УДК 621.396.4

РАЗРАБОТКА СИСТЕМЫ ПЛАНИРОВАНИЯ СЕТИ И ОБЕСПЕЧЕНИЯ ДОСТУПА К ВЫСОКОСКОРОСТНОМУ СОЕДИНЕНИЮ КОНЕЧНОГО ПОЛЬЗОВАТЕЛЯ

Аспирант кафедры ЭАУТС Серегин А.А. Руководитель: д-р техн. наук, профессор В.М. Питолин

Цель проекта - создание онлайн-сервиса для автоматического планирования и оптимизации подключения объектов к высокоскоростному Интернет-соединению (от 10 Мбит/сек) по минимальной рыночной стоимости в любой точке РФ

Результатом выполнения НИОКР будет разработка автоматизированной системы, состоящей из следующих модулей, имеющей в своем составе:

–базу данных для хранения объектов сетевой инфраструктуры, заявок на подключение к сети;

–компоненты GoogleMapsApi для планирования подключения объектов;

–средства ГИС-приложений для моделирования и постановки задач по созданию вычислительной сети;

–алгоритмы теории графов и матрицы попарных сравнений для многокритериальной оптимизации.

Продукция конкурентов представляется комплексными решениями для индивидуального заказчика, стоимость которых составляет от 200 000 рублей, требуется индивидуальное решение для названных целей проекта, не обеспечивается в базовых предложениях.

ООО «ИнфоТел» (ONEPLAN RPLS) так же предоставляет достаточно дорогие индивидуальные решения, которые обойдутся конечному покупателю

всумму от 2000000 рублей.

Внешний рынок представлен множеством компаний, обеспечивающих аудит и сопровождение строительства сетей. Комплексного готового решения они так же не предоставляют.

Научная новизна заключается в интеллектуальном поиске наиболее окупаемого варианта строительства сети, состоящей из ВОЛС и беспроводных линий связи, сопряженного с детализированным отображением стоимости и маршрутом каждого из них. Использование векторных топографических карт позволит использовать в качестве вершины графа любой объект, подключенный к ЛЭП. Техническая идея имеет прямые аналоги с оптимизацией планирования строительства ВОЛС, линий радиорелейной связи, поиска кратчайшего расстояния между вершинами графа, автоматизированного векторного анализа зон прямой видимости. Результатом проекта будет решение комплексной задачи по поиску оптимального маршрута прокладки сети с использованием матриц попарного сравнения, теории графов, что ранее не использовалось для решения подобных задач. Скорость доступа конечного пользователя будет превышать максимально возможную скорость предоставления

услуг 3G интернета. Расходы на ручное планирование каждой подсети провайдера превысят стоимость программного продукта в разы, так как включают в себя закупку специальной измерительной аппаратуры и найма обученных специалистов для проведения работ по планированию. Автоматизированная система позволит заменить полное покрытия точечным покрытием заселенных районов узлами сети, соединенными между собой Wi-Fi мостами и локальной проводной сетью, оптимизировать строительство ВОЛС, заменив участки ВОЛС Wi-Fi мостами.

Цель проекта - создание онлайн-сервиса для автоматического планирования и оптимизации подключения объектов к высокоскоростному Интернет-соединению (от 10 Мбит/сек) по минимальной рыночной стоимости в любой точке РФ.

План коммерциализации (в перспективе ближайших 5 лет):

‒Создание условно-бесплатного web-сервиса по подключению любого объекта к высокоскоростному Интернет-соединению;

‒Создание пакета услуг для типовых Заказчиков;

‒Продажа и сопровождение ПО;

‒Создание собственного предприятия для обслуживания управляющих компаний и Интернетпровайдеров.

В качестве готового инструмента для сравнения и анализа полученных результатов будет использоваться «Программный калькулятор для расчета дальности и скорости Wi-Fi-мостов AirLink» компании Ubiquiti. В качестве минимальной скорости доступа конечному пользователю будет гарантироваться значение, определяемое как минимальное из произведенных расчетов. В противном случае необходима проверка оборудования и объектов сетевой инфраструктуры на предмет неисправности.

Техническая идея имеет прямые аналоги с оптимизацией планирования строительства ВОЛС, линий радиорелейной связи, поиска кратчайшего расстояния между вершинами графа, автоматизированного векторного анализа с топографической привязкой.

