- •А.В.Тимофеев, а.В.Сырцев Модели и методы маршрутизации потоков данных в телекоммуникационных системах с изменяющейся динамикой
- •Содержание
- •1. Эволюция глобальных ткс и принципов управления потоками данных
- •1.1. Рост объема и изменение структуры трафика в глобальных ткс
- •1.2. Современные тенденции развития глобальных ткс
- •1.3. Pазвитие ip-технологий маршрутизации и передачи потоков данных
- •1.4. Архитектура глобальных ткс и роль сетевой системы управления
- •1.5. Принципы построения адаптивных и интеллектуальных систем сетевого управления
- •1.6. Анализ ткс как информационного объекта управления
- •1.6.1. Графовые модели ткс
- •1.6.2. Матричные модели ткс и их взаимосвязь
- •1.6.3. Критерии коммуникабельности ткс
- •2. Методы статической маршрутизации потоков данных в мульти-агентных ткс
- •2.1. Задачи маршрутизации потоков данных и их роль в сетевом управлении ткс
- •2.2. Постановка задачи оптимальной статической маршрутизации
- •2.3. Модели и алгоритмы статической маршрутизации
- •2.3.1. Дерево кратчайших маршрутов для ткс с односторонними связями
- •2.3.2. Каталог узлов и оптимальных маршрутов для статических ткс
- •2.3.3. Метод статической лавинной маршрутизации
- •2.3.4. Методы вероятностной маршрутизации
- •2.3.5. Метод оптимальной маршрутизации, основанный на построении остова минимальной стоимости графовой модели ткс
- •2.4. Групповая маршрутизация в статических ткс
- •2.6. Оптимальная статическая маршрутизация в глобальных мульти-агентных ткс
- •3. Методы и средства динамической маршрутизации в глобальных ткс
- •3.1. Постановка задачи динамической маршрутизации
- •3.2. Основные алгоритмы динамической маршрутизации
- •3.2.1. Алгоритм Беллмана-Форда и его модификации
- •3.2.2. Алгоритм Дейкстры
- •3.3. Критерии существования оптимальных маршрутов передачи данных в динамических ткс на основе простых карт и таблиц маршрутизации
- •3.3.1. Критерий маршрутизируемости
- •3.3.2. Оптимальные таблицы и карты маршрутизации и вычисление оптимальных маршрутов
- •3.5. Много-адресная маршрутизация в динамических ткс
- •3.6. Многопотоковая маршрутизация в динамических ткс
- •3.7. Алгоритм 2-потоковой динамической маршрутизации
- •4. Модели и методы адаптивной и нейросетевой маршрутизации в мульти-агентных ткс
- •4.1. Особенности адаптивной маршрутизации в ткс с неопределённой днамикой
- •4.2. Принципы и модели централизованной, децентрализованной и мульти-агентной маршрутизации
- •4.3. Особенности организации распределительных таблиц и карт для адаптивной маршрутизации
- •4.4. Критерии корректности распределяющих карт маршрутизации
- •4.5. Расширение карт маршрутизации и интенсивность потоков данных
- •4.6. Централизованная и распределённая маршрутизации в мульти-агентных ткс
- •4.7. Нейросетевая маршрутизация в мульти-агентных ткс
- •Список литературы
- •Сведения об авторах
4.7. Нейросетевая маршрутизация в мульти-агентных ткс
Рассмотрим нейросетевую маршрутизацию в мульти-агентных ТКС. Как известно [14,16,28,30], нейронные сети представляют собой эффективную вычислительную модель, позволяющую распознавать образы или аппроксимировать функции любой сложности, основываясь на неполной информации, заключенной в обучающей базе данных (БД).
Свойство нейронных сетей получать нужный результат при зашумленных входных параметрах чрезвычайно полезно при маршрутизации в глобальных ТКС с непредсказуемо изменяющимися топологией и сетевым трафиком.
Нейронные сети можно рассматривать как оптимизатор некоторого функционала, оценивающего стоимость прокладываемых маршрутов, что делает их неким аналогом распределительных оптимальных таблиц и карт маршрутизации, представленной на рис. 4.2.1, б).
Для решения задач маршрутизации используются в основном два вида нейронных сетей: сети перцептронного типа и сети Хопфилда. Однако решения, вычисляемые сетями перцептронного типа, как правило, неустойчивы. Поэтому ниже рассматриваются нейронные сети Хопфилда (НСХ) и их модификация.
Построим нейронную сеть для мульти-агентной модели, предложенной в 4.6.
Рассмотрим оптимизационную задачу (4.6.6)-(4.6.7). Данная задача при выполнении условий I-IV имеет, по крайней мере, одно решение. При этом для всех решений значения вектора распределения нагрузок ρ будут одними и теми же.
Достаточным условием решения оптимизационной задачи (4.6.6)-(4.6.7) с линейными ограничениями при помощи НСХ, является строгое монотонное возрастание минимизируемой функции.
