Разработка метода расчета пропускной способности систем коммутации для узлов Ш-ЦСИС с управляющей нейронной сетью тема диссертации и автореферата по ВАК РФ 05.12.14, кандидат технических наук Юрасов, Дмитрий Валентинович

• Юрасов, Дмитрий Валентинович
• кандидат технических наук
• 1999

Оглавление диссертации кандидат технических наук Юрасов, Дмитрий Валентинович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ НЕЙРОСЕТЕ-ВЫХ ТЕХНОЛОГИЙ И ПЕРСПЕКТИВЫ ИХ ИСПОЛЬЗОВАНИЯ В Ш-ЦСИС

1.1. Элементы нейронных сетей

1.2. Организация входов и выходов нейронных сетей

1.3. Типы нейронных сетей

1.4. Обучение нейронных сетей

1.5. Реализация нейронных сетей

1.6. Выводы

2. РАЗРАБОТКА ПРИНЦИПОВ ПОСТРОЕНИЯ И МАТЕМАТИЧЕСКОЙ МОДЕЛИ СИСТЕМЫ БЫСТРОЙ КОММУТАЦИИ ПАКЕТОВ С НЕЙРОСЕТЕВЫМ УПРАВЛЕНИЕМ

2.1. Постановка задачи

2.2. Разработка математической модели системы быстрой коммутации пакетов с нейросетевым управлением

2.2.1. Обоснование выбора системы коммутации

2.2.2. Модель поступления информационных ячеек на входы коммутационной системы и формулировка задачи составления оптимального расписания маршрутов

2.2.3. Модель нейронной сети, служащей для управления коммутационной системой

2.3. Выводы

3. ИССЛЕДОВАНИЕ КОММУТАЦИОННЫХ СИСТЕМ БЫСТРОЙ КОММУТАЦИИ ПАКЕТОВ С НЕЙРОСЕТЕВЫМ УПРАВЛЕНИЕМ МЕТОДОМ ИМИТАЦИОННОГО

МОДЕЛИРОВАНИЯ

3.1. Постановка задачи

3.2. Разработка алгоритма моделирования перестраиваемых коммутационных систем с нейросетевым управлением

3.2.1. Описание констант, переменных и массивов переменных, служащих для отображения коммутационной системы с нейросетевым управлением в памяти ЭВМ

3.2.2. Моделирование поступления требований на обслуживание

3.2.3. Моделирование процессов, протекающих в управляющей

НС

3.2.4. Моделирование прохождения ячеек через 1-е и 2-е звенья

КС

3.2.5. Моделирование обслуживания ячеек в 3-м звене КС

3.2.6. Оценка точности получаемых вероятностных зависимостей КС

3.2.7. Анализ результатов моделирования перестраиваемых коммутационных систем с управляющей нейронной

сетью

3.3. Разработка алгоритма моделирования КС типа Баньян

3.3.1. Постановка задачи

3.3.2. Описание принципа построения системы типа Baseline и нумерация ее элементов

3.3.3. Основные константы, переменные и массивы переменных, служащие для отображения КС типа Baseline в памяти ЭВМ

3.3.4. Моделирование поступления требований на обслуживание

3.3.5. Моделирование продвижения ячеек через КС

3.4. Сравнение пропускной способности перестраиваемых КС

быстрой коммутации пакетов с нейросетевым управлением и

пропускной способности КС типа Баньян

3.5. Выводы

4. РАЗРАБОТКА АНАЛИТИЧЕСКОГО МЕТОДА ОЦЕНКИ ВЕЛИЧИНЫ ВЕРОЯТНОСТИ ПОТЕРЬ ЯЧЕЕК В ПЕРЕСТРАИВАЕМЫХ КС С УПРАВЛЯЮЩЕЙ НЕЙРОННОЙ СЕТЬЮ

4.1. Постановка задачи

4.2. Оценка величины вероятности потерь ячеек в перестраиваемых КС с управляющей нейронной сетью

4.3. Выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЕ 1. Акты об использовании результатов диссертационной работы

ПРИЛОЖЕНИЕ 2. Текст программы моделирования перестраиваемой КС с нейросетевым управлением

ПРИЛОЖЕНИЕ 3. Текст программы моделирования КС типа Baseline

Введение диссертации (часть автореферата) на тему «Разработка метода расчета пропускной способности систем коммутации для узлов Ш-ЦСИС с управляющей нейронной сетью»

ВВЕДЕНИЕ

Актуальность проблемы. К настоящему времени количество накопленных знаний в области нейросетевых моделей управления (НМУ), а также технологические возможности по реализации нейронных сетей (НС) достигли уровня, когда НС смогут эффективно применяться во многих областях науки и техники, связанных с управлением динамическими объектами, находящимися под воздействием большого числа факторов реального времени. Не является в этом отношении исключением и область теории обработки и распределения информации, и, в частности, исследование вопросов управления широкополосной цифровой сетью с интеграцией служб (Ш-ЦСИС). Заметим, что создание Ш-ЦСИС является в настоящее время одним из важнейших направлений развития телекоммуникационных сетей во всем мире /1-4/. Исследованием возможностей применения НМУ в объектах Ш-ЦСИС заняты такие крупнейшие зарубежные производители телекоммуникационного оборудования, как американская компания AT&T, германская -Siemens, японские - NT&T, NEC, Hitachi, Toshiba, английские - British Telecom и GPT, южнокорейская - Korea Telecom и др. /5, 6/.

Такой интерес обусловлен следующими свойствами нейронных

сетей:

• НС способны одновременно и параллельно обрабатывать входные данные большой размерности;

• НС могут обучаться и самообучаться решению выполняемой задачи;

• НС способны распознавать частично искаженные входные данные;

• НС характеризуются высокой живучестью. При повреждении части сети НС может перенастраиваться таким образом, чтобы

продолжать функционирование, хотя и при снижении точности принимаемых решений;

• НС обладают высоким быстродействием, которое обусловлено параллельной природой их работы.

