Разработка алгоритма управления ресурсами беспроводной сети в условиях высокой концентрации абонентов

Реферат по теме выпускной работы

При написании данного автореферата магистерская работа ещё не завершена. Окончательное завершение: июнь 2020 г. Полный текст работы и материалы по теме могут быть получены у автора после указанной даты.

Содержание

• Введение
• 1. Актуальность темы
• 2. Цель и задачи исследования, планируемые результаты
• 3. Обзор исследований и разработок
• 3.1 Анализ беспроводных сетей
• 3.2 Анализ нейронных сетей
• 3.2.1 Базовая искусственная модель
• 3.2.2 Применение нейронных сетей в телекоммуникационных системах
• 4. Предварительный вариант алгоритма управления устройствами беспроводной сети
• Вывод
• Список источников

Введение

В местах большого скопления людей, таких как стадионы, центры города, арены, конференц–центры, вокзалы, мобильные сети особенно перегружены. Рост трафика данных обеспечивается за счет смартфонов и мобильных приложений ноутбуков и планшетов. Поэтому мобильным операторам необходимы инструменты для решения проблемы пропускной способности сети. Построение сетей Wi–Fi на объектах с высокой плотностью расположения пользователей – актуальная задача сегодня.

1. Актуальность темы

Актуальность работы состоит в том, что обслуживание различных инфотелекоммуникационных сетей достаточно дорогостоящее и энергоемкое меропириятие. Поэтому в данной работе будет рассматриваться метод обслуживание беспроводной сети Wi–Fi таким образом, чтобы уменьшить энергозатраты на обслуживание сети т. о. уменьшить денежные затраты на электропитание оборудования беспроводной сети.

Магистерская работа посвящена актуальной научной задаче – разработки алгоритма решения задачи управления работы оборудования в беспроводных сетях, используя результаты анализа текущей загрузки сети и предсказания изменения характеристик предоставляемого качества обслуживания в сети в зависимости от параметров поступившего запроса на передачу данных.

Полученные результаты могут найти применение при проектировании высокоскоростных беспроводных сетей с большой концентрацией абонентов с экономичным выигрышем.

2. Цель и задачи исследования, планируемые результаты

Целью научной работы является разработка алгоритма оптимального управления устройствами беспроводной сети в условиях высокой концентрации абонентов с целью получить экономический выигрыш в энергообеспечении оборудования. Задача закллючаеться в том, чтобы анализируя загруженность беспроводной сети включать или отключать оборудование сети необходимого для обеспечения доступа к сети Интернет с требуемым качеством.

При разработке такого алгоритма необходимо решить следующие задачи:

1. провести анализ методов возможного решения;
2. разработать требования к техническому обеспечению сети;
3. построить математическую модель алгоритма управления устройствами беспроводной сети;
4. оценить эффективность работы – расчет энергозатрат;

3. Обзор исследований и разработок

Wi–Fi технология возникла благодаря принятию решения федеральной комиссии по связи Соединенных Штатов Америки (FCC, 1985 год) об открытии нескольких полос беспроводного спектра для использования без государственной лицензии. Эти полосы уже использовались для всякого рода оборудования, такого как, например, микроволновые печи. Для работы в этих частотах, устройства должны использовать технологию распространения спектра. Благодаря этой технологии, радио сигнал распространяется в более широком диапазоне частот, делая сигнал менее чувствительным к помехам и трудно перехватываемым.

3.1 Анализ беспроводных сетей

Существует много объектов с высокой концентрацией абонентов, где невозможно обойтись без беспроводных сетей. В большинстве случаев, беспроводные сети позволяют достичь определенных преимуществ по сравнению с проводными сетями:

отсутствие проводов;

минимум строительно–монтажных работ;

высокая скорость;

дешевизна установки и владения;

гибкость в построении;

реконфигурация и масштабируемость;

совместимость с многими устройствами.

В повседневной жизни в местах большого скопления людей большее использование получил тип беспроводной сети: Wi–Fi на основе технологии IEEE 802.11 [1]. Из всех стандартов такой технологии передачи данных IEEE 802.11, на практике наиболее часто используются четыре, это: 802.11a, 802.11b, 802.11g и 802.11n.

Стандарт 802.11n повышает скорость передачи данных практически вчетверо по сравнению с устройствами стандартов 802.11g (максимальная скорость которых равна 54 МБит/с), при условии использования в режиме 802.11n с другими устройствами 802.11n. Теоретически 802.11n способен обеспечить скорость передачи данных до 480 Мбит/с. Устройства 802.11n работают в диапазонах 2,4 – 2,5 или 5,0 ГГц.

