Розробка алгоритму управління ресурсами бездротової мережі в умовах високої концентрації абонентів

Реферат за темою випускної роботи

При написанні даного автореферату магістерська робота ще не завершена. Остаточне завершення: червень 2020 р. Повний текст роботи та матеріали по темі можуть бути отримані у автора після зазначеної дати.

Зміст

• Введення
• 1. Актуальність теми
• 2. Мета і завдання дослідження, плановані результати
• 3. Огляд досліджень і розробок
• 3.1 Аналіз бездротових мереж
• 3.2 Аналіз нейронних мереж
• 3.2.1 Базова штучна модель
• 3.2.2 Застосування нейронних мереж в телекомунікаційних системах
• 4. Попередній варіант алгоритму керування бездротовою мережею
• Висновок
• Список джерел

Введення

В місцях великого скупчення людей, таких як стадіони, центри міста, арени, конференц–центри, вокзали, мобільні мережі особливо перевантажені. Зростання трафіку даних забезпечується за рахунок смартфонів і мобільних додатків ноутбуків і планшетів. Тому мобільним операторам необхідні інструменти для вирішення проблеми пропускної спроможності мережі. Побудову мереж Wi–Fi на обʼєктах з високою щільністю розташування користувачів – актуальне завдання сьогодні.

1. Актуальність теми

Актуальність роботи полягає в тому, що обслуговування різних інфотелекоммунікаціонних мереж досить дороге і енергоємне меропіріятіе. Тому в даній роботі буде розглядатися метод обслуговування бездротової мережі Wi–Fi таким чином, щоб зменшити енерговитрати на обслуговування мережі т. ч. зменшити грошові витрати на електроживлення обладнання бездротової мережі.

Магістерська робота присвячена актуальною наукової завданню розробки алгоритму вирішення завдань управління роботи обладнання у бездротових мережах, використовуючи результати аналізу поточного навантаження мережі та передбачення зміни характеристик що надається якості обслуговування в мережі залежно від параметрів що надійшов запиту на передачу даних.

Отримані результати можуть знайти застосування при проектуванні високошвидкісних бездротових мереж з великою концентрацією абонентів з економічним вийгриш.

2. Мета і завдання дослідження, плановані результати

Метою наукової роботи є розробка алгоритму оптимального управління ресурсами бездротової мережі за умов високої концентрації абонентів.

При розробці такого алгоритму необхідно вирішити такі завдання:

1. провести аналіз методів можливого рішення;
2. розробити вимоги до технічного забезпечення мережі;
3. побудувати математичну модель алгоритму управління ресурсами бездротової мережі;
4. оцінити ефективність роботи – розрахунок впливу або визначення співвідношення сигнал/шум;
5. перевірити працездатність мережі.

3. Огляд досліджень і розробок

Wi–Fi технологія виникла завдяки прийняттю рішення Федеральної комісії зі звʼязку Сполучених Штатів Америки (FCC, 1985 рік) щодо відкриття декількох смуг бездротового спектру для використання без державної ліцензії. Ці смуги вже використовувалися для всякого роду обладнання, такого як, наприклад, мікрохвильові печі. Для роботи в цих частотах, пристрої повинні використовувати технологію поширення спектру. Завдяки цій технології, радіо сигнал поширюється в більш широкому діапазоні частот, роблячи сигнал менш чутливим до перешкод і важко перехоплювати.

3.1 Аналіз бездротових мереж

Існує багато обʼєктів з високою концентрацією абонентів, де неможливо обійтися без бездротових мереж. У більшості випадків, бездротові мережі дозволяють досягти певних переваг у порівнянні з дротовими мережами:

відсутність проводів;

мінімум будівельно робіт;

висока швидкість;

дешевизна установки та володіння;

гнучкість у побудові;

реконфігурацію і масштабованість;

сумісність з багатьма пристроями.

В повсякденному житті в місцях великого скупчення людей більше використання отримав тип бездротової мережі: Wi–Fi на основі технології IEEE 802.11 [1]. З усіх стандартів такої технології передачі даних IEEE 802.11, на практиці найбільш часто використовуються чотири, це: 802.11a, 802.11b, 802.11g і 802.11n.

В стандарті IEEE 802.11b швидкість передачі даних до 11 Мбіт/с, працює в діапазоні 2,4 ГГц, цей стандарт завоював найбільшу популярність у виробників устаткування для бездротових мереж. Оскільки обладнання, яке працює на максимальній швидкості 11 Мбіт/с має менший радіус дії, чим на більш низьких швидкостях, то стандартом 802.11b передбачено автоматичне зниження швидкості при погіршенні якості сигналу.

