Об автоматизированном проектировании беспроводной сети на основе решения многокритериальной задачи оптимизации Текст научной статьи по специальности «Компьютерные и информационные науки»

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ»

№2/2016

ISSN 2410-700Х

администратора и текущее состояние базы данных. Таблица фильтры хранит носители информации, используемые для сортировки , и логически разделяет базы данных ИРБИС и Говорящие книги.

Класс Базы данных - осуществляет методы подключения, отключения БД. При обращении к БД этот класс открывает подключение, получает данные и закрывает подключение для экономии ресурсов и обеспечения защиты БД.

Класс администратор — это класс реализует настройку каталога. Класс защищен паролем и доступ предоставляется только администратору каталога, который управляет речевым синтезатором и выполняет другие управляющие функции тифло-каталога. Например, выбрать цветовые модели текста ссылок, добавить новые поступления за счет импорта БД Ирбис и импорта БД Говорящих книг.

В процессе разработки тифлотехнического каталога были проведены многочисленные тестирования цветовых решений, что особенно важно для инвалидов по зрению [2.с.86], определены дополнительные функции, необходимые для функционирования базы данных. Все исследования проводились в Калужской «Областной специальной библиотеке для слепых им. Н. Островского ». Рассматривается возможность включения данного ресурса в любую библиотечную систему.

Список использованной литературы:

1.Тифлотехнические средства реабилитации: пособие по тифлотехнике. ГКУК КО специальная библиотека им. Н. Островского-изд. 2008 г.-63 с.

2. Т.А. Онуфриева, И.А. Крысин. Разработка интернет сервиса по созданию электронного библиотечного тифло-каталога для библиотек.//Сборник статей Международной научно-практической конференции «Актуальные проблемы технических наук» г.Уфа.10июня 2015г. Стр. 86-88.

© Онуфриева Т.А., Крысин И.А., 2016

УДК 004.896 : 004.732

Паротькин Николай Юрьевич

к.т.н., доцент кафедры «Безопасности информационных технологи» Сибирский государственный аэрокосмический университет г. Красноярск, Российская Федерация [email protected]

ОБ АВТОМАТИЗИРОВАННОМ ПРОЕКТИРОВАНИИ БЕСПРОВОДНОЙ СЕТИ НА ОСНОВЕ РЕШЕНИЯ МНОГОКРИТЕРИАЛЬНОЙ ЗАДАЧИ ОПТИМИЗАЦИИ1

Аннотация

В статье рассматривается решение задачи автоматизированного построения беспроводной локальной сети на основе решения многокритериальной задачи оптимизации алгоритмической модели сети разработанным эволюционным алгоритмом. Приводятся результаты тестирования эффективности предложенного способа на основе сравнения с экспериментальными данными.

Ключевые слова

Беспроводная сеть, многокритериальная оптимизация, алгоритм генетического программирования

Вопросы прогнозирования распространения радиоволн над поверхностью Земли интересовали исследователей со дня изобретения способа передачи информации по радиоканалу в 1895 г. С развитием вычислительной техники и методов математического моделирования стали появляться новые методы

1 Работа выполнена при финансовой поддержке РФФИ, соглашение № 14-07-31036\15 от 25.05.2015 г.

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_

моделирования распространения радиоволн, позволяющие учитывать локальные особенности среды распространения. Использование данных методов позволило решать задачи распространения радиоволн в таких существенно неоднородных средах как участки городской застройки и области внутри зданий.

В последние годы возросло количество сетей, использующих беспроводную связь внутри помещений. При этом возникает ряд проблем, связанных с моделированием препятствий па пути распространения сигналов, а также в связи с многолучевым распространением сигналов и большим количеством переотражений. Наличие внутри здания стен, перегородок, мебели, радиоэлектронной аппаратуры, людей и других объектов создает сложную среду распространения радиоволн. Условия распространения радиоволн внутри зданий существенно отличаются от условий распространения радиоволн в свободном пространстве.

Основными эффектами, наблюдаемыми при распространении радиоволн внутри помещений, являются многолучевость, обусловленная многократными отражениями радиоволн от стен и других объектов, дифракция на многочисленных острых кромках предметов, расположенных внутри комнаты, и рассеяние радиоволн. Эти эффекты создают сложную интерференционную структуру электромагнитного поля, сильно изменяющуюся при перемещении людей и других объектов. Распространение радиоволн внутри зданий в основном определяется следующими параметрами: планировкой здания; строительными материалами; типом здания.