Проблемами беспроводных сети всегда остаются:

ограниченность дальности связи;

резкое падение пропускной способности сети при увеличении количества абонентов.

большие энергозатраты на обслуживание сети.

Несоответствие запланированной пропускной способности беспроводной локальной сети и быстро растущего трафика ее пользователей приводит к значительному ухудшению характеристик сети, к недовольству ее пользователей и неверным выводам о том, что сеть Wi–Fi не может справиться с большой нагрузкой. Однако соблюдение простых принципов проектирования позволит обеспечить достаточную пропускную способность беспроводной сети Wi–Fi для обслуживания тысяч пользователей в одном месте, как показывают примеры удачных проектов.

Рассмотрим основные требования к проектируемой беспроводной сети:

тип передаваемых данных (передача данных, голоса или позиционирование);

плотность пользователей;

требования к покрытию;

особенности клиентских устройств (мощности передатчика, поддерживаемые диапазоны и каналы, поддерживаемые скорости передачи данных);

требования к безопасности сети.

В зависимости от типа данных, которые будут передаваться по сети, ставится требование к средней пропускной способности каналов связи и диапазону передатчика, которые будут использоваться в данной сети. Средняя пропускная способность канала передачи данных зависит от требований по качеству обслуживания и является достаточно трудно решаемой задачей.

Необходимое и достаточное количество абонентов, которые могут подключиться к одной точки доступа, ставит требование к мощности передатчика и распределения частотных каналов. Чем ниже мощность передатчика, тем меньше скорость организованного канала и тем меньше можно подключить абонентов к одной точке доступа. Оптимальное количество абонентов – от 13 до 18.

Безопасность беспроводных сетей сильно зависит от использования ряда различных технологий: шифрования, цифровой подписи, паролей и прочего. То, как используются эти технологии, сильно влияет на уровень защищенности сети. Вопросам безопасности беспроводных сетей посвящено большое количество исследований и данное исследование его не затрагивает.

Основной проблемой при проектировании беспроводных сетей доступа или их расширении является не перекрытие частот соседних точек доступа во избежание взаимных помех и снижения скорости передачи. Обычно это решается настройкой соседних точек на неперекрывающиеся по частоте каналы.

Как правило, для правильного планирования месторасположения точек доступа сперва нужно исследовать функциональные зависимости следующих величин:

диапазон;

используемые каналы выбранного диапазона;

мощность передатчика;

тип и коэффициент усиления антенны;

разрешенные скорости передачи данных.

3.2 Анализ нейронных сетей

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях – бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими  [2]:

Нейронные сети – исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по свой природе. На протяжение многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с проклятием размерности, которое не позволяет моделировать линейные зависимости в случае большого числа переменных.

Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой–то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейро–биологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже простые нейронные сети, которые строит система ST Neural Networks, являются мощным оружием в арсенале специалиста по прикладной статистике.

3.2.1 Базовая искусственная модель

Чтобы отразить суть биологических нейронных систем, определение искусственного нейрона дается следующим образом:

Он получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (она также называется пост–синаптическим потенциалом нейрона – PSP).

Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.

Если при этом использовать ступенчатую функцию активации (т. е., выход нейрона равен нулю, если вход отрицательный, и единице, если вход нулевой или положительный), то такой нейрон будет работать точно так же, как описанный выше естественный нейрон (вычесть пороговое значение из взвешенной суммы и сравнить результат с нулем – это то же самое, что сравнить взвешенную сумму с пороговым значением). В действительности, как мы скоро увидим, пороговые функции редко используются в искусственных нейронных сетях. Учтите, что веса могут быть отрицательными, – это значит, что синапс оказывает на нейрон не возбуждающее, а тормозящее воздействие (в мозге присутствуют тормозящие нейроны).

Это было описание отдельного нейрона. Теперь возникает вопрос: как соединять нейроны друг с другом? Если сеть предполагается для чего–то использовать, то у нее должны быть входы (принимающие значения интересующих нас переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Входы и выходы соответствуют сенсорным и двигательным нервам – например, соответственно, идущим от глаз и в руки. Кроме этого, однако, в сети может быть еще много промежуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой.

