Рабочая станция сбора статистических данных и обработки результатов

Эта подсистема содержит средства для оценки необходимого времени моделирования и оценки статистической отчётности его результатов с учетом коррелированности отсчётов и других осложняющих факторов, а также средства для улучшения этих параметров. Она реализована на базе ПЭВМ Intel Pentium 4, CPU 2, 80 GHz, 512 МБ ОЗУ. Встроенный жёсткий диск объёмом 80 ГБ позволяет хранить необходимое количество статистической информации. Предусмотрена возможность записи требуемой информации на встроенный RW-DVD диск.

Итоговые результаты статистического анализа распечатывается на подключенном к станции принтере.

9.13.4. Система управления топологией сети

Эта подсистема реализована на базе ПЭВМ Intel Pentium 4, CPU 2, 80 GHz, 512 МБ ОЗУ. Программное обеспечение, установленное в системе позволяет управлять топологией выбранной сети, используя топологические решения, найденные имитатором ТКС.

9.14. Задачи имитационного моделирования глобальных ТКС, реализуемые на стенде

Разработанный стенд имитационного моделирования ТКС позволяет решить три группы задач:

Первая группа задач связана с синтезом топологической структуры ТКС с учётом её развития, динамики потоков, выбором производительности и алгоритмов функционирования её элементов (узлов коммутации и каналов связи).

Вторая группа задач обусловлена реализацией технологии взаимодействия, которая получила свое оформление в виде системы протоколов обмена информацией, имеющих многоуровневую структуру.

Третья группа задач - это задачи управления взаимодействием на уровне транспортной сети; решение их связано с разработкой эффективных процедур управления коммутацией, маршрутизацией, управлением потоками, реконфигурацией сети.

9.15. Методика имитационного моделирования и вычислительные эксперименты

Ряд экспериментов, проведённых на стенде с имитационными моделями глобальных ТКС, показал высокую работоспособность стенда при реализации таких задач [51]. Однако в ходе экспериментов выявилась одна проблема, которая хотя и декларируется как довольно насущная в таких ситуациях, но обычно остающаяся в “тени”.

Для достижения результатов достаточной достоверности приходится проводить множество тестовых прогонов для тестируемых моделей, каждый из которых занимает достаточно большое время, и это настолько удлиняет имитационные эксперименты, что зачастую обесценивает их результаты. Эта проблема оказалась настолько острой, что пришлось принимать меры для её хотя бы частичного решения и разрабатывать соответствующий инструментарий.

При имитационном моделировании сложных систем машинный прогон одной модели такой системы обычно требует значительного машинного времени – даже при высоких скоростях обработки информации в современных компьютерах оно может измеряться десятками минут. Особенно остро стоит эта проблема при моделировании сетевых структур (как в нашем случае), так как здесь время прогона имеет резко возрастающую зависимость от размерности сетей (некоторые авторы аппроксимируют ее полиномами высоких степеней). Кроме того, время тестового прогона имеет резко возрастающую (примерно экспоненциальную) зависимость от величины сетевой нагрузки.

При проведении одного имитационного эксперимента число тестовых прогонов конкретной модели может быть весьма значительным. Например, в рамках факторного анализа при многофакторном эксперименте это число может измеряться тысячами. При этом после каждой микросерии прогонов приходится делать перерыв (иногда весьма ощутимый) на осмысление их результатов и подготовку исходных данных для следующей микросерии прогонов. В таких условиях время на полную серию прогонов одной модели может занимать месяцы.

Таким образом, при имитационном моделировании сложных систем весьма насущной является проблема экономии машинного времени.

В качестве критерия окончания имитационного эксперимента была взята нормированная выборочная дисперсия одного из подходящих параметров системы (например, длин очередей или задержек), усредняемых от начала прогона до текущего момента. Этот критерий более удобен, чем некоторые другие (например, оценка по доверительным интервалам) тем, что для его реализации нужно меньше предварительной информации, исходящей от пользователя. Он более прост, чем другие критерии, так как требует меньше «настроечных» параметров субъективного характера, хотя в некоторых отношениях и «грубее» их.

При тестовых прогонах имитационных моделей не определялся и, соответственно, не отсекался начальный интервал процесса перехода системы в устойчивый режим. Это, естественно, удлиняло временной интервал уменьшения текущей выборочной дисперсии до заданной величины, но зато упрощало всю оценочную процедуру.

Статистически оцениваемые величины, служившие результатами имитационных прогонов, в различных случаях выбирались по-разному. В результате предварительных экспериментов в качестве такой величины была выбрана сумма длин всех очередей модели. При проведении имитационных экспериментов надо учитывать, что выборочная дисперсия этого параметра сходится к нулю быстрее, чем некоторые другие аналогичные «конструкции», если в качестве измеряемого параметра выбрана одна из последних. Примером может послужить максимум нормализованных дисперсий всех очередей модели.

