Зазначено, що класичні алгоритми пошуку найкоротшого шляху на графі, що лежать в основі наявних протоколів маршрутизації, які сьогодні використовують у комп'ютерних мережах, за умов постійної зміни завантаженості мережі не можуть призвести до оптимального рішення в реальному часі. Мета дослідження - розробити методику визначення оптимального маршруту в об'єднаній комп'ютерній мережі. Для визначення оптимального маршруту в об'єднаній комп'ютерній мережі, що працює за різними технологіями, розроблено на мові Python із використанням фреймворку TensorFlow програмну модель "MLP 34-2-410-34". Вона надає змогу виконувати наступні етапи: генерацію вибірки (випадкову або збалансовану); створення нейронної мережі, на вхід якої подають масив пропускних спроможностей каналів комп'ютерної мережі; навчання й тестування нейронної мережі на відповідних вибірках. Нейронна мережа конфігурації 34-2-410-34 з функціями активації ReLU та Leaky-ReLU у прихованому шарі та лінійною функцією активації у вихідному шарі навчається за алгоритмом Adam. Цей алгоритм є комбінацією алгоритмів Adagrad, RMSprop та стохастичного градієнтного спуску з інерцією. Зазначені функції навчаються найбільш швидко на всіх обсягах навчальної вибірки, менш за інші піддаються перенавчанню, й досягають значення помилки в 0,0024 на контрольній вибірці й у 86 % визначає оптимальний шлях. Проведено дослідження параметрів нейронної мережі на основі розрахунку середнього гармонійного за різних функцій активації (Linear, Sigmoid, Tanh, Softplus, ReLU, L-ReLU) на навчальних вибірках різного обсягу (140, 1400, 14 000, 49 000 прикладів) та за різними алгоритмами оптимізації навчання нейронної мережі (BGD, MB SGD, Adam, Adamax, Nadam). Використання нейронної моделі, на вхід якої подають значення пропускних спроможностей каналів, надасть змогу у реальному часі визначити оптимальний маршрут в об'єднаній комп'ютерній мережі.Сучасні алгоритми вибору найкоротшого маршруту, наприклад, алгоритми Беллмана-Форда й Дейкстри, які в даний час широко використовують у протоколах маршрутизації (RIP, OSPF), не завжди призводять до ефективного результату. Тому виникає необхідність дослідження можливості організації маршрутизації в мережі інформаційно-телекомунікаційної системи (ІТС) залізничного транспорту за допомогою методів штучного інтелекту. На основі створеної в моделювальній системі OPNET імітаційної моделі розглянуто фрагмент мережі ІТС залізничного транспорту й сформовано наступні вибірки: навчальну; тестувальну; контрольну. Для моделювання в системі MatLAB нейронечіткої мережі (гібридної системи) на вхід подають наступні параметри: довжина пакета (3 терм-множини); інтенсивність трафіка (5 терм-множин); кількість проміжних маршрутизаторів, що складають маршрут (4 терм-множини). За результуючу характеристику взято час перебування пакета в маршрутизаторах за маршрутом його проходження в мережі ІТС (4 терм-множини). На основі визначеного часу перебування пакета в маршрутизаторах і затримок у черзі на маршрутизаторах, що складають різні шляхи (з однаковою кількістю маршрутизаторів) визначено оптимальний маршрут. Для розглянутого фрагмента ІТС залізничного транспорту здійснено прогноз часу перебування пакета в маршрутизаторах за маршрутом його проходження на основі нейронечіткої мережі, що створена в системі MatLAB. Проведено дослідження середньої похибки навчання нейронечіткої мережі за різних функцій належності й за різними методами оптимізації навчання. Виявлено, що найменше значення середньої похибки навчання надає нейронечітка мережа конфігурації 3-12-60-60-1 в разі використання симетричної Гаусівської функції належності за гібридним методом оптимізації. За сценаріями RIP та OSPF на створеній в моделювальній системі OPNET імітаційній моделі отримані наступні характеристики: середнє навантаження сервера; середній час обробки пакетів маршрутизатором; середній час очікування пакетів у черзі; середня кількість втрачених пакетів; час конвергенції мережі. Визначено, що найкращі результати надає імітаційна модель мережі за сценарієм OSPF. Запропонована інтегрована система маршрутизації в мережі ІТС залізничного транспорту, в основу якої покладено створені нейронечіткі мережі, визначає оптимальний маршрут у мережі швидше порівняно з наявним протоколом маршрутизації OSPF. Інтегрована система маршрутизації в ІТС залізничного транспорту дозволить у реальному часі визначити оптимальний маршрут у мережі за однаковою кількістю маршрутизаторів, що складають шлях проходження пакета.

  Повний текст PDF - 1.577 Mb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"