Из опубликованной научно-технической литературы известно о проводимых исследованиях и экспериментальных работах по использованию НС в Ш-ЦСИС для решения следующих задач:

• управление доступом информационных ячеек в телекоммуникационную сеть (ТС) (управление статистическим мультиплексированием) /7-12/;

• общее управление ТС при помощи НС /13/;

• маршрутизация в ТС/6,14-17/;

• управление канальными ресурсами ТС /18,19/;

• управление процессами коммутации /20-24/;

Поскольку одной из ключевых задач при построении Ш-ЦСИС является создание эффективных систем коммутации ячеек, то данная диссертация посвящена прежде всего исследованию вопроса возможности создания коммутационных систем (КС) с нейросетевым управлением для режима быстрой коммутации пакетов (БКП) и исследованию вероятностных характеристик такой системы.

Цель работы состоит в разработке и исследовании нейросетевых принципов управления системами коммутации БКП, а также в разработке метода расчета пропускной способности коммутационных систем БКП с управляющей нейронной сетью.

Методы исследования включали в себя методы математического анализа, теории вероятностей, вычислительной математики, теории телетрафика, математического и имитационного моделирования.

Состояние проблемы. К настоящему времени исследования в области возможностей использования нейронных сетей для управления сетями и системами связи находятся в стадии начального становления. В нескольких опубликованных работах, посвященных данному и смежным с ним вопросам, рассматриваются отдельные топологии нейронных сетей, применяемые для решения частных задач управления названными объектами.

Научная новизна исследований, проведенных в диссертационной работе, определяется прежде всего самим предметом исследований - разработкой возможностей применения нейронных сетей для управления в перспективной технике связи и состоит в следующем:

1. Сконструирована целевая функция, результатом оптимизации которой является оптимальное расписание маршрутов для информационных ячеек в перестраиваемых коммутационных системах. Данная функция пригодна для перестраиваемых КС с любыми внутренними параметрами. Функция сконструирована с учетом возможности ее оптимизации в нейронной сети.

2. Разработана математическая модель управляющей нейронной сети, с использованием которой можно оптимизировать целевую функцию, служащую для составления оптимального по критерию максимизации пропускной способности расписания маршрутов ячеек через перестраиваемые коммутационные системы. Отличие нейросетевого принципа управления маршрутизацией в перестраиваемых коммутационных системах от ранее известных состоит в том, что нейронная сеть строит близкое к оптимальному с точки зрения пропускной способности расписание маршрутов

через коммутационную систему одновременно для всего набора поступивших на обслуживание информационных ячеек.

3. В отличие от нейронных сетей для решения оптимизационных задач, строящихся по "классической" топологии (известной из теории нейронных сетей), и имеющих при общем числе нейронов N число синапсов, стремящееся к Л^2, в созданной в диссертации топологии нейронной сети число синапсов составляет АЫ, что при N>4 является значительным уменьшением общего числа синапсов в НС.

4. Разработан и исследован аналитический метод расчета пропускной способности перестраиваемых коммутационных систем с управляющей нейронной сетью, учитывающий структуру КС, характер поступающей нагрузки и алгоритм маршрутизации.

5. Показано, что пропускная способность перестраиваемых КС с управляющей нейронной сетью для режима быстрой коммутации пакетов уменьшается с увеличением емкости коммутаторов 1-го звена. На основе полученного результата дается рекомендация по выбору внутренних параметров КС с управляющей нейронной сетью - такие КС следует строить с минимальными размерами коммутаторов в 1-м и 3-м звеньях.

6. Проведенное сравнительное исследование вероятностных характеристик коммутационных систем для быстрой коммутации пакетов типа Баньян с вероятностными характеристиками перестраиваемых КС с управляющей нейронной сетью показало, что последние обладают более высокой пропускной способностью. При переходе от КС типа Баньян к перестраиваемым КС с нейросетевым управлением пропускная способность узла коммутации (УК) в зависимости от

структурных параметров, величины интенсивности нагрузки может быть увеличена максимально на 37%.

Практическая ценность. Разработанный в диссертации алгоритм маршрутизации ячеек в перестраиваемых КС, в котором используются нейросетевые принципы обработки информации, позволит в будущем строить эффективные по пропускной способности и объему оборудования КС БКП.

Разработанный аналитический метод расчета оценки вероятности потерь информационных ячеек в перестраиваемых КС с управляющей нейронной сетью позволяет производить расчет структурных параметров КС (числа мест ожидания в КС) и вероятностных характеристик (вероятности потерь ячеек при заданном числе мест ожидания) в зависимости от поступающей интенсивности нагрузки на каждую входную линию, минуя длительный период моделирования таких систем на дорогостоящих высокопроизводительных ЭВМ.

Реализация результатов. Отдельные практические и теоретические результаты диссертации были использованы в 16 Центральном научно-исследовательском испытательном институте Минобороны России при выполнении КНИР "Образец-2"; в Центральном научно-исследовательском институте связи при разработке "Основных положений по построению Ш-ЦСИС"; в ЗАО "ПетерСтар" при выборе коммутационной системы для собственной АТМ-сети; МТУСИ в лекционных курсах и дипломном проектировании, что подтверждено соответствующими актами об использовании.

Апробация результатов работы. Основные практические и теоретические результаты диссертационной работы докладывались

на РНТОРЭС им. Попова (1993), на XXIX и XXX конференциях молодых ученых ИППИ РАН (1994, 1995); на семинарах и заседаниях кафедры Информационные сети и системы МТУСИ (1994, 1995, 1997); на семинарах лаборатории №6 ИППИ РАН (1993 - 1996); на семинарах в 16 ЦНИИИ Минобороны России (1996).

Личный вклад. Все исследования и связанные с ними расчеты, а также вытекающие из них выводы, обобщения, интерпретация результатов и практические рекомендации произведены автором лично.

Основные положения, выносимые на защиту:

1. Сконструирована нейронная сеть, которая использована для управления коммутационными системами быстрой коммутации пакетов.

2. Нейросетевое управление маршрутизацией в перестраиваемых коммутационных системах быстрой коммутации пакетов позволяет распределять маршруты среди поступающих требований для обслуживания на всю совокупность входных линий одновременно и параллельно, что позволяет ускорить процесс установления соединений.

3. Разработан метод расчета пропускной способности коммутационных систем быстрой коммутаци пакетов с управляющей нейронной сетью, который позволяет учесть структуру коммутационной системы и алгоритм маршрутизации.