Ключевой вопрос здесь – обратная связь. Простейшая сеть имеет структуру прямой передачи сигнала: Сигналы проходят от входов через скрытые элементы и в конце концов приходят на выходные элементы. Такая структура имеет устойчивое поведение. Если же сеть рекуррентная (т. е. содержит связи, ведущие назад от более дальних к более ближним нейронам), то она может быть неустойчива и иметь очень сложную динамику поведения. Рекуррентные сети представляют большой интерес для исследователей в области нейронных сетей, однако при решении практических задач, по крайней мере до сих пор, наиболее полезными оказались структуры прямой передачи, и именно такой тип нейронных сетей моделируется в пакете ST Neural Networks.

Типичный пример сети с прямой передачей сигнала показан на рисунке 2. Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных переменных. Каждый из скрытых и выходных нейронов соединен со всеми элементами предыдущего слоя. Можно было бы рассматривать сети, в которых нейроны связаны только с некоторыми из нейронов предыдущего слоя; однако, для большинства приложений сети с полной системой связей предпочтительнее, и именно такой тип сетей реализован в пакете ST Neural Networks.

Данная архитектура используется N раз (N–шаг прогнозирования) для оценки N наблюдений временных рядов. В каждом шаге прогнозирования k (k ≠ N), выход сети Ŝ (t + k) передается во входной слой, чтобы иметь возможность оценить следующие значения Ŝ (t + (k + 1)), что является прогнозированием следующего шага (k + 1).

Алгоритм предусматривает обратные связи с учетом неудачного принятия решения. В этом случае происходит перезапрос на обучение нейронной сети, что позволяет приблизить следующие результаты прогнозирования наиболее точно. Проверка на адекватность модели краткосрочного прогнозирования на основе нейронных сетей производится следующим образом: проверяется выполнение условий для остаточной компоненты (ошибок прогноза):

независимость;

случайность;

нормальность распределения.

Для проверки на независимость (на отсутствие автокорреляции) необходимо определить отсутствие в ряду остатков систематической составляющей. Построив график зависимости остатков как временной ряд, мы не должны увидеть определенной тенденции к изменению, что будет свидетельствовать о зависимости каждого следующего значения остатков от предыдущего, т. е. об автокорреляции. Это проверяется с помощью критерия Дарбина – Уотсона. Для проверки случайности уровней ряда могут быть использованы критерий серий и критерий поворотных точек. Критерий восходящих и нисходящих серий является достаточно надежной и не особенно сложной модификацией критерия серий. Сущность алгоритма состоит в последовательном сравнении двух последних уровней ряда остатков: в случае, если исходный ряд является случайной последовательностью, то продолжительность самой длинной серии, состоящей только из нулей или единиц, должна быть небольшой и общее число серий как можно меньшим. Проверка на нормальность распределения остатков может быть проведена с помощью критериев Колмогорова – Смирнова, Шапиро – Уилка и Андерсона – Дарлинга.

3.2.2 Применение нейронных сетей в телекоммуникационных системах

Длительное время считалось, что нейрокомпьютеры эффективны и применимы лишь для решения так называемых неформализуемых и плохо формализуемых задач, связанных с необходимостью включения в алгоритм их решенния даннных обучения на реальнном экспериментальном материале. В первую очередь к таким задачам относяться задачи распознования образов. В последнее время область применения нейроинформационнных технологий динамично расширяються [3]. Они все шире и шире используются в задачах с ярко выраженным естественным параллелизмом: обработка сигналов, изображений и т. п.

Среди основных выделяют четыре области применения нейрокомпьтеров в системах связи [4]:

управленние коммутацией;

маршрутизация;

управление трафиком;

распределение каналов в подвижных системах радиосвязи.

Решение практически любой задачи в подвижнных системах радиосвязи.

Решение практически любой задачи в нейросетевом логическом базисе предполагает наличие следующих этапов [5]:

формирование входного и выходного сигналов НС;

формирование желаемого выходного сигнала НС;

формирование сигнала ошибки и функционала оптимизации;

формирование структуры НС, адекватной выбранной задачи;

разработка алгоритма настройки НС, эквивалентного процессу решенния задачи в нейросетевом логическом базисе;

проведение исследований процесса решения задачи.

Метод обучения и нейронная сеть, используемая для управления работой высокоскорростной коммутационной сети с пакетной передачей в асинхронном режиме, описаны в работе [6]. Сеть используеться для управления коммутацией пакетов при передаче речи, изображений и данных. Коммутатор представлен как логическое устройтва, на вход которого поступает N сигналов и которое на выходе воспроизводит эти сигнналы в любом представленном порядке.

