CC BY
183
УДК 004.738.5:621.395
А. В. Скупченко, В. Д. Семейкин, В. В. Стешенко
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ УПРАВЛЕНИЯ БЕСПРОВОДНЫМИ СЕТЯМИ ПЕРЕДАЧИ ДАННЫ1Х НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
Введение
Рынок мобильных устройств обработки информации растет параллельно с интенсивным развитием технологий беспроводных коммуникаций. Согласно прогнозу Pyramid Research, объемы продаж смартфонов по всему миру увеличатся с 232 млн в 2010 г. до 532 млн в 2014 г. В результате миллионы абонентов сетей сотовой связи получат новые «умные» устройства с множеством критичных к трафику приложений. Следует отметить, что уже в настоящее время трафик в сетях 3G лавинообразно вырос. Согласно прогнозам экспертов, спрос на услуги передачи данных до 2013 г. будет ежегодно увеличиваться в два раза.
Большая часть ресурса существующих в настоящее время 2G/3G-сетей мобильного доступа уже поглощается постоянно растущим трафиком данных, и операторы столкнулись с проблемой их перегрузки (например, в зонах массового скопления пользователей). Это ведет к резкому ухудшению качества услуг, предоставляемых миллионам пользователей мобильных сетей. Увеличение числа мобильных устройств, поддерживающих беспроводные системы передачи данных, ставит задачу оперативного осуществления коммуникаций между ними, обмена данными, быстрого получения информации с учетом постоянно изменяющихся маршрутов.
Из-за ухудшения качества услуг передачи данных через сети 3G многие абоненты используют Wi-Fi-интерфейс своих мобильных телефонов, т. к. это единственная возможность получить доступ к просмотру Web-страниц, потокового видео и другим услугам, требовательным к полосе пропускания. По информации, предоставленной AT&T - одним из крупнейших операторов сотовой связи в США, число абонентов, подключающихся к 20 тыс. хотспотов (Wi-Fi-точкам доступа в их сети), возросло на 34 и 69 % в I квартале 2009 и 2010 гг. соответственно [1].
Преимущество использования технологии WLAN
По прошествии 10 лет после введения стандарта 802.11 WLAN он подвергся ряду изменений, в частности была добавлена поддержка качества обслуживания (QoS) на основе технологии Wi-Fi Multimedia (WMM) для предоставления критичных к задержкам услуг, таких как потоковое видео и передача голосового трафика, а также отвечающий современным требованиям стандарт шифрования корпоративного класса WPA2. Таким образом, сети Wi-Fi по уровню качества обслуживания и безопасности не уступают сетям 2G и 3G. Технология WMM обеспечивает приори-тизацию мультимедийного трафика (VoIP, потоковое видео, сетевые игры) и соответствие требованиям к джиттеру и времени задержки сигнала. Технология WPA2 основана на стандарте IEEE 802.11i и представляет собой 128-битное AES-шифрование с проверкой подлинности на основе предварительных ключей (PSK) или стандарта 802.1x RADIUS, что идеально подходит для реализации функций управления авторизацией, аутентификацией и администрированием (AAA).
Алгоритм маршрутизации для WLAN-сетей
Основная поставленная задача — это повышение эффективности управления беспроводными сетями передачи данных с использованием интеллектуальных методов [2].
Выбранным нами математическим аппаратом для исследований являются нейронные сети, в частности их применение в прогнозировании какого-либо результата. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна спрогнозировать будущее значение некой последовательности на основе нескольких предыдущих значений и (или) каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.
В общем случае объем обслуживаемой нагрузки в пакетных сетях является случайной величиной. Основной задачей алгоритма маршрутизации данных является отыскание путей передачи данных от источника к получателю и выбор одного оптимального маршрута.
Процесс выбора маршрута происходит после построения краткосрочной модели прогноза с использованием двух нейронных сетей. Для процесса прогнозирования собирается статистика о координатах объектов и уровнях мощности сигнала, статистических параметрах трафика (таких как приоритеты - данные, голос, видео; объемы и т. д.). Данный процесс не требует вмешательства дополнительного оборудования, подключаемого к мобильным устройствам, т. к. большинство мобильных устройств оборудованы устройствами GPS-связи, что позволяет определить координаты местоположения пользователя без особых усилий. Уровни мощности сигнала также могут быть измерены при помощи встроенных устройств беспроводной связи.
