CC BY
16УДК 004.725.7
DOI: 10.12737/article_5a02fa0a228246.77699663
Ф. Ю. Лозбинев, А.С. Сазонова, А.А.Тищенко, Ю.А. Леонов
ПРОГНОЗИРОВАНИЕ ЖИВУЧЕСТИ МУЛЬТИСЕРВИСНОЙ КОПОРАТИВНОЙ СЕТИ СВЯЗИ
Рассмотрены особенности применения метода ретроспективной имитации с самообучением экстраполяционных алгоритмов для прогнозирования показателей живучести (коэффициента оперативной готовности) корпоративной телекоммуни-
кационной сети органов государственного и муниципального управления на территории Брянской области.
Ключевые слова: прогнозирование, экстраполяция, живучесть, нейронечёткий подход.
F.Yu. Lozbinev, A.S. Sazonova, A.A. Tishchenko, Yu.A. Leonov
DURABILITY PREDICTION OF MULTI-SERVICE CORPORATE COMMUNICATIONS NETWORK
In accordance with the requirements to organizational-engineering support of a steady functioning telecommunication network durability is called a capacity to keep an integrity under conditions of external destabilizing effects of a natural and manmade origin.
An option is presented for the procedure of a design assessment of an operational readiness factor of the communication corporate network main. There is carried out a design assessment of the main structural
Объектом исследования в данной работе является Западная магистраль муль-тисервисной корпоративной сети связи органов государственного и муниципального управления на территории Брянской области. В качестве предмета исследования рассматриваются грозовые факторы, воздействующие на сеть, и способы их учёта в процессе расчётной оценки показателей надёжности функционирования исследуемой сети.
Западная магистраль (рис.1) является наиболее сложным компонентом сети и включает 104 объекта: 68 радиоэлектронных средств (РЭС), 36 коммутаторов, 16 оконечных точек и 18 узлов ретрансляции. Расстояние от центра сети до самых удалённых оконечных точек составляет более 230 км.
В работе [1] представлены результаты расчетной оценки живучести исследуемой сети на основе статистических данных
Показатель №1 12 3
Значение 11295 11190 11841
durability on the basis of logic-probabilistic and neuro-fuzzy approaches at statistically average and occasional likelihoods of lightning effects.
The procedure developed allows carrying out the assessment of communication corporate network durability at lightning effects.
Key words: prediction, extrapolation , durability, operational readiness factor, telecommunication network, neuro-fuzzy approach.
в рамках логико-вероятностного подхода. Представляет интерес рассмотрение указанных показателей в рамках нейронечёт-кого подхода с использованием систем искусственного интеллекта.
В тех случаях, когда имеется определенный тренд, который, как ожидается, будет продолжаться и в будущем, используются экстраполяционные методы прогнозирования [2]. Поэтому каждый показатель может быть рассчитан с их помощью, особенно если решать данную задачу в рамках специально разработанного программного обеспечения.
Рассмотрим основные этапы исследуемого процесса [3].
1. Постановка задачи и подбор исходной информации. Итак, нам необходимо получить прогнозное значение для показателя «Показатель №1» (необходимо получить прогноз на один шаг вперёд):
4 5 6 7 8
18042 26399 32005 39947 48579
2. Предварительный анализ исходных временных рядов. Исходные данные представляют собой результаты пространственных данных - переменных состояния. Такие переменные определяются пе-
риодически, и их значения в течение небольшого интервала времени не зависят от времени, прошедшего с начала наблюдения.
Рис. 1. Топологическая схема Западной магистрали корпоративной сети (Я1 ... R18 - узлы ретрансляции)
Большинство методов прогнозирования используют аппарат математической статистики, который требует от исходных данных, чтобы они были сопоставимы, достаточно представительны для проявления закономерности, однородны и устойчивы. Невыполнение одного из этих требований создает серьезное препятствие для получения достоверных значений прогнозируемых показателей.
Сопоставимость достигается в результате единого подхода к наблюдениям на разных этапах формирования временного ряда. Уровни во временных рядах должны выражаться в одних и тех же единицах измерения (например, млн руб.), иметь одинаковый шаг наблюдений, рассчитываться для одного и того же интервала времени (например, за 1 год), по одной и той же методике, охватывать одни и те же элементы, принадлежащие одной
территории, относящейся к неизменной совокупности.