В работе [8] рассматриваеться пространственный коммутатор (входы и выходы коммутатора являются различными фиическими линиями). Приводяться примеры формирования структуры НС для управления процессом коммутации в различных телекоммуникационных системах.

В настоящее время число связей, эмулируемых в нейрокомпьютере, может достигать нескольких сот миллионов. Поэтому становиться возможны построение коммутаторов с нейросетевым управленнием на несколько сот  [4]. В работе [8] рассматриваеться многоступенчатая коммутационная схема Бьянка и ее управление с помощью нейроконтроллера. Подробнее об управлении коммутацией с использованием искусственных НС можно ознакомиться в [4, 9].

Использование НС для управления трафиком в сложных многоступенчатых системах связи предложено в работе [10]. Трудность задачи обусловлена тем, что, во–первых, заранее неизвестны параметры, характеризующие потоки информации, а во–вторых, требования к качеству могут меняться со временем. НС решает задачи оптимизации, связанные с нахождением бесконфликтных потоков при заданных входных и выходных значениях. При этом НС легко адаптируеться к изменениям условий.

Постановка и решенние задачи в распределения каналов в подвижных системах радиосвязи в нейросетевом базисе мало отличаются от постановки и решения задачи маршрутизации. Разница заключена в сотовой структуре радиосети и большое число коммутируемых узлов [4].

4. Предварительный вариант алгоритма управления устройствами беспроводной сети

Основная задача – это повышение эффективности управления устройствами беспроводной сети передачи данных, в нашем случае с помощью технологии Wi–Fi, с использованием интеллектуальных методов [11].

Математическим аппаратом, выбранный для исследований, являются нейронная сеть, из–за её возможного применения в прогнозировании результата. Способности такой сети к прогнозированию следуют из способности к обобщению и выделению невидимых зависимостей между входными и выходными данными, которые человек мог упустить или опустить из–за трудности решения задачи. После обучения нейронная сеть способна предвидеть будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких–то существующих в настоящий момент факторов. Так же следует запомнить, что прогнозирование возможно только тогда, когда предыдущие изменения в какой–то степени предопределяют будущие. Рассмотрим возможную модель. Для начала следует выделить какие будут входные данные, и какие будут выходные данные по этим входным переменным. Для процесса прогнозирования собирается статистика о количестве устройств приема находящиеся в пределах зоны одного передатчика и уровнях мощности сигнала, статистических параметрах трафика (таких как – данные, голос, видео, объемы передаваемых данных и т. д.). Этот процесс не требует вмешательства дополнительного оборудования, подключаемого к мобильным устройствам, т. к. уровни мощности сигнала могут быть измерены при помощи встроенных устройств беспроводной связи. Так же необходимо учитывать возможные помехи, которые создают устройства друг для друга. На основе собранных данных следует процесс обучения нейронной сети, которая должна прогнозировать уровни мощности объектов и возможные оптимальные настройки точек доступа в сети.

Процесс перенастройке сети происходит после построения краткосрочной модели прогноза с использованием одной нейронной сети. Для процесса прогнозирования собирается статистика о уровнях мощности сигнала и одновременно подключенных пользователей к одной точке доступа, статистических параметрах трафика. Уровни мощности сигнала также могут быть измерены при помощи встроенных устройств беспроводной связи.

На основе собранных данных происходит процесс обучения нейронных сетей. Нейронная сеть прогнозирует количество необходимых вклюбченных точек доступа для обеспечения пользователей сети необходим уровнем качества доступа к сети Интернет. Предлагаемый алгоритм представлен на рис. 3 :

Наиболее подходящей нейронной сетью для прогнозирования таких результатов служит рекуррентная нейронная сеть. Это наиболее сложный вид нейронных сетей, в которых имеется обратная связь [2] (под обратной связью подразумевается связь от логически более удалённого элемента к менее удалённому). Наличие обратных связей позволяет запоминать и воспроизводить целые последовательности реакций на один стимул. С точки зрения программирования в таких сетях появляется аналог циклического выполнения, а с точки зрения систем такая сеть эквивалентна конечному автомату.

Рассмотрим пример на стадионе Ростов–Арена [13]. По требованиям FIFA, Wi–Fi сеть на трибунах должна обеспечивать доступ не менее чем для 15 % от общего числа всех зрителей в обоих диапазонах (2,4 и 5 ГГц) и на скорости доступа в Интернет не менее 1 Мб/с. Сегодня часто используют такие модели точек доступа, которые обеспечивают возможность работы по технологии 802.11n и получать питание по стандарту 802.3af Power over Ethernet.