4. Перестраиваемые коммутационные системы с управляющей нейронной сетью обладают более высокой пропускной способностью по сравнению с наиболее широко используемыми в

настоящее время в Ш-ЦСИС коммутационными системами БКП типа Баньян.

5. Предложенный метод расчета позволяет осуществлять выбор рациональной структуры коммутационной системы БКП Ш-ЦСИС по критерию максимума пропускной способости.

Публикации. Основные результаты диссертационной работы были опубликованы в 5-ти печатных работах без соавторства.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и трех приложений. Работа содержит 139 страниц машинописного текста, 22 рисунка, 7 таблиц. Список литературы включает 58 наименований.

1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ И ПЕРСПЕКТИВЫ ИХ ИСПОЛЬЗОВАНИЯ В Ш-ЦСИС

Нейронные сети строятся из следующего набора элементов /25, 26/: нейронов, сумматоров, синапсов и точек ветвления. Дадим их краткое описание.

Собственно нейрон - это функциональный преобразователь с одним входом и одним выходом. Работа нейрона описывается рядом переменных и параметров: входным сигналом, который в дальнейшем будем обозначать, как обычно принято в литературе по нейронным сетям, NET, внутренним состоянием - U, выходным сигналом, который будем обозначать OUT, а также, в общем случае, п параметрами нейрона щ (i=l,n). Выходной сигнал нейрона OUT является функцией входного сигнала, внутреннего состояния и параметров: ОС/Г= F(NET,U,ctj). Заметим, что во многих технических задачах используются нейроны без внутреннего состояния. В этом случае выходной сигнал нейрона зависит только от его входного сигнала и параметров OUT= F(NET ,аг). В качестве функций преобразования нейронов наиболее распространены следующие:

1.1. Элементы нейронных сетей

0, если NET < а;

1, если NET > а.

(1.1)

(1.2)

В (1.2) th(•) - функция гиперболического тангенса.

OUT =l/(l + exp (-NET)). (1.3)

OUT = 0,5(l+ th(NET / a)). (1.4)

Функционирование многопараметрических нейронов может описываться формулами:

a¡NET+\NET]NET OUT=-±-1-!-т (1.5)

a2 + a3\NET] + NET2

0 ит_ a,NET + a2NET2 + NET3 (ш

а3 + аА\NET\ + a5NET3

Значения параметров a¡ могут настраиваться в процессе обучения нейронной сети.

В том случае, если используется модель нейрона с внутренним состоянием, то его функционирование также описывается формулами (1.1-1.6), только величина NET в них заменяется на U, а уже состояние нейрона является функцией его входного сигнала U= F(NET, a¡).

Заметим, что на сегодняшний момент, возможно из-за отсутствия стандартов на описание нейрокомпьютерной техники, в литературе для обозначения нейрона используются также термины: модель нейрона и нейроподобный элемент.

Функция, описывающая изменение выходного сигнала нейрона, может быть также выбрана таким образом, что выходной сигнал будет зависеть не только от значения входного сигнала нейрона в данный момент времени, но и от изменения состояния нейрона за некоторый прошедший период времени.

Например, в аналоговых нейронных сетях изменение внутреннего состояния нейронов может описываться дифференциальным уравнением:

= 9ШТ,а), (1.7)

ш

где £ - время.

Аналоговые НС - это такие сети, в которых преобразования сигналов (входных в выходные) происходят непрерывно во времени. В дискретных НС, наоборот, преобразования сигналов (входных в выходные) происходят в фиксированные тактовые отсчеты времени.

Следующим элементом НС является сумматор. Сумматор - устройство с несколькими входами и одним выходом. Выходной сигнал сумматора равен алгебраической сумме его входных сигналов. Каждый нейрон сети, как правило, имеет на входе собственный сумматор, закрепленный за этим нейроном. Кроме того, в состав сети могут входить дополнительные сумматоры, повышающие гибкость нейросетевых вычислений.

Синапсы в простейшем случае осуществляют передачу выходного сигнала одного нейрона на входы других (а точнее -на входные сумматоры нейронов), при этом преобразуя передаваемые сигналы путем умножения на некоторую величину, которая называется весом синапса. Вес синапса будем в дальнейшем обозначать через т. С точки зрения схемотехники синапс - это мультипликатор - устройство с двумя входами, на один из которых подается входной сигнал, на другой - вес т, а с выхода снимается уже взвешенное значение сигнала.

Точка ветвления - элемент, имеющий один вход и более одного выхода. Сигнал на каждом выходе точки ветвления точно воспроизводит сигнал на ее входе. Как правило, точки ветвления используются, когда выходной сигнал нейрона надо передать на входы нескольких других нейронов.

В /25/ описываются и другие, в частности, более сложные в структурном отношении способы функционирования вышеперечисленных элементов - нейронов, сумматоров, синапсов. Однако ввиду своего относительно редкого применения в технических приложениях нейронных сетей, они здесь не рассматриваются. На рис. 1.1 показаны условные обозначения нейрона, сумматора, синапса и точки ветвления, обычно используемые при изображении схем нейронных сетей, а на рис. 1.2 показано альтернативное обозначение, применяемое при изображении нейронных сетей в виде графов. В последнем случае одним кружком показывается и сам нейрон, и его входной сумматор, и точка ветвления на его выходе. Синапсы заменяются линиями, а направление передачи сигнала по синапсу указывается стрелкой. Над синапсами могут указываться их веса. Индексы у обозначений переменных и параметров указывают на их принадлежность некоторому конкретному нейрону или паре

и Т Т и • и •

нейронов. Например: т^ - вес синапса от нейрона у к нейрону г.

синапсы сумматор

Рис. 1.1 .Элементы нейронных сетей

Рис. 1.2.Условное обозначение нейрона

1.2. Организация входов и выходов нейронных сетей

Существуют следующие способы подачи входных сигналов в

НС и снятия выходных сигналов /25/.

Способы подачи входных сигналов:

1. Подача на входы нейронов. Выделяется набор входных нейронов и на их сумматоры добавляются внешние сигналы.

2. Подача на выход нейронов. Внешние сигналы добавляются к выходным сигналам выделенных входных нейронов.

