CC BY
10
УДК 004.05Б.5, 621.396 Б01: 10.15587/2312-8372.2016.79991
ЗАСТОСУВАННЯ НЕйРОННИХ МЕРЕЖ В СТАТИСТИЧН1Й СИСТЕМ1 АНАЛ1ЗУ I МОН1ТОРИНГУ ТЕЛЕКОМУН1КАЦ1ЙНИХ МЕРЕЖ
Розроблено перспективний тдх1д до оргатзацп обробки неявних форм подання знань, який базуеться на застосуваннг технологинейромережевих структур. Доведена можливгсть успшного використання нейронних мереж та гх аналогових моделей, для виршення задачг апроксимацп неперервних функцш багатьох змтних та прогнозу процесгв, якг вгдбуваються у телекомунгка-цшних мережах протягом часу.
Клпчов1 слова: 1нформац1йно-телекомун1кац1йна мережа, 1нтелектуальн1 технологи, нейрон, нейронна мережа, трафгк.
Хлапонш Ю. I., Жиров Г. Б., Нштчш О. М.
1. Вступ
В останш роки штотно тдвищився штерес до до-слщження застосування прикладних штелектуальних технологш, 1хнш розробщ й впровадженню в промис-лову й непромислову сфери. На сьогодш можна гово-рити про становлення нового наукового напрямку — теорп штелектуального управлiння складними розпо-дiленими iнфокомунiкацiйними мережами. У даний час фундаментальш й прикладш роботи зi створення iнтелектуальних систем управлшня активно проводять-ся в багатьох галузях техшки. Цьому сприяв тривалий перюд теоретичних дослiджень в област теорii штучного штелекту, ситуацiйного управлiння й iмiтацiйного моделювання.
У нашi днi управлiння на основi аналiзу зовшш-нiх ситуацiй (подш) залишаеться однieю iз ключових щей штелектуального управлшня. 1нтелектуальш сис-теми останшм часом стали досить розповсюдженим комерцiйним продуктом, що знаходить широкий попит користувачiв-фахiвцiв у найрiзноманiтнiших областях iнженерно-технiчноi й науково-технiчноi сфер дiяльностi.
У системах управлшня, що володтть штелектуаль-нiстю в цшому, дана властивiсть проявляеться в таких аспектах, як управлшня в умовах невизначеносп, са-монавчання й адаптацп. Це складнi системи з багато-рiвневою iерархiчною структурою, здатш до форму-вання рiшень, яю адекватнi до ситуацii, що склалася. Як вiдмiчаеться в [1, 2], вся iсторiя розвитку штучного штелекту пов'язана в основному зi спробами розробки найбшьш сучасних методiв i засобiв управлiння в умовах невизначеност!
Один з перспективних пiдходiв до органiзацii обробки неявних форм подання знань пов'язаний iз за-стосуванням технологii нейромережевих структур, яка акумулюе й вiдтворюе основш функцiональнi особли-востi бiологiчних прототитв. Однiею з найважливiших особливостей нейромережевих структур е '¿хня висока швидкодiя, що досягае за рахунок паралельносп обробки iнформацii при iхнiй апаратнш реалiзацii.
2. Об'скт дослщження та його технолопчний аудит
Об'ектом дослгдження е процес застосування штелектуальних технологш на основi нейронноi мережi в статистичнiй системi аналiзу i монiторингу телекому-нiкацiйних систем та комп'ютерних мереж.
Концептуальна архiтектура будь-я^ iнтелектуальноi системи загальновiдома й мктить наступнi основнi блоки:
— база знань iз розвиненими механiзмами висновку на знаннях;
— iнтелектуальний пристрш обробки шформа-Ц11 (який формулюе постановку й загальний план ршення завдання);
— системи iнформацiйноi тдтримки прийняття рiшення, яка формулюе конкретний план ршення завдання;
— база даних;
— iнтерфейс iз користувачем.
Iнтелектуальнi системи можуть штотно розрiзнятися по архiтектурi й за функщями, що виконуються, але в них завжди пею чи шшою мiрою присутнi зазначенi блоки [3].
Важливо ввдзначити, що головна архггектурна особ-ливiсть, що вiдрiзняе штелектуальну систему управ-лiння (рис. 1) ввд побудованоi по «традицшнш» схем^ пов'язана з пiдключенням механiзмiв збертння й обробки знань для реалiзацii здатностей по виконанню необхщних функцiй у неповно заданих (або невизна-чених) умовах при випадковому характерi зовнiшнiх впливiв.