Стандарт IEEE 802.11g є логічним розвитком 802.11b і передбачає передачу цих в тому ж частотному діапазоні. Крім того, стандарт 802,11g повністю сумісний з 802.11b, тобто будь-який пристрій 802,11g має підтримувати роботу з пристроями 802.11b. Максимальну швидкість передачі в стандарті 802.11g становить 54 Мбіт/с, тому на сьогодні це найбільш перспективний стандарт бездротової звʼязку

Стандарт 802.11n підвищує швидкість передачі даних практично вчетверо порівняно з пристроями стандартів 802.11g (максимальна швидкість яких дорівнює 54 Мбіт/с), за умови використання в режимі 802.11n з іншими пристроями 802.11n. Теоретично 802.11n здатний забезпечити швидкість передачі даних до 480 Мбіт/с. Пристрої 802.11n працюють в діапазонах 2,4 –  2,5 або 5,0 ГГц.

Проблемами бездротових мережі завжди залишаються:

обмеженість дальності звʼязку;

різке падіння пропускної спроможності мережі при збільшенні кількості абонентів.

Невідповідність запланованої пропускної здатності бездротової локальної мережі і швидко зростаючого трафіку її користувачів призводить до значного погіршення характеристик мережі, до невдоволення її користувачів і невірних висновків про те, що мережа Wi–Fi не може впоратися з великим навантаженням. Однак дотримання простих принципів проектування дозволить забезпечити достатню пропускну здатність бездротової мережі Wi–Fi для обслуговування тисяч користувачів у одному місці, як показують приклади вдалих проектів.

Розглянемо основні вимоги до проектованої бездротової мережі:

тип переданих даних (передача даних, голоса чи позиціонування);

щільність користувачів;

вимоги до покриття;

особливості клієнтських пристроїв (потужності передавача, підтримувані діапазони і канали, підтримує швидкості передачі даних);

вимоги до безпеки мережі.

Залежно від типу даних, які будуть передаватися по мережі, ставиться вимога до середньої пропускної здатності каналів звʼязку і діапазону передавачі, які будуть використовуватися в цій мережі. Середня пропускна здатність каналу передачі даних залежить від вимог по якості обслуговування і є досить важко розвʼязуваної завданням.

Необхідне і достатнє кількість абонентів, які можуть підключитися до однієї точки доступу, ставить вимогу до потужності передавача та розподілу частотних каналів. Чим нижче потужність передавача, тим менше швидкість організованого каналу і тим менше можна підключити абонентів до однієї точки доступу. Оптимальна кількість абонентів – від 13 до 18.

Безпеку бездротових мереж сильно залежить від використання низки різноманітних технологій: шифрування, цифрового підпису, паролів та іншого. Те, як використовуються ці технології, сильно впливає на рівень захищеності мережі. Питань безпеки бездротових мереж присвячено велику кількість досліджень і дане дослідження його не зачіпає.

Основною проблемою при проектуванні бездротових мереж доступу або їх розширенні є не перекриття частот сусідніх точок доступу, щоб уникнути взаємних перешкод і зниження швидкості передачі. Зазвичай це вирішується налаштуванням сусідніх точок на неперекривающіеся по частоті каналів.

Як правило, для правильного планування місця розташування точок доступу спершу потрібно досліджувати функціональні залежності наступних величин:

діапазон;

що використовуються канали вибраного діапазону;

потужність передавача;

тип і коефіцієнт посилення антени;

дозволені швидкості передачі даних.

3.2 Аналіз нейронних мереж

В останні кілька років ми спостерігаємо вибух інтересу до нейронних мережам, які успішно застосовуються в найрізноманітніших галузях – бізнесі, медицині, техніці, геології, фізики. Нейронні мережі увійшли в практику скрізь, де потрібно вирішувати завдання прогнозування, класифікації або управління. Такий вражаючий успіх визначається кількома причинами [3]:

Багаті можливості:
Нейронні мережі – дуже потужним метод моделювання, що дозволяє відтворювати надзвичайно складні залежності. Зокрема, нейронні мережі нелінійні по свій природі. Протягом багатьох років лінійне моделювання було основним методом моделювання в більшості областей, оскільки для нього добре розроблені процедури оптимізації. В задачах, де лінійна апроксимація незадовільна (а таких досить багато), лінійні моделі працюють погано. Крім того, нейронні мережі справляються з прокляттям розмірності, яке не дозволяє моделювати лінійні залежності в разі великого числа змінних.