Известно, что в стационарном режиме сходимость любого усредняемого параметра системы к его асимптотически-константному значению носит асимптотически экспоненциальный характер, т.е. чем дольше во времени разворачивается процесс функционирования системы, тем точнее можно представить изменение такого параметра убывающей экспонентой с некоторым показателем, который обычно называется показателем сходимости. Для очень простых имитационных моделей этот показатель иногда можно рассчитать аналитически. Тогда все критерии останова прогона, в т.ч. и выборочная дисперсия, вычисляются относительно просто, и момент останова прогона известен заранее. В нашем более сложном случае такое предварительное вычисление невозможно.

Наиболее простым решением этой проблемы в данных условиях является проведение пробных укороченных прогонов исследуемой модели с заданной длительностью, чтобы на основе полученных оценок выборочной дисперсии сэскстраполировать длительность полномасштабного прогона модели до заданного значения этой дисперсии, который оказывается, как правило, более жёстким, чем полученные из пробных прогонов. Если эта оценка длительности оказывается для пользователя слишком большой, тогда ему придётся решать дилемму – уменьшить длительность прогона, поступившись достоверностью результатов или всё-таки проводить его, сэкономив машинное время на чём-то другом.

При таком способе экстраполяции параметры аппроксимирующей экспоненты определяются сравнительно просто известными методами «подгонки» (среднестепенным, минимаксным и т.п.).

Оказалось, что точность экстраполяции критерия сходимости можно заметно улучшить, если использовать для экстраполяции данные предварительных прогонов не только данной модели, но и других моделей-аналогов, в какой-то степени сходных с данной. Например, с алгоритмом маршрутизации, близким по принципу действия, но с другой размерностью сети. При этом, естественно, значительно усложняется алгоритм аппроксимации параметров процесса сходимости по соответствующим исходным данным, которые привлекаются от подходящих моделей.

Таким образом, проблема прогнозирования длительности прогона модели приводится к задаче экстраполяции одного из параметров этой модели по данным предварительных прогонов этой модели и других сходных моделей. Принципы решения подобных задач в основном известны. В модуле прогнозирования длительности прогона модели (ПДПМ), входящем в состав программного обеспечения стенда моделирования и использующего данные из банка данных моделей аналогов (БДМА), эта задача решена следующим образом.

Как отмечено выше, зависимость выборочной дисперсии от времени носит асимптотически экспоненциальный характер. Поэтому зависимость экстраполируемой оценки выборочной дисперсии результата от времени прогона здесь аппроксимируется линейной комбинацией убывающих экспонент (своего рода «экспоненциальным полиномом»).

Коэффициенты линейной комбинации экспонент в свою очередь представляются полиномами от основных параметров моделируемой системы. Эти представляющие полиномы имеют невысокую степень. Основные параметры делятся на входные (предпрогонные) и выходные (послепрогонные). Входные параметры разделяются, в свою очередь, на сетевые, которые задаются матрицей пропускных способностей межузловых каналов, и протокольные, которые характеризуются типом алгоритма маршрутизации. Введенные элементы матрицы пропускных способностей предварительно пересчитываются модулем ПДПМ в несколько более обобщенных показателей. Выходные параметры для упрощения сведены к одному – обобщённой нагрузке, т.е. математическому ожиданию суммы длин всех очередей системы, как упоминалось выше.

Для ускорения реализации модуля ПДПМ при формировании БДМА из множества существующих классов алгоритмов маршрутизации были выбраны наиболее часто применяемые представители двух типов маршрутизации – одно-адресной (unicasting) и широковещательной (broadcasting), причём из первого – маршрутизация по вектору расстояний (distance-vector routing) и маршрутизация с учётом состояния линий (link-state routing), а из второго – продвижение по встречному пути (reverse-path broadcasting).

Модуль ПДПМ рассчитывает все длительности прогонов, исходя из быстродействия соответствующего процессора, который сейчас применяется в стенде моделирования. Модуль ПДПМ рассчитывает все интервалы времени в условных единицах, а затем умножает их на коэффициент масштабирования применительно к этому процессору. При замене процессора возможна в принципе замена этого коэффициента, и такая возможность была запланирована к реализации, но не была реализована из-за недостатка времени. Будущие пользователи при необходимости смогут в принципе сделать это самостоятельно.