Впровадження штелектуальних технологш поясню-еться тим, що традицшш технологii вже не можуть забезпечити тдвищення якостi управлiння, оскшьки не враховують всiх невизначеностей, що впливають на систему. Удосконалювання ввдомих алгоритмiв адаптивного управлiння не завжди дае бажаний результат. Це пояснюеться як складшстю самих алгоритмiв, так i труднощами iхньоi реалiзацii з урахуванням умов за-безпечення функцiональноi стiйкостi систем управлiння телекомушкацшними мережами.
Рис. 1. Узагальнена структура системи штелектуального управлшня
3. Мета та задач1 дослщження
Метою даног роботи е розробка нових пiдходiв впро-вадження нейромережевих технологш в статистичнiй системi аналiзу i монiторингу телекомунiкацiйних мереж (ТКМ).
Для досягнення поставлено! мети дослщження не-обхщно вирiшити наступш завдання:
1. Проаналiзувати та визначити характеристики для аналiзу телекомунiкацiйних мереж та найбшьш iнфор-мативний параметр.
2. Розробити процедуру перетворення первинно! iнформацii телекомуткацшно! мережi.
3. Визначити особливостi статистичного мошто-рингу телекомунiкацiйних мереж та найбшьш шфор-мативний параметр.
4. Довести можлившть використання нейронних мереж для прогнозу процеав, якi протiкають у теле-комунiкацiйних мережах у часовiй область
4. Анал1з лггературних даних
Аналiз експлуатацii телекомунiкацiйних мереж пока-зуе, що на даному етапi розвитку забезпечити !х ефек-тивну роботу досить складно. Практика використання гетерогенних телекомушкацшних систем та комп'ю-терних мереж пов'язана з недостатньою !х прозорштю, складнiстю, органiзацiйними обмеженнями i специфшою, що визначае необхiднiсть бiльш широкого i науково обгрунтованого впровадження статистичних методiв !х аналiзу i мошторингу на основi вщкрито! потоково! шформацп [4-7], особливо при вирiшення складних задач та виникнення надзвичайних ситуацш [8].
Проведений аналiз робiт [9, 10] показуе, що для виршення поставлених завдань доцшьно та необхщно застосовувати iнтелектуальнi технологii.
Також, на сьогодшшнш час, швидкими темпами роз-виваються технолог!! створення нейромережевих струк-
тур [11-13]. Архтктура нейронних мереж дозволяе реалiзувати !х iз застосуванням технологш надвисокого ступеня штеграцп. Рiзниця елементiв мережi невелика, а !х повторюванiсть величезна. Це вiдкривае перспективу створення ушверсального процесора з однорщною структурою, здатного перероб-ляти рiзноманiтну iнформацiю i не вимагае обов'язково! наявностi програми обробки, достатня тшьки постановка задачi.
Таким чином, аналiз опрацьовано! лi-тератури дозволяе зробити висновок, що е област застосування нейронних мереж в телекомушкацшних системах, як розкрити не в повному обсязь
5. Матер1али та методи дослщжень
Нейроннi мережi являють собою один з найбiльш ушверсальних пiдходiв для побу-дови правил класифшацп i прогнозу [11, 12]. Однак !х основним недолiком е досить складна процедура налаштування арх^ектури ме-режi i оцшки !! параметрiв, якi забезпечують прийнятну яккть прогнозу (класифiкацii).
5.1. Структура нейронно! мереж1. У ста-тистичнш системi аналiзу телекомунiкацiйноi мережi використовуються мережi з декiлькома впорядкованими шарами нейрошв. При цьому взаемодiя мiж нейронами, що належать до одного i того ж шару, вщсутня [12]. Нейрони кожного шару отримують данi (сигнали) вiд нейронiв попереднього шару, обробляють !х i переда-ють результат обробки до наступного шару. Винятком е нейрони вхщного шару. Число нейрошв у вхщному шарi дорiвнюе числу змiнних вдабраних для вирiшення завдання прогнозу або класифшацп, так що кожному нейрону вщповщае одна з змiнних. Таким чином, сигнали, що надходять на вхщний шар, являють собою значення цих змшних.
Сигнали, на виходi останнього (вихщного) шару нейрошв е результат роботи шйронно! мережь Тому, якщо нейронну мережу передбачаеться використовувати для класифiкацii об'ектiв в одну з М груп, то число нейрошв у вихщному шарi мае дорiвнювати М.