3. Аддитивная подача на синапсы. Для каждого внешнего сигнала выделяется свой входной синапс и эти внешние сигналы добавляются к сигналам, поступающим на эти синапсы.

4. Подача сигналов как синаптических весов (мультипликативная подача на синапсы). Выделенному набору весов синапсов присваиваются значения, равные входным сигналам.

Вариантов организации выходов также существует

несколько:

1. Снятие выходных сигналов с выходов нейронов. Выходные сигналы части нейронов являются и выходными сигналами нейронной сети.

2. Снятие выходных сигналов со входов нейронов. За выходные сигналы принимаются выходные сигналы выделенных сумматоров нейронов.

3. Аддитивное снятие выходных сигналов с синапсов. За выходные принимаются сигналы, проходящие по выделенным синапсам, уже умноженные на их веса.

4. Снятие в качестве выходных сигналов синаптических весов. Выходными сигналами считаются установившиеся веса выделенных синапсов.

В настоящее время в технических приложениях НС наиболее широко используемыми является организация как входов, так и выходов НС по 1-му типу, т.е. подача входных сигналов на входные сумматоры нейронов и снятие в качестве выходных сигналов НС выходных сигналов выделенных нейронов.

1.3. Типы нейронных сетей

Нейронные сети классифицируются по характеру связей между нейронами /27/. По данному признаку они делятся на:

1. Полносвязные НС. В таких сетях выходной сигнал каждого нейрона подается на входы всех остальных нейронов сети.

2. Многослойные НС. В многослойных сетях все нейроны поделены на группы - слои. Слой - это совокупность нейронов, на входы которых подаются выходные сигналы от одного и того же набора нейронов.

3. Слабосвязные НС. В этом случае каждый нейрон связан синапсами только с небольшим числом нейронов сети (обычно это число не превышает 8).

На рис. 1.3 проиллюстрированы все три группы НС: а)полносвязная сеть; б)многослойная сеть; в)слабосвязная сеть.

Заметим, что 2-я группа сетей является в настоящее время наиболее широко используемой в технике и активно изучаемой. Поэтому для сетей этого вида по характеру связей между слоями также разработана классификация /28/. Рассмотрим ее.

Слои нейронов в сети имеют, как правило, нумерацию. Наименьший - 1-ый номер, присваивается слою нейронов, для функционирования которого необходим только набор внешних сигналов сети (эти сигналы имеют также название входных,

О \ U

кроме того, сам слои также называется входным;, п-и номер присваивается слою, входным набором сигналов которого являются выходные сигналы нейронов, принадлежащих слоям с номерами, не превышающими (/2-1). Заметим, что для обозначения набора сигналов используется также выражение "вектор сигналов". Выходной вектор сети является, как правило, набором выходных сигналов нейронов последнего слоя.

Итак, между слоями могут быть установлены связи следующих различных видов /28/. В общем случае выходные сигналы нейронов слоя с номером j подаются на входы нейронов слоя с номером (j+s). Связи называются: последовательными, если s=l; перекрестными, если s> 1; обратными, если s<0. Если 5=0, то такие связи носят название боковых или латеральных (от англ.: lateral - боковой) /26/. На рис. 1.4 проиллюстрированы все возможные виды связей между слоями.

Нейронные сети делятся также по характеру функционирования во времени и видам сигналов, с которыми они оперируют. НС может функционировать в непрерывном времени,

а)

слой слой

нейронов^ нейронов

4 4 4

О О

В)

РисЛ.З.Типы нейронных сетей по видам связей между нейронами: а)полносвязная; б)многослойная; в)слабосвязная

"О

к

о

И

о

СО

5!

о *

я Е

пз И

Й а

о

и »

Сй

О) §

О)

о

О Й

Я

К л Не

о к о

03

о

о

Я) н к

й

О)

о и а

со К

гак

Вектор входных сигналов НС

I_

и

0) 1

а« Не

о я о а О о К«

Я

О) СП

И

СБ

о ч к Е

О)

П)

о и а

К П) X

К< Я=

о О

м 5=1

о О

и №

Вектор выходных сигналов НС

од

т.е. в таких сетях после подачи входных сигналов происходит их непрерывное распространение и преобразование. Напротив, функционирование НС другого вида может происходить в дискретном времени - т.е. преобразование и распространение сигналов в такой сети происходит в фиксированные моменты, называемые отсчетами. Заметим, что в многослойных НС функционирование каждого отдельно взятого слоя начинается не с 1-го отсчета, а с того, к которому оказываются сформированными все входные сигналы данного слоя.

По виду входных/выходных сигналов НС и преобразований, выполняемых ее элементами, они также делятся на дискретные и аналоговые. В первом случае входной и выходной векторы представляют собой некоторые двоичные последовательности, а функционирование нейронов описывается уравнением типа (1.1).

В аналоговых сетях входные/выходные векторы являются, как правило, наборами непрерывных величин, а функции преобразования нейронов описываются также непрерывными сигмоидальными функциями (например (1.2)-(1.4)).

Заметим, что в зависимости от вида задач, решаемых при помощи НС, а также выбранных средств их аппаратной реализации могут использоваться всевозможные сочетания дискретных/аналоговых типов времени, преобразований сигналов и входных /выходных сигналов.

1.4. Обучение нейронных сетей

Способность к обучению является самым многообещающим и перспективным свойством НС. Отметим, что НС могут быть обучаемыми и необучаемыми.

В необучаемых НС параметры сети - веса синапсов между нейронами и параметры функций преобразований нейронов сразу задаются таким образом, чтобы при приложении ко входам сети векторов входных сигналов сеть порождала заданный выходной вектор. В обучаемых сетях такого соответствия изначально нет, т.е. при приложении множества входных векторов до обучения сеть порождает выходные наборы сигналов, отличные от требуемых по условиям задачи. А обучение состоит в такой постепенной настройке изменяемых параметров сети (весов синапсов, параметров нейронов щ), чтобы в итоге достичь того, что при приложении каждого заданного входного набора сигналов сеть производила требуемый выходной. Понятие "заданный выходной сигнал" может вовсе не означать точные численные значения компонент выходного вектора, а может характеризовать какие-то задаваемые требования к выходному сигналу. Например, требование может состоять в том, чтобы при подаче "похожих" входных векторов сеть порождала один и тот же выходной сигнал (при этом его конкретный вид не является существенным). В качестве меры сходства входных векторов может, например, выступать Хеммингово расстояние между двоичными векторами, или величина скалярного произведения между нормированными аналоговыми векторами (т.е. чем ближе значение скалярного произведения таких векторов к единице, тем более "похожими" являются такие вектора).