Работа пользователя с модулем ПДПМ организована следующим образом. При обращении к нему пользователя модуль запрашивает желаемый вариант из трёх режимов экстраполяции – только по аналогам из БДМА (А), только по текущей модели (Т) или по аналогам вместе с текущей моделью (АТ). В режиме А пользователь должен ввести данные аналога (как указывалось выше): матрицу пропускных способностей каналов, тип алгоритма маршрутизации и величину обобщенной нагрузки (для определения последней пользователю, вообще говоря, придётся провести пробные прогоны модели-аналога). В режиме Т пользователь должен ввести желательный набор интервалов предварительных прогонов и подготовить текущую модель к прогону. В режиме АТ предварительные действия пользователя сводятся к совмещению таких действий в режимах А и Т. Кроме того, во всех случаях вводится еще задаваемая величина критерия останова прогона – нормированной выборочной дисперсии. Вообще говоря, для определения последней пользователь должен провести предварительные прогоны модели-аналога. Можно ввести несколько величин критериев останова. Результатом работы модуля ПДПМ будет оценка длительности прогона, а если введено несколько величин критериев останова, то соответствующее число оценок длительностей. В режимах Т и АТ при желательности получения нескольких оценок длительностей вводится соответствующее число величин критерия останова сразу – тогда все выходные значения получаются за один прогон, тогда как при введении их поодиночке получается соответствующее число прогонов, что заметно удлиняет общее время работы модуля.

В режиме А в большинстве случаев имеет смысл в качестве данных аналога использовать данные самой исследуемой (текущей) модели, например, таблицу пропускных способностей каналов. Тогда модуль ПДПМ будет подбирать из БДМА результаты прогонов наиболее похожих на нее моделей и, если найдет такие, то это может заметно повысить точность результата. Если же не найдёт, то будет довольствоваться пересчётом результатов от более отдалённых сходных с текущей версией моделей из БДМА.

Препятствием для использования текущей модели в качестве аналога может оказаться заранее предполагаемая слишком большая длительность ее прогона для определения величины обобщённой нагрузки, необходимой для ввода в модуль ПДПМ. Тогда за аналог приходится принимать более простую модель (например, с меньшей размерностью сети).

При прогоне модели в режимах Т и АТ возможен её вход в нестационарный режим, например, при маршрутизации по вектору расстояний – возникновение известного явления осцилляций (колебаний) потоков информации. При работе модуля ПДПМ он постоянно отслеживает возможность возникновения нестационарности модели и при её обнаружении останавливает прогон и выдаёт сообщение «нестабильность модели». Другие выходные параметры, рассчитываемые модулем ПДПМ при его нормальном функционировании, при этом не выдаются. Если пользователь хочет продолжить эксперимент, он должен проанализировать причины нестабильности, внести соответствующие изменения в модель и снова запустить модуль ПДПМ.

На Рис. 9.26, 9.27 приводится пример применения модуля ПДПМ в режиме АТ. Здесь даны результаты прогонов с алгоритмом link-state routing (LSR) типа упрощённого OSPF. Аналогичные результаты с алгоритмом reverse-path broadcasting (RPB) представлены на Рис. 9.28, 9.29. Межузловые каналы взяты симметричными, как наиболее частый случай (это видно по матрицам пропускных способностей каналов).

Результаты экспериментов с модулем ПДПМ показали, что для небольших сетей (до 10 узлов) и при малых нагрузках предсказанные длительности прогонов отличаются от реально получаемых на 10–20%, а при больших сетях и нагрузках – на 40–70%; в наиболее тяжёлых условиях отличия могут быть ещё выше. При этом улучшение рассматриваемого показателя при переходе к режиму АТ от Т достигает 7–15%.

Модуль ПДПМ спроектирован как открытый комплекс. Поэтому при необходимости пользователь может улучшить его функционирование и сделать даваемые им оценки более точными (например, посредством расширения БДМА путём добавления туда новых моделей-аналогов).

Рис. 9.26. Первая фаза получения результатов работы модуля ПДПМ

(вариант LSR)

Рис. 9.27. Вторая фаза получения результатов работы модуля ПДПМ

(вариант LSR)

Рис. 9.28. Первая фаза получения результатов работы модуля ПДПМ

(вариант RPB)

Рис. 9.29. Вторая фаза получения результатов работы модуля ПДПМ

(вариант RPB)
10. Принципы нейросетевого и мульти-агентного управления информационными потоками

10.1. Недостатки статического и вероятностного подходов к сетевому управлению

Глобальные ТКС и распределённые ИКС являются сложными эволюционирующими системами. Это означает, что в процессе эксплуатации они изменяются и развиваются. Фактически это проявляется в изменении структуры и параметров глобальных ТКС с течением времени, а также в динамическом характере взаимодействия их подсистем с внешними агентами-пользователями и распределёнными информационными компьютерными сетями (ИКС) как хранилищами информационных и вычислительных ресурсов.

Трудности сетевого управления и имитационного моделирования эволюционирующих ТКС и ИКС связаны с тем, что их динамика сложна и плохо изучена. В частности, известные вероятностные модели динамики глобальных ТКС как сложных объектов управления не достаточно адекватны. Но даже если такие модели будут созданы, всё равно их структура и параметры будут изменяться вслед за соответствующими изменениями в реальном времени в глобальных ТКС и распределённых ИКС.

Реальные изменения структуры и параметров глобальных ТКС и распределённых ИКС обусловлены объективными причинами. Например, они могут порождаться выходом из строя или появлением новых узлов и каналов связи в ТКС. Однако эти изменения зачастую неконтролируемы (сбои, отказы и т.п.) и могут иметь непредсказуемый характер.