5.2. Обробка сигнал1в нейронами пром1жних шар1в. На вхщ кожного нейрона будь-якого промiжного шару надходять сигнали вiд уах нейронiв попереднього шару. Обробка сигналiв полягае в тому, що спочатку проводиться зважене шдсумовування сигналiв, що надiйшли. Якщо ця зважена сума перевищуе певний порiг, то вихщ-ний сигнал нейрона дорiвнюе 1, в iншому випадку — 0. Формалiзуемо сказане. Нехай Zjl, ..., Zjnk_1 сигнали, що надшшли на вхiд 7'-го нейрона & шару вщ п&-1 нейро-
шв попереднього шару, а w
(k)
w
(k)
jnk-i
— ваги, що
використанi даним нейроном для формування суми:
s(k) _ w(k) + sk _ wji z ji +
Нехай £у1) — граничне значення. Вихiдний сигнал даного нейрона визначаеться як величина 0 (х(&) _ &-*), де функшя стрибка 0(%) = 1, якщо % > 0; та 0, якщо % < 0, тобто якщо 5(&) > í(&).
w
(k) z-
jnk-iг m-v
(1)
С 36
технологический аудит и резервы производства — № 5/2(31), 2016
J
На практищ фyнкцiя стрибка 8(x ) замiнюeться певною фyнкцieю. Найбiльш часто використовyeться логiстична фyнкцiя:
L(x ) =
(1 + ex )
(2)
Оскшьки на вхiд кожного нейрона в k-му шарi над-ходять сигнали вщ ycix нейронiв попереднього (k - 1)-го шару, юльюсть вагових коефiцieнтiв i граничних зна-чень для обробки вхiдних сигналiв yсiма нейронами дорiвнюe (nk + 1)nk-1, де щ — число нейронiв в k-му шарi. Сукупшсть вагових коефiцieнтiв всiх нейронiв k-го шару утворюе матрицю зв'язку W(k) мiж k-м та (k - 1)-м шарами.
5.3. Створення нейронно'1 мережг Для створення ней-ронноï мережi, яку можна було б використовувати для класифжаци багатовимiрних об'екпв або для перед-бачення значень незалежноï змiнноï (в разi завдання регресшного аналiзy або прогнозу часових рядiв), що особливо важливо в разi статистичного аналiзy теле-комyнiкацiйноï мережi, необхiдно:
— задати архитектуру мережi, тобто задати кiлькiсть
шарiв i кiлькiсть нейронiв в кожному з них;
— ощнити ваговi коефiцieнти для всiх нейронiв
мережi (ваги в матрицях зв'язку W(k)).
5.4. Архiтектура мережг Нейронна мережа повинна мiстити як мшмум два шари: вхiдний i вихщний. Юль-кiсть нейронiв у вхщному шарi визначаеться кiлькiстю використовуваних змшних. Якщо всi змiннi — безпе-рервнi кiлькiснi, то число нейрошв просто дорiвнюе числу змiнних. Якщо ж серед змшних е номшальш, то для кожноï такоï змшно':!, наприклад, змiнноï у, ввд-водиться (l - 1) вхiдних нейрошв, де l — число града-цiй (категорiй) змiнноï y в ¿-му нейрону (з цих (l - 1) нейронiв) та присвоюеться значення 1, якщо змiнна приймае i-e значення, i 0 в шшому випадку.
Отже, кшьюсть нейрошв у вхщному шарi однозначно визначено, як тшьки обранi активнi змшш для вирь шення задачi класифжаци, регресiï або прогнозу.
Кiлькiсть нейрошв у вихвдному шарi визначаеться типом розв'язyваноï задачi, при вирiшеннi задач класи-фiкацiï об'ектiв в одну з М груп, вихщний шар мштить М нейронiв. При виршенш задачi прогнозу (регреси) кiлькiсть нейрошв дорiвнюе числу залежних змiнних. Число промiжних шарiв i кiлькостi нейрошв в кожному з них задаеться дослвдником перед етапом оцшки вагових коефщенпв.
5.5. Оцшка вагових коефщинпв (навчання). Для оцш-ки вагових коефщенпв в статистичнiй системi ана-лiзy телекомyнiкацiйноï мережi застосовш процедури безyмовноï оптимiзацiï за методом сполучених градiентiв. Для вирiшення проблеми локальних мiнiмyмiв вико-ристовуеться генеращя деякоï кiлькостi стартових точок.
6. Результаты дослщжень
Розглянемо процедуру первинноï обробки значень параметрiв телекомyнiкацiйноï мережi пiдприемства.
6.1. Процес збору шформаци про роботу телекомунша-цiйноï мережг Для аналiзy мережевого трафiкy з червня 2016 року на серверi системи управлшсь^ шформаци тдприемства системним адмiнiстратором мережi здiйснювався збiр даних з допомогою протоколу SNMP.