Различают два вида обучения НС: "с учителем" и "без учителя". При обучении "с учителем" для каждого эталонного входного вектора имеется парный выходной вектор (каждая такая пара называется обучающим примером). Примеры

обучающего множества предъявляются сети в некоторой выбираемой последовательности и обучение состоит в настройке параметров сети в направлении минимизации отклонения выходных сигналов сети при приложении заданных входных векторов от целевых.

При обучении "без учителя" эталонного множества выходных векторов не существует и архитектура сети выбирается таким образом, что сеть самонастраивается так, чтобы при подаче сходных входных векторов порождать один и тот же выходной вектор, а различающихся - различные. При этом количество групп сходных между собой векторов задается обычно заранее.

Основные существующие алгоритмы обучения излагаются в /25, 26/ и здесь на них останавливаться не будем.

1.5. Реализация нейронных сетей

Естественно, что нейронные сети должны реализовываться при помощи вычислительных средств, архитектура которых специализирована на выполнении операций, адекватных структуре нейронных сетей. Такие системы называются нейрокомпьютерами (НК) /28/.

В зависимости от вычислительного базиса НК можно разделить на три условные группы /29/:

1. Программный эмулятор НС. Аппаратной частью такого НК обычно является монопроцессорная ЭВМ общего назначения, на базе которой чисто программным путем эмулируется НС.

2. Программно-аппаратный эмулятор НС. В качестве аппаратной части выступают специализированные ЭВМ, имеющие ускорители операций нейронного базиса, а также суперЭВМ с

мелкозернистой архитектурой, в том числе транспьютерные сети.

3. Аппаратный эмулятор НС. К этой группе обычно относят реализацию конкретных НС в виде заказных БИС, плат, оптических схем, пластин и т.д.

Первая и вторая группы НК служат, в основном, для исследования НС, т.к. они позволяют моделировать НС практически с любой архитектурой. Однако, когда для решаемой задачи найден оптимальный вид НС (или, по крайней мере, приемлемый по всей совокупности критериев), то чаще всего оказывается, что необходим переход к 3-ей группе, т.к. скорость работы этих НК является наивысшей.

Заметим, что НС являются распределенными вычислительными средами с высокой степенью однородности. Коммутационные поля (КП) узлов коммутации ячеек Ш-ЦСИС также являются своего рода распределенными однородными средами. Поэтому КП УК Ш-ЦСИС с устройствами управления (УУ) на основе НС в будущем могут изготавливаться в едином технологическом цикле (как одна СБИС или оптическая схема). Это открывает дополнительные перспективы в снижении стоимости и повышении надежности телекоммуникационного оборудования с нейросетевым управлением.

1.6. Выводы

В данной главе были рассмотрены основные принципы построения нейронных сетей и современное состояние нейросетевых технологий. В результате проведенного анализа были сделаны следующие выводы:

1. Универсальность нейросетевых алгоритмов позволяет адаптировать их к задачам управления в Ш-ЦСИС, а параллелизм обработки входных данных позволяет для ряда задач добиться существенного повышения скорости принятия решений по сравнению с процессорными вычислительными средствами.

2. Способность НС к обучению и самообучению выполняемых задач позволит строить с их использованием системы управления телекоммуникационными сетями и системами, которые способны адаптироваться к изменяющимся внешним условиям функционирования.

3. Высокая однородность элементов НС и сходство их топологий с топологиями коммутационных систем Ш-ЦСИС упрощает проектирование и реализацию перспективных узлов коммутации Ш-ЦСИС с нейросетевым управлением. В перспективе как система коммутации, так и управляющая НС узла коммутации Ш-ЦСИС могут быть реализованы в виде одной СБИС.

4. Вследствие практически полной неизученности вопроса применения НС для управления объектами Ш-ЦСИС, данная диссертация посвящена разработке нейросетевых принципов управления КС быстрой коммутации пакетов, а также разработке методов моделирования и расчета пропускной способности КС БКП для узлов коммутации Ш-ЦСИС с нейросетевым управлением.

2. РАЗ РАБОТКА ПРИНЦИПОВ ПОСТРОЕНИЯ И МАТЕМАТИЧЕСКОЙ МОДЕЛИ СИСТЕМЫ БЫСТРОЙ КОММУТАЦИИ ПАКЕТОВ С НЕЙРОСЕТЕВЫМ

УПРАВЛЕНИЕМ

2Л.Постановка задачи

В настоящее время исследуется ряд систем коммутации с различными архитектурами и основанных на разных принципах организации функционирования, на предмет возможности их использования в УК Ш-ЦСИС /30 - 43/. Одним из таких исследуемых классов КС являются и многозвенные КС. Для разработчиков они являются привлекательными по следующим основным причинам:

• отсутствует непосредственная необходимость использования в них элементов, скорость работы которых превышает скорость работы системы по отдельному входу;

• разработан математический аппарат для расчета их пропускной способности и для их оптимизации по объему оборудования;

• можно создавать системы большой емкости;

• класс систем с единственным соединительным путем, а именно дельта-системы, реализует алгоритм самомаршрутизации ячеек таким образом, что осуществляется полностью распределенное управление продвижением всех ячеек через КС.

