классы, что позволяет строить сложные модели с изменяющейся структурой, что очень удобно для моделирования сетей различной топологии;
использует язык Java. В связи с этим не требуется дополнительного изучения языка программирования.
Какой бы сложной и полной ни была модель - она, те не менее, является приближенным отображением реального объекта и отражает его при определенных принятых допущениях. До тех пор, пока не доказана адекватность модели реальной обстановке, нельзя с уверенностью утверждать, что с ее помощью получаются те результаты, которые действительно, характеризуют функционирование исследуемого объекта [12]. Проверка адекватности имитационной модели исследуемому объекту затруднена в связи с тем, что информация о реальных значениях многих параметров создаваемой системы отсутствует и не может быть получена без объекта оригинала.
С целью проверки адекватности имитационной модели задаются условия, которые могут быть исследованы и с помощью известных аналитических моделей. Рассмотрим систему массового обслуживания с ожиданием, имеющую один обслуживающий прибор V=1 и неограниченную длину очереди (рис. 2).
ОУ
V
Рис. 2. Одноканальная система массового обслуживания
На вход системы от источника поступает простейший поток пакетов с интенсивностью поступления Л. Время обслуживания в обслуживающем устройством определяется величиной 1обс. Рассматривается система массового обслуживания типа ^/^/1/»).
По подобию аналитической была создана имитационная модель, состоящая из источника заявок, узла коммутации (обслуживающего устройства) и очереди (рис. 3).
Рис. 3. Имитационная модель узла коммутации
r
Заявки в виде пакетов поступают от источника в узел коммутации в случайные моменты времени. Если в момент поступления заявки буфер пуст и обслуживающее устройство свободно, то заявка сразу же передается на обслуживание. Если в момент поступления пакета буфер пуст, но обслуживающее устройство занято обработкой ранее поступившего пакета, то пакет ожидает его завершения в буфере. Как только обслуживающее устройство завершает обслуживание очередного пакета. Пакет поступает на обслуживание в обслуживающее устройство. Если прибывший пакет застает буфер не пустым, то он становиться в очередь и ожидает обслуживания. Пакет выбирается из очереди в порядке поступления.
Для оценки адекватности имитационной модели [12] фиксируются входные параметры х(/). На выходе аналитической и имитационной моделей определяется некий результат ум (^) и ум (^). Оценка
адекватности в данном случае сводиться к сравнению ум (^) и ум (¿) и определению их расхождения О.
Соответственно, критерий качества имитационной модели определяется:
(0 - Ум (0| <О, (I8)
Для данного типа моделей модель считается адекватной [13], если О не выше 5 %. Оценка точности результатов имитационного моделирования по сравнению с результатами, полученными на аналитической модели, производилась методом попарного сравнения в контрольных точках I по формуле [12]:
т * т *
W =
Ti
*100%,
(19)
где Т и Т - время задержки пакета в имитационной и аналитической моделях.
Таблица 2
Результаты имитационного и аналитического моделирования_
№ п/п 1, пак/с £обс, с ц, пак/с Р Тз им,с Тз ам, с W, %
1. 0.4 1 1 0.4 0.662 0.667 0.749
2. 0.401 1 1 0.401 0.665 0.669 0.597
3. 0.402 1 1 0.402 0.666 0.671 0.825
4. 0.403 1 1 0.403 0.668 0.674 0.825
5. 0.404 1 1 0.404 0.67 0.676 0.8
6. 0.405 1 1 0.405 0.671 0.679 0.95
7. 0.406 1 1 0.406 0.672 0.681 1.02
8. 0.407 1 1 0.407 0.679 0.683 0.45
9. 0.408 1 1 0.408 0.682 0.686 0.65
10. 0.409 1 1 0.409 0.685 0.689 0.597
11. 0.41 1 1 0.41 0,694 0,71 0.785
В результате расчетов и имитационного моделирования были получены результаты для разных исходных данных поступления пакетов. В табл. 2 численно представлены результаты расчетов имитационного моделирования, и результаты, полученные с помощью аналитической модели при различных параметрах системы.