Стены и перегородки внутри зданий выполняются, как правило, из различных строительных материалов с разными электрическими свойствами. Это затрудняет создание общей модели, пригодной для использования в зданиях различных типов. Затухание при распространении между разными этажами определяется: внешними размерами и материалом здания; конструкцией перекрытий; внешним окружением; количеством окон в здании и характером поверхности стен.

В последние годы были разработаны различные прогностические модели внутренней среды в помещении для частотного диапазона от 500 МГц до 5 ГГц. Предложенные к настоящему времени модели распространения сигналов внутри помещений для беспроводных локальных сетей стандарта IEEE 802.11 g/n можно разделить на 3 группы: статистические модели, эмпирические одно- или многолучевые модели и лучевые модели (модели, основанные на геометрической оптике). Наибольшее развитие в нашей стране получили подходы геометрической оптики [1] или метода параболического волнового уравнения. Но этих методов недостаточно для автоматизированного проектирования конечной сети, поскольку требуется выбирать начальные настройки оборудования для моделирования распространения сигнала от него. Для решения этой проблемы как правило используется решение задачи о раскраске графов с минимизацией зон пересечения круговых секторов покрытия отдельных точек доступа, что не всегда может обеспечить требуемую в данной области пропускную способность сети или требуемый уровень мощности сигнала.

Возможным решением данной проблемы может стать проектирование сети на основе построения бинарного дерева оборудования оптимальной сети при помощи алгоритма генетического программирования с дальнейшей оптимизацией настраиваемых параметров оборудования. Первым этапом решения задачи является количественная оценка предлагаемой сети. Оцениваются такие параметры как усредненное нарушение заданной границы мощности сигнала в запрещенных зонах, предоставляемая пропускная способность в зонах доступа, стоимость оборудования. Мощность сигнала в точке рассчитывалась по алгоритмам многолучевой геометрической оптики [1] и эмпирической модели ослабления сигнала при прохождении конструкций [2]. Оптимальные значения данных критериев являются взаимно исключаемыми, следовательно, необходимо использовать набор альтернативных Парето-оптимальных решений. Поскольку первых два критерия зависят от спроектированной структуры, то они были объединены в одну формулу (1), зависящую от видов точек доступа, их расположения и применяемых антенн. В результате был получен безразмерный числовой параметр, используемый для оценки эффективности итоговой сети при оценки дерева.

N R

F(Tr(i)) = £(P - T)/T - r2 X^, (1)

i=i i=i

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_

где N - количество точек, где мощность сигнала не должна превышать заданного порога; Pi -максимальная мощность сигнала от различных точек доступа в данной точке (алгоритм расчета рассматривается в работах [1-2]); T - максимальный допустимый уровень мощности сигнала, задаётся пользователем; R - количество точек помещения, местоположение которых определяется выделением областей на плане помещения пользователем, где необходим доступ к сети с заданной скоростью; r -коэффициент, определяющий критичность уменьшения скорости передачи относительно заданной, задаётся пользователем (рекомендованное значение 0,4); Vi - требуемая суммарная пропускная способность в i-ой точке; Vdi, - предполагаемая пропускная способность, обеспечиваемая для i-ой точки всеми доступными точками доступа (зависит от пропускной способности отдельной точки доступа, определяемой ее моделью, и мощностью сигнала от нее).

Оценка скорости доступа к сети в данной точке (V) осуществляется по величине, получаемой в результате сложения Pi для данной точки и наибольшего коэффициента усиления для принимающей антенны (Gr). Полученное значение сравнивается с возможными значениями чувствительности приёмника в сетевой карте. Для каждой скорости приёмник имеет определённую чувствительность (P/r). Для небольших скоростей чувствительность наименьшая, для высоких существенно выше. Данная информация указывается производителем в спецификации оборудования. Следовательно, максимально возможная теоретическая скорость доступа к сети в i точке для данной сетевой карты и точки доступа с единственным подключением можно оценить по формуле (2):

Vj :maxP <р + Gr. (2)

j

При подключении к одной точке доступа нескольких клиентов ее суммарная пропускная способность по умолчанию делиться равномерно между ними. Следовательно, при расчете предполагаемой скорости доступа в данной точке необходимо учитывать количество клиентов в ней, их оборудование и доступные точки доступа, тогда Vdi можно оценить по формуле (3):

Vdi = min(гож nk / nk, Vjk ), (3)

j k

где Vtk - максимальная пропускная способность k точки доступа, n - количество подключений к k точке доступа, V/k - скорость доступа к k точке доступа j клиента (2).

