УДК 621.396.9
К. А. Польщиков
Белгородский государственный национальный исследовательский университет ул. Победы, 85, Белгород, 308015, Россия
НЕЙРО-НЕЧЕТКАЯ СИСТЕМА ВЫБОРА МЕЖСЕГМЕНТНОГО ИНТЕРВАЛА В ТЕЛЕКОММУНИКАЦИОННОЙ СЕТИ
Статья посвящена разработке нейро-нечеткой системы, предназначенной для выбора межсегментного интервала в телекоммуникационной сети. Предложена пятислойная структура системы. Изложены особенности ее настройки и функционирования. Представлены данные об эффективности нейро-нечеткого выбора межсегментного интервала, полученные в результате имитационных экспериментов.
Ключевые слова: нейро-нечеткая система, межсегментный интервал, телекоммуникационная сеть, скорость отправки данных, сегмент.
Введение
В существующих пакетных телекоммуникационных сетях управление скоростью отправки данных осуществляется на основе регламентированной протоколом ТСР (Transmission Control Protocol) концепции скользящего окна, включающей алгоритмы медленного старта, предотвращения перегрузки, мультипликативного сброса, быстрой повторной передачи [1; 2]. Применение алгоритмов скользящего окна приводит к возникновению значительных пульсаций сетевого трафика, вследствие чего увеличиваются потери информационных блоков (сегментов) и замедляется доставка данных. С целью уменьшения вышеуказанных пульсаций предложен алгоритм адаптивной скорости (Adaptive Rate, AR), сущность которого состоит в выборе и установке текущего значения межсегментного интервала, т. е. промежутка времени между отправкой источником данных двух соседних сегментов [3]. Алгоритм AR основан на использовании аналитических выражений, полученных эвристическим путем, и не нашел практического применения.
Для осуществления теоретически обоснованного управления скоростью отправки данных в работе [4] предложено текущее значение межсегментного интервала определять как выходную величину системы нечеткого вывода. Основным недостатком указанной системы, снижающим эффективность ее функционирования, является несовершенство выбора параметров функций принадлежности для входных величин. Поэтому актуальной научно-технической задачей является разработка системы, позволяющей на практике эффективно осуществлять выбор межсегментного интервала в телекоммуникационной сети.
Синтез системы
Для эффективного управления скоростью отправки данных выбор межсегментного интервала целесообразно осуществлять на основе применения гибридной нейро-нечеткой интеллектуальной системы, сочетающей преимущества нечеткой логики и нейронных сетей [5-9].
Польщиков К. А. Нейро-нечеткая система выбора межсегментного интервала в телекоммуникационной сети // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2015. Т. 13, вып. 4. С. 33-42.
ISSN 1818-7900. Вестник НГУ. Серия: Информационные технологии. 2015. Том 13, выпуск 4 © К. А. Польщиков, 2015
Следуя обоснованным в статье [4] рекомендациям, на вход синтезируемой системы в каждом текущем такте ее работы целесообразно подавать следующие величины:
9рге - полученное в предыдущем такте скользящее среднее длительности ожидания подтверждений;
9сиг - полученное в текущем такте скользящее среднее длительности ожидания подтверждений;
5
ргву
полученное в предыдущем такте значение межсегментного интервала.
Выходной величиной разрабатываемой нейро-нечеткой системы является межсегментный
5сит «
, который следует установить в текущем такте.
Исследования показали, что для выбора величины 5сиг можно применить нейро-нечеткую систему со следующими параметрами: алгоритм нечеткого вывода - Сугено первого порядка [10], количество функций принадлежности для каждой входной величины - 2, форма функций принадлежности для каждой входной величины - треугольная, алгоритм обучения нейронов - обратного распространения ошибки [11].