Представительность данных характеризуется прежде всего их полнотой. Достаточное число наблюдений определяется в зависимости от цели проводимого исследования. Так как цель исследования - построение модели прогнозирования, то число уровней исходного временного ряда должно не меньше чем в три раза превышать период упреждения прогноза и быть не менее 7 (в нашем случае 8).
Однородность, т.е. отсутствие нетипичных, аномальных наблюдений, а также изломов тенденций, - требование к исходному временному ряду. Аномальность приводит к смещению оценок и, следовательно, к искажению результатов прогноза. Формально она проявляется как сильный скачок (спад) с последующим приблизительным восстановлением предыдущего уровня.
Показатель №1
60000 50000 40000 30000
20000
л плпл
Рис. 2.
Устойчивость - требование, предъявляемое к исходному временному ряду. Свойство устойчивости отражает преобладание закономерности над случайностью в изменении уровней ряда. На графиках устойчивых временных рядов (рис. 2) даже визуально прослеживается закономерность, а на графиках неустойчивых рядов изменения последовательных уровней представляются хаотичными, поэтому поиск закономерностей в формировании значений уровней таких рядов вызывает серьезные затруднения.
3. Формирование набора моделей прогнозирования [4]. Статистические методы исследования исходят из предположения о возможности представления значений временного ряда в виде суммы нескольких компонент, отражающих закономерность и случайность развития, в частности в виде суммы трех компонент: Y(x) = ВД + S(x) + E(x), где Т^) - тренд (долговременная тенденция) развития; S(x) - сезонная компонента; E(x) - остаточная компонента.
Сезонная компонента характеризует устойчивые внутригодичные колебания уровней. Для наших данных S(x)=0.
Для решения задач анализа и моделирования тенденции изменения Т^) исследуемого показателя используются модели кривых роста [5].
Кривые роста - это математические функции, предназначенные для аналитического выравнивания временного ряда.
Наиболее часто в практической работе используются кривые роста, которые позволяют описывать процессы трех основных типов: без предела роста; с пределом роста без точки перегиба; с пределом
роста и точкой перегиба. Для наших данных мы будем использовать функции для описания процессов без пределов роста (табл. 1).
Процессы развития без пределов роста характерны в основном для абсолютных объемных показателей, но часто им соответствует и развитие некоторых качественных относительных показателей.
4. Численное оценивание параметров моделей. Численное оценивание параметров моделей кривых роста осуществляется на основе метода наименьших квадратов (МНК). Во всех случаях основная идея оценки параметров заключается в максимальном приближении модели к исходным данным. Указанные модели используют лишь один фактор - «время», который условно представляет всю совокупность причинных факторов, влияющих на рассматриваемый показатель. Кривые роста определяются исходя из равноценности всех данных и отражают общую тенденцию развития.
В табл. 2 представлен расчет прогнозного значения по каждой функции для заданного показателя. Далее необходимо определить, какая функция наилучшим образом подходит для получения прогноза.
5. Определение качества моделей и выбор одной лучшей или построение обобщенной модели. Качество модели определяется ее адекватностью исследуемому процессу, который характеризуется выполнением определенных статистических свойств, и точностью, т.е. степенью близости к фактическим данным. Модель считается хорошей со статистической точки зрения, если она адекватна и достаточно точна.
Таблица 1
Функции описания для процессов без пределов роста
Порядковый номер функции Математический вид Описание функции
1 у = ax2 + bx + c Квадратичная функция
2 у = beax Экспоненциальная зависимость
3 a , у = - + b x Обратно пропорциональная зависимость
4 у = a ln x + b Линейно -логарифмическая зависимость
5 1 у = , b + ax Обратно пропорциональная зависимость
6 x У = и b + ax Дробно-рациональная функция
7 1 У % -x b + ae x Дробно-иррациональная функция
8 y = bxa Степенная функция
9 b a + x Обратно пропорциональная зависимость
10 bx a + x Дробно-рациональная функция
11 a y = b ■ ex Показательная функция
Модель является адекватной, если ряд остатков обладает свойствами случайности, независимости последовательных уровней, нормальности распределения и равенства нулю средней ошибки.