0.695--
0,69 ---■ 0,685 -■-0,68 -■-■
0.675 ---Задержка
0,67 ---■
0.665 -■-•
о.бб -■-■
0.655 ---0,65--
0.397
Интенсивность поступления
Рис. 4. Сравнения зависимостей величины задержки при передаче пакета от интенсивности поступления пакетов аналитической и имитационной моделей при различных исходных данных
На рис. 4 приведены графики зависимости задержки при передаче пакета от интенсивности поступления пакетов, полученных на имитационной и аналитической моделях. Верхней линией с точками на графике показаны результаты, полученные на имитационной модели, нижняя соответствует результатам, полученным на имитационной модели.
Анализ полученных результатов позволяет сделать вывод об адекватности разработанной модели процессам, протекающим в узлах коммутации мультисервисной сети связи. Из таблицы видно, что в целом, результаты, полученные на имитационной модели, соответствуют результатам, полученным на аналитической модели. Расхождение результатов не превышает 5%. Этого достаточно для использования результатов моделирования.
Список литературы
1. Бертсекас Д., Галлагер Р. Сети передачи данных. М. Мир, 1989. 544 с.
2. Бакланов И.Г. NGN: принципы построения и организации / Под ред. Чернышова Ю.Н. М.: Эко-Трендз, 2008. 400 с.
0,398 0,4 0.402 0,404 0,406 0.408 0.41 0,411
3. Sheluhin O.I., Smolskiy S.M., Osin A.V. Self-similar processes in telecommunications. John Wil-ley and Sons Ltd., 2007.
4. Симонина О.А., Яновский Г.Г. Характеристики трафика в сетях IP. Труды учебных заведений связи, №171. СПб.: СПбГУТ, 2005. С. 8-12.
5. Шелухин О.И. Фрактальные (самоподобные) процессы и их применение в телекоммуникациях. Нелинейный мир, 2004. №1. С. 24-36.
6. Шелухин О.И. Самоподобные процессы и их применение в телекоммуникациях. Теоретические и прикладные проблемы сервиса, 2002. №3(4). С.62-71.
7. Афонцев Э.В. Статистические свойства Интернет трафика. [Электронный ресурс] URL: http://www.nag.ru/goodies/articless/sst.html. (дата обращения: 10.05.2019).
8. Norros, I. On the use of fractional Brownian motion in the theory of connectionless networks/ I. Norros // IEEE Journal on Selected Areas in Communications, 1995. 13. P. 953-962.
9. Назаров А.Н., Сычев К.И. Модели и методы расчета показателей качества функционирования узлового оборудования и структурно-сетевых параметров сетей связи следующего поколения. Красноярск: Изд-во ООО «Поликом», 2010. 389 с.
10. Авен О.И., Гурин Н.Н., Коган Я. А. Оценка качества и оптимизация вычислительных систем. М.: наука, 1982. 464 с.
11. Одоевский С.М., Бусыгин А.В., Кочешков А.К. Особенности моделирования процесса обслуживания мультимедийного трафика на основе распределения Парето // Радиолокация, навигация, связь. Сборник трудов XXV Международной научно-технической конференции, посвященной 160-летию со дня рождения А.С. Попова. В 6 томах, 2019. С. 295-302.
12. Альянах И.Н. Моделирование вычислительных систем. Л.: Машиностроение. Ленингр. отд-ние, 1988. 223 с.
13. Шенон Р. Имитационное моделирование систем - искусство и наука. М.: Мир. 1978. 420 с.
Обердерфер Валерий Николаевич, адъюнкт, oberkadet@mail. ru, Россия, Санкт-Петербург, Военная академия связи им. С.М. Буденного
MODEL OF THE COMMUTATION NODE FOR ESTIMATING OF THE QUALITY OF SERVICE NETWORK
TRAFFIC
V.N. Oberderfer
A model of the commutation node of a military multiservice communication network is presented, which makes it possible to evaluate the main indicators of the quality of service of diverse network traffic. The features of multimedia traffic circulating in the network and the associated problems associated with its modeling are determined. The ways of solving these contradictions, as well as approaches to modeling switching nodes using simulation tools are proposed.
Key words: switching node, multiservice communication network, self-similar traffic, simulation.
Oberderfer Valeriy Nikolaevich, adjunct, oberkadet@mail. ru, Russia, St. Petersburg, Military Academy of Communications
