Адаптивная маршрутизация является одной из важнейших задач для телекоммуникационных сетей различного назначения. Эти задачи, связанные с выбором маршрута, планированием работы маршрутизаторов относятся к классу комбинаторно-оптимизационных задач, не имеющих простых аналитических решений. Кроме того, вычислительные затраты экспоненциально возрастают при увеличении количества узлов в сети. В то же время для решения таких задач можно использовать модели построения на основе нейронной сети Хопфилда, впервые примененные для решения задачи коммивояжера...

        The theme is management system of routing in telecommunication networks. The problem of management network’s channel resource is one of the difficult. The levels of signals always uninterrupted change. The loading of the channels changes too. The main requests to the management system are high-speed and universal. Model that has such characteristics is model of the neural network. Model of man-agement system lets to set up (to train) networks. It means that we have definite input and output parameters, trains network and can receive the same output parameters with the indefinite input parameters. The best solving of this problem is using neural network with the association memory. (Hopfild networks).

        Развитие сетей связи, сетей передачи данных, большой объем оборудования, используемого на таких сетях, являются предпосылкой для разработки системы повышения эффективности функционирования сети. Характерной особенностью является непрерывное изменение трафика во времени как по ве-личине, так и по направлениям. Это приводит к тому, что возникает несоответ-ствие между схемой потоков и структурой сети. С другой стороны, перераспределение потоков сообщений в пределах примерно одинаковых объемов приводит к уменьшению соответствия технической структуры сети измененному распределению потоков сообщений, снижению эффективности функционирования сети и ухудшению качества обслужи-вания. Возникает проблема, которая может быть решена за счет введения управления на сети.

        Проблема управления сетью является достаточно сложной задачей: необходимо управление, необходимо управление в соответствии с изменением нагрузки (динамическое), необходимо оптимальное управление потоком (перенаправленные потоки “не мешали” основным). Сеть управления, в данном случае, должна отвечать таким свойствам как: малая инерционность, умение самостоятельно “решать” поставленные перед ней задачи, иметь большую память (для сетей с большим количеством узлов).

         Для решения задачи управления был выбран аппарат нейронных сетей. Нейронные сети – мощный аппарат для имитации процессов и явлений, который предоставляет возможность воспроизводить достаточно сложные зависимости. Нейронные сети позволяют находить решение для задач с высокой раз-мерностью. Другая особенность нейронных сетей [1] – возможность обучения такой сети. Для моделирования сети управления маршрутизацией можно использовать аппарат моделирования искусственных нейронных сетей. Искусственная нейронная сеть состоит из простейших элементов сети – искусственных нейронов. Модель искусственного нейрона: векторный либо скалярный входной сигнал умножается на векторный либо скалярный весовой коэффициент, результирующий взвешенный вход является аргументом функции активации нейрона. Функций активации достаточно много, среди них: единичная функция актива-ции, логистическая функция активации и другие. Задачей разработчика системы управления маршрутизацией является: выбор сети с определенной технологией, определение набора параметров, которые необходимы для управления, подбор структуры нейронной сети.

         После определения количество слоев в сети и число нейронов в каждом из них, назначается значения весов и смещений, которые минимизируют ошибку решения. Это достигается с помощью процедур обучения [2]. Процесс обучения – процесс подгонки параметров той модели процесса или явления, которая реа-лизуется нейронной сетью. Алгоритмы обучения нейронных сетей аналогичны алгоритмам поиска глобального экстремума функции многих переменных. Алгоритм обучения должен обеспечить универсальность модели управления маршрутизацией.

         Объект управления представлен сетью с технологией CSMA\CD. Выбор технологии объясняется тем, что сеть, построенная с использованием данной технологии при загруженности более, чем на 20 % начинает явно “терять” данные.

         Алгоритм управления потоками на одном узле состоит в следующем. В течение некоторого времени гипотетический прибор собирает информацию о состоянии сети. На вход нейронной сети, с одним слоем и числом нейронов n поступает некая информация, в соответствии, с которой сеть, находит образ на выходе и устанавливается в состояние равновесия. От анализатора сети поступает информация в закодированном виде: число узлов в сети; число каналов, соединяющих со следующими узлами в сети; узел назначения; количество возможных маршрутов до узла назначения; пары занятых информационных каналов. На выходе такой сети должен образоваться маршрут в зависимости от всех этих факторов.

         На данном этапе разработки аналитическим способом подобраны оптимальные значения факторов. По количеству факторов определено число нейронов в сети. Модель нейронной сети выбирает образ из набора, который содер-жится в её памяти, поэтому оптимальной моделью такой сети является сеть Хопфилда – сеть, использующая обратные связи.