Однако для того, чтобы обеспечить норму вероятности потери ячейки при ее прохождении от источника до приемника через телекоммуникационную сеть Ря, принятую в Ш-ЦСИС равной Ря= 10~9, во всех звеньях дельта-систем, как правило, приходится предусматривать буферные накопители, которые служат для сохранения ячейки в случае, если требуемый выход звена в данный момент времени занимается другой ячейкой. Кроме того, поскольку

такие системы строятся, как правило, из коммутаторов емкостью 2x2, то созданные на основе дельта-систем КС большой емкости получаются с большим числом звеньев. При переходе же к схемам с альтернативными маршрутами между каждой парой вход/выход возможность самомаршрутизации, как правило, теряется, и появляется необходимость введения централизованного управления установлением соединений через схему. При этом возможно два варианта. Первый состоит в использовании неблокирующих схем коммутации. В этом случае управление установлением соединений через такие схемы является тривиальной задачей. Однако неблокирующие КС имеют очень большое число точек коммутации в пересчете на один вход/выход системы. Поскольку, как правило, стоимость реализации КС растет с увеличением числа имеющихся в ней точек коммутации, причем можно заведомо предполагать, что эта зависимость, начиная с некоторых размеров КС, в значительной степени будет опережать линейную, то использование неблокируемых КС в УК Ш-ЦСИС вряд ли может быть экономически целесообразным. Блокируемые схемы имеют, как правило, гораздо меньшее число точек коммутации, однако составление оптимального плана распределения маршрутов через КС среди поступающих ячеек по критерию максимизации ее пропускной способности, относится к классу не детерминистски-полиномиальных задач (или, сокращенно, ЫР-задач), получение даже квазиоптимальных решений для которых при помощи традиционных вычислительных методов является практически невозможным в реальном масштабе времени. Даже простое отыскание неблокированного маршрута в системе при достаточно больших размерах и высокой загрузке КС может оказаться для центрального устройства управления (ЦУУ), работающего в

режиме последовательного перебора всех возможных маршрутов, задачей, требующей недопустимо больших временных затрат с позиций требуемой скорости распределения высокоскоростных потоков ячеек /21/. Поэтому применение многозвенных КС с альтернативными маршрутами для создания на их основе УК Ш-ЦСИС сдерживалось в силу вышеназванных причин.

Указанные ограничения могут быть преодолены за счет использования в качестве У У нейронных сетей. Поэтому данная глава как раз и посвящена описанию и исследованию класса трехзвенных блокируемых КС, для которых расписание маршрутов составляется при помощи нейросети специального вида, являющейся по сути развитием сети Хопфилда для решения оптимизационных задач /22 - 24/, /44 - 48/. Отличие нейросетевого принципа составления расписания маршрутов через перестраиваемые КС для поступающих требований на обслуживание от существующих состоит в том, что НС строит расписание маршрутов через КС одновременно для всей совокупности требований на обслуживание, поступивших на входы КС. При этом расписание строится таким образом, чтобы единовременно обслужить максимальное число требований, т.е. максимизируется пропускная способность КС.

Ниже разрабатывается математическая модель системы массового обслуживания (СМО), состоящей из 3-х частей: модели поступления информационных ячеек, модели коммутационной системы и модели управляющей НС.

2.2.Разработка математической модели системы быстрой коммутации пакетов с иейросетевым управлением

2.2.1.Обоснование выбора системы коммутации

Исходная КС, выбранная в качестве объекта исследования, изображена на рис.2.1. Она состоит из трех звеньев. Первое и третье звенья системы составлены из п коммутаторов с размерами тхт, второе звено - из т коммутаторов пхп. Таким образом, число входов/выходов КС И=тп. Данный тип КС выбран, исходя из следующего:

• Существует строгое аналитическое доказательство, что при задаваемых указанным образом параметрах КС является условно неблокирующей схемой типа П /51/.

• Заданная схема имеет меньшее число точек коммутации по сравнению со строго неблокирующими схемами и дополнительно может быть минимизирована по числу точек коммутации.

• Если технологические и/или стоимостные ограничения в схеме указанного типа не позволяют для увеличения емкости системы переходить к коммутаторам большей емкости, то увеличения емкости КС можно добиться итерационным способом - переходя от 3-звенных КС к КС с любым нечетным числом звеньев. В последних коммутаторы части звеньев заменяются трехзвенными условно неблокирующими схемами.

КС имеет очереди (буферные накопители) на входах 1-го и 3-го звеньев. Буферы на входах в КС устанавливаются для того, чтобы предотвратить потерю части ячеек, если КС неспособна передать одновременно все ячейки через схему. Буферы на входах в 3-е звено устанавливаются, чтобы предотвратить потери ячеек из-за конфликтов за выходы КС.

Ей

#1

Заключение диссертации по теме «Радиолокация и радионавигация», Юрасов, Дмитрий Валентинович

Основные результаты диссертационной работы сводятся к следующему:

1. Проведен анализ и систематизация сведений о нейросетевых принципах управления и их перспективном месте в системах управления объектами Ш-ЦСИС, который представляется полезным для отечественных специалистов-разработчиков телекоммуникационного оборудования.

2. Сконструирована целевая функция, такая, что результатом ее оптимизации является близкое к оптимальному расписание маршрутов для информационных ячеек в перестраиваемых КС, а также сконструирована математическая модель нейронной сети, при использовании которой можно решать задачу оптимизации указанной целевой функции. НС дополнительно оптимизирована по числу синапсов в ней. Все это позволит применять в узлах Ш-ЦСИС перестраиваемые системы коммутации, которые являются более экономичными по числу точек коммутации по сравнению со многими известными типами КС, применяемыми в Ш-ЦСИС.

3. Разработан и исследован приближенный аналитический метод расчета вероятности потерь ячеек в перестраиваемых КС БКП с управляющей нейронной сетью. Метод учитывает внутреннюю структуру КС (емкости коммутаторов); число мест ожидания в буферах (число мест ожидания в буферах 1-го и 3-го звеньев может быть любым, однако в каждом буфере звена число мест должно быть одинаковым), а также алгоритм управления в КС. Метод позволяет производить оценку вероятности потерь в КС практически при любой неограниченной емкости КС, любом числе мест ожидания в буферах в диапазоне изменения интенсивности поступающей нагрузки на каждую входную линию от 0,2 до 1,0 Эрл. Применение данного метода позволит производить выбор параметров перестраиваемых КС с нейросетевым управлением при заданном качестве обслуживания, не прибегая к длительному имитационному моделированию.