Поэтому на практике они обычно неизвестны системе сетевого управления. Более того, непредсказуемые изменения структуры и параметров глобальной ТКС и распределённых ИКС могут быть неизвестны сетевым операторам и администраторам.

“Природная” неопределённость (по терминологии Н.Н.Моисеева и Ю.Г.Гермейера) отражает неполноту информации, наличие шумов (возмущений), недостоверность знаний, а также неточность, неполноту или противоречивость сведений о реальной управляемой динамике ТКС и ИКС.

Для формализации факторов неопределённости, возникающих в глобальных ТКС, широкое распространение получил вероятностно-статистический подход. Однако на этом пути возникают принципиальные трудности, связанные с некорректным или неправомерным использованием вероятностных моделей эволюции и неопределённости в глобальных ТКС.

Принципиальная ограниченность вероятностного подхода к решению прикладных задач хорошо известна. В частности, она отражена в следующих замечаниях В.Н.Тутубулина:

– “в теории вероятностей в настоящее время сложилось ненормальное положение, связанное с переоценкой практических возможностей этой науки”;

– “выводы, получаемые путём применения теории вероятностей в ситуации, где нет статистического ансамбля экспериментов, не обладают научной достоверностью”;

– “ в огромном большинстве случаев возможность статистического описания хотя бы какой-нибудь одной стороны изучаемого явления достоверно не установлена”.

Важно отметить, что управление, обработка и транспортировка информационных потоков в эволюционирующих глобальных ТКС фактически происходит в нестационарных и неопределённых условиях, которые вовсе не обязательно имеют вероятностную природу. Поэтому сетевое управление информационными потоками должно учитывать реальную эволюцию ТКС и ИКС (когда она известна) или адаптироваться к непредсказуемым изменениям структуры и параметров ТКС и ИКС в процессе их эксплуатации (когда она неизвестна или может изменяться непредсказуемым образом).

До последнего времени проектирование, моделирование и исследование глобальных ТКС проводилось на основе статических (фиксированных) графовых моделей и вероятностной теории массового обслуживания. Однако традиционные (статические и вероятностные) модели, методы и алгоритмы не учитывают реальную динамику эволюционирующих глобальных ТКС. Поэтому они не являются адаптивными по отношению к факторам объективной (“природной”) неопределённости.

Таким образом, традиционный подход к синтезу и анализу основных подсистем глобальных ТКС и исследованию особенностей их функционирования в целом не только плохо согласуется с практикой, но и может приводить к ошибочным выводам и грубым ошибкам при решении современных телекоммуникационных проблем.

Часто используемые гипотезы относительно вероятностей природы информационных потоков и функционирования постоянно изменяющихся глобальных ТКС, как правило, не соответствуют действительности и не адекватны реальным процессам управляемой передачи данных. Наличие неизбежных (но, может быть, в лучшем случае малых) ошибок исходных данных по отношению к реальным данным приводит к тому, что традиционно используемые стохастические оценки часто оказываются неэффективными, смещёнными и неустойчивыми.

Завершая критику вероятностного подхода к решению прикладных (в частности, телекоммуникационных) задач, уместно сослаться на следующие высказывания выдающихся математиков современности:

– “никакое количество чисто объективных и отдельных наблюдений не может показать, что вероятность является обоснованной идеей” (Н.Винер);

– “случайность и неопределённость имеют совершенно различный смысл и требуют для своего изучения различного аппарата” (Н.Н.Моисеев);

– “со статистикой что-то не в порядке” (А.Н.Колмогоров);

– “математики не верят в вероятность” (Л.С.Понтрягин);

– “я весьма счастлив разделить точку зрения Понтрягина и заниматься математикой, не связывая себя верой (т.е. априорной гипотезой), касающейся вероятности” и

– “для того, чтобы моделировать неопределённость при помощи вероятностного механизма, необходимо иметь информацию, которая не может быть извлечена из доступных данных в большой массе практических задач” (Р.Калман).

Кроме того, применительно к задачам управления, фильтрации и идентификации при наличии шумов и факторов неопределённости Р.Калман высказывался более определённо [27]:

– “априорная гипотеза является постоянной проблемой во всех современных методах идентификации”;

– “предположение (априорная гипотеза) о вероятностных структурах для описания неопределённости в задаче идентификации совершенно бесполезно, поскольку такие структуры не могут быть идентифицированы из данных”;

– “научные результаты должны быть получены из объективного рассмотрения данных, а не самонадеянной игры с моделями по своему вкусу”.

