Управление сетью передачи данных с помощью искусственных нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

Управление сетью передачи данных с помощью искусственных нейронных сетей

Постоянный рост количества пользователей Интернета предъявляет новые требования к пропускной способности современных сетей связи. Всемирная паутина привела к появлению различных видов трафика. Графическая информация, голосовые данные, а также различные видеоприложения предъявляют свои особые требования к таким сетям. Для удовлетворения всех запросов одного увеличения емкости сети недостаточно. Так как количество пользователей Интернета и различных сетевых приложений увеличивается с каждым днем, сеть нуждается в средствах управления, которые бы обеспечили поддержку как существующих, так и новых приложений, служб и услуг. Как предоставлять дополнитель-Ключжые слова-. ные услуги (приложения) и как получать дополнительные доходы — вот проблемы, которыми озабоче-

сетъ передачи данных, ны менеджеры любых сетей связи, специалисты информационных технологий. Особенно заманчивые

нейронные сещ NGN. перспективы обещают пользователям сети нового поколения NGN (Next Generation Networks).

Семейкин В.Д., АГТУ, г. Астрахань, [email protected]

1. Способ управления сетью передачи данных

на основе искусственных нейронных сетей

Для управления современной сетыо передачи данных необходимо применять эффективные методы маршрутизации, управления трафиком и контроля загруженности сети, которые основывались бы на данных, предоставляемых инструментом прогнозирования трафика на основе предыдущих значений данных.

Наиболее подходящим инструментом для прогнозирования являются искусственные нейронные сети (ИНС) [1]. Нейронная сеть представляет собой высокопараллельную динамическую систему с топологией направленного графа, которая может получать выходную информацию посредством реакции её состояния па входные воздействия [2]. Нейронные сети по сути являются формальным аппаратом описания основной части алгоритма решения задачи прогнозирования трафика. Можно было бы использовать статистические методы прогнозирования, однако в настоящее время структура и нагрузка сетей передачи данных очень быстро изменяются, и такие методы могут не справиться с данной задачей, так как они не обучаемы извне. В отличие от этих методов, использование ИНС позволяет не только выполнять запрограммированную последовательность действий на определенном наборе данных, но и анализировать вновь поступающую информацию, находить в ней закономерности, адаптироваться и проводить прогнозирование.

Рассмотрим формулировку и основные принципы организации вычислений при решении подобного рода задач. Пусгь для некоторой группы узлов сети с известными расстояниями между ними требуегся найти кратчайший маршрут. Обозначим узлы буквами А, В, С..„ а расстояния между ними (1Лв> йЛс, •••, <1вс-.- Решением будет упорядоченное множество из п узлов. Последовательность, в которой перебираются узлы удобно представлять матрицей размера пхп, строки которой соответствуют узлам, а столбцы номерам узлов в последовательности. Например, для пята узлов А, В, С, О, Е последовательность обхода этих узлов может быть задана матрицей вида (1), т.е. узел С подключается первым, узел А - вторым и т. д. Длина маршрута равна (1(Л + (1лп +...+ с1|Х .... В каждом столбце и в каждой строке этой матрицы может быть только одна единица, так как в каждый момент подключается только один узел и каждый узел подключается только один раз.

А

В

С

D

Е

О 0 1

(1)

Матрицу вида (1) можно рассматривать как состояние нейронной сети из N = /г нейронов. Задача состоит в том, чтобы из ПУ^ , маршрутов выбрать один с наименьшей

длиной. Состояние каждого нейрона описывается двумя индексами, которые соответствуют узлу и порядковому номеру его подключения в маршруте. Например, Уу = 1 показывает, что узел х был /-м по порядку узлом маршрута.

Запишем функцию вычислительной энергии для сети, предназначенной для решения задачи маршрутизации, в которой состояние с наименьшей энергией соответствует самому короткому маршруту. В общем виде такая функция для рассматриваемой сети имеет следующий вид [ 1)

£ = -^ХХ«да-Х/Л + Х77,’

і і і і

(2)

где Е - вычислительная энергия сети, и^ - вес от выхода нейрона /' к входу нейрона у, Ї) - выход нейрона у, /, - внешний вход нейрона /, 7}. — порог нейрона /.

Изменение энергии, вызванное изменением состояния /-го нейрона, можно вычислить следующим образом:

(3)

se^^+Ij-tAsy,,

где 81. - изменение выхода /-го нейрона.