Рассмотрим систему (4.6.4). Так как для конкретного множества значением функции ΦD является положительная константа, то её можно перенести в левую часть, не меняя условий задачи, т.е.
. (4.7.1)
Введём матрицу Δ вида
, (4.7.2)
где δij – доля интенсивности информационного потока xj, которая приходится на ребро (канал связи) i.
Так как ρl = ρl(x), то задачу (4.6.6)-(4.6.7) можно переформулировать следующим образом:
FΦD → min (4.7.3)
при ограничениях
. (4.7.4)
В качестве возможных решений задачи (4.7.3), (4.7.4) будем искать векторы (ρ, x). Без потери общности можно считать, что и .
Построим энергетическую функцию E = E(ρ, x) для НСХ, решающей оптимизационную задачу (4.7.3)-(4.7.4). Потребуем, чтобы функция E была квадратичной формой от (ρ, x).
Сначала рассмотрим функцию E0:
, (4.7.5)
где αij - некоторые положительные константы, причем α11 – достаточно малое число. Однако E0 не является квадратичной формой, так как в первой сумме присутствуют нелинейные элементы Tl(ρl).
Заменим первую сумму в (4.7.5) на квадрат линейной комбинации ρ. Тогда получим следующую энергетическую функцию для НСХ:
(4.7.6)
где параметры и достаточно малы.
Важно отметить, что основным требованием при составлении энергетической функции для решения подобных оптимизационных задач с линейными ограничениями является достаточно малое значение слагаемого, соответствующего минимизируемой функции. В этом случае приближённое решение будет не слишком сильно отличалось от точного. Поэтому коэффициенты линейной комбинации берутся достаточно малыми. В то же время, нельзя задавать их слишком малыми, поскольку это замедлит сходимость процесса поиска решения оптимизационной задачи маршрутизации.
Замена (4.7.5) на (4.7.6) допустима, поскольку для двух строго возрастающих функций с одинаковыми областями определения (задаваемыми системой (4.7.4) экстремумы достигаются в одинаковых точках.
Таким образом, синтезирована модель НСХ, состоящая из |E|+|Π| нейронов, где Π - упорядоченное множество всех маршрутов для всех пар узлов, а E – множество рёбер графа, соответствующего ТКС. Эта модель НСХ ориентирована на централизованную схему мульти-агентной маршрутизации, представленной на рис. 4.2.2, а).
Теперь рассмотрим задачу локальной оптимизации (4.6.8) для распределённой схемы мульти-агентной маршрутизации, изображённой на рис. 4.2.2., б). При выполнении условий I-IV эта задача имеет, по крайней мере, одно решение.
Рассмотрим первое уравнение системы (4.6.8). В силу второго и четвертого неравенств системы получим, что для любого x справедливо неравенство вида
. (4.7.8)
Отсюда следует, что неотрицательная функция (T(x)-Γy)x принимает нулевые значения (с учетом остальных ограничений) в точках возможных решений неравенств (4.7.8). Это означает, что точки минимумов данной функции совпадают с решениями оптимизационной задачи (4.6.8). С учетом (4.7.8) и того, что
, (4.7.9)
переформулируем задачу (4.7.1) следующим образом:
(4.7.10)
Эту задачу можно свести к следующей оптимизационной задаче:
(4.7.11)
Заметим, что zp=0, если
Tp(x) = (ΓA(x))p.
Поэтому с учетом неравенств xp≥0 и zp>0 получим, что
Tp(x)>(ΓA(x))p и xp=0. (4.7.12)
Построим НСХ, решающую оптимизационную задачу (4.7.11). В качестве возможных решений будем искать векторы (x, z). Так же, как и в предыдущей задаче, будем полагать, что и .
Из первого равенства в системе ограничений следует, что
. (4.7.13)
Таким образом, энергетическая функция E для НСХ будет иметь следующий вид:
(4.7.14)
Модель НСХ с энергетической функцией (4.7.14) состоит из 2|Π| нейронов, где Π - упорядоченное множество всех маршрутов для всех пар узлов ТКС. Эта нейронная сеть ориентирована на решение задачи локальной оптимизации для распределенной схемы мульти-агентной маршрутизации.
Проведенные исследования показали применимость предложенных модификаций НСХ для решения задачи мульти-агентной маршрутизации потоков данных в статических ТКС, конфигурация которых не меняется с течением времени, а также в динамических ТКС. Была исследована возможность адаптации полученных нейросетевых решений к мульти-агентным ТКС с ограниченной пропускной способностью каналов связи.
Основным недостатком предложенных моделей и метода нейросетевой маршрутизации для распределенной и централизованной схем является большой объем предварительных вычислений (прокладка всевозможных маршрутов, расчёт весов, зависящий от большого числа параметров и т.д.). Поэтому целесообразно исследовать возможность минимизации и автоматического расчета входных параметров нейронных сетей, а также произвести имитационное моделирование и программно-аппаратную реализацию нейросетевых маршрутизаторов в составе глобальных ТКС с изменяющейся динамикой.