Полемизируя с Р.А.Фишером как с “величайшим мировым авторитетом в области статистики малых выборок”, Р.Калман отмечает:

– “фиксированная «выборочная модель», быть может, справедлива для некоторых статистических задач, но она совершенно не приемлема для огромного большинства исследований”;

– “было бы большой неправдой утверждать, что все данные являются выборкой, а вся неопределённость возникает в силу механизма статистического выбора”;

– “классический (колмогоровский) вероятностный подход не может работать в реальных задачах с недостоверными данными…Для того, чтобы моделировать неопределённость при помощи вероятностного механизма, необходимо иметь чересчур много информации, которая не может быть извлечена из доступных данных в большой массе практических задач”;

– “случайность представляет собой интересное поле деятельности для изучения её самой, но является плохим инструментом для работы с зашумлёнными данными”;

– “идея Гаусса расправиться с шумом при помощи метода наименьших квадратов в большинстве случаев не годится, поскольку она опирается на жёсткую априорную гипотезу…Попытка улучшить его идею путём вложения метода наименьших квадратов в некоторые вероятностные модели вызывает ещё большие возражения, поскольку при этом априорные гипотезы становятся ещё суровее”.

Подытоживая анализ проблем управления, обработки и передачи информации в условиях шумов (возмущений) и неопределённости, Р.Калман приходит к следующему выводу [27]: “Проблема шума, безусловно, является центральной проблемой прикладной математики. Она должна быть разрешена при помощи математики, а не априорной гипотезы”.

Таким образом, вероятностный подход к синтезу и анализу сетевого управления информационными потоками в эволюционирующих глобальных ТКС со структурной или параметрической неопределённостью неэффективен или неприемлем.

Традиционный статический подход к маршрутизации и управлению информационными потоками также не позволяет учесть реальную эволюцию и неопределённость условий эксплуатации глобальных ТКС и распределённых ИКС.

Поэтому необходим более адекватный адаптивный подход, который позволяет обеспечить высокое качество сетевого управления в широком классе неопределённости, присущей эволюционирующим глобальным ТКС и ИКС. Этот подход выгодно отличается от альтернативного игрового (минимаксного) подхода, который характеризуется излишней ”осторожностью” и высокой вычислительной сложностью. Поэтому этот альтернативный подход трудно реализуется и практически не используется в теории сетевого управления глобальными ТКС и распределёнными ИКС.

10.2 Тенденции развития телекоммуникаций: от вероятностной теории массового обслуживания к адаптивной теории мульти-агентного обслуживания

Одними из главных проблем, возникающих в теории и практике инфотелекоммуникаций, являются следующие задачи синтеза сетевого управления потоками данных и анализа качества обслуживания запросов пользователей ТКС по передаче им необходимых информационных или вычислительных ресурсов. Обычно эти ресурсы хранятся в распределённых ИКС, причём потребители-пользователи этих ресурсов могут получить доступ к ним только через глобальные ТКС (например, через сеть Internet).

Пользователи глобальной ТКС, связанной с распределёнными ИКС, могут востребовать информационные и вычислительные ресурсы в форме потока запросов. Однако реальная ограниченность телекоммуникационных ресурсов ТКС может приводить к задержкам, потере информации или даже отказам в обслуживании запросов пользователей.

В связи с этим возникают две взаимосвязанные задачи теории проектирования глобальных ТКС:

1) Синтез сетевого (группового) управления потоками данных в глобальной ТКС по запросам пользователей;

2) Анализ объективных причин сетевых задержек, отказов и конфликтов при обработке запросов с целью их устранения средствами адаптивного и интеллектуального управления информационными потоками.

До недавнего времени традиционный подход к решению этих задач основывался на вероятностной теории массового обслуживания (Queueing Theory – QT). Основы этой теории были заложены А.К.Эрлангом в начале XX века применительно к проектированию телефонных сетей связи [9].

В рамках вероятностной QT-теории предполагалось, что поступление запросов от одного или нескольких пользователей ТКС происходит в случайные моменты времени и для их обслуживания требуется либо случайная (вообще говоря, неполная) часть ограниченного телекоммуникационного ресурса, либо случайное время его использования в полном объёме. Тем самым изучение управляемого процесса обслуживания запросов пользователей ТКС и ИКС сводилось к вероятностной теории массового обслуживания.

Сегодня эта теория продолжает “по инерции” использоваться при синтезе сетевого управления и анализе качества работы ТКС. В рамках теории массового обслуживания изучаются следующие важнейшие элементы ТКС [9, 20]:

– входящий поток запросов пользователей (заявки, сообщения, вызовы и т.п.);

– количество и типы узлов и каналов связи ТКС;

– ёмкости буферов узлов ТКС, где поступающие запросы ожидают обслуживания;

– интервалы времени обслуживания запросов с учётом пропускной способности каналов связи ТКС;

– стратегии (дисциплина) обслуживания запросов, образующих очередь в буферах узлов ТКС.

В теории массового обслуживания предполагается, что времена передачи пакетов данных по каналам связи ТКС являются независимыми случайными величинами.

Однако в действительности интервалы времени (длительность) передачи пакетов данных по разным каналам связи ТКС пропорциональны длине этих сообщений. Поэтому фактически они зависимы. Кроме того, дополнительные функциональные зависимости возникают в процессе “сборки” и “разборки” передаваемых сообщений из пакетов данных.