На cepBepi використовувалися TaKi технологи передачi даних, як: ATM 1/0, Fast Ethernet l/0, Fast Ethernet 4/0. Даш про функщонування телекомушкацшно1 мepeжi рееструвалися за допомогою чотирьохбайтового лiчиль-ника з iнтepвaлом 5 хв. Для aнaлiзу були визначеш нacтупнi характеристики:
— завантаження каналу на входi i виходi (байт);
— число пакепв на входi i виходi;
— число помилок в 1х peеcтpaцii;
— завантаження процесора (%);
— обсяг вiльноi пaм'ятi процесора i системи вве-
дення-виведення для маршрутизатора (байт).
Збip та peеcтpaцiя пapaмeтpiв тeлeкомунiкaцiйноi
мepeжi здiйcнювaлиcя протягом тривалого пepiоду часу за допомогою чотирьохбайтових лiчильникiв, при пере-повнeннi лiчильникiв вiдбувaлоcя iх обнулiння (або скидання), це призводило до пилкоподiбноcтi в подaннi значень пapaмeтpiв тeлeкомунiкaцiйноi мepeжi i не дозволяло безпосередньо використовувати вiдомi методи cтaтиcтичноi обробки iнфоpмaцii. В табл. 1 представлений фрагмент отриманих первинних значень для piзних телекомушкацшних технологш.
Таблиця 1
Фрагмент первинних значень pi3Hra телек□мунiкацiйних технологш
Час, с Загрузка каналу штерфейсу в байтах
АТМ 1/D Fast Ethernet О/О Fast Ethernet 4/0
972Б79200 D D D
972Б79500 2295814400 159195Б794 429242Б841
972Б79800 2845509Б18 1847131537 23553383
972Б80100 33Б2825219 20Б5Б293Б2 5Б449704
972Б80400 38Б1342029 22481837Б5 92505895
972Б80700 449551Б2 2454219Б79 12742Б75Б
972Б81000 504745715 2Б032Б8793 1Б0571793
972Б81300 991229953 27Б8885858 191229552
972Б81Б00 14Б78Б8509 2943932422 221035042
972Б81900 1934793959 3118191498 252ББ5332
972Б82200 240530453Б 3277795544 283981824
972Б82500 28ББ122Б97 3445428Б35 31Б3743Б4
972Б82800 3351797421 3Б345258ББ 3510332Б8
972Б83100 379Б589541 382DD92939 387842305
6.2. Процедура перетворення первинно! шформаци в випадкову послщовшстъ. Дана процедура передбачае аналiз безпосередньо первинноi шформаци «накопи-чувального» типу. Випадковою величиною, в даному випадку, е момент «обнулення». Для нормальних пе-рiодiв роботи мережi можна розглядати також число «обнулень» Пк, для к-го перiоду часу Т або ж частоту «обнулень». В цьому випадку характеристиками ви-падковоi послiдовностi е функци розподiлу або ж '¿х числовi характеристики. Першим кроком монiторингу е вiзуалiзацiя даних — графiчне ввдображення реестрацii iнформацii в процесi надходження, де Р — показання лiчильника, в байтах (або кшьюсть пакепв); t — час реестрацii шформаци, що показано на рис. 2, 3.
З наведених графМв на рис. 2, 3 видно, що штен-сившсть накопичення шформаци в дослвджуваних системах сильно рiзниться ^ отже, при подальшiй обробцi i усередненнi даних, перiоди часу Т, якi обранi для обчислення статистичних характеристик, повинт вщпо-вiдати спостережуваним iнтенсивностям. Так, для аналiзу
x
e
завантаження каналу iнтерфейсу ATM 1/0 доцiльно, як перюд Tk вибирати змiнну, piB^ 6 ч., а для завантаження каналу штерфейсу Fast Ethernet 4/0 — весь перюд часу Т, що доpiвнюe 17 дiб.
Наступним кроком е перетворення вихщно! шфор-мацii з кiлькостi байпв (пакетiв) в частоти скидання або «обнулення» лiчильника за певнi перюди часу. Для зpучностi була введена нова змшна — Pi (tj), де i — номер характеристики, що спостертеться, обpаноi для поpiвняння пpофiлiв телекомунiкацiйних мереж.
За даними стовпчика Pi (tj) формуеться стов-пець Pi (tj) ввдповщно до наступноi формули:
P (t,) =
1, якщо Pi (tj) < Pi (tj-i), 0, в шшому випадку.
(3)
Сума елеменпв стовпця Pi (t,), що складаеться з 0 i 1, дае число «обнулень» лiчильника за весь часо-вий перюд Т, а аналiз розподшу одиниць на осi часу дозволяе встановити чисельш оцiнки ix розподшу на визначених часових iнтервалаx Tk. Для монiторингу розподiлу моменпв скидання лiчильника змiнноi Pi (t,) по ряду Р/ (tj) формуеться нова таблиця, елементи я^
фiксують момент реестрацп «одиницi» i iнтеpвал часу tk мiж сусiднiми скидами.