При выборе лучшей модели следует учитывать не только формальные стати-
Результаты расчет
стические характеристики, но и интерпретируемость их траектории развития с содержательной точки зрения. В случае несовпадения результатов выбора по статистическому и содержательному критериям предпочтение отдается последнему.
Таблица 2
прогнозных значений
Показатель №1 1 2 3 4 5 6 7 8
Значение 11295 11190 11841 18042 26399 32005 39947 48579
Прогноз кв. зав. - 13799 9443 9588 18681 30653 39085 48354
Прогноз EXP 18342 22592 20645 19775 24873 33960 43785 55554
Прогноз 1/х 9296 11542 11927 12261 14241 17455 20717 24408
Прогноз Ln 10424 13133 13384 13671 16422 20989 25570 30785
y=baAx 18342 22592 20645 19775 24873 33960 43785 55554
y=1/(b+ax) -22223 -24918 -58664 -293355 -87350 -45213 -34473 -29312
y=x/(b+ax) 14194 16758 14724 14168 17625 23321 29638 37281
y=1/(b+aeAx) 15511 16956 15262 14450 15454 16997 18526 20123
y=bxAa 12863 16159 16100 16167 19193 24120 29384 35468
Таким образом, далее необходимо оценить каждую полученную модель по перечисленным выше критериям [6].
Лучшая из числа рассмотренных либо построенная обобщенная модель выбирается в качестве прогнозной модели.
Однако, как свидетельствуют проведенные численные эксперименты, при
прогнозировании показателей социально-экономического развития региона модель, являющаяся лучшей для одного показателя, для другого показателя может и не оказаться лучшей. Поэтому всегда целесообразно рассматривать несколько моделей в рамках принципа ретроспективной имитации с самообучением алгоритмов.
В работе [1] выполнена расчетная оценка влияния грозовых воздействий на показатели целостности и устойчивости функционирования Западной магистрали сети при среднестатистической вероятности грозовых воздействий, а также при их
случайном характере.
Результаты расчета коэффициентов оперативной готовности оконечных точек магистрали при среднестатистической вероятности грозовых воздействий [1] представлены в табл. 3.
Таблица 3
Коэффициенты оперативной готовности Западной магистрали при среднестатистической вероятности грозовых воздействий
Оконечная точка Процент повреждений от грозовых воздействий
0 10 15 20 30 50 100
1. Выгоничи 0,99982 0,99949 0,99932 0,99915 0,99882 0,99815 0,99649
2. Жирятино 0,99784 0,99751 0,99734 0,99717 0,99684 0,99617 0,99451
3. Почеп 0,99980 0,99935 0,99913 0,99891 0,99846 0,99757 0,99535
4. Унеча 0,99975 0,99941 0,99925 0,99908 0,99875 0,99808 0,99641
5. Стародуб 0,99972 0,99939 0,99922 0,99905 0,99872 0,99805 0,99639
6. Погар 0,99970 0,99933 0,99915 0,99897 0,99861 0,99789 0,99609
7. Трубчевск 0,99967 0,99934 0,99917 0,99900 0,99867 0,99800 0,99634
8. Суземка 0,99193 0,99160 0,99143 0,99127 0,99094 0,99027 0,98862
9. Мглин 0,99443 0,99413 0,99397 0,99382 0,99352 0,99291 0,99139
10. Сураж 0,99162 0,99126 0,99108 0,99090 0,99054 0,98983 0,98804
11. Клинцы 0,99972 0,99936 0,99918 0,99900 0,99864 0,99791 0,99611
12. Гордеевка 0,99526 0,99484 0,99463 0,99443 0,99401 0,99318 0,99111
13. Красная Гора 0,99256 0,99218 0,99199 0,99179 0,99141 0,99063 0,98870
14. Новозыбков 0,99970 0,99931 0,99911 0,99892 0,99853 0,99775 0,99581
15. Злынка 0,99967 0,99900 0,99867 0,99834 0,99767 0,99634 0,99301
16. Климово 0,99967 0,99886 0,99846 0,99806 0,99725 0,99564 0,99162
Западная магистраль 0,99755 0,99715 0,99694 0,99674 0,99634 0,99553 0,99350
При грозовых воздействиях в рассмотренной магистрали сети можно считать, что требование соответствия коэффициента оперативной готовности для существующих сетей связи нормативному (0,997) перестает выполняться при предполагаемых 15...20 процентах повреждений от указанных воздействий.