Функционирование нейро-нечеткой системы осуществляется на основе применения базы нечетких правил следующего вида:
Если (9 ргеу = Х1)и (9сиг = 11) и (5 ргеу = 2Д «о (5 сиг = Н1),
Если (9 ргеу = X1) и (9 сиг = 11) и (5 ргеу = 2 2), то (5сиг = Н 2),
Если (9 ргеу = X1) и (9 сиг = 12) и (5 ргеу = 2Д то (5сиг = Н з),
Если (9 ргеу = X1)и (9сиг = 12) и (5 ргеу = 2 2), то (5 сиг = Н 4),
Если (9 ргеу = X 2) и (9сиг = 11) и (5 ргеу = 2Д то (5 сиг = Н 5),
Если (9 ргеу = X 2) и (9сиг = ¥1) и (5 ргеу = 2 2), то (5сиг = Н 6),
Если (9 ргеу = X 2) и (9сиг = 12) и (5 ргеу = 2Д то (5сиг = Н 7),
Если (9 ргеу = X 2) и (9сиг = 12) и (5 ргеу = 2 2), то (5сиг = Н 8),
где X1 - терм номер 1 входной величины 9рге; X2 - терм номер 2 входной величины 9рге; 11 - терм номер 1 входной величины 9сиг; 12 - терм номер 2 входной величины 9с
ргву .
2 -Н,, Н2,
терм номер 1 входной величины 5р ; 2 2 - терм номер 2 входной величины 5 ..., Н8 - индивидуальные выводы нечетких правил.
Вид и параметры функций принадлежности для каждой входной величины показаны на рис. 1-3.
их{вр™) иЛОргв" )
1
/1, -►
°х\ ах2
К\ Кг
^ргеу
Рис. 1. Вид и параметры функций принадлежности для величины 9рге
ИХ{вСиГ) и2(0сиг)
1
71У ч ] "2
йу1 ау2 Ьу1 Ьу2 0СиГ
Рис. 2. Вид и параметры функций принадлежности для величины 6К
1
а
г!
Й-
м \ \ к.
г!
д
> рту
Рис. 3. Вид и параметры функций принадлежности для величины 8рге
Система выбора межсегментного интервала состоит из пяти нейронных слоев (рис. 4). Назначение каждого слоя нейронов разработанной системы приведено ниже.
Функциональность нейронных слоев
С помощью первого слоя нейронов выполняется процедура физзификации, т. е. вычисляются значения функций принадлежности для каждой входной величины:
Г1, е< ах1;
мерге) =
Ь _е ргеу
ЬЬ е , ах1 <еГ" <ьхЪ
Ьх1 _ ах1
ц 2(е) =
о, о,
е ргеу _
ергеу > ь
х1 э
ергеч < а
х2
Ьх2 ах2
х2'
ах 2 <е < Ьх2;
ергеч > ь
х2'
1
^l(6C"r ) =
byl -ecur
by1 - ay1
cur
У < ay1;
ayi <ecur < byi;
ecur > ь
Ц 2(ecur) =
ecur - a
y 2
by2 - ay2
yb
cur
e < ay 2;
ay2 <ecur < by2;
MS prev) =
bz1 -5 prev
bz1 - az1
Ц 2(5 prev) =
prev
-a
z2
bx2 - ax2
ecur > by2;
5 prev < az1;
az1 <5prev < bz1;
5prev > bz1; 5 prev < az2;
az2 <5 prev < bz 2;
5 prev > bz 2.
1
0
0
1
1
1
Рис. 4. Функциональная схема нейро-нечеткой системы выбора межсегментного интервала
Вторым слоем нейронов осуществляется процедура агрегирования, в результате которой определяется степень истинности каждого нечеткого правила:
3 =ме ^) лмесш") лМ8 ^);
3 2 =Ц1(е рге) л^1(есиг) лц 2(8 рге); 3з =ц1(ерге) лц 2(есиг) лц1(8рге)
3 4 =Ц1(е ре ) лц 2(еСИГ ) лц 2(8 ^ )
3 5 =ц2(е ^) лц1(есиг) лц1(8 ^)
3 6 =ц 2(е^) л ц^есиг) лц 2(8^)
3 7 =ц 2(е ) лц 2(еСИГ ) лц1(8 рге") 38 =ц 2(е ) лц 2(еСИГ ) лц 2(8 ^ ).