За допомогою описаноi вище процедури перетворення даних з накопичувального типу в випадкову послщовшсть були отpиманi iншi характеристики мережевого тpафiку: завантаження каналiв за piвнями пpотоколiв (штер-фейав) Fast Ethernet 1/0, IP протокол, TCP протокол, а також деpевоподiбна структура (рис. 4) пpотоколiв з приблизним процентним стввщношенням в загальнш частинi тpафiку (кiлькiсть пакетiв, кшьюсть байт).
На основi отриманих результапв були визначеш особливостi статистичного мониторингу телекомушка-цiйноi меpежi:
— нестацюнаршсть;
— неодноpiднiсть;
— пеpiодичнiсть (неpiвномipнiсть завантаження ка-налiв);
— складна форма перюдичного сигналу;
— форми сигналiв ближче до тpапецiеподiбних з явно вираженим «плато» в област максимальних завантажень;
— юльюсть шумiв бшьше при максимальних за-вантаженнях.
......Ii
.......|............................ 1 1............................................1............................................|......................................
J ............................................
4 и.........................., А
я tj.......................... 1.....л..................................
L _mSbJ__VT""' /Л А А - - /Ж. 1 , . , 1 ,v I -■1____■ 1 ■ Vlx/^v /А ,.гЛА и
14:12:40 15.09.16
14:13:00 15.09.16
14:13:20 15.09.IS
14:13:40 15.09.IS
14:14:00 15.09.16
14:14:20 15.09.16
Time (s)
Рис. 2. Залежншть завантаження каналу (packets/s) вщ часу (tame(s)) Mirn компонентами системи DocFlow
Рис. 3. Залежшсть завантаження каналу (packets/s) вiд часу (tame(s)) мiж компонентами системи SAP ERP
4 Wire sha ric Protocol Hierarchy Statistics
Display filter none
Protocol ■ÜP.tkrti PiKfcrti%(¡ytrs Sytei ЫЬ+Л End Рас km En d B^-tcs ■ nd Ы brt-i
n Frame lOO.X % 100,00% 2S041922 0.4« 0 0 олоо
Q Ethernet I" 100.00 к 100.00% 12304192 t 0,457 0 0 o.ooo
B Internet Protocol Version 4 99,62 % 1 33709 93,96 % 1 2SDJ0273 0,497 0 0 0,000
El User Datagram Protocol 1192% то\ 133% S41I69 O.OIO 0 0 o.ooo
Data 1 10.97* »n| 1.(0% 443081 0,«® 3951 448081 1.008
El GigE Vision Streaming Protocol 1 1,71 % ем i 0,29% W3C7 0,001 IIS JMS ü'XiL
Malformed Packet 0.02 Ъ «1 0,Ю% 572 o,o« 6 372 o.ooo
NetBIOS Name Service 1 0.11 % »I от % jsse 0,™ ¡9 3588 0.000
ETSl Card Application Toolkit Transport Protocol 1 0,01 Я 3| 0,00% íes o.oos Í 196 0,000
Bootstrap Protocol 1 0.01 % »1 0.01 \ 1861 o,m 4 1964 o.ooo
Malformed Packet 1 0.01 % о,а>% 186 0.000 } 186 0,000 Й
Domain Name System 1 0.04 %■ 141 0,01% »71 0.M» 14 5971 олоо
Hypertext Transfer Protocol 1 0.03% Iii 0.01 % нее 0,000 12 3586 o.ooo
E Transmission Control Protocol 1 ' 1 ЗОВЮ И 97,96 % 1 27463754 0,4fi7 29779 27197937 0,432
BitTonent _1 4MÍ _| б,ег% 192699S 0,054 T45 ITS066 олоз
Data 0.34 % Ш| 0,(4% 25859 0,00) 122 25859 o.ooo
Domain Name System 0,01 % 21 0,00 4 340 0,000 2 340 o.ooo
S Hypertext Transfer Protocol oja% 1301 0,14% 40225 0.001 122 57075 O.OOl
Media Type 0,02 % '1 0,01 % 2786 0,000 7 2786 o.ooo
Online Certificate Status Protocol ОШ % »1 О.М% 362 0,M» 1 362 oratio
Secure Sockets Layer 0,12 % 42 1 0,«% £5329 0,00) 4! 25829 o.ooo
Internet Control Message Protocol 0.S1 5Ь 1Ы| 0,«% 16300 0,000 184 löte 0,000
Internet Group Management Protocol 0,21 Ü "1 0,01% изо 0.M» JS 5450 0,000
S Internet Protocol Version 6 0.31 \ Ш| 0,04% 10557 0,00) 0 0 0,000
Internet Control Messaqe Protocol v6 tU91b 104 1 от% 9416 0.000 104 9416 0,000 •
Utlp [ tins.