Система будет иметь интуитивно понятный интерфейс и стоимость базового клиента (пакета) в

119

пределах 100 000 рублей, абонентскую плату от

2000 до 15000 рублей.

План по привлечению инвестиций:

‒подготовка опытного образца;

‒моделирование и оптимизация существующих сетей провайдера;

‒коммерческое предложение по оптимизации существующей сети;

‒предложение по подключению новых объектов с минимальной стоимостью;

‒условно-бесплатный web-сервис;

‒торговая площадка (аукцион) проектной документации по подключению наиболее выгодных объектов.

Мы разрабатываем систему моделирования и оптимизации подключения пользователей в пригородных и удаленных районах с комбинированным использованием ВОЛС И БФЛС по минимальной рыночной стоимости.

Нами был разработан собственный способ многокритериальной оптимизации и планирования при совместном использовании высокоскоростных оптических линий связи и беспроводных фиксированных линий связи (радиомостов).

Нами предложена система, позволяющая рассчитать и спроектировать подключение любого объекта к высокоскоростному Интернетсоединению по минимальной рыночной цене и её окупаемости, с расчетом всех технических параметров и относительных информационных потерь на выходе.

Коммерческое применение разработки стало возможным благодаря выходу на рынок линейки

сетевого оборудования AirFiber компании

UbiquitiNetworks (UBNT), позволяющего создавать дешевые магистральные радиоканалы пропускной способностью до 1 Гбит/сна расстояние до 50 км. Изучив сетевую инфраструктуру города Воронежа, мы пришли к выводу, что её оптимизация позволили бы сохранить до 30% средств, затраченных на строительство. Ряд этих факторов позволил сформировать цели и методы их достижения в рамках предлагаемой НИОКР.

Расчет потерь распространения радиосигнала для определения пропускной способности сети (при заключении договоров с абонентами) будет основан на типовых методиках расчета потерь распространения радиоволн, основанных на следующих Рекомендациях МСЭ-R:

‒Р.452 «Процедура прогнозирования для оценки микроволновых помех между станциями, находящимися на поверхности Земли, на частотах выше приблизительно 0,7 ГГц»;

‒Р.525-2 «Расчет потерь распространения в свободном пространстве».

В качестве готового инструмента для сравнения и анализа полученных результатов будет использоваться «Программный калькулятор для расчета дальности и скорости Wi-Fi-мостов AirLink» компании Ubiquiti. В качестве минимальной скорости доступа конечному пользователю будет

гарантироваться значение, определяемое как минимальное из произведенных расчетов. В противном случае необходима проверка оборудования и объектов сетевой инфраструктуры на предмет неисправности.

Техническая идея имеет прямые аналоги с оптимизацией планирования строительства ВОЛС, линий радиорелейной связи, поиска кратчайшего расстояния между вершинами графа, автоматизированного векторного анализа с топографической привязкой.

Система будет иметь интуитивно понятный интерфейс и стоимость базового клиента (пакета) в пределах 100 000 рублей, абонентскую плату от

2000 до 15000 рублей.

Пример моделирования оптимизированного варианта обеспечения доступа к высокоскоростному соединению конечного пользователя

Литература 1. Самоцвет, Н.А. Экспериментально-расчетный

метод определения двухсигнальной избирательности цифровых радиоприемных устройств. [Текст] / С.Н. Панычев, В.М. Питолин, Н.А. Самоцвет, С.В. Суровцев // Материалы ежегодной Всероссийской конференции «Интеллектуальные информационные системы». - Воронеж: ВГТУ кафедра «Системы автоматизированного проектирования и информационные системы». - 2014. - С.

4-8

2. Самоцвет, Н.А. Методы формирования и обработки радиопомех с учетом их статистических свойств на основе технологий векторной генерации и анализа радиосигналов [Текст] / С.Н. Панычев, Н.А. Самоцвет, Е.А. Сытник // Материалы IV НТК молодых ученых и специалистов «Актуальные вопросы развития систем и средств ВКО». - М.: ГСКБ «Алмаз-Антей». - 2013. - С. 300-306.