Простота у використанні:
Нейронні мережі навчаються на прикладах. Користувач нейронної мережі підбирає представницькі дані, а потім запускає алгоритм навчання, який автоматично сприймає структуру даних. При цьому від користувача, звичайно, потрібна якийсь набір евристичних знань про те, як слід відбирати та готувати дані, обирати потрібну архітектуру мережі та інтерпретувати результати, Проте рівень знань, необхідний для успішного застосування нейронних мереж, набагато скромніше, ніж, наприклад, при використанні традиційних методів статистики.

Нейронні мережі привабливі з інтуїтивної точки зору, бо вони засновані на примітивною біологічної моделі нервових систем. В майбутньому розвиток таких Нейро біологічних моделей може призвести до створення дійсно мислячих компʼютерів. Тим часом уже прості нейронні мережі, які будує система ST Neural Networks, є потужним зброєю в арсеналі фахівця з прикладної статистиці.

3.2.1 Базова штучна модель

Щоб відобразити суть біологічних нейронних систем, визначення штучного нейрона дається наступним чином:

Він отримує вхідні сигнали (вихідні дані або вихідні сигнали інших нейронів нейронної мережі) через кілька вхідних каналів. Кожен вхідний сигнал проходить через зʼєднання, що має певну інтенсивність (або вага); цю вагу відповідає синаптичної активності біологічного нейрона. З кожним нейроном повʼязано певне порогове значення. Обчислюється зважена сума входів, з неї віднімається порогове значення і в результаті виходить величина активації нейрона (вона також називається пост–синаптичних потенціалом нейрона – PSP).

Сигнал активації перетворюється за допомогою функції активації (або передавальної функції) і в результаті виходить вихідний сигнал нейрона.

Якщо при цьому використовувати ступінчасту функцію активації (тобто, вихід нейрона дорівнює нулю, якщо вхід негативний, і одиниці, якщо вхід нульовий або позитивний), то такий нейрон буде працювати точно так само, як описаний вище естественный нейрон (відняти порогове значення з зваженої суми і порівняти результат з нулем – це те ж саме, що порівняти зважену суму з пороговим значенням). Насправді, як ми скоро побачимо, порогові функції рідко використовуються в штучних нейронних мережах. Врахуйте, що ваги можуть бути негативними, – це означає, що синапс чинить на нейрон не збудливу, а гальмуючий вплив (в мозку присутні що гальмують нейрони).

Это було опис окремого нейрона. Тепер виникає питання: як зʼєднувати нейрони один з одним? Якщо мережа передбачається для чогось використовувати, то у неї повинні бути входи (приймаючі значення, що цікавлять нас змінних з зовнішнього світу) і виходи (прогнози або керуючі сигнали). Входи і виходи відповідають сенсорним і руховим нервам – наприклад, відповідно, таким, що йде від очей і в руки. Крім цього, Однак, в мережі може бути ще багато проміжних (прихованих) нейронів, що виконують внутрішні функції. Вхідні, приховані і вихідні нейрони повинні бути повʼязані між собою.

Ключове питання тут – зворотний звʼязок. Найпростіша мережа має структуру прямої передачі сигналу: Сигнали проходять від входів через приховані елементи і Зрештою приходять на вихідні елементи. Така структура має сталий поведінку. Якщо ж мережа рекуррентная (тобто містить звʼязку, провідні назад від більш дальніх до більш ближнім нейронам), то вона може бути нестійка і мати дуже складну динаміку поведінки. Рекурентні мережі представляють великий інтерес для дослідників у сфері нейронних мереж, Однак при вирішенні практичних завдань, принаймні досі, найбільш корисними виявилися структури прямої передачі, і саме такий тип нейронних мереж моделюється в пакеті ST Neural Networks.

Типовий приклад мережі з прямою передачею сигналу показаний на графіку рисунка 2. Нейрони регулярним чином організовані в верстви. Вхідний шар служить просто для введення значень вхідних змінних. Кожен з прихованих і вихідних нейронів зʼєднаний з усіма елементами попереднього шару. Можна було б розглядати мережі, в яких нейрони повʼязані тільки з деякими з нейронів попереднього шару; Проте, для більшості додатків мережі з повною системою звʼязків переважніше, і саме такий тип мереж реалізований в пакеті ST Neural Networks.

Дана архітектура використовується N разів (N–крок прогнозування) для оцінки N спостережень тимчасових рядів. В кожному кроці прогнозування k (k ≠ N), вихід мережі Ŝ (t + k) передається у вхідних шар, щоб мати можливість оцінити такі значення Ŝ (t + (k + 1)), что является прогнозированием следующего шага (k + 1).