Рис. 4. Дерев□п□дiбна структура пратакшпв з приблизним процентним сгаввщношенням в зaгaльнiй частщ трафiку
З вищевказаних характеристик телекомунiкацiйноi мережi особливо можна видшити найбiльш шформа-тивний параметр — завантаження каналу. Завантаження каналiв безпосередньо впливае на стабшьшсть i надш-нiсть каналiв зв'язку та ввдповщно, на якiсть функщо-нування ТКМ.
Розробленi процедури дозволяють бiльш детально розглянути i проаналiзувати динамiку змiни шформа-цiйних потоюв, циркулюючих в мережах, i визначити характерш особливостi випадкових послiдовностей.
6.3. Розробка схеми штучно! нейронно! мережi для паралельного прогнозування завантаження каналу та И аналiз у середовищi NIMultisim. На наступному еташ роботи було реалiзовано паралельне прогнозування па-раметрiв мережi. Для цього, у вхвдному шарi персептро-на, в якому знаходиться 3 нейрони, на як подаеться значення кожно'i з координат Х{ та вiдповiднi значення вагових коефщенпв. На виходi тако'! мережi отримують координату х4.
Для того, щоб реалiзувати прогнозування бшьш нiж одно'i точки вiдлiку завантаження мережi було вико-ристано схему наведену на рис. 5.
У схемi на вхщ iерархiчного блоку НВ33 в якосп координат подаються значення (х2, х3, HB21out). Тобто вщбуваеться прогнозування координати наступно! точки,
використовуючи вже отриманий результат. Таким чином, можна отримати будь-яку кшьюсть точок. Але, врахо-вуючи те, що результати прогнозування не е абсолютно достовiрними, з кожним наступним обрахунком буде накопичуватись похибка, яка, в кшщ кшщв призведе до неправильних результапв.
Для перевiрки роботи схеми, на вхщ нейронно! ме-режi в якостi 3-х координат було подано певш напру-ги, а також були вимiрянi напруги на виходi кожного з iерархiчних блокiв. Для тестування схеми вибира-лось завантаження каналу iнтерфейсу ATM 1/0, де воно пльки починало зростати i де вже починало падати в залежност вiд сезонност та тренду.
Пiсля статистично! обробки отриманих значень, були побудоваш графжи залежностi на початку завантаження каналу вщ часу та графж залежностi завантаження каналу вiд часу, коли воно починае падати (рис. 6, а, б).
З аналiзу отриманих графЫв (рис. 6, а, б) видно, що кожна наступна координата рахуеться з бшьшою по-хибкою, шж попередня, що пояснюеться систематичним накопиченням похибки обрахунку окремо! координати. Також, на дiлянцi, де завантаження каналу починае падати, для координати у спостертеться бшьша похибка шж на тiй дшянщ, де завантаження каналу починае наростати.
Рис. 5. Схема для паралельного прогнозування
Рис. 6. Залежшсть завантаження каналу: а — на початку; б — кали воно починав падати; 1 — отриманий аналiтично; 2 — за допомогою математичного виразу; 3 — пщ час аналогового моделювання
Це може сввдчити про те, що на piзних дiлянках тpаектоpii для координати y потpiбно задавати шш1 ваговi коефiцiенти, тобто потpiбно знову навчати ней-ронну мережу.
7. SWOT-аналiз результат1в дослщження
Strengths. Серед сильних сторш даного дослщжен-ня необхiдно вщзначити те, що показано можливiсть застосування нейpонноi меpежi у статистичнiй систем! аналiзу паpаметpiв телекомунiкацiйноi меpежi.
Weaknesses. Слабю сторони даного дослiдження по-в'язанi з тим, що процедура налаштування аpхiтектуpи меpежi i оцшки ii паpаметpiв, як! забезпечують прийнят-ну яюсть прогнозу (класифiкацii), е досить складною.
Opportunities. Додатковi можливосп, що забезпечують досягнення мети дослщження, криються в тому, що нейронш меpежi та '¿хш аналоговi моделi можуть бути устшно використаш для виpiшення задачi апроксима-цп неперервних функцш багатьох змшних та прогнозу процеав у часi.