Третьим слоем нейронов выполняется нормализация результатов агрегирования:
3 — 3г
г ~ 8 '
Е 3г
г—1
С помощью четвертого слоя нейронов выполняется активизация - вычисление значений индивидуальных выводов нечетких правил:
Н1 — к1е ргеу + /1есиг + т18 ргеу + п1, н 2 — к2 ергеу + /2 есиг + т28ргеу + п2,
н8 — к8ергеу + 18есиг + т88ргеу + п8,
где kl, k2, ..., k8 , /1, /2, • • •, 4, ml, m2 , ..., m8, «1, п2 , • • •, п8 - коэффициенты, значения которых определяются в результате обучения нейро-нечеткой системы.
Кроме того, нейроны четвертого слоя выполняют произведение результатов нормализации и активизации:
gl — 31 • Н1; ^2 — 32 • Н2;
g8 — 38 •н8.
Пятым слоем нейронов выполняется процедура дефаззификации, состоящая в вычислении искомого значения выходной величины по формуле:
8сиг — Е gг .
г—1
Для получения значений коэффициентов ах1, ах2 , Ьх1, Ьх2, ау1, ау2, Ьу1, Ьу2 , а21, а22 , Ьг1 и Ь22 , необходимо настроить веса нейронов первого слоя, а для получения значений к1, к2, ..., к8 , /1, /2, ..., /8, т1, т2 , ..., т8, «1, п2 , ..., «8 требуется настроить веса нейронов четвертого слоя.
Настройка системы и результаты имитационного моделирования
С целью настройки нейро-нечеткой системы сформирована обучающая матрица следующего вида:
91 92
51 54
9т 9з 5т 5з
9i 9(i+1) 5i 5(i+1)
9(I-1) 9i
5(i-1) 5i
(1)
где 9г- - полученное в такте номер i скользящее среднее длительности ожидания подтверждений; 5i - полученное в такте номер i значение межсегментного интервала.
При получении матрицы (1) использовались результаты имитационного моделирования в среде MatLab & Simulink [12]. В течение I = 500 тактов наблюдения определялись значения скользящего среднего длительности ожидания подтверждений. При этом в каждом такте номер i подбирались такие значения межсегментного интервала 5i, при которых в рамках моделируемого виртуального соединения отсутствовали перегрузка и недогруженный режим.
Настройка нейро-нечеткой системы проводилась с помощью программного инструментария Fuzzy Logic Toolbox (среда MatLab & Simulink [12]) в течение 24 циклов обучения. В табл. 1 представлены результаты обучения нейронов первого слоя, а в табл. 2 содержатся результаты обучения нейронов четвертого слоя.
Для оценки эффективности функционирования синтезированной системы в программной среде MatLab & Simulink разработана имитационная модель передачи информационных сегментов и подтверждений по каналам телекоммуникационной сети, в которой реализован нейро-нечеткий выбор межсегментного интервала. В табл. 3 представлены исходные данные, использованные для проведения серии имитационных экспериментов с применением указанной модели.