4. Показано, что пропускная способность перестраиваемых КС БКП с управляющей нейронной сетью имеет тенденцию к уменьшению с ростом емкости коммутаторов 1-го/З-го звеньев. Поэтому предпочтительно строить такие системы из коммутаторов малой емкости в 1-м/З-м звеньях и, соответственно, коммутаторов большой емкости в центральном звене.

5. Разработаны программы на языке Турбо-Паскаль, позволяющие проводить исследование вероятностно-временных характеристик перестраиваемых КС с нейросетевым управлением, а также КС типа Баньян методом имитационного моделирования. Эти программы представляются полезными для дальнейших сравнительных исследований различных типов КС для Ш-ЦСИС.

Основное содержание диссертации, ее результаты, выводы и практические рекомендации с достаточной полнотой опубликованы в 5-ти печатных работах /54 -58/.

ЗАКЛЮЧЕНИЕ

Одной из основных задач на ближайшую обозримую перспективу развития телекоммуникационных сетей является внедрение широкополосных цифровых сетей с интеграцией служб. Эти сети предназначены для переноса информационных потоков от большого числа разнородных источников. К ним относится интерактивное вещание (аудио- и видео-), традиционная телефонная связь, передача данных (от низкоскоростной до высокоскоростной), видеосвязь, документальная электросвязь и т.д. Кроме того, Ш-ЦСИС должна адаптироваться к появлению новых перспективных видов телекоммуникационного сервиса. Поэтому к коммутационным системам Ш-ЦСИС и системам управления этими сетями предъявляются высокие требования по интеллектуальности, быстродействию и надежности. В Ш-ЦСИС будут использоваться самые передовые достижения науки и технологий.

Одним из перспективных направлений в управлении Ш-ЦСИС являются нейронные сети. Во всем мире ведущие компании по производству телекоммуникационного оборудования уже начали широкомасштабные исследования по созданию нейронных сетей, которые будут решать задачи управления сетевыми элементами. В нашей стране, вследствие сложившейся экономической и политической обстановки, работы в области разработки нейросетевых принципов решения задач управления в сетях и системах связи ведутся ограниченно.

Исходя из вышеизложенного, темой диссертационной работы были выбраны разработка и исследование метода моделирования и расчета пропускной способности систем коммутации узлов Ш-ЦСИС с управляющей нейронной сетью.

Список литературы диссертационного исследования кандидат технических наук Юрасов, Дмитрий Валентинович, 1999 год

ЛИТЕРАТУРА

1. Назаров А.H., Симонов М.В. ATM: технология высокоскоростных сетей. - М: Эко-Трендз. 1997, 232 с.

2. Кузнецов Н.А., Ершов В.А. Теоретические основы построения цифровой сети с интеграцией служб (ISDN). - M: ИППИ РАН. 1995, 280 с.

3.Ершов В.А. Эволюция сетей связи как основы информационной инфраструктуры. - Перспективные средства телекоммуникаций и интегрированные системы связи. Часть II. М: ИППИ РАН. 1992, сс.457-461.

4. Kuen P. From ISDN to IBCN (Integrated BroadBand Communication Network). - Information Processing 89, IFIP, 1989, pp.479-486.

5.Shandle J. Neural networks are ready for prime time. - Electronic Decisions, 1993, №4, pp.51-58.

6.Flatcher P. Prototype mixed-signal CMOS 1С may lead to neural networks for controlling communications routing. - Electronic Decisions, 1998, №4, pp.37,38.

7. Brandt Harald, Nordstrom Ernst, Olle Gallmo, Gustafsson Mats Asplund Lars. A hybrid neural network approach to ATM admission control. - Proc. of XV International Switching Symposium, 1995, April, vol.1, pp.283-287.

8.Hiramatsu A. ATM communication network control by neural networks. - IEEE Trans.Neural Networks, 1996, October, vol.1, pp.122-130.

9. Morris Robert J.T. Prospects for neural networks in broadband network resource management. - IEEE Control Syst. Mag., 1996, June, pp.54-58.

10.Hiramatsu A. Integration of ATM call admission control and link capacity control by distributed neural networks. - IEEE Journal on Selected areas in communications, 1991, September, vol.9, No.7, pp.1131-1138.

11.Ali M.M., Nguyen H.T. A neural network implementation of an input access scheme in high-speed packet switch. - Proc. IEEE Globecom'89, 1989, November, pp. 1192-1196.

12.Aweya J., Orozco-Barbose L. Neuroconrtoller for buffer overload control in a packet switch. - IEEE Proc. Commun., 1998, vol.145, №4, pp.227-233.

13.Takahashi T., Hiramatsu A. Integrated ATM traffic control by neural networks. - Proc. ISS'90, 1990, May, vol.Ill, pp.54-65.

14.Rauch H.E., Winarske T. Neural networks for routing communication traffic. - IEEE Control Syst. Mag., 1988, April, pp. 26-31.

15.Kamoun F., Mehmet Ali M.K. A neural network shortest path algorithm for optimum routing in packet-switched communications networks. - Proc. IEEE Globecom'91, 1991, December 2, vol.1, pp.120-124.

16.Zhang L., Thompson S.C.A. Neural Network Implementation of the Shortest Path Algorithm for Traffic Routing in Communication Networks. - International Joint Conference on Neural Networks, 1989, June, p II 591.

17.Easley D.P., Pratt R.D., Chaffer R.K., GPT Ltd. Intelligent routing method in a telecommunications systems. - Заявка 23 11687 Великобритания, НКИ НЧК 1.10.1997.

18.Khashnabish В., Ahmadi М., Shridhar М. Congestion avoidance in large supra-high-speed packet switching networks using neural arbiters. - IEEE Globecom'91, 1991, pp. 140-143.

19.Chou L.-D., Wu J.-L.C. Bandwidth allocation of virtual pathes using neural network-based genetic algorithm. - IEEE Proc. Commun., 1998, vol. 145, №1, pp.33-39.

20.Arrakchi A., Troudet T. A neural net arbitrator for large crossbar packet-switches. - IEEE Trans, on Circuits and Systems, 1989, July, vol.36, No.7, pp.1039-1041.

21.Brown T.X. Neural networks for switching. - IEEE Communication Magazine, 1989, November, pp.72-81.

22.Ma J., Rahko K. A central controller using neural network in three-stage Clos' packet switch. - Proc. Int. Seminar on Teletraffic and Network, 1992, September, pp.124-127.