Threats. Складношд у впpовадженнi отриманих ре-зультатiв дослiдження пов'язанi з тим, що на сьогодш майже завжди моделювання нейронних мереж проводиться на цифрових обчислювальних машинах архь тектурою Неймана. Це мае велику кшьюсть переваг: надзвичайну ушверсальшсть, велику точшсть (а отже пеpедбачуванiсть алгоритму), стабшьшсть та багато ш-ших. Але за вс щ переваги доводиться платити дуже малою швидюстю та продуктившстю.
З iншого боку сучасш операцiйнi тдси-лювачi можуть працювати на 4acTOTi у юлька пгагерц. Максимальна частота обрахунку функцп операцiйним пiдсилювачем у декiлька разiв менша за його граничну частоту. Якщо кiлькiсть зв'язкiв модельного нейрона збшьши-ти у два рази, продуктившсть цифрово! модел1 зменшиться приблизно в таку ж кшьюсть разiв, проте продуктившсть аналогово! майже не змь ниться (хоча схема значно ускладниться). ^ii« того цiна на процесор набагато бшьша, нiж цша на аналогову схему близько! продуктивности Таким чином, розробка аналогових моделей нейронних мереж е перспективною задачею.
8. Висновки
1. При виршенш задач аналiзу та монiто-рингу мереж в першу чергу розглядаеться пер-винна потокова шформацш та вирiшуються таю завдання, як апроксимацп функцiй, прогнозу-вання, оптимiзацiя та iн. Для виршення таких завдань можна та необхвдно використовувати нейроннi мережi.
Шсля аналiзу iнформацiï про роботу телеко-мунiкацiйноï мережi, що використовуе технологи передачi даних ATM 1/0, Fast Ethernet l/0, Fast Ethernet 4/0 встановлено, що ефектив-шсть роботи мережi залежить вiд наступних характеристик: завантаження каналу на вход1 i виходi (байт); число пакепв на входi i виходi; число помилок в '¿х реестрацп; завантаження процесора (%); обсяг вiльноï пам'ят процесора i системи введення-виведення для маршрутизатора (байт). Найбшьш шформативним параметром е завантаження каналу.
2. Розроблено процедуру перетворення первинно1 шформацп телекомунiкацiйноï мережi, сутнiсть яко1 полягае в перетворенш вихiдноï iнформацiï з юлькосп байтiв (пакетiв) в частоти скидання або «обнулення» за певний перюд.
3. Визначено особливосп статистичного мошторингу телекомунiкацiйних мереж, а саме: нестацюнаршсть, перюдичшсть (нерiвномiрнiсть завантаження каналiв), складна форма перiодичного сигналу, форми сигналiв ближче до трапецiеподiбних з явно вираженим «плато» в област максимальних завантажень, юльюсть шумiв бшьше при максимальних завантаженнях.
4. Доведено можливють використання нейронних мереж для прогнозу процеав, що протжають у телекому-нiкацiйних мережах в часовш областi. Для цього була побудована схема паралельного прогнозування параметрiв мережг Схема являе собою нейронну мережу, причому у вхщному шарi розташовано 3 нейрони. Пiсля iмiтацiйно-статистичного моделювання та статистичного аналiзу результатiв встановлена можливiсть здiйснення прогнозу.
Лггература
1. Лукацкий, А. В. Обнаружение атак [Текст] / А. В. Лукацкий. — СПб.: БХВ — Петербург, 2003. — 624 с. — ISBN 5-94157-246-8.
2. Усков, А. А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика [Текст] / А. А. Усков, А. В. Кузьмин. — М.: Горячая линия — Телеком, 2004. — 124 с.
3. Енюков, И. С. Статистический анализ и мониторинг научно-образовательных интернет-сетей [Текст] / И. С. Енюков, И. В. Ретинская; под. ред. А. Н. Тихонова. — М.: Финансы и статистика, 2004. — 320 с.
4. Артеменко, М. Ю. Нейронш мереж1 та 'х застосування в телекомушкацшних системах [Текст] / М. Ю. Артеменко, Л. Н. Беркман, С. В. Толюпа // Радютехшка. — 2007. — Вип. 134. — C. 45-53.
5. Clerckx, B. Interference management in wireless networks: Practice and Theory [Text] / B. Clerckx. — Eurecom, May 2013. — 50 p.