В табл. 4 приведены результаты расчета оперативной готовности оконечных точек Западной магистрали сети в сопоставлении статистического и нейронечёт-кого подходов при вероятности повреждаемости 30 % при использовании комбинированной топологической схемы с применением волоконно-оптических линий связи на магистральных участках с сочетанием беспроводного наземного радиодоступа на последней миле сети.
Анализ полученных в ходе исследования результатов позволяет сформулировать следующие выводы:
1. Разработанная методика позволяет осуществлять оценку живучести корпоративной сети связи при грозовых воздействиях.
2. При грозовых воздействиях в рассмотренной магистрали сети можно считать, что требования соответствия коэффициента оперативной готовности для существующих сетей связи нормативному (0,997) перестают выполняться при предполагаемых 15.20 % повреждений от указанных воздействий.
3. При предполагаемых 100 % повреждений на магистрали требования соответствия нормативному коэффициенту готовности (0,997) не выполняются нигде.
4. Даже при предполагаемых 10 %
повреждений требования к коэффициенту оперативной готовности для сетей связи
следующего поколения (0,9994) также нигде не выполняются.
Таблица 4
Коэффициенты готовности оконечных точек при грозовых воздействиях при вероятности
повреждаемости 30% на ВОЛС
Оконечная точка 2015-2016 годы, статистический подход 2017 год, нейронечёткий подход
1. Выгоничи 0,99882 0,99849
2. Жирятино 0,99684 0,99676
3. Почеп 0,99846 0,99863
4. Унеча 0,99875 0,99875
5. Стародуб 0,99872 0,99889
6. Погар 0,99861 0,99861
7. Трубчевск 0,99867 0,99850
8. Суземка 0,99094 0,99077
9. Мглин 0,99352 0,99244
10. Сураж 0,99054 0,99054
11. Клинцы 0,99864 0,99864
12. Гордеевка 0,99401 0,99409
13. Кр. Гора 0,99141 0,99141
14. Новозыбков 0,99853 0,99895
15. Злынка 0,99767 0,99917
16. Климово 0,99725 0,99734
Западная магистраль, Кг у 0,99634 0,99637
5. Показатели живучести магистрали телекоммуникационной сети связи не являются стабильной величиной, а динамически изменяются в зависимости от сезонного характера воздействия дестабилизирующих факторов.
6. В качестве перспективных задач дальнейшего исследования живучести рассмотренной магистрали сети следует обозначить следующие: вероятность повреждаемости оборудования (вопросы объектной живучести) следует рассмотреть как функцию, зависящую от высоты подвеса оборудования над землёй и от частоты грозовых воздействий на промежуточные опорные точки сети с учетом их реальной статистики в этих промежуточных точках; помимо грозовых воздействий необходимо также рассмотреть влияние на сеть температурных, техногенных и человеческих ДФ.
СПИСОК ЛИТЕРАТУРЫ
1. Лозбинев, Ф.Ю. Методика оценки готовности телекоммуникационных сетей органов власти на примере территории Брянской области / Ф.Ю.Лозбинев, А.П. Кобышев //Вестник Брянского государственного технического университета. —2015.- №2. - С. 110-115.
2. Лозбинев, Ф.Ю. Совершенствование методов оценки надёжности мультисервисной корпоративной сети связи на основе логико-вероятностного подхода / Ф.Ю.Лозбинев, Е.В.Колесник, А.А.Гамов //Научно-технический вестник Брянского государственного универси-
тета. -2015.- № 2.-С.52-66. - URL: http://ntv-brgu.ru/index.php/2-2015.
3. Лозбинев, Ф.Ю. Расчетная оценка элементной и структурной надёжности корпоративной телекоммуникационной сети на территории Брянской области / Ф.Ю.Лозбинев, А.А.Гамов, Е.В.Колесник //Научно-технический вестник Брянского государственного университета. -2016.- № 1 . -С.66-73. URL: http://ntv-brgu.ru/index.php/1-2016.