На основе собранных данных происходит процесс обучения нейронных сетей. Первая нейронная сеть прогнозирует перемещение объектов сети (что дает возможность спрогнозировать параметр маршрутизации Link Expiration Time (LET)). Вторая нейронная сеть прогнозирует уровни мощности объектов (параметр Signal Strenght).
Устройства со встроенными источниками беспроводной передачи данных и GPS-связью
Зафиксированные координаты
Прогнозирование координаты
Рис. 1. Прогнозирование перемещения мобильного устройства
Параметр LET демонстрирует рис. 1, где N1, N2 и Nt - мобильные устройства обработки информации, снабженные беспроводными системами передачи данных и устройствами GPS [3]. В момент tk N подключено к N2 (LETN 1(N2)). В данный момент географические координаты
для N1 и N2 равны N1(X1 tk, Y1 tk, Z1 tk) и N2(X2 tk, Y2 tk, Z2 tk) соответственно. Для прогнозирования перемещая N1 и N2 предлагается оценить объекты N как (X1 tk + i, Y1 tk + i, Z1 tk + i) {i = 0 до N} и (X2 tk + i, Y2 tk+, Z2tk + i) {i = 0 до N}. Затем рассчитывается дистанция dtk + i {i = 0 до N}, отделяющая его от N2 в tk + i {i = 0 до N}. LET соответствует расстояние, отделяющее
N1 и N2, которое представляет собой диапазон передачи. Подробнее рассматривается функция, которая связывает расстояние d между N1 и N2 по времени t. Эта функция может быть аппроксимирована по N - 1 степени многочлена P(t). Коэффициенты at многочлена P(t) определяются следующей системой уравнений:
Г N -1
N-1-і _ 1 аі‘к+1 - ак+1 =
і-0 N-1
N-1-і _ 1 аі‘к+2 - ак+2 =
і-0
N -1
N-1-1 _ 1 агк+N = ак+N ■
. 1=0
Расчет сводится к следующему: Р(ЬЕТ) = диапазону передачи устройств передачи данных.
В конечном счете прогнозирование передвижения объекта поможет улучшить маршрутизацию потоков данных, т. к. будет выбран стабильный маршрут, и, следовательно, избежать обрывов связи, что дополнительно снижает затраты на восстановление передачи данных и расходы на перенастройку оборудования [4] ■
Предлагаемый алгоритм представлен на рис. 2.
Рис. 2. Алгоритм маршрутизации с использованием нейронных сетей
Наиболее подходящей нейронной сетью для прогнозирования данных результатов служит рекуррентная нейронная сеть (рис. 3). Это наиболее сложный вид нейронных сетей, в которых имеется обратная связь [5] (под обратной связью подразумевается связь от логически более удалённого элемента к менее удалённому). Наличие обратных связей позволяет запоминать и воспроизводить целые последовательности реакций на один стимул. С точки зрения программирования в таких сетях появляется аналог циклического выполнения, а с точки зрения систем такая сеть эквивалентна конечному автомату.
®ec
Рис. 3. Рекуррентная нейронная сеть
Данная архитектура используется N раз (N-шаг прогнозирования) для оценки N наблюде-
А
ний временных рядов. В каждом шаге прогнозирования k (k Ф N), выход сети S (t + k) передает-
А
ся во входной слой, чтобы иметь возможность оценить следующие значения S (t + (k + 1)), что является прогнозированием следующего шага (k + 1).
Далее производится классификация трафика источника - голос, данные, видео. Затем, исходя из спрогнозированных значений и приоритетов трафика, формируются маршруты и анализируются результаты, выбираются маршруты с наибольшим удельным весом и происходит решение о принятии маршрута. Алгоритм предусматривает обратные связи с учетом неудачного принятия решения. В этом случае происходит перезапрос на обучение нейронной сети, что позволяет приблизить следующие результаты прогнозирования наиболее точно.