В автоматизированном средстве для более наглядного результата пользователю предоставляется возможность самостоятельно оценить значения данных параметров, которые образуют следующую совокупность(4).

' N

£(р - T)/T ^ min

i=1

r , (4)

£

V,-Vd,

e ' ' ^ min

1=1

Вторым этапом решения задачи автоматизированного проектирования беспроводной сети автором предлагается использование метода выращивание оптимального дерева алгоритмом генетического программирования, совокупность узлов которого будет описывать структуру и параметры итоговой сети. Для построения дерева сети необходимо определить терминальные множества:

• Р - множество моделей точек доступа;

• А - множество моделей антенн точек доступа;

• М - направление и величина перемещения точки доступа или угол поворота антенны на плоскости или пространстве, соответственно задается номером элемента в двух или трехмерной матрице или номером дуги окружности/сферы.

Для двухмерного случая множество М описывается переменной длиной 14 бит, кодирующей 214 различных вариантов направления и величины перемещения точки доступа. При ее использовании в качестве

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_

направления ориентации антенны величина поворота главного лепестка диаграммы направленности будет соответствовать номеру 15° сектора, полученного как M (mod 24).

Функциональное множеством будет состоять из следующих операций:

• mov - перемещение точки доступа P на величину M;

• rot - поворот антенны A на угол M.

На операции накладываются следующие ограничения:

• обе операции являются бинарными с обязательным присутствием элемента из множества M;

• вторым операндом может быть элемент из множеств P, A или функционального множества;

• присоединение дочернего узла к дереву возможно, как к элементам терминального, так и функционального множеств.

Построение дерева при инициализации множества решений для генетического программирования начинается с выбора в качестве корня оператора mov и дальнейшей случайной компоновкой элементов дерева до достижения требуемой глубины. При обходе дерева в глубину от корня для построения сети пройденные узлы, содержащие операторы mov и rot, будут определять позицию первой найденной точки доступа и угол ее поворота. При этом все пройденные углы поворота и величины перемещения суммируются друг с другом соответственно. Моделью антенны для точки доступа будет ближайшая к узлу в дереве, содержащего точку доступа при обходе дерева от него в глубину. В случае отсутствия данного узла в качестве антенны при расчете характеристик сети будет использована модель антенны по умолчанию, а именно всенаправленная антенна с коэффициентом усиления 3 дБ.

Функцию пригодности дерева можно определить следующим образом:

1

- х (15 - K х Number(Tr(i))) ^ max fitness (Tr(i)) = Л + F (Tr(i)) 1 , (5)

- Cost(Tr(i)) ^ max

где fitness (Tr (i)) - значение функции пригодности, F(Tr(i)) - функция оценки производительности сети

K е (015 х Number / 2max_depth) (1), K1 - коэффициент штрафа за сложность дерева ( 1 v ' ', maxdepth - заданная

максимальная глубина дерева), Number - число вершин дерева Tr(i), Cost(Tr(i)) - стоимость сетевого

оборудования, необходимого для реализации сети Tr(i).

Для решения данной задачи оптимизации в эволюционных алгоритмах разработано несколько стандартных методов [3]: VEGA, NPGA, SPEA и др., - обладающих каждый своими недостатками, такими как низкая эффективность, высоки вычислительные затраты на работу самого алгоритма и т.п. Автором для решения задачи предлагается адаптация дифференцированного алгоритма генетического программирования [4] к решению задач многокритериальной оптимизации, используя специфику обработки и накопления им информации о пространстве оптимизируемой функции. Выделение в нем консервативной подсистемы для накопления и распространения апробированных решений и оперативной для поиска и апробации вновь формируемых, которые по достижению определенного количества поколений (параметр tlife) и выполнению ряда других условий переходят в консервативную, требует сохранения данного механизма при расширении на новый класс задач. Т.о. при обновлении множества решений в оперативной подсистеме, необходимо использовать следующий алгоритм [5].

1. Выбрать сравнительное множество Pdom С SK , состоящее из tdom случайно выбранных индивидов популяции (обычно 10% от общего количества индивидов [4, 5]).

2. Если вновь полученное решение недоминируемо относительно Pdom, а предок из So доминируется индивидами сравнительного множества, то потомок замещает So-родителя, а его параметр %¿ обнуляется.

3. Иначе, если So-родитель недоминируем относительно Pdom, а потомок - доминируем, то потомок отбрасывается, а tlife родителя увеличивается на 1.

