СИСТЕМА ПРОГНОЗИРОВАНИЯ ДЛИТЕЛЬНОСТИ ОЖИДАНИЯ ПОДТВЕРЖДЕНИЙ В ТЕЛЕКОММУНИКАЦИОННОЙ СЕТИ

Полный текст

Введение В телекоммуникационных сетях с коммутацией пакетов для обеспечения достоверной доставки информации применяется квитирование, т.е. передача подтверждений (квитанций) на пакеты данных, которые были успешно доставлены адресату [1]. Длительность ожидания этих подтверждений является важным параметром, значения которого характеризуют загруженность сети, а результаты их прогнозирования могут быть использованы для управления интенсивностью отправки данных и повторных передач [2-7]. Анализ литературы показал, что вопросам получения качественного прогноза этой величины, уделяется мало внимания. Поэтому разработка системы, предназначенной для прогнозирования длительности ожидания подтверждений в телекоммуникационной сети, является актуальной научно-технической задачей. Синтез системы Успешно осуществлять экстраполяцию тех или иных случайных функций позволяет применение нейро-нечеткой системы, сочетающей в себе преимущества нечеткой логики и искусственной нейронной сети [8-13]. Синтезируемая нечеткая нейронная сеть предназначена для определения величины - прогнозируемой длительности ожидания подтверждения на пакет, отправляемый источником данных. На вход разрабатываемой системы подаются величины , и , то есть значения длительности ожидания подтверждений на три предыдущих пакета, отправленных источником данных. Исследования показали, что достаточную точность прогнозирования длительности ожидания подтверждения обеспечивает применение нечеткой нейронной сети со следующими параметрами: алгоритм нечеткого вывода - Сугено нулевого порядка [14], количество функций принадлежности для каждой входной величины - две, форма функций принадлежности для каждой входной величины - треугольная, алгоритм обучения нейронов - обратного распространения ошибки [15-16]. Функционирование синтезируемой системы основано на применении базы нечетких правил следующего вида: , , , , , , , , где - терм №1 входной величины ; - терм №2 входной величины ; - терм №1 входной величины ; - терм №2 входной величины ; - терм №1 входной величины ; - терм №2 входной величины ; , , …, - значения индивидуальных выводов нечетких правил. Вид и параметры функций принадлежности для каждой входной величины показаны на рис. 1-3. Рис. 1. Вид и параметры функций принадлежности для величины Рис. 2. Вид и параметры функций принадлежности для величины Рис. 3. Вид и параметры функций принадлежности для величины Система прогнозирования длительности ожидания подтверждений состоит из четырех нейронных слоев (рис. 4). С помощью первого слоя нейронов выполняется процедура фаззификации, то есть вычисляются значения функций принадлежности для каждой входной величины: Вторым слоем нейронов осуществляется процедура агрегирования, в результате которой определяется степень истинности каждого нечеткого правила: ; ; ; ; ; ; ; . Рис. 4. Функциональная схема системы прогнозирования длительности ожидания подтверждений Третьим слоем нейронов выполняется активизация, а также часть процедуры дефаззификации - вычисляются сумма результатов агрегирования и взвешенная сумма результатов агрегирования . С помощью четвертого слоя выполняется заключительная часть процедуры дефаззификации, состоящая в вычислении искомого значения выходной переменной по формуле: . Для получения коэффициентов , ; ; ; ; ; ; ; ; ; и необходимо настроить веса нейронов первого слоя, а для получения значений ; … требуется настроить веса нейронов третьего слоя. Настройка системы С целью настройки нечеткой нейронной сети была сформирована обучающая матрица следующего вида: , (1) где - длительность ожидания подтверждения на пакет номер . Таблица 1. Результаты обучения нейронов первого слоя Параметр Значение 3,75 26,74 3,63 28,3 3,75 27,57 Параметр Значение 3,535 27,87 3,594 27,87 3,508 27,9 При получении матрицы (1) в течение 750 циклов наблюдения в реальной телекоммуникационной сети осуществлялось измерение длительности ожидания подтверждений на пакеты заданного потока данных. Настройка нейро-нечеткой системы проводилась в программной среде Matlab с использованием 8 циклов обучения. В таблице 1 представлены результаты обучения нейронов первого слоя, а в таблице 2 содержатся результаты обучения нейронов третьего слоя. Таблица 2. Результаты обучения нейронов третьего слоя Параметр Значение 3,837 -6,012 7,257 8,733 Параметр Значение 31,48 20,88 27,89 26,36 В результате проведения в программной среде Matlab многочисленных имитационных экспериментов установлено, что точность определения величины с помощью синтезированной нейро-нечеткой системы находится в пределах 96,2 … 98,1%. Заключение Таким образом, синтезирована нейро-нечеткая система, предназначенная для прогнозирования длительности ожидания подтверждений на пакеты данных. Система состоит из четырех нейронных слоев, выполняющих процедуры нечеткого вывода (фаззификацию, агрегирование, активизацию и дефаззификацию). Для настройки весов нейронов используются обучающие данные, отражающие динамику изменения длительности ожидания подтверждений в реальной телекоммуникационной сети. Предложенная система может быть использована для оценки загруженности сети, а также для управления интенсивностью отправки данных и повторных передач.

Об авторах

Константин Александрович Польщиков

Белгородский государственный национальный исследовательский университет

Email: polshchikov@bsu.edu.ru

Список литературы

Дополнительные файлы