Исходя из максимального количества возможных посетителей на стадионе, вместимость которого 45000  определим, что необходимое количество ТД для обеспеченния к сети Интеренет составит окло 350 устройств. Далее, зная потребляемую мощность – около 15,4 Вт, можно посчитать экономические затраты на энергообеспечение. Для этого использем формулу:

Где W – потребляемая мощность (кВт);
T – время работы (2 ч);
S – тариф, равный 1 кВт/ч = 6 руб.
По расчетам  [12], необходимое количество ТД для обеспеченния доступа к сети Интеренет во время матча при полной занятости мест будет равна 350 шт. Это количество в течении 2–х часов работы будут потреблять 4,804 кВт. Далее возьме статистику посещаемости данного стадиона в течении 2019 года. В этот период было проведено 18 домашних матчей, проходящие на стадионе Ростов–Арена. Данные о количестве занятости мест на данных матчах и о приблизительном требовании точек доступа для обслуживания 15 % посетителей и затраты на энергопитание этого оборудования представлена в таблице 1.

Проанализировав таблицу, можно видеть, что не всегда экономически выгодно держать во время матча включенными все доступные точки доступа. Далее в работе будет рассматриваться попытка обучения реккурентной нейронной сети анализировать количество купленных билетов на определенный матч и предсказывать необходимое количество требуемого включенного сетевого обрудования для доступа к сети. Так же будет рассмотрена модель расчета предпологаемого трафика сети и аннализируя его выбрать ннеобходимое количество ТД и их параметры. Уже после аннализа двух разщличных методов расчета количества точек доступа для обесепчения покрытия территории и обслуживания абонентов будет выбираться оптимальный вариант.

5. Вывод

Вышеописанный алгоритм позволяет построить возможную модель прогноза загруженности сети для изменения количество включенных точек доступа, что дает возможность повысить эффективность управления устройствами беспроводных сетей, заранее отреагировать на изменение структуры сети и обеспечить полосу пропускания трафика с наименьшими потерями и задержками к критическим видам трафика.

Список источников

1. Беспроводные технологии [Электронный ресурс]. – Режим доступа: wikipedia.org
2. Нейронные сети [Электронный ресурс]. – Режим доступа: statsoft.ru...
3. Комашинский В. И., Смирнов Д. А. Нейронные сети и их применение в системах управления и связи. – М.: Горячая линия – Телеком, 2003.
4. Галушкин А. И. Нейрокомпьютеры в разработке военной техннники США. – Зарубежная радиоэлектроника, 1995 №6, с. 4–21.
5. Галушкин А. И. Современные направления развития ннейрокомпьютеров в России. – Зарубежная радиоэлектроника. Успехи современной радиэлектроники, 1998, №4, с. 3–17.
6. Atsushi H. ATM communications network control by neural network. – IJCNN. Washington DC, 1089, vol. 1, pp. 259–266.
7. Brown T. X., Neural network for switching. – IEEE Comm. Mag., Nov., 1989, pp. 72–81.
8. Brown T. X., Lui Kuo–Hui, Neural network design of a Banyan network controller. – IEEE J.–Selec, Areas Commun., 1990, vol. 8, pp. 1428–1438.
9. Trouded Terry. P., Walters Stephen M., Neural network architecture for crossbar switch control. – IEEE Transactions Circuits and Syst., 1992, vol. 28, pp. 1177–1178.
10. Funabiki Nobuo, Takefuuji Yoshiyasu, Lee Cuo Chun, A neural network model for traffic control in multistage interconnection networks. – IJCNN–91, Seatle, Wash., July 8–12, 1991, vol. 2, p. 898.
11. Технологии современных беспроводных сетей Wi–Fi: учебное пособие / [Е. В. Смирнова, А. В. Пролетарский и др.] ; под общ. ред. А. В. Пролетарского. – Москва, Издательство: МГТУ им. Н. Э. Баумана, 2017. – 446.
12. Мохамед Саид Газал, В. С. Котик, А. В. Горбенко, О. М. Тарасюк. Метод проектирование беспроводных компьютерных сетей с учетом требований к пропускной способности. Национальный аэрокосмический университет им. Н. Е. Жуковского ХАИ, Харьков 2009 г.
13. Ростов Арена – Википедия [Электронный ресурс]. – Режим доступа: wikipedia.org