4. Если сделать выбор не получилось, то он разрешается делением общей пригодности:

a. вычислить количество индивидов в So, которые находятся от индивида потомка на расстоянии, не

превышающем радиус ниши ashare'. n(c) = {l : l е a d(с, l) < crshar}\. Проделать то же для индивида So-родителя.

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_

b. если n(c) < n(p), то потомок замещает «So-родителя, а его обнуляется, иначе отбрасывается потомок, а tiife родителя увеличивается на 1.

По результатам, представленным в [5], полученный алгоритм многокритериальной оптимизации является более предпочтительным для использования в автоматизированным средстве, чем рассмотренные в [3], поскольку обладает меньшими вычислительными затратами на выполнение самого алгоритма с сохранением эффективности поиска решения на требуемом уровне.

Применение выше описанного подходов позволило разработать автоматизированное средство проектирования беспроводной сети. Его структурная схема представлена на рисунке 1, а экранная форма на рисунке 2. Использование алгоритмов многокритериальной оптимизации позволило предоставить пользователю выбор из Парето-оптимальных решений на основе критериев эффективности сети и ее стоимости. Пользователь может выбрать и оценить одно из решений через соответствующее выпадающее меню в левом углу. При изменении отображаемого варианта автоматически перестраивается карта покрытия сети и изменяется ее стоимость.

Рисунок 1 -Структурная схема программной системы

Рисунок 2 - Экранная форма программы

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_

С помощью данного программного средства была проведена оценка точности получаемых моделируемых данных для 4 тестовых помещений, площадь которых составляла от 30 до 150 кв. м. Оценивалась величина отклонения мощности сигнала и суммарной пропускной возможности в определенной точке помещения от теоретической при количестве точек доступа от 1 до 3. Для всех измерений в качестве точек доступа использовались беспроводные маршрутизаторы D-Link DIR-300, DIR-825, с всенаправленными антеннами, имеющими коэффициент усиления 2 дБи, и направленными антеннами ANT24-0600 с коэффициентов усиления 8 дБи по главному лепестку. В качестве приемника сигнала использовались адаптеры D-Link DWA-126 с чувствительностью -62 дБм и внешней всенаправленной антенной с коэффициентом усиления 3 дБи, а также D-Link DWA-160 со встроенной антенной с коэффициентом усиления 1,5 дБи в диапазоне 2.4 ГГц, 3,5 дБи в диапазоне 5 ГГц. Для замера мощности сигнала использовалось программное обеспечение MetaGeeks inSSIDer. В общей сложности для каждого помещения было проведено не менее 400 замеров. Для помещений с площадью до 60 кв.м. при различной конфигурации сетевого оборудования ошибка составляла от 5 до 12%. Ошибка рассчитывалось как взвешенная разница между реальной и предполагаемой мощностью к реальной, выраженная в процентах. Для помещений с большей площадью величина средней ошибки по горизонтали и вертикали не превышала для мощности сигнала 14%, а для скорости доступа 22%.

Данные полученные в ходе измерения коэффициентов поглощения сигналов беспроводной сети для совпадающей части исследованных материалов соответствуют данным приводимым в [6-7]. Оценка распределения мощности сигнала для тестовых помещений проводилась также в программных продуктах Ekahau Site Survey и AirMagnet Planner. Средняя величина отклонения от самостоятельно спрогнозированных данных от полученных из программных сред не превысила 25%. При использовании функций по автоматизированному проектированию сети из этих пакетов найденные разработанной программой решения совпадали по зонам покрытия, но требовали большее количество точек доступа и не использовали направленные антенны.

Таким образом в ходе решения поставленной задачи были получены следующие результаты:

1) сформулировано аналитическое выражения и алгоритм оценки эффективности функционирования беспроводной сети IEEE 802.11 g/n для диапазонов 2,4 и 5 ГГц в с учетом электромагнитной проницаемости различных материалов;

2) предложен подход к автоматизированному проектированию беспроводной сети на основе выращивания топологии размещения и настроек точек доступа в виде дерева;

3) описана постановка и подход к решению задачи многокритериальной оптимизации алгоритмом дифференцированного генетического программирования;

4) создано программное средство для автоматизированного проектирования беспроводной сети на основе поиска Парето-оптимальных деревьев сетевой топологии.

Список использованной литературы:

1. Захаров, П.Н. Передача информации в условиях многолучевого распространения радиоволн: автореф. канд. ф-мат. наук: 20.05.2010, 3.06.2010 / П.Н. Захаров. - Москва, 2010. - 28 с.