Проверка на адекватность модели краткосрочного прогнозирования на основе нейронных сетей производится следующим образом: проверяется выполнение условий для остаточной компоненты (ошибок прогноза):
1) независимость;
2) случайность;
3) нормальность распределения.
Для проверки на независимость (на отсутствие автокорреляции) необходимо определить отсутствие в ряду остатков систематической составляющей. Построив график зависимости остатков как временной ряд, мы не должны увидеть определенной тенденции к изменению, что будет свидетельствовать о зависимости каждого следующего значения остатков от предыдущего, т. е. об автокорреляции. Это проверяется с помощью критерия Дарбина - Уотсона.
Для проверки случайности уровней ряда могут быть использованы критерий серий и критерий поворотных точек. Критерий восходящих и нисходящих серий является достаточно надежной и не особенно сложной модификацией критерия серий. Сущность алгоритма состоит в последовательном сравнении двух последних уровней ряда остатков: в случае, если исходный ряд является случайной последовательностью, то продолжительность самой длинной серии, состоящей только из нулей или единиц, должна быть небольшой и общее число серий как можно меньшим.
Проверка на нормальность распределения остатков может быть проведена с помощью критериев Колмогорова - Смирнова, Шапиро - Уилка и Андерсона - Дарлинга.
Заключение
Для операторов использование Wi-Fi-сетей для передачи «тяжелого» трафика - это решение, которое в перспективе послужит при развертывании сетей LTE и возьмет на себя значительную часть нагрузки. Так как технология Wi-Fi обладает множеством уникальных преимуществ, она является оптимальным выходом из ситуации перегруженности сотовых сетей связи.
Вышеописанный алгоритм позволяет построить краткосрочную модель прогноза перемещения объектов в сети и уровней их сигнала для изменения таблиц маршрутизации, что дает возможность повысить эффективность управления беспроводными сетями, заранее отреагировать на изменение структуры сети и обеспечить полосу пропускания трафика с наименьшими потерями и задержками к критическим видам трафика.
СПИСОК ЛИТЕРАТУРЫ
1. Ледовский К. Разгрузка сетей мобильной связи за счет перенаправления трафика данных в Wi-Fi-сети // Технологии и средства связи. - 2010. - № 4 // http://www.tssonline.ru.
2. Семейкин В. Д., Скупченко А. В. Разработка нейросетевых алгоритмов для управления и контроля сетями передачи данных // Междунар. отраслевая науч. конф. проф.-преп. состава АГТУ, посвященная 80-летию основания АГТУ: тез. докл. - Астрахань: Изд-во АГТУ, 2010. - T. I. - С. 245.
3. Kaaniche H., Kamoun F. Mobility Prediction in Wireless Ad Hoc Networks using Neural Networks // Journal of telecommunications. - 2010. - Vol. 2, ISSUE 1. - P. 95-101.
4. Семейкин В. Д., Скупченко А. В. Нейросетевые модели в задачах маршрутизации на сетях связи // Международный форум информатизации (МФИ-2008): тр. конф. «Телекоммуникационные и вычислительные системы». - М.: МТУСИ, 2008. - С. 57.
5. Семейкин В. Д., Скупченко А. В. Применение нейросетевых моделей в телекоммуникационных системах // Международный форум информатизации (МФИ-2007): тр. конф. «Телекоммуникационные и вычислительные системы». - М.: МТУСИ, 2007. - С. 36-37.
Статья поступила в редакцию 17.01.2011
INCREASE OF MANAGEMENT EFFICIENCY OF WIRELESS DATA NETWORKS BASED ON NEURAL NETWORKS
A. V. Skupchenko, V. D. Semeykin, V. V. Steshenko
The application of intelligent methods to manage wireless data networks is considered in the paper. Neural networks are used as a mathematical apparatus for the investigation, and in particular their use in the prediction of any outcome. The process of route selection occurs after the prediction of two neural networks. Statistical information on the coordinates of the objects and levels of signal strength, statistical parameters of the traffic, is collected for the prediction. The results of the prediction are analysed, routes with the most specific weight are selected, and a decision on the route agreement is done.
Key words: wireless network, neural network, prediction, traffic, route, channel, access, decision making, loading.
