Управление инфокоммуникационной системой передачи данных на базе нейронных сетей

Цель работы — применение нейросетевых моделей для решения задач управления сетью передачи данных в инфокоммуникационных системах (ИКС). В процессе выполнения работы рассмотрены нейросетевые модели, построенные на основе обучаемых нейронных сетей (НС), для эффективного решения задач контроля и управления трафиком сетей передачи информационных потоков (ИП) данных.

Система управления ИКС имеет ряд особенностей [1]:

• Отсутствует различие динамических характеристик объекта управления и информационной системы, по которой передаются сведения о его состоянии.
• Элементы системы управления могут быть удалены друг от друга.
• Информация о состоянии узлов и ветвей ИКС, которую должны обрабатывать устройства мультисервисных центров обработки информации и управления (МЦОУ), всегда оказывается запаздывающей.

Основными путями управления ИКС являются управление объемом передаваемых ИП и их распределением. Для этого в основном применяется динамическое распределение ресурсов ИКС. Главными преимуществами динамического распределения ресурсов являются большая скорость и гибкость при установлении соединения в ИКС и более эффективное использование сетевых ресурсов после того, как соединение установлено.

Постоянный рост количества пользователей и объем ИП данных в ИКС предъявляет новые требования к пропускной способности сетей связи и компьютерных сетей. Графическая информация, голосовые данные, а также видеоприложения предъявляют особые требования к ИКС. Для удовлетворения всех запросов одного увеличения емкости сети недостаточно.

Внутренние сетевые потери в ИКС можно снизить путем управления выбором направлений при передаче ИП, что обеспечивает перераспределение ИП с перегруженных путей на менее загруженные. Но этот процесс может только снизить потери, а не предотвратить их. Особенности управления процессами коммутации ИП должны быть учтены при решении глобальной задачи управления доставкой информации в ИКС.

Основным в управлении обменом информацией на логическом уровне транспортной системы ИКС является определение конечного множества допустимых значений r‑го системного параметра S_ir^(j) протокола π_i^(j) (i — номер логического уровня; j — номер технологии транспортного сообщения) [1]. Протокол π_i^(j) содержит множество системных параметров Y_i^(j) = {S_ir^(j)}.

где l_i^(j) — количество системных параметров протокола π_i^(j); W_ir^(j) — множество допустимых значений r‑го системного параметра. Для системных параметров протоколов S_ir^(j) определены множества W_ir^(j) и |W_ir^(j)|>1 (управляемые параметры протокола передачи ИП данных). Совокупность управляемых параметров протоколов образует множество:

Задача системы управления обменом информацией в ИКС заключается в осуществлении выбора из W_ir^(j) данных для управляемого параметра S_ir^(j) [1].

Процесс управления ИП в ИКС рассматривается в дискретные моменты времени t₁, t₂, t₃… Результат выбора значений управляемых параметров в момент времени t описывается планом управления U = U(t_n).

В основу алгоритмов управления ИП ИКС рационально заложить адаптивный подход и прогнозирование трафика на основе предыдущих значений. Наиболее подходящим инструментом для прогнозирования являются нейронные сети (НС) [2]. Можно было бы использовать статистические методы, однако в настоящее время структура ИКС очень быстро меняется, и такие методы в некоторых случаях могут не справиться с такой задачей. В отличие от этих методов использование НС позволяет не только выполнять заранее запрограммированную последовательность действий на заранее полученном ИП данных, но и анализировать вновь поступающие ИП данных, находить в них закономерности, адаптировать их и проводить прогнозирование ИКС. Таким образом, НС непрерывно обучаются на основе предыдущих значений данных.

Алгоритмы обучения, основанные на градиентных и ньютоновских процедурах оптимизации, реализуют так называемый регулярный подход, в рамках которого вычисление на каждом шаге синаптических весов осуществляется на основе строго формализованных правил. Однако, как отмечалось в [3], регулярные процедуры хороши, но годятся не для всякой целевой функции и не для всякой архитектуры сети. В ситуациях, когда целевая функция либо выходной сигнал ИКС являются недифференцируемыми или многоэкстремальными, либо просто вычисление производных по каким-либо причинам нежелательно или затруднительно, на первый план выходят эволюционные алгоритмы обучения. Они развиваются в трех относительно независимых направлениях:

• случайный поиск,
• эволюционное планирование,
• генетическое программирование.

В общем случае обучение на основе эволюционного подхода основывается на элементарном методе проб и ошибок, когда решение находят случайно и при удаче его принимают, а при неудаче отвергают с тем, чтобы немедленно снова обратиться к случайному выбору как к источнику возможностей. В общем случае метод проб и ошибок является универсальным подходом (хотя и не всегда достаточно «быстрым») к решению задач в условиях дефицита априорной и текущей информации, к которым в полной мере могут быть отнесены задачи обучения нейронных сетей.

Рассмотрим основные принципы организации вычислений при решении подобного рода задач. Пусть для некоторой группы узлов сети с известными расстояниями между ними требуется найти кратчайший маршрут. Обозначим узлы буквами А, В, С…, а расстояния между ними — d₁, d₂, …, d_n. Решением является упорядоченное множество из n узлов. Последовательность, в которой перебираются узлы, удобно представлять матрицей Ас размером nхn, строки которой соответствуют узлам, а столбцы — номерам узлов в последовательности.