Таблица 1
Результаты обучения нейронов первого слоя
Параметр ax1 ax2 bx1 bx2 ay1 ay 2
Значение 3,75 26,74 3,63 28,3 3,75 27,57
Параметр by1 by2 az1 az 2 bz1 bz 2
Значение 3,535 27,87 3,594 27,87 3,508 27,9
Таблица 2
Результаты обучения нейронов четвертого слоя
Параметр h k2 k3 k4 k5 k6 k7 k8
Значение 15,2 -87,5 -36,4 408,1 39,8 -302,7 39,9 42,7
Параметр ¡1 l2 l3 ¡4 ¡5 ¡6 ¡7 ¡8
Значение 71,3 40,1 225,7 -592,7 -133,8 426,4 -92,1 11,3
Параметр m1 m2 m3 m4 m5 m6 m7 m8
Значение -131,9 309,9 -528,2 442,3 104,1 -219,7 117,2 226,7
Параметр n1 n2 n3 n4 n5 n6 n7 n8
Значение -92,1 -148,5 38,9 -9,2 33,8 -10,2 -18,6 10,8
Таблица 3
Исходные данные для проведения имитационных экспериментов
Наименование параметра Значение
Количество сегментов в потоке данных 200
Битовая длина сегмента 10 кбит
Пропускная способность телекоммуникационного канала 1 Мбит/с
16
-j
| 2 I
О -I-!-I-1-1-I-1-1
20 30 40 50 60 70 80 90
Средняя доступная пропускная способность канала," <>
Рис. 5. Зависимость длительности передачи потока данных от средней доступной пропускной способности канала
Рис. 6. Зависимость потерь сегментов от средней доступной пропускной способности канала
С такими же исходными данными была проведена серия имитационных экспериментов с использованием модели, представленной в работе [4], в которой реализован выбор межсегментного интервала на основе применения системы нечеткого вывода. Результаты экспериментов представлены на графиках, отражающих зависимость длительности передачи потока данных и потерь сегментов от средней доступной пропускной способности телекоммуникационного канала (рис. 5 и 6 соответственно). На указанных графиках сплошными кривыми показаны характеристики передачи потока данных, полученные с использованием ней-ро-нечеткого выбора межсегментного интервала, а пунктирными кривыми - результаты управления межсегментным интервалом на основе применения системы, предложенной работе [4].
Анализ представленных зависимостей показывает, что при передаче потока данных по каналу, доступная пропускная способность которого не превышает 50 %, применение нейро-нечеткой системы для выбора межсегментного интервала обеспечивает снижение потерь сегментов на 5,4-11,7 % и уменьшение среднего времени передачи потоков данных на 7,2-12,6 %.
Заключение
Таким образом, синтезирована система, предназначенная для выбора межсегментного интервала в телекоммуникационной сети. В отличие от существующих, данная система базируется на использовании научного аппарата нечеткой нейронной сети. Результаты имитационного моделирования показали, что применение системы в условиях дефицита доступной пропускной способности каналов позволит обеспечить снижение потерь сегментов и уменьшение среднего времени передачи потоков данных. Предложенная система может быть использована для повышения эффективности управления скоростью отправки данных в телекоммуникационной сети.
Список литературы
1. Allman M., Paxson V., Blanton E. TCP Congestions control. RFC 5681. URL: http://www. faqs.org/rfcs/rfc5681.html.
2. Кучерявый Е. А. Управление трафиком и качество обслуживания в сети Интернет. СПб.: Наука и техника, 2004. 336 с.
3. Alekseev I. V., Sokolov V. A. ARTCP: Efficient Algorithm for Transport Protocol for Packet Switched Networks // Proc. of PaCT'2001. Springer-Verlag, 2001. Vol. 2127. P. 159-174.
4. Рвачева Н. В. Метод управления межсегментным интервалом в телекоммуникационной сети на основе применения системы нечеткого вывода // Системы управления, навигации и связи. 2010. Вып. 2 (14). С. 231-236.
5. Польщиков К. А., Здоренко Ю. Н. Усовершенствованный метод нейро-нечеткого управления отбрасыванием пакетов в транзитных маршрутизаторах телекоммуникационной сети // Проблемы телекоммуникаций. 2014. № 2 (14). С. 76-90.
6. Усков А. А., Кузьмин А. В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия - Телеком, 2004. 143 с.
7. Polshchykov K. O. Synthesis of neuro-fuzzy systems of data flows intensity control in mobile ad-hoc network // Microwave and Telecommunication Technology (CriMiCo), 23rd International Crimean Conference. 2013. P. 517-518.