Алгоритм передбачає зворотні звʼязку з урахуванням невдалого прийняття рішення. У цьому випадку відбувається perezapros на навчання нейронної мережі, що дозволяє наблизити наступні результати прогнозування найбільш точно. Перевірка на адекватність моделі короткострокового прогнозування на основі нейронних мереж здійснюється таким чином: перевіряється виконання умов для залишковою компоненти (помилок прогнозу):

3.2.2 Застосування нейронних мереж в телекомунікаційних системах

Тривалий час вважалося, що нейрокомпʼютери ефективні і можуть застосовуватися лише для вирішення так званих неформалізованих і погано формалізованих задач, повʼязаних з необхідністю включення в алгоритм їх вирішення данн навчання на реальних експериментальному матеріалі. В першу чергу до таких завдань відносяться завдання розпізнання образів. Останнім часом сфера застосування нейроінформаціоннних технологій динамічно расширяються [4]. Вони все ширше і ширше використовуються в завданнях із яскраво вираженим природним паралелізмом: обробка сигналів, зображень і т.п.

Серед основних виділяють чотири галузі застосування neyrokompterov в системах звʼязку [5]:

управління комутацією;

маршрутизація;

управління трафіком;

розподіл каналів у рухливих системах радіозвʼязку.

Рішення практично будь–якої задачі в рухомій системі радіозвʼязку.

Рішення практично будь-якої задачі в нейромережевому логічному базисі передбачає наявність наступних етапів [6]:

формування вхідного і вихідного сигналів НМ;

формування бажаного вихідного сигналу НМ;

формування сигналу помилки і функціоналу оптимізації;

формування структури НМ, адекватної вибраної задачі;

розробка алгоритму налаштування НМ, еквівалентного процесі виконання завдання в нейромережевому логічному базисі;

проведення досліджень процесу вирішення завдання.

Метод навчання і нейронна мережа, яка використовується для управління роботою високоскорростной комутаційної мережі з пакетною передачею в асинхронному режимі, описані в роботі [7]. Мережа використовує для управління комутацією пакетів при передачі промови, зображень і даних. Комутатор представлений як логічне устройтва, на вхід kotoroggo надходить N сигналів і яке на виході відтворює ці сигнали в будь–якому представленому порядку.

В роботі [8] розглядає просторовий комутатор (входи і виходи комутатори є різними fiicheskimi лініями). Приводяться приклади формування структури НМ для управління процесом комутації в різних телекомунікаційних системах.

В даний час число звʼязків, емульованого в нейрокомпʼютер, може досягати кількох сотень мільйонів. Тож ставати можливі побудова комутаторів з нейромережевим управленнием на декілька сот каналів [5]. В роботі [9] розглядає багатоступенева комутаційна схема Бʼянка та її управління з допомогою нейроконтролера. Детальніше про управління комутацією з використанням штучних НМ можна ознайомитися в [5, 10].

Використання НМ для управління трафіком в складних багатоступеневих системах звʼязку запропоновано у роботі [11]. Трудність завдання обумовлена тим, що, по–перше, заздалегідь невідомі параметри, що характеризують потоки інформації, а по–друге, вимоги до якості можуть змінюватися з часом. НМ вирішує завдання оптимізації, повʼязані з перебуванням безконфліктних потоків при заданих вхідних та вихідних значеннях. При цьому НМ легко адаптує до змін умов.

Постановка і вирішення завдань в розподілу каналів в рухливих системах радіозвʼязку в нейромережевому базисі мало відрізняються від постановки і рішення задачі маршрутизації. Різниця полягає в стільникового структурі радіомережі і велике число комутованих вузлів [5].

4. Попередній варіант алгоритму керування бездротовою мережею

Основне завдання – це підвищення ефективності управління бездротовими мережами передавання даних, у нашому випадку за допомогою технології Wi–Fi, з використанням інтелектуальних методів [12].