Матрицу А можно воспринимать как состояние нейронной сети из N = n² нейронов. Задача состоит в том, чтобы из n!/2n маршрутов выбрать один с наименьшей длиной. Состояние каждого нейрона описывается двумя индексами, которые соответствуют узлу и порядковому номеру его подключения в маршруте. Например, Y_xj = 1 показывает, что узел х был j‑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 [2]:

где Е — искусственная энергия сети; w_ij — вес от выхода нейрона i к входу нейрона j; Y_j — выход нейрона j; I_j — внешний вход нейрона j; T_j — порог нейрона j.

Изменение энергии, вызванное изменением состояния j‑го нейрона, можно вычислить следующим образом [4]:

где δE — изменение выхода j‑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 рассматриваемой системы функция энергии должна удовлетворять следующим требованиям [5]:

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 соответствует функция энергии вида [2, 5, 6]:

при этом Y_xj = 0; 1.

Первые три члена выражения (3) поддерживают первое требование, четвертый член — второе; А, В, С, D — положительные множители.

Определим матрицу связей и внешних взаимодействий, раскрывая скобки в (3) и применяя формулу энергии [2]:

где δ_ij = 1, если i = j, в противном случае δ_ij = 0. Кроме того, каждый нейрон имеет смещающий вес I_xi = C_n.

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 ИКС. Показатель качества работы должен согласовываться со структурой соответствующей НС.

Выходные напряжения нейронов такой НС, которые и определяют их состояния, приближаются к двоичным значениям по мере перехода сети к состоянию устойчивого равновесия с минимальной «энергией». Соединения между нейронами i и j описываются весом T_ij, который положителен, если соединение возбуждающее, и отрицателен, если соединение тормозящее.

Для решения поставленной задачи можно применить НС Хэмминга (рис. 1). Сеть состоит из двух слоев. Первый и второй слои имеют по mнейронов, где m — число образцов. Нейроны первого слоя имеют по n синапсов, соединенных со входами сети (образующими фиктивный нулевой слой). Нейроны второго слоя связаны между собой ингибиторными (отрицательными обратными) синаптическими связями. Единственный синапс с положительной обратной связью для каждого нейрона соединен с его же аксоном.

Рис. 1. Структурная схема сети Хэмминга

Принцип работы сети Хэмминга заключается в нахождении расстояния Хэмминга от тестируемого образца до всех образцов. Расстоянием Хэмминга называется число отличающихся битов в двух бинарных векторах. Сеть должна выбрать образец с минимальным расстоянием Хэмминга до неизвестного входного сигнала, в результате чего будет активизирован только один выход сети, соответствующий этому образцу [4].

На стадии инициализации весовым коэффициентам первого слоя и порогу активационной функции присваиваются следующие значения:

w_ik = x_ik/2, i = 0, …, n–1, k = 0, …, m–1,

T_k = n/2, k = 0, …, m–1,

где x_ik — i‑й элемент k‑го образца.

Весовые коэффициенты тормозящих синапсов во втором слое берут равными некоторой величине 0 < e < 1/m. Синапс нейрона, связанный с его же аксоном, имеет вес +1.

Алгоритм функционирования сети Хэм-минга следующий:

1.  На входы сети подается неизвестный вектор X = {x_i: i = 0, …, n–1}, исходя из которого рассчитываются состояния нейронов первого слоя. (Верхний индекс в скобках указывает номер слоя.)

После этого полученными значениями инициализируются значения аксонов второго слоя:

2.  Вычисляются новые состояния нейронов второго слоя:

 и значения их аксонов:

     Активационная функция f имеет вид порога (θ (α) = [α≥0] (ступенчатая функция Хэвисайда), причем величина F должна быть достаточно большой, чтобы любые возможные значения аргумента не приводили к насыщению.

3.  Проверяется, изменились ли выходы нейронов второго слоя за последнюю итерацию. Если да — переход к шагу 2, иначе — конец.

Судя по оценке алгоритма, роль первого слоя весьма условна: воспользовавшись один раз на шаге 1 значениями его весовых коэффициентов, сеть больше не обращается к нему. Поэтому первый слой можно вообще исключить из сети (заменить на матрицу весовых коэффициентов).

Если оперативно проводить мониторинг данных о переполнении буфера (регистров) ИКС или времени (возрастающих или понижающихся) задержек в сети, то можно управлять сетью для предотвращения потери данных и увеличения сохранности передаваемой информации. Решение этой задачи осуществляет НС Хэмминга. Эта НС позволяет прогнозировать будущее поведение трафика сети на основе известных данных, собранных заранее.

На рис. 2 представлена блок-схема алгоритма (где i и N — номера каналов), реализующего прогноз и принятие решения для управления ИКС передачи данных.

Рис. 2. Блок-схема алгоритма управления ИКС передачи данных

В качестве входных данных для процесса прогнозирования нейронной сети используются данные мониторинга о трафике сети в блоке базы данных. Поступивший трафик анализируется на наличие необходимых элементов: избыточность, задержка сети, полоса пропускания, надежность и загруженность сети и др. На основе этих данных происходит прогнозирование работы ИКС в дальнейшем. Величина шага прогнозирования (уменьшение или увеличение), как было выяснено в ходе проведения моделирования, может существенно влиять на достоверность (точность) прогноза с помощью НС Хэмминга.

На основе полученных после прогнозирования данных проводится поднастройка параметров ИКС. Современные вычислительные средства (однокристальные микроЭВМ, специализированные чипы, нейрочипы и т. д.) позволяют проводить такую настройку параметров ИКС в автоматическом режиме.

Предложенный метод управления сетью передачи данных на базе обучаемых НС Хэмминга обеспечивает более стабильную работу ИКС.