Таким образом, основное предположение “о независимости”, существенно используемое в теории массового обслуживания, на практике не выполняется по ряду причин. Поэтому достоверность и точность расчётов при проектировании и анализе глобальных ТКС и их подсетей, основанных на этой вероятностной теории, в ряде случаев вызывает сомнения и может приводить к ошибкам.

Реальная динамика современных глобальных ТКС как сложных объектов управления является скорее неопределённой и непредсказуемой (нестационарность, параметрическая и структурная неопределённость и т.п.), чем случайной. Кроме того, фактически от глобальной ТКС требуется своевременное и качественное обслуживание индивидуальных запросов пользователей по мере их поступления, а не их удовлетворительное обслуживание “в среднем”.

Поэтому на практике возникает необходимость в разработке адаптивной теории массового (мульти-агентного) обслуживания пользователей как внешних агентов глобальных ТКС. Эта теория значительно практичнее вероятностной теории массового обслуживания. Однако она сложнее и требует разработки принципиально новых подходов к сетевому управлению и анализу качества управляемых ТКС в условиях параметрической и структурной неопределённости.

Отличительной чертой адаптивного подхода к сетевому управлению является необходимость учёта реальной динамики глобальных ТКС. Обычно модель динамики является чрезвычайной сложной и не имеет полного и адекватного аналитического описания. Кроме того, динамика глобальных ТКС существенно зависит от априори неизвестных и изменяющихся факторов параметрической и структурной неопределённости.

На практике границы (интервалы) возможных изменений факторов неопределённости известны. Поэтому они фактически определяют класс неопределённости условий функционирования глобальной ТКС. Чем шире этот класс, тем сложнее задача адаптивного управления потоками данных в ТКС с изменяющимися параметрами и структурой [29, 42].

Важными разновидностями адаптивного подхода являются:

– адаптивные методы, основанные на алгоритмах адаптивной коррекции алгоритмов управления или маршрутов передачи потоков данных;

– нейросетевые методы, основанные на алгоритмах обучения и самоорганизации нейросетевых маршрутизаторов;

– мульти-агентные модели и методы, основанные на организации коллективного (группового) поведения сетевых агентов;

– методы отказоустойчивого сетевого управления и анализа качества представляемых услуг в условиях нестационарности и неопределённости телекоммуникационной сетевой среды.

Глобальные ТКС нового поколения являются по существу сложными мульти-агентными системами. Они имеют в своём составе как большое количество внутренних программных сетевых агентов разных типов (агенты-маршрутизаторы, агенты-координаторы, нейросетевые агенты и т.п.), так и колоссальное количество внешних агентов, в роли которых выступают пользователи глобальной ТКС и связанной с ней распределённой ИКС.

При этом количество пользователей, обращающихся к услугам глобальной ТКС и к вычислительным и информационным ресурсам ИКС в каждой момент времени, как правило, неизвестно и может изменяться в широких пределах. Несмотря на эту априорную и апостериорную неопределённости количества пользователей и характера их запросов, все они должны быть своевременно обслужены глобальной ТКС с требуемым качеством услуг. Таким образом, очень важно в ближайшие годы разработать основы теории адаптивного мульти-агентного обслуживания, которая должна прийти на смену вероятностной теории массового обслуживания с присущими ей принципиальными ограничениями и недостатками.

10.3 Адаптивное управление потоками данных в условиях параметрической и структурной неопределённости

Сетевое управление глобальными ТКС наталкивается на трудности, связанные с тем, что динамика таких ТКС на практике частично неизвестна или изменяется непредсказуемым образом. При этом в динамической графовой модели ТКС вида [29, 69]

G(t) = G (A(t), R(t), W(t)), t Î [ t_o, t_T ], (10.1)

варьируемыми и неопределёнными (неизвестными) могут оказаться как параметры (множество весов W(t)), так и структура (множество узлов A(t) и каналов связи R(t)) ТКС на рассматриваемом интервале времени [ t_o, t_T ].

В первом случае в глобальной ТКС возникает параметрическая неопределённость (ПН), а во втором – структурная неопределённость (СН). В обоих случаях управление ТКС по существу происходит в условиях неопределённости. Поэтому оно должно быть адаптивным в заданном классе неопределённости [16–18, 29–31, 67–69].

С точки зрения управляемости глобальной ТКС нестационарность динамики и структурная неопределённость должны удовлетворять следующему требованию: изменения (появление или выход из строя) узлов и каналов связи ТКС не должны приводить к потере связности графовой модели ТКС.

Напомним, что графовая модель ТКС называется связной (и поэтому управляемой) на интервале времени [ t_o, t_T ], если для каждой пары узлов существует по крайней мере один связывающий их маршрут. В противном случае графовая модель (10.1) является не связной и не вполне управляемой.

Таким образом, далеко не любые изменения узлов и разрывы каналов связи допустимы в глобальных ТКС.