8. Польщиков К. А. Обобщенные модели нейро-нечетких систем управления интенсивностью потоков данных в мобильной радиосети // Science and Education a New Dimension. Budapest, 2013. Vol. 8. P. 133-137.
9. Польщиков К. А., Кубракова Е. Н., Краснобаев В. А. Модель нейро-нечеткого прогнозирования средней интенсивности поступления запросов на передачу потоков реального вре-
мени по каналу телекоммуникационной сети // Системи обробки шформаци. 2014. № 2 (118). С. 193-197.
10. Takagi Т., SugenoМ. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man, and Cybernetics. Vol. 15. No 1. 1985. P. 116-132.
11. Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations by Error Propagation // Parallel Distributed Processing. Cambridge: MIT-Press, 1986. T. 1. P. 318-362.
12. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2003. 736 с.
Материал поступил в редколлегию 05.05.2015
K. A. Polshchikov
Belgorod State National Research University 85 Pobedy Str., Belgorod, 308015, Russia
NEURO-FUZZY SYSTEM FOR THE CHOICE OF INTERSEGMENT INTERVAL IN A TELECOMMUNICATION NETWORK
Article is devoted to the design of a neuro-fuzzy system for the choice of intersegment interval in the telecommunication network. A five-layer structure of the system is proposed. The features of its configuration and operation are outlined. The data on the effectiveness of the neuro-fuzzy choice of intersegment interval obtained by simulation experiments are submitted.
Keywords: neuro-fuzzy system, intersegment interval, telecommunications network, rate of data sending, segment.
References
1. Allman M., Paxson V., Blanton E. TCP Congestions control. RFC 5681. URL: http://www. faqs.org/rfcs/rfc5681.html.
2. Koucheryavy Y. A. Traffic control and quality of service in the Internet. St. Petersburg, Science and Technology, 2004, 336 c.
3. Alekseev I. V., Sokolov V. A. ARTCP: Efficient Algorithm for Transport Protocol for Packet Switched Networks // Proc. of PaCT'2001. Springer-Verlag, 2001. Vol. 2127. P. 159-174.
4. Rvacheva N. V. Method of intersegment interval control of telecommunications network based on the application of fuzzy inference // Control systems, navigation and communication, 2010, Vol. 2 (14), P. 231-236.
5. Polshchykov K. O., Zdorenko Y. M. An improved method for neuro-fuzzy dropping packets control in transit routers of telecommunications network // Problems of telecommunications, 2014, № 2 (14), P. 76-90.
6. Uskov A. A, Kuzmin A. V. Intelligent control technology. Artificial neural networks and fuzzy logic. Moscow, Hotline-Telecom, 2004. 143 p.
7. Polshchykov K. O. Synthesis of neuro-fuzzy systems of data flows intensity control in mobile ad-hoc network // Microwave and Telecommunication Technology (CriMiCo), 23rd International Crimean Conference, 2013, P. 517-518.
42
K. A. rionb^HKQB
8. Polshchykov K. O. General models of neuro-fuzzy systems control the intensity of data flows in a mobile radio network // Science and Education a New Dimension. Budapest, 2013, Vol. 8, P.133-137.
9. Polshchykov K. A., Kubrakova K. N., Krasnobaev V. A. Neuro fuzzy model of mean real time traffic request arrival intensity prediction in a telecommunication network channel // Information processing systems, 2014, no. 2 (118), P. 193-197.
10. Takagi Sugeno М. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man, and Cybernetics. Vol. 15. No 1. 1985. P. 116-132.
11. Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations by Error Propagation // Parallel Distributed Processing. Cambridge, MIT-Press, 1986, T. 1, P. 318-362.
12. Leonenkov A .V. Fuzzy modeling in MATLAB and fuzzyTECH. St. Petersburg, BHV-Petersburg, 2003, 736 p.