3.Авдеев, В.Б. Особенности современных методов моделирования приема и обработки случайных радиосигналов на фоне шумов и помех. [Текст] / Авдеев В.Б., С.Н. Панычев, Н.А. Самоцвет // Доклад на конференцию 04.10.2013 Воронежский институт ФСИН. Воронежского института ФСИН России. - 2013. - №4. - С.

90-97.

4.Самоцвет, Н.А. Моделирование приёма и обработки случайных радиосигналов и помех [Текст] / С.Н. Панычев, Н.А. Самоцвет, М.С. Сковпин // Материалы XII Всероссийской научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве». - Воронеж: ВГТУ. - 2013. - С. 18-19.

120

УДК 681.3

РАЗРАБОТКА СТРУКТУРЫ РАНДОМИЗИРОВАННОЙ ВЫЧИСЛИТЕЛЬНОЙ СРЕДЫ НА ОСНОВЕ АЛГОРИТМОВ МНОГОАЛЬТЕРНАТИВНОЙ ОПТИМИЗАЦИИ СТРУКТУРЫ ОБЪЕКТОВ УДС ГОРОДА

Аспирант кафедры САПРИС Тишуков Б.Н. Руководитель: д-р техн. наук, профессор Львович Я.Е.

В работе рассматриваются проблемы, существующие в настоящее время в сфере организации и управления дорожным движением, а также описан алгоритм многоальтернативной оптимизации для решения задачи структурной оптимизации перекрестков. Так же предлагается структура рандомизированной вычислительной среды для решения поставленных задач

Одной из наиболее значимых проблем транспортной системы города является несоответствие проектной пропускной способности ее реальному значению для исследуемого участка. Этот факт приводит к возникновению пробок или заторов.

По статистике наибольшее количество затруднений дорожного движения приходится на такие компоненты улично-дорожной сети города, как перекрестки.

Перекресток – это место пересечения, примыкания или разветвления дорог на одном уровне, ограниченное воображаемыми линиями, соединяющими соответственно противоположные, наиболее удаленные от его центра начала закруглений проезжих частей.

К основным видам перекрестков можно отнести: четырехсторонние крестообразные, четырехсторонние х-образные, у-образные, трехсторонние, Т-образные, с круговой организацией движения.

Одним из эффективных способов решения задачи поиска оптимальной структуры (структурной оптимизации) перекрестка является использование процедур численной оптимизации и изменения параметров, влияющих на его пропускную способность. При этом предлагается использовать различные вариации типовых компонентов управления дорожным движением. В результате мы должны получить модель участка дорожной сети с наилучшими показателями обеспечения пропускной способности.

Для этого рассмотрим перекресток в качестве объекта со структурновариативным управлением и построим его оптимизационную модель. Модель объекта представим на рис. 1.

Рис.1 – Оптимизационный объект в виде многомерной системы

Рассмотрим параметры представленной на рисунке 1 системы более подробно.

Входной параметр (вектор) Xl - количество полос для движения в каждом из направлений движения перекрестка. Данный параметр характеризует проектное значение пропускной способности на данном участке улично-дорожной сети.

Входной параметр (вектор) Xt - наличие светофора на исследуемом перекрестке и временные характеристики его переключения. Управление этим параметром в зависимости от транспортной ситуации на участке и ее прогноза позволит понизить время ожидания транспортных средств, находящихся в очереди, что в свою очередь приведет к минимизации количества пробок и заторов.

Параметр (вектор) Bk - интенсивность движения транспортных средств в каждом из направлений движения на перекрестке в момент времени

k.

Вектор S - максимально допустимое значение ширины автодороги на исследуемом перекрестке в каждом из направлений.

После того, как задача структурной оптимизации перекрестка содержательно описана и сформулирована, перейдем к ее формализованному описанию.

Так как речь идет о задаче оптимизации, то необходимо построить оптимизационную модель, состоящую из целевой функции, включающей оптимизационные переменные, и ряд ограничений, удовлетворяющих условию задачи. Рассмотрим каждую составляющую оптимизационной модели подробнее.

В предлагаемой модели решено использовать оптимизационные переменные xli – количество полос для движения на исследуемом перекрестке в i- ом направлении движения и xti – дискретные моменты времени переключения сигналов светофора

в i-ом направлении движения перекрестка. При
этом	x	t		x1		, x2		,..., xn .
			i	t	i	t	i	t	i
	Целевая функция будет иметь вид (1):
						Y=f(xli, xti) max,				(1)

где Y – пропускная способность исследуемого перекрестка. При этом данные прогноза об интенсив-

121

ности движения на исследуемом перекрестка мы получаем с помощью нейросетевой модели.