4. Назаров, А.Н. Модели и методы расчета показателей качества функционирования узлового оборудования и структурно-сетевых параметров сетей связи следующего поколения /
А.Н.Назаров, К.И.Сычев. —Красноярск: Поли-ком, 2010. —389 с.
5. Тарасова, Ж.В. Анализ качества моделей при прогнозировании показателей социально-экономического развития региона. / Ж.В.Тарасова, Ф.Ю. Лозбинев // сб. тр. II межрегион. науч.-практ. конф. Инфокоммуникаци-онные технологии в региональном развитии: — Смоленск, 2009. —С. 264-268.
6. Химич, П. Принципы комплексной грозозащиты электронного оборудования / П.Химич // Электрик. Международный электротехнический журнал. -2011. -№ 7/8. -С. 52-60.
1. Lozbinev, F.Yu. Procedure for readiness assessment of authority telecommunication networks by example of Bryansk region / F.Yu. Lozbinev, A.P. Kobyshev // Bulletin of Bryansk State Technical University. - 2015. - No.2. - pp. 110-115.
2. Lozbinev, F.Yu. Reliability assessment method updating for multi-service corporate communication network based on logic-probabilistic approach / F.Yu. Lozbinev, E.V. Kolesnik, A.A. Gamov // Scientific-Technical Bulletin of Bryansk State University. - 2015. - No.2. - pp. 52-66. - URL: http://ntv-brgu.ru/index.php/2-2015/.
3. Lozbindev, F.Yu. Design assessment of elemental and structural reliability of corporate telecommunication network in Bryansk region / F.Yu. Lozbinev, A.A. Gamov, E.V. Kolesnik // Scientific-Technical Bulletin of Bryansk State University. - 2016. -No.1. - pp. 66-73. - URL: http://ntv-brgu.ru/index.php/1-2016/.
Сведения об авторах:
Лозбинев Фёдор Юрьевич, д.т.н., профессор кафедры «Компьютерные технологии и системы» Брянского государственного технического университета, e-mail: [email protected]. Сазонова Анна Сергеевна, к.т.н., доцент кафедры «Компьютерные технологии и системы» Брянского государственного технического университета, email: [email protected].
Lozbinev Fyodor Yurievich, D. Eng., Prof. of the Dep. "Computer Technologies and Systems", Bryansk State Technical University, e-mail: [email protected].
Sazonova Anna Sergeyevna, Can. Eng., Assistant Prof. of the Dep. "Computer Technologies and Systems", Bryansk State Technical University, e-mail: [email protected].
4. Nazarov, A.N. Models and Methods for Quality Index Computation of Unit Equipment Functioning and Structural-network Parameters of Communication Networks of Next Generation / A.N. Nazarov, K.I. Sychev. - Krasnoyarsk: Polycom. 2010. - pp. 389.
5. Tarasova, Zh.V. Model quality analysis at index prediction of region social-economic development / Zh.V. Tarasov, F.Yu. Lozbinev // Info-communication Technologies in Regional Development: Proceedings of the II-d Inter-regional Sci-entific-Pract. Conf. - Smolensk, 2009. - pp. 264268.
6. Khimich, P. Lightning complex guard principles of electronic equipment / P. Khomich // Electric. International Electro-technical Journal. - 2011. -No.7/8. - pp. 52-60.
Статья поступила в редколлегию 26.06.17. Рецензент: д.т.н., профессор Брянского государственного технического университета
Аверченков А.В.
Тищенко Анастасия Анатольевна, к.т.н., доцент кафедры «Компьютерные технологии и системы» Брянского государственного технического университета, e-mail: [email protected]. Леонов Юрий Алексеевич, к.т.н., доцент кафедры «Компьютерные технологии и системы» Брянского государственного технического университета, email: [email protected].
Tishchenko Anastasia Anatolievna, Can. Eng., Assistant Prof. of the Dep. "Computer Technologies and Systems", Bryansk State Technical University, e-mail: karkuc@yandex. ru.
Leonov Yury Alexeyevich, Can. Eng., Assistant Prof. of the Dep. "Computer Technologies and Systems", Bryansk State Technical University, e-mail: [email protected].