В связи с этим представляют значительный интерес следующие задачи системного анализа глобальных ТКС:

- определить минимальное число узлов, удаление которых приводит к потере связности, а, следовательно, и к потере управляемости ТКС;

- определить минимальное число каналов связи, разрыв которых приведёт к разрыву и потере управляемости ТКС.

Для сетевого управления глобальными ТКС в условиях параметрической и структурной неопределённости естественно использовать методы теории адаптивного, интеллектуального и нейросетевого управления (см., например, [16–18, 69]). При этом сетевое управление в условиях параметрической неопределённости, вообще говоря, проще, чем в условиях структурной неопределённости.

В случае параметрической неопределённости (неопределённость или непредсказуемое изменение весов каналов связи ТКС) обычно достаточно использовать методы теории робастного или адаптивного управления программным движением [16–19]. Они сводятся к измерению или идентификации неизвестных параметров (весов) каналов связи глобальной ТКС или к самонастройке соответствующих параметров алгоритмов сетевого управления.

В случае структурной неопределённости (неопределённость или непредсказуемое изменение структуры ТКС, а именно, появление или выход из строя узлов и каналов связи ТКС) задача сетевого управления значительно усложняется. Для решения этой задачи нужно оперативно обновлять информацию о текущем состоянии глобальной ТКС и работоспособности (исправности) её узлов и каналов связи.

Однако непосредственное получение этой информации в реальном времени сложно и не всегда возможно. Вместо этого часто имеется возможность накапливать информацию о предыдущих циклах сетевого управления ТКС в распределённых обучающих базах данных (ОБД) прецедентов (примеров), связывающих эти данные об управлении с реальным состоянием глобальной ТКС или её автономных подсетей как объектов управления.

На основе этих обучающих БД можно установить скрытые закономерности и динамические зависимости, связывающие сетевое управление с реальным поведением ТКС. При высокой динамичности ТКС как нестационарного объекта управления с графовой моделью вида (10.1) ранее полученные данные (прецеденты) устаревают и их влияние на выбор сетевого управления в процессе обучения и самообучения с течением времени уменьшается.

Важно отметить, что процесс обучения сетевой системы управления происходит по существу эмпирически, т.е. путём накопления и анализа фактологических экспериментальных данных о реальной динамике управляемой ТКС и её компонент без лишнего вмешательства человека. При этом строятся адаптивные правила и алгоритмы сетевого управления, адекватные реальному (хотя, может быть, и неизвестному) состоянию и поведению глобальной ТКС.

Таким образом, появляется реальная возможность автоматического (на основе эмпирических данных) формирования знаний о структурной динамике ТКС в процессе обучения или самообучения. На этой основе осуществляется коррекция сетевого управления и его адаптация к факторам структурной и параметрической неопределённости глобальной ТКС или её автономных подсетей.

10.4 Основные цели и показатели качества адаптивного управления потоками данных

Главной целью управления глобальными ТКС различного масштаба и назначения является обеспечение пользователям требуемого качества инфотелекоммуникационных услуг. На различных этапах качество обслуживания пользователей как внешних агентов TKC и эффективность сетевого управления оценивается по-разному.

На этапе доступа пользователей к ТКС качество телекоммуникационного обслуживания принято оценивать априорной вероятностью блокировки запроса или заявки на предоставление услуги. Этот показатель зависит от потенциальных возможностей и конкретных характеристик сетевой системы управления, а также от параметров распределённых коммуникационных и информационных систем глобальной ТКС [1–3].

На этапе информационного обслуживания качество работы ТКС характеризуется временем доставки пользователю запрошенных информационных или вычислительных ресурсов, хранящихся в распределённой ИКС. Этот показатель в первую очередь зависит от эффективности используемых методов адаптивной маршрутизации и сетевого управления потоками данных, а также от характеристик распределённой транспортной системы (пропускная способность и ширина полосы пропускания каналов связи ТКС и т.п.).

Традиционный подход к улучшению качества обслуживания пользователей ТКС заключается в техническом совершенствовании сетевых компонент для увеличения их пропускной способности (использование волоконно-оптических каналов связи, радиоканалов и т.п.) и для создания резерва вычислительной мощности узловых компьютеров и полосы пропускания каналов связи ТКС по отношению к ожидаемому или максимальному (предельно допустимому) объёму сетевого трафика.

Однако на этом пути возникают технологические трудности и физические ограничения. Его реализация обычно сопряжена со значительными финансовыми затратам на обновление и наладку оборудования глобальной ТКС.

Другой путь увеличения производительности и надёжности глобальных ТКС для высококачественного обслуживания пользователей заключается в совершенствовании методов, программных средств и протоколов сетевого адаптивного управления и интеллектуальной обработки информационных потоков в ТКС с изменяющимся или неопределённым гетерогенным (в частности, мультимедийным) трафиком.