Следующим компонентом оптимизационной модели являются ограничения. В нашем случае ограничения будут представлены в виде (2) и (3):

I
xli Sl	Si ,	(2)
i 1

где xli – количество полос для движения в i-ом направлении, Sl – ширина одной полосы для движения в метрах, Si – максимально допустимый интервал ширины автодороги на исследуемом перекрестке.

x	x1 , x2 ,..., xn ,		(3)
ti	ti ti	ti

где xti – дискретные моменты времени переключения сигналов светофора в i-ом направлении движения перекрестка; величина xti может принимать значения только из заданного множества (3).

Таким образом, решив описанную в данной статье задачу в виде (1) – (3), можно получить оптимальный вариант структуры исследуемого перекрестка, что позволит снизить время его проезда и участков, предшествующих ему.

Рассмотрим каждый этап более подробно.

На этапе сбора и обработки данных осуществляется сбор статистических данных об интенсивности движения на исследуемом участке дорожной сети. После этого данные обрабатываются и представляются в виде, удобном для дальнейшего применения.

После того, как статистические данные готовы для дальнейшего использования, они делятся на две части: обучающая выборка и данные для проверки результата. По данным, относящимся к категории обучающей выборки, осуществляется обучение смоделированной нейронной сети. Далее происходит прогнозирование ситуации об интенсивности движения транспортных средств на исследуемом участке на интересующий нас промежуток времени. Затем, когда получены результаты прогноза, их сравнивают с результатами статистических данных за этот же период времени. На основании этого сравнения определяется адекватность нейросетевой модели, а следовательно и результатов, полученных с помощью нее.

Рассмотрим структуру разрабатываемой вычислительной среды (рисунок 2), основанной на использовании в качестве математического аппарата нейросетевое моделирование и алгоритм многоальтернативной оптимизации.

На этапе поиска оптимального решения построенная и описанная оптимизационная модель

(1) – (3) приводится к определенному виду, отвечающему параметрам и техническим характеристикам исследуемого перекрестка. После чего происходит решение полученной задачи для него с использованием описанных алгоритмов.

После этого происходит анализ и обработка полученных результатов, на основе которых принимается решение о реорганизации движения на

122

исследуемом перекрестке, что в свою очередь позволит повысить на нем пропускную способность и свести к минимуму протяженность заторов и пробок, а также время нахождения в пути для участников дорожного движения.

Рис. 2 – Обобщенная структура вычислительной рандомизированной среды

После этого необходимо осуществить выбор наиболее подходящего варианта структурной оптимизации исследуемого участка дорожной системы.

Для того, чтобы использовать базовые алгоритмические процедуры вариационного моделирования на основе многоальтернативных оптимизационных моделей, необходимо выделить типовые задачи и провести их формализацию с включением альтернативных переменных, позволяющих по вариациям показателей формировать множество перспективных вариантов оптимизации исследуемого участка дорожной системы города.

Далее рассмотрим алгоритм перехода к аналитическим оптимизационным моделям, на основе которого построен метод математического моделирования дихотомической редукции разнообразия сложных систем, включающий следующие процедуры:

1.Определение состава локальных задач (β) – декомпозиция.

2.Оценка априорной энтропии задач (β) – Н(β).

3.Предварительное формирование конструкции дихотомических оптимизационных моделей (µ).

4.Оценка энтропии Н(µ) сложного опыта, соответствующего дихотомической оптимизационной модели.

5.Оценка условия адекватности.

6.Окончательное установление структуры и размерности дихотомических оптимизационных моделей на основе правил.

Таким образом, метод формирования перспективных управленческих решений на основе моделей многоальтернативной оптимизации является эффективным для решения описанного класса задач.

Литература

1.Швецов В. И. Алгоритмы распределения транспортных потоков Автоматика и телемеханика. 2009. № 10. С. 148–157;

2.Львович Я.Е. Многоальтернативная оптимизация: теория и приложения / Я.Е.Львович. – Воронеж: Кварта, 2006.