23.Ma J., Rahko K. A neural network controller for the three-stage Clos' packet switch. - Proc. XIV Int. Switching Symposium (ISS'92), Yokohama, 1992, October 25-30, pp.234-238.

24.Ma J., Rahko K. Sheduling in an input and output queuing three-stage packet switch by using neural networks. - Proc. International Conference on Signal Processing (ICSP'93), Peking, Kiina, 1993, October 26-30, pp.234-238.

25.Горбань A.H. Обучение нейронных сетей. - M: СП Параграф. 1990, 142 с.

26.Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М: Мир. 1992, 240 с.

27.Евтихеев Н.Н., Оныкий Б.Н., Перепелица В.В., Щербаков И.Б. Гибридные оптоэлектрические нейрокомпьютеры. Нейрокомпьютер. 1994, № 3, 4, сс.51-58.

28.Галушкин А.И., Судариков В.А., Шабанов Е.В. Методика решения задач на нейрокомпьютерах. - Нейрокомпьютер. 1992, № 1, сс.24-28.

29.Герасимова А.В., Грачев Л.В. Нейрокомпьютер для распознавания образов на базе транспьютеров. - Нейрокомьютер. 1992, №1, сс.43-46.

30.Adams J.L. The Orwell tours communication switch. - CEPT Conference on Broadband Switching, Albuferia Portugal, 1987, January, pp.97-99.

31.Batcher K.E. Sorting networks and their applications. - Proc. of AFIPS conf., 1968, pp.307-314.

32.Bawens J., Prycker M. De. Broadband experiment using asynchronous time division techniques. - Electrical Communication,

1987, 61(1). pp.123-130.

33.Benes V.E. Mathematical theory of connecting networks and telephone traffic. - Academic Press, New York, 1965, 230 p.

34.Bernabei F., Fornica A., Listanti M. On non-blocking properties of Parallel Delta networks. - Proc. of INFOCOM 1988, New Orleans, USA, 1988, March, pp. 4A.2.

35.Bernabei F., Listanti M. A hybrid switching exchange for broadband communications. - Proc. of ICCC88, Tel Aviv, Israel,

1988, October, pp.44-48.

36.Clos C. A study of non-blocking switching network. - Bell System Technical Journal, 1953, March, vol. 32, pp.176-182.

37.COST 202 bis - Final report of expert group on ATM switch structures. - European cooperation in the field of scientific and technical research, Brussels, 1988, p.68.

38.Courdeuse, Servel. PRELUDE: An asynchronous time-division switched network. - Globecom 87, 1987, pp. 1134-1140.

39.Dias D.M., Kumar M. Packet switching in NlogN multistage networks. - Globecom 84, 1984, December, pp.978-983.

40.Dieudonne, Quinquis. Switching techniques for asynchronous time division multiplexing (or Fast Packet Switching). - ISS 1987, Phoenix, pp.48-52.

41.Krustal C.P., Smir M. The performance of multistage interconnection networks for multiprocessors. - IEEE Trans, on Computers, 1983, December, pp. 1091-1099.

42.Prycker M. De., Somer M. De. An ATM broadband switching exchange with distributed control. - In: GSLB - Seminar on Broadband Switching, 1987, January 19-20, Portugal, Albufeira, pp.266-275.

43.Somer M.De. Building a mathematical describing the behavior of a variable bitrate switching network. - ITC Seminar, Brussels, 1986, May 5-7, pp.76-79.

44.Hopfield J.J. Neurons with graded response have collective computational properties like those of two-state neurons. - Proc. Natl. Acad. Sci. USA, 1984, May, vol.81, pp.3088-3092.

45.Hopfield J.J., Tank W. Neural Computation of Decisions in Optimization Problems. - Biological Cybernetics, 1985, vol.52, pp.141-152.

46.Cohen M.A., Grossberg S.G. Absolute stability of global pattern formation and parallel memory storage by competitive neural

networks. - IEEE Transactions on Systems, Man and Cybernetics, 1983, pp.13:815-26.

47.Wilson G.V., Panley. On the stability of the traveling salesman problem algorithm of Hopfield and Tank. - Biol. Cybern., 1988, vol.58, pp.1224-1230.

48.Королюк B.C., Портенко Н.И., Скороход A.B., Турбин А.Ф. Справочник по теории вероятностей и математической статистике. - М: Наука. Главная редакция физико-математической литературы. 1985, 640 с.

49.Мудров А.Е. Численные методы для ПЭВМ на языках Бейсик, Фортран и Паскаль. - Томск: «МП Раско». 1991, 272 с.

50.Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. - М.: Наука. 1968, 720 с.

51.Лившиц Б.С., Фидлин Я.В., Харкевич А.Д. Теория телефонных и телеграфных сообщений. - М.: Связь. 1971, 304 с.

52.Вентцель Е.С. Теория случайных процессов и ее инженерные приложения. - М.: Наука. 1985, 286 с.

53.Фаронов В.В. Программирование на персональных ЭВМ в среде Турбо-Паскаль. - М.: Изд-во МГТУ. 1990, 443 с.

54.Юрасов Д.В. Применение нейроструктур для решения задач управления в Ш-ЦСИС. - М.: РНТОРЭС им.А.С.Поповая, XLIX научная сессия, посвященная Дню Радио. Тезисы докладов. 1994, сс.20-21.

55.Юрасов Д.В. Нейроуправление в широкополосных цифровых сетях с интеграцией служб. - М.: Труды XXIX конференции молодых ученых ИППИ РАН. 1994, сс.3-6.

56.Юрасов Д.В. Составление оптимального плана маршрутизации ячеек через трехзвенные коммутационные схемы при помощи ней-

роподобных сетей. - М.: Труды XXX конференции молодых ученых ИППИ РАН. 1995, сс. 18-26.

57.Юрасов Д.В. Нейронная сеть для управления системой коммутации в режиме быстрой коммутации пакетов. - Электросвязь. 1999, №4, сс.31-34.

58.Юрасов Д.В. Нейронная технология - ближайшая перспектива в телекоммуникациях. - Вестник связи. 1999, №4, сс.46-50.