2. Паротькин, Н.Ю. О решении задачи структурно-параметрического синтеза сети стандарта IEEE 802.11x / Н.Ю. Паротькин, В.Г. Жуков // Теория и практика системного анализа - Т. I. - Рыбинск: РГАТУ имени П. А. Соловьева, 2014. - 200 с., С. 161-172

3. Казаков, П.В. Генетические алгоритмы многокритериальной оптимизации. Обзор / П.В. Казаков // Информационные технологии - Москва: Новые технологии, 2011. - № 10 - С. 2-8

4. Жуков, В.Г. Дифференцированный адаптивный алгоритм генетического программирования / В.Г. Жуков, Н.Ю. Паротькин, Т.С. Хеирхабаров // В мире научных открытий: научное периодическое издание. -Красноярск: "Научно-инновационный издательский центр", 2012. - Выпуск 11.5 (35). С. 276-295.

5. Паротькин, Н.Ю. О применении дифференцированного генетического алгоритма для решения задач многокритериальной оптимизации / Н.Ю. Паротькин // Материалы XVII Международной научной конференции "Решетневские чтения". - Ч.2. - Красноярск: СибГАУ, 2013 г. С. 66-67.

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №2/2016 ISSN 2410-700Х_

6. James A. Crawford Propagation Losses Through Common Building Materials 2.4 GHz vs 5 GHz [Электронный документ]. URL: http://www.am1.us/Protected_Papers/E10589_Propagation_Losses_2_and_5GHz.pdf (дата обращения: 09.10.2015)

7. Tummala D. Indoor propagation modeling at 2.4 Ghz for IEEE 802.11 networks. Master of Science (Engineering Technology) [Электронный документ]. URL: https://cs.uwaterloo.ca/~brecht/courses/856/readings/models/802-11-path-loss-model-thesis.pdf (дата обращения: 23.10.2015)

© Паротькин Н.Ю., 2016

УДК 621.78.044.7

Пустовойт Виктор Николаевич

д.т.н., профессор ДГТУ Долгачев Юрий Вячиславович к.т.н., доцент ДГТУ Карабанова Мариамхан Амановна

студентка 2-го курса ДГТУ г. Ростов-на-Дону, РФ E-mail: [email protected]

ВОЗМОЖНЫЕ МЕСТА ЗАРОЖДЕНИЯ МАРТЕНСИТА

Аннотация

Проводится анализ мест пригодных для зарождения кристаллов мартенситной фазы. Исходя из проведенных исследований, опыта прошлых лет и современных воззрений, делается заключение, что местами зарождения мартенсита в аустените являются области с ферромагнитным порядком.

Ключевые слова Мартенситное превращение, зародыш, закалка, сталь, магнитное поле.

Гетерогенная природа зарождения мартенсита при бездиффузионном превращении не оставляет сомнений. [1-3]. Однако, теория дислокационного зарождения мартенсита Коэна и коллег [1, 2] даёт значение удельной поверхностной энергии зародыша в пределах ~ 200 ^ 330 эрг/см2 [4, 5]), а энергия активации превращения наблюдаемая в эксперименте составляет около 1 эВ, что на 4 порядка ниже энергетического барьера по модели Коэна.

Выходом из сложившейся ситуации могло бы стать существование в аустенитной матрице зародышей мартенсита субкритического размера. Такие зародыши могли бы существовать в аустените выше температуры начала мартенситного превращения. Тогда процесс зарождения можно рассматривать не как преодоление «седловой точки» на поверхности свободной энергии в теории Коэна, а как занятие этими зародышами «стартового положения» и дальнейший их спонтанный рост при температуре ниже Мн. Предполагается [3], что размер таких зародышей находится в нанометровом диапазоне, поэтому их экспериментальный поиск чрезвычайно затруднителен даже с помощью дифракционной электронной микроскопии.

Проведенные нами экспериментальные исследования магнитного поведения аустенита углеродистых сталей [6-8] однозначно показали наличие малых областей с ферромагнитным порядком (ферромагнитные нанокластеры). Наличие ферромагнитных кластеров в аустените обусловлено возникновением

ситуации, при которой в микрообъемах с концентрационной неоднородностью (обогащенных атомами ферромагнитных веществ) проявляется положительное обменное взаимодействие, приводящее к установлению ферромагнитного порядка при температурах выше точки Кюри (или выше Ту^а для сталей,