Математичним апаратом, вибраний для досліджень, є нейронна мережа, из– за ee можливого застосування в прогнозуванні результату. Здатності такої мережі до прогнозування слідують з здатності до узагальнення і виділення невидимих залежностей між вхідними і вихідними даними, які людина мог упустить або опустити через труднощі вирішення завдання. Після навчання нейронна мережа здатна передбачити майбутнє значення якоїсь послідовності на основі кількох попередніх значень та/або какихто існуючих в даний момент факторів. Так само слід запамʼятати, що прогнозування можливо тільки тоді, коли попередні зміни в якійсь мірі зумовлюють майбутні. Розглянемо можливу модель. Для початку слід виділити які будуть вхідних даних, і які будуть вихідні дані за цими вхідним змінним. Для процесу прогнозування збирається статистика про кількість пристроїв прийому які знаходяться в межах зони одного передавача та рівнях потужності сигналу, статистичних параметрах трафіку (таких як – дані, голос, відео, обсяги переданих даних і т. д.). Цей процес не вимагає втручання додаткового обладнання, підключається до мобільних пристроїв, т. я. рівні потужності сигналу можуть бути виміряні за допомогою вбудованих пристроїв бездротового звʼязку. Так само необхідно враховувати можливі перешкоди, які створюють пристрої один для одного. На основі зібраних даних випливає процес навчання нейронної мережі, яка повинна прогнозувати рівні потужності обʼєктів і можливі оптимальні налаштування точок доступу в мережі.

Процес перенастроюванні мережі відбувається після побудови короткостроковій моделі прогнозу з використанням однієї нейронної мережі. Для процесу прогнозування збирається статистика про рівнях потужності сигналу і одночасно псевдонімами у до однієї точки доступу, статистичних параметрах трафіку. Рівні потужності сигналу також можуть бути виміряні за допомогою вбудованих пристроїв бездротового звʼязку.

На основі зібраних даних відбувається процес навчання нейронних мереж. Нейронна мережа прогнозує кількість підключених пристроїв до однієї точки доступу і можливий трафік. Пропонований алгоритм представлений на рис. 3:

Найбільш відповідною нейронної мережею для прогнозування таких результатів служить рекуррентная нейронна мережа. Це найбільш складний вид нейронних мереж, у яких наявна зворотний связь [2] (під зворотним зв' язком мається на увазі звʼязок від логічно більш віддаленого елемента до менш віддаленого). Наявність зворотних звʼязків дозволяє запамʼятовувати і відтворювати цілі послідовності реакцій на один стимул. З точки зору програмування в таких мережах зʼявляється аналог циклічного виконання, а з точки зору систем така мережа еквівалентна кінцевого автомата.

Розглянемо приклад на стадіоні Ростов– Арена  [13]. За вимогами FIFA, Wi–Fi мережу на трибунах повинна забезпечувати доступ не менш як для 15 % від загального числа всіх глядачів в обох діапазонах (2,4  і 5 ГГц) і на швидкості доступу в Інтернет не менш 1 Мб/с. Обрана модель точок доступу – Cisco AIR– LAP1142N–A–K9. Обрана модель забезпечує использова в часто використовуваних у промисловості технологію 802.11n і отримує харчування за стандартом 802.3af Power over Ethernet.

Спираючись на максимальний кількості можливих відвідувачів на стадіоні, місткість якого 45000 визначимо, що необхідна кількість ТД для забезпечений до мережі Інтеренет складе близько 350 пристроїв. Далі, знаючи споживану мощность  – близько 15,4 Вт, можна порахувати економічні витрати на енергозабезпечення. Для цього использ формулу:

Де W –споживана потужність (кВт);
T –час роботи (2 год.);
S  – тариф, рівний 1 кВт/год  = 6  руб.
За розрахунками [12], необхідна кількість ТД для забезпечений доступу до мережі Інтеренет під час матчу при повній зайнятості місць буде дорівнює 350 шт. Ця кількість протягом 2–x годин роботи будуть споживати 4,804 кВт. Далі возьмем статистику відвідуваності даного стадіону протягом 2019 року. В цей період було проведено 18 домашніх матчів, що проходять на стадіоні Ростов–Арена . Дані про кількість зайнятості місць на даних матчах і про приблизний вимозі точок доступу для обслуговування 15 % відвідувачів і витрати на енергоживлення цього обладнання представлена у таблиці 1.

Проаналізувавши таблицю, можна бачити, що не завжди економічно вигідно тримати під час матчу включеними всі доступні точки доступу. Далі в роботі буде розглядатися спроба навчання реккурентное нейронної мережі аналізувати кількість куплених квитків на певний матч і передбачати необхідну кількість необхідного включеного мережевого обрудования для доступу до мережі і самостійно управляти ними.

5. Висновок

Вищеописаний алгоритм дозволяє побудувати можливу модель прогнозу завантаженості мережі для зміни кількість включених точок доступу, що дає можливість підвищити ефективність управління пристроями бездротових мереж, заздалегідь відреагувати на зміну структури мережі і забезпечити смугу пропускання трафіку з найменшими втратами і затримками до критичних видів трафіку.

Список джерел

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