Важную роль при этом играют методы и средства множественного доступа пользователей ТКС и оптимального распределения заявок на требуемые инфотелекоммуникационные услуги с учётом возможных сетевых конфликтов. Эти методы должны быть дополнены алгоритмами адаптации и автоматического разрешения или предотвращения сетевых конфликтов [29–33, 69].

10.5. Технология и IP-протоколы внутренней и внешней маршрутизации в глобальных сетях

Маршрутизаторы – это важнейшие подсистемы сетевой системы управления глобальной ТКС и её автономных (локальных) подсетей. Они планируют (вычисляют), оптимизируют и при необходимости корректируют маршруты передачи потоков данных между узлами-источниками и узлами-получателями, которые могут располагаться в одной или различных автономных подсетях глобальной ТКС. Этот процесс, охватывающий оптимизацию и адаптацию маршрутов передачи потоков данных в ТКС, называется маршрутизацией.

Теория маршрутизации основывается на математических моделях маршрутизаторов и конкретных алгоритмах оптимальной и адаптивной маршрутизации потоков данных в глобальных ТКС. Именно эти модели и алгоритмы определяют архитектуру и принцип действия маршрутизаторов.

Каждый маршрутизатор для приёма и передачи маршрутной информации другим маршрутизаторам ТКС использует специальные программы, которые называются протоколами маршрутизации (Routery Protocols – RP) [1–5].

Маршрутизаторы используют информацию о топологии и параметрах ТКС, хранящуюся и обновляемую в БД распределённой информационной системы (РИС). По этим данным они формируют таблицы и карты маршрутизации, которые содержат информацию обо всех возможных маршрутах между всеми узлами ТКС [1, 5, 69].

Современные маршрутизаторы сканируют эти таблицы и карты и с помощью алгоритмов оптимальной маршрутизации вычисляют оптимальные или близкие к ним маршруты передачи пакетов данных от заданных узлов-источников к заданным узлам-получателям. Эти маршруты “протоколируются” в одном или нескольких протоколах маршрутизации и используются для управляемой передачи пакетов данных в узлы-получатели [1–5].

Будем называть маршрутизацию внутренней или локальной, если узлы-источники и узлы-получатели находятся в одной и той же автономной (локальной) подсети глобальной ТКС. В противном случае, будем называть маршрутизацию внешней или глобальной.

Внутренняя маршрутизация в автономных подсетях Internet осуществляется протоколами внутреннего шлюза (Interior Grateway Protocols –IGP), такими как [1–5]:

- протокол информации о маршрутах (Routing Information Protocol – RIP),

- протокол предпочтительного выбора кратчайшего (оптимального) маршрута (Open Shortest Path First (OSRF)),

- расширенный протокол внутреннего шлюза (Enhanced Interior Gateway Protocol (EIGRP)),

- протокол обмена маршрутной информацией между промежуточными системами (Intermediate System to Intermediate System – IS to IS).

Внешняя маршрутизация в глобальной ТКС Internet осуществляется протоколами внешнего шлюза (Exterior Grateway Protocols – EGP), которые обеспечивают взаимодействие и “взаимопонимание” протоколов внутреннего шлюза [6–11].

В последнее время стандартом внешней маршрутизации в Internet стал протокол граничного шлюза версии 4 (Border Gateway Protocol Version 4 –BGP–4), разработка которого началась в 1989 году. Причиной создания протоколов внешней маршрутизации, таких как BGP–4, было то обстоятельство, что протоколы внутреннего шлюза трудно масштабировались в автономных подсетях уровня большого предприятия, имеющего корпоративную ТКС с тысячами узлов [5].

Важно отметить, что BGP–протокол внешней маршрутизации может использоваться и для внутренней маршрутизации в автономных подсетях для обеспечения внутренних маршрутизаторов информацией о доступности различных внешних узлов ТКС. При этом транспортное соединение с соседним взаимодействующим узлом (Peer Connection – PC)может быть установлено только между внутренними маршрутизаторами одной и той же автономной подсети. Аналогичным образом взаимодействие между маршрутизаторами, принадлежащими различным автономным подсетям, организуется внешним BGP–протоколом.

Когда маршрутизатор принимает пакет данных, он анализирует заголовок пакета и идентифицирует адрес узла-получателя. Затем этот маршрутизатор взаимодействует с соседними узлами ТКС (в роли которых могут выступать другие маршрутизаторы или узел-получатель) и “консультируется” с таблицей маршрутов передачи пакетов данных. В результате этого он “узнаёт”, через что передавать данные (исходящий интерфейс) и куда их нужно передать (адрес соседнего узла ТКС) так, чтобы можно было попасть в узел-получатель согласно выбранному маршруту передачи данных.

Все эти операции продолжаются до тех пор, пока передаваемый пакет данных не достигнет за конечное число шагов, равное числу каналов связи маршрута, целевого узла-получателя ТКС. Такая конечно-сходящаяся процедура отражает парадигму маршрутизации через промежуточные узлы ТКС.