6. Kulchin, Y. N. Optimizing algebraic and neural methods for information processing in distributed fiber-optical measuring systems [Text] / Y. N. Kulchin, E. V. Zakasovskaya // Optical Memory and Neural Networks. — 2010. — Vol. 19, № 3. — P. 237-247. doi:10.3103/s1060992x10030057
7. Ohwatari, Y. Investigation on improvement in channel estimation accuracy using data signal muting in downlink coordinated multiple-point transmission and reception in LTE-Advanced [Text] / Y. Ohwatari, N. Miki, T. Abe, S. Nagata, Y. Okumura // Proceedings of the IEEE Wireless Communications and Networking Conference, Quintana-Roo, Mexico, 28-31 March, 2011. — Institute of Electrical and Electronics Engineers (IEEE), 2011. — P. 1288-1293. doi:10.1109/wcnc.2011.5779315
8. Schaaf, M. Towards a Timely Root Cause Analysis for Complex Situations in Large Scale Telecommunications Networks [Text] / M. Schaaf, G. Wilke, T. Mikkola, E. Bunn, I. Hela, H. Wache, S. G. Grivas // Procedia Computer Science. — 2015. — Vol. 60. — P. 160-169. doi:10.1016/j.procs.2015.08.115
9. Simeone, O. Downlink Multicell Processing with Limited-Back-haul Capacity [Text] / O. Simeone, O. Somekh, H. V. Poor, S. Sha-mai (Shitz) // EURASIP Journal on Advances in Signal Processing. — 2009. — Vol. 2009. — P. 1-11. doi:10.1155/2009/840814
10. Zakasovskaya, E. V. Restoration of Point Influences by the Fiber-Optical Network in View of a priori Information [Text] / E. V. Zakasovskaya, V. V. Fadeev // SPIE Proc. APCOM. — 2007. — Vol. 6675.
11. Хайкин, С. Нейронные сети: полный курс [Текст]: пер. с англ. / С. Хайкин. — 2-е изд. — М.: Вильямс, 2006. — 1104 с.
12. Бех, I. I. Побудова апроксимацшно' функцп на основ1 алгоритму зворотного розповсюдження помилки як методу навчання штучних нейронних мереж [Текст] / I. I. Бех, С. О. Новак, Ю. I. Хлапонш // Вюник шженерно' акаде-ми. — 2016. — № 1. — С. 198-201.
13. Zakhour, R. Optimized Data Sharing in Multicell MIMO With Finite Backhaul Capacity [Text] / R. Zakhour, D. Gesbert // IEEE Transactions on Signal Processing. — 2011. — Vol. 59, № 12. — P. 6102-6111. doi:10.1109/tsp.2011.2165949
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В СТАТИСТИЧЕСКОЙ СИСТЕМЕ АНАЛИЗА И МОНИТОРИНГА ТЕЛЕКОММУНИКАЦИОННЫХ СЕТЕЙ
Разработан перспективный подход к организации обработки неявных форм представления знаний, основанный на применении технологии нейросетевых структур. Доказана возможность успешного использования нейронных сетей и их аналоговых моделей, для решения задачи аппроксимации непрерывных функций многих переменных и прогноза процессов, которые происходят в телекоммуникационных сетях в течение времени.
Ключевые слова: информационно-телекоммуникационная сеть, интеллектуальные технологии, нейрон, нейронная сеть, трафик.
Хлапотн KJpm 1ванович, кандидат технчних наук, старший науковий ствробтник, доцент, кафедра засобiв захисту тформацп, Нащональний авiацiйний утверситет, Кигв, Украта, e-mail: yfcnz0408@ukr.net.
Жиров Генадт Борисович, кандидат техтчних наук, старший науковий ствробтник, провГдний науковий ствробтник науково-дослГдного центру, Ыйськовий iнститут Кигвського нащонального утверситету ж. Т. Шевченка, Украта. Шютчин Олександр Миколайович, кандидат кторичних наук, асистент, кафедра радютехнжи та радюелектронних систем, Ктвський нащональний утверситет ж. Т. Шевченка, Украта.
Хлапонин Юрий Иванович, кандидат технических наук, старший научный сотрудник, доцент, кафедра средств защиты информации, Национальный авиационный университет, Киев, Украина.
Жиров Геннадий Борисович, кандидат технических наук, старший научный сотрудник, ведущий научный сотрудник научно-исследовательского центра, Военный институт Киевского национального университета им. Т. Шевченко, Украина.
Никитчин Александр Николаевич, кандидат исторических наук, ассистент, кафедра радиотехники и радиоэлектронных систем, Киевский национальный университет им. Т. Шевченко, Украина.
Khlaponin Yuriy, National Aviation University, Kyiv, Ukraine, e-mail: yfcnz0408@ukr.net.
Zhyrov Genadiy, Military Institute of Taras Shevchenko National University of Kyiv, Ukraine.
Nikitchyn Alexander, Taras Shevchenko National University of Kyiv, Ukraine
