Глобальность сетевых связей и локальность адаптивной маршрутизации

Отличительной чертой ТКС, обслуживающей пользователей распределённой ИКС, является глобальность связей, охватывающих её узлы. Эти связи могут быть как однонаправленными, так и двунаправленными. Они реализуются соответствующими односторонними или двусторонними каналами связей ТКС, соединяющими узлы, в роли которых обычно выступают узловые компьютеры (хосты) или маршрутизаторы.

Каждый такой узел-компьютер нацелен на приём и управляемую передачу потоков данных, проходящих по каналам связи ТКС. На вход узлового компьютера поступает вектор входных данных, размерность которого не превышает числа входных каналов связей. На выходе узлового компьютера формируется вектор выходных данных, размерность которого не превышает числа выходных каналов.

Последовательность этих векторов может храниться в памяти узловых компьютеров, имеющей входные и выходные буферы. При этом векторы входных данных преобразуются в векторы выходных данных в соответствии с алгоритмами маршрутизации, указывающих номера каналов передачи данных. Это преобразование в каждом узле имеет адаптивный локальный характер, так как каждый узел “реагирует” только на вектор входных данных, поступающих по входным каналам связи.

Все узловые компьютеры и каналы связи работают параллельно, передавая управляемые потоки данных по определённым адресам от узлов-источников к узлам-получателям ТКС [1–8].

Главными факторами, определяющими острую потребность в разработке глобальных ТКС нового поколения, являются следующие обстоятельства:

– необходимость предоставления распределённых информационных или вычислительных ресурсов, передаваемых через ТКС по запросам пользователей в реальном времени;

– ускоренный рост трафика данных;

– увеличивающийся объём передачи аудио- и видеоданных.

Начиная с 1996 г., в современных глобальных ТКС типа Internet регулярно фиксировались факты о потерях до 30%-50% пакетов. Анализ этой недопустимой потери данных и снижения производительности и качества услуг глобальных ТКС показал, что основной причиной этого явления был не столько сам трафик данных, сколько управляющие им маршрутизаторы [5–8].

Стало ясно, что современные маршрутизаторы потоков данных не справляются с поддержанием и обновлением таблиц маршрутизации в динамических ТКС. Кроме того, они не обеспечивают адаптивную коррекцию оптимальных маршрутов при изменениях структуры или параметров ТКС и перегрузках гетерогенного трафика.

Традиционные методы управления трафиком и регулирования сетевых перегрузок, доказавшие свою эффективность в АТМ-сетях, не могут быть прямо перенесены на IP-сети и интегрированные глобальные ТКС. Это связано с тем, что в архитектуре таких ТКС, как правило, отсутствуют сквозные виртуальные каналы, которыми можно непосредственно управлять, регулируя их пропускную способность и скорость передачи пакетов данных.

Ключевой проблемой, решение которой позволит значительно увеличить производительность и качество услуг IP-сетей и интегрированных глобальных ТКС и распределённых ИКС нового поколения, является проблема эффективности и, в частности, адаптивности маршрутизации потоков данных. Поэтому маршрутизаторы нового поколения должны удовлетворять следующим требованиям:

– высокое быстродействие (производительность) при вычислении оптимальных или близких к ним маршрутов передачи данных;

– достаточная информированность о динамике структуры и параметров ТКС в процессе планирования и коррекции оптимальных маршрутов за счёт мониторинга и функциональной диагностики реального состояния сети;

– адаптивность к перегрузкам трафика, сетевым конфликтам и возникающим неисправностям (отказам) узлов и каналов связи ТКС;

– возможность обмена информацией о планируемых маршрутах с другими маршрутиза-торами и групповая (мульти-агентная) координация их работы для адаптивного балансирования глобальной нагрузки и предотвращения или разрешения сетевых конфликтов в ТКС и распределённых ИКС.

10.7. Особенности нейросетевого подхода к много-адресной маршрутизации

Математические модели нейронных сетей являются удобным вычислительным механизмом маршрутизации информационных потоков в глобальных ТКС и распределённых ИКС, обладающим следующими важными свойствами [25, 26, 29–33, 69]:

– обучаемость,

– адаптивность,

– высокий параллелизм и скорость вычислений,

– вычислительная устойчивость (робастность), т.е. способность находить точные решения при неточных входных данных.

Аппаратные и некоторые программные реализации нейронных сетей позволяют в значительной степени повысить эффективность и скорость сложных расчётов, проводимых при решении широкого класса вычислительных и интеллектуальных задач [25, 26, 35–40, 55]. Эта особенность нейросетевых технологий проявляется и