Каждому состоянию системы соответствует конкретная величина вычислительной энергии. Устойчивое состояние имеет меньшую энергию, чем неустойчивое. Эволюция системы во времени — это движение в пространстве состояний в поисках минимума энергии и остановка в этой точке. Для рассмагриваемой системы функция энергии должна удовлетворять следующим требованиям [3]. Во-первых, она должна поддерживать устойчивые состояния в форме матрицы (1). Во-вторых, из всех возможных решений функция энергии должна поддерживать те решения, которые соответствуют коротким маршрутам. Этим требованиям удовлетворяет функция энергии вида [1]:

I х к*х

D

(4)

При этом, Кц = 0, 1. Первые три члена выражения (4) поддерживают первое требование, четвертый член - второе; А, В, С, Э - положительные множители. Первый член равен нулю, если каждая строка х содержит не больше одной еди-

ницы. Второй член равен нулю, если каждый столбец содержит не более одной единицы. Третий член равен нулю, если в матрице вида (1) и единиц. Таким образом, без учета четвертого члена функция энергии имеет минимумы (Е = 0) во всех состояниях, представленных матрицей с одной единицей в каждом столбце и каждой строке. Все другие состояния имеют более высокую энергию. Короткие маршруты поддерживает четвертый член. В нем индексы i берутся по mod п, для того чтобы показать, что /'-й узел соседствует в маршруте с (п - I )-м и первым, т. е. К*.„+/ = )*/• Четвертый член численно равен длине маршрута.

Раскрывая скобки в (4) и приравнивая коэффициенты при квадратичных и линейных членах в полученном выражении и общей формуле энергии (2), определяем матрицу связей и внешние взаимодействия:

ческими связями. Единственный синапс с положительной обратной связью для каждого нейрона соединен с его же аксоном. Роль первого слоя весьма условна, воспользовавшись один раз на 1-ом шаге значениями его весовых коэффициентов, сеть больше не обращается к нему. Поэтому первый слой может быть исключён из сети и заменён на матрицу весовых коэффициентов.

На стадии инициализации весовым коэффициентам первого слоя и поро|-у активационной функции присваиваются следующие значения:

u’rt =-!-,/ = 0.. .(п-\),к = 0...(/и-1),

Тк =J,*=0...(m-l).

2

(6)

(7)

= А 6Л (1 - - В3„ (1 ~ С

(5)

где ду = I , если / = у, в противном случае = 0. Кроме

того, каждый нейрон имеет смещающий вес /„■ = Сп.

Первый член в (5) задает связи нейронов в каждой строке, второй - внутри каждого столбца, третий и четвертый -глобальные связи. И в (4) и в (5) три первых члена отвечают за общие ограничения для любой задачи маршрутизации и приводят сеть к финальному состоянию в виде (1). Четвертый член управляет' тем, какое из и}/ возможных различных финальных состояний соответствует самому короткому маршруту. Выбор маршрутов, максимизирующих степень узла в сети, позволяет спланировать работу так, чтобы время ее выполнения было минимальным. Степень узла для этого случая, определяется как сумма всех потоков, поступающих в узел и исходящих от узла. Например, линия, которая должна активироваться три раза добавляет поток из трех единиц к обоим узлам, которые она соединяет.

Выходные напряжения нейронов, которые и определяют их состояния, такой ИНС приближаются к двоичным значениям по мере перехода сети к состоянию устойчивого равновесия с минимальной "энергией". Соединения между нейронами / и у описываются весом Г,у, который положителен, если соединение возбуждающее и отрицателен, если соединение тормозящее.

Иногда ИНС не может провести распознавание образов (образцов) и выдает на выходе несуществующий образец. Это связано с проблемой ограниченности возможностей ИНС. Так для ИНС Хопфилда число запоминаемых образцов т не должно превышать значения равного 0,15 и, где п -число нейронов в сети и размерность входных и выходных векторов. Кроме того, если два образца А и Б сильно похожи, они могут вызывать у сети перекрестные ассоциации, т.е. предъявление на входы сети вектора А приведет к появлению на ее выходах вектора Б и наоборот. Еще одним недостатком ИНС Хопфилда является их тенденция стабилизироваться в локальном, а не в глобальном минимуме. Поэтому в тех случаях, когда не требуется, чтобы ИНС в явном виде выдавала образец, т.е. достаточно получить номер образца, задача может быть успешно решена с помощью ИНС Хэмминга (рис. I).

Модели на основе ИНС Хэмминга, по сравнению с ИНС Хопфилда, имеют меньшие затраты на память и объём вычислений. ИНС Хэмминга состоит из двух слоев: первый и второй слои имеют по т нейронов. Нейроны первого слоя имеют по п синапсов, соединенных с входами сети, образующими фиктивный нулевой слой. Нейроны второго слоя связаны между собой отрицательными обратными синапти-

Здесь хі — / -й элемент к -го образца.

Весовые коэффициенты тормозящих синапсов во втором слое берутся равными некоторой величине 0 < с < Мт. Синапс нейрона, связанный с его же аксоном имеет вес, равный +1.

Вход 1 слой 2 слой

Рис. 1. Структурная схема ИНС Хэмминга

Алгоритм работы ИНС Хэмминга следующий:

1. На входы сети подается неизвестный вектор X = {х„ : / = ()...(/; - 1)}, исходя из которого рассчитываются состояния нейронов первого слоя (верхний индекс в скобках указывает номер слоя):

У? = ST = Z WVX< + Ti 'J = °-(m■ *)•

(Ю

1=и

После этого полученными значениями инициализируются значения аксонов второго слоя:

(9)

2. Вычисляются новые состояния нейронов второго слоя:

от-1

з?\р + 1) = УАр)-еЦУк (Р)’к * jJ = - ■)

к= о

(10)

и значения их аксонов:

У

)2)(р +1) = f\s?(p + 1)]у = -1).

(II)

Активационная функция/имеет вид порога, причем величина порог а /•" должна быть достаточно большой, чтобы любые возможные значения аргумента не приводили к насыщению.

3. Проверка, изменились ли выходы нейронов второго слоя за последнюю итерацию. Если да - переход к шагу 2. Иначе - окончание.

Наиболее широко применяемый протокол в сетях Интернет это протокол TCP/IP. Для ускорения и оптимизации процесса передачи больших объемов данных протокол TCP определяет метод управления потоком, называемый методом плавающего окна, который позволяет отправителю посылать очередной сегмент, не дожидаясь подтверждения о получении в пункте назначения предшествующего сегмента [4].

Если иметь возможность заранее получать данные о переполнении буфера оборудования или возрастающих задержках сети, то можно управлять сетью для предотвращения потери данных и увеличения сохранности передаваемой информации. Эту задачу может взять на себя ИНС Хэмминга, на вход которой подаются данные об объеме буфера или задержках в сети. Данная ИНС может прогнозировать будущее поведение трафика сети на основе известных данных, собранных заранее.

Ниже представлена блок-схема алгоритма, реализующего прогноз и принятие решения для управления сетью передачи данных (рис. 2) [5]. В качестве входных данных, для процесса прогнозирования ИНС, используются заранее собранные значения трафика сети в блоке базы данных. Поступивший в сеть трафик N анализируется на наличие следующих элементов: широкополосный трафик, избыточность, задержка сети, полоса пропускания, надежность и загруженность сети. На основе выбранных данных происходит прогнозирование повторного появления выбранного объекта исследования (N + 1). Шаг прогнозирования можно увеличить, но достоверность прогноза при этом уменьшается.

На основе спрогнозированных данных происходит воздействие на сеть передачи данных. Под воздействием понимается активация сетевых команд для получения спрогнозированного объекта (управляющее воздействие на пропускную способность канала, очистка буферов активных сетевых элементов, активации фильтров и т.д.).

Канал доступа

Ж

Обработка

данных

Мониторинг сети

Прогнозирование на базе

нейронной сети

Отклик на прогноз нет ^

імжити работы евп^- *

Ядро сети, принятие решения изменения конфигурации сети с помощью протоколов управления

Рис. 2. Алгоритм управления сети передачи данных на базе ИНС Хэмминга

2. Повышение эффективности управления

беспроводными сетями передачи данных

на основе МНС

Большая часть ресурса существующих в настоящее время ЗО-сетей мобильного доступа уже поглощается постоянно растущим трафиком данных, и операторы столкнулись с проблемой их перегрузки, особенно в зонах массового скопления пользователей. Это ведет к резкому ухудшению качества услуг, предоставляемых пользователям мобильных сетей. Увеличение числа мобильных устройств, поддерживающих беспроводные системы передачи данных, ставит задачу оперативного осуществления коммуникаций между ними, обмена данными, быстрого получения информации с учётом постоянно изменяющихся маршрутов мобильных пользователей. Из-за ухудшения услуг передачи данных через сети 3G многие абоненты используют Wi-Fi-интерфейс своих мобильных телефонов, так как это единственная возможность получить доступ к просмотру web-страниц, потокового видео и другим услугам, требовательным к полосе пропускания.

Беспроводные локальные сети передачи данных (WLAN) развиваются в последние годы невероятно быстро. Стандарт IEEE 802.11 непрерывно совершенствуется и развивается в направлении предоставления пользователям новых сервисов, повышения скорости и качества передачи информации [6]. 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. Технология WMM обеспечивает приоритизацию мультимедийного трафика (VoIP, потоковое видео, сетевые игры) и соответствие требованиям к джиттеру и времени задержки сигнала. Технология WPA2 основана на стандарте 1ЕЕЕ 802.1 П и представляет собой 128-битное AES-шифрование с проверкой подлинности на основе предварительных ключей (PSK), что идеально подходит для реализации функций управления авторизацией, аутентификацией и администрированием (ААА).

В общем случае объём обслуживаемой нагрузки в пакетных сетях является случайной величиной. Основной задачей алгоритма маршрутизации данных является отыскание путей передачи данных от источника к получателю и выбор 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 данных и т.д. Данный процесс не гребуег дополни тельного оборудования, подключаемого к мобильным устройствам, так как большинство мобильных устройств оборудованы устройствами GPS-связи, что позволяег определить координаты местоположения пользователя. Уровни мощности сигнала также могут быть измерены при помощи встроенных устройств беспроводной связи.

На основе собранных данных происходит процесс обучения ИНС. Первая нейронная сеть прогнозирует перемещение объектов сети, что даёт возможность спрогнозировать параметр маршрутизации LET (Link Expiration Time). Вторая нейронная сеть прогнозирует уровни мощности объектов -параметр Signal Strength. Процесс прогнозирования перемещения мобильного устройства описан в [7]. Там же приведен алгоритм маршрутизации с использованием обучаемой нейронной сети.

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 принимается решение о выборе маршрута. Алгоритм маршрутизации предусматривает обратные связи с учётом неудачного решения. В этом случае производится перезапрос на обучение нейронной сети, что позволяет более точно приблизить следующие результаты прогнозирования.

Проверка на адекватность модели краткосрочного прогнозирования на основе ИНС производится следующим образом: проверяется выполнение условий для остаточной компоненты (ошибки прогноза) на:

1) независимость (на отсутствие автокорреляции);

2) случайность;

3) нормальность распределения.

Выводы

1. Задача прогнозирования и управления трафиком сетей передачи данных очень важна и требует самого пристального внимания. Наиболее хорошо обучаемыми для целей прогнозирования в настоящее время являются искусственные нейронные сети. Предложенный алгоритм управления сети передачи данных на базе ИНС обеспечивает возможность прогнозирования трафика, более стабильной работы сети передачи данных с сохранением самих данных, а также

сокращение времени простоя сети в случаях обнаружения нежелательного трафика.

2. Описанный алгоритм позволяет построить краткосрочную модель прогноза перемещения объектов в сети сотовой связи и уровней их сигналов для изменения таблиц маршрутизации, что даёт 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.

Литература

1. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия -Телеком, 2003. - 94 с.

2. Галушкин А.И. Нейронные сети: основы теории. - М.: Горячая линия-Телеком, 2010.-496 с.

3. Уосеерман Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1992. - 192 с.

4. Кульгин М. Технологии корпоративных сетей. Энциклопедия - СПб: Изд-во «Питер», 2000. - 704 с.

5. Семейкин В.Д.. Скупченко А.В. Управление сетью передачи данных на базе нейронных сетей // Инфокоммуникационные технологии. Том 9, № 2, 2011. С. -27-31.

6. Вишневский В.М.. Портной С.Л., Шахнович И.В. Энциклопедия \ViMAX. Путь к 40. - М.: Техносфера, 2009.-472 с.

7. Скупченко А.В.. Семейкин В.Д., Стешенко В.В. Повышение эффективности управления беспроводными сетями передачи данных на основе нейронных сетей // Вестник АГТУ. Сер.: Управление, вычислительная техника и информатика, 2011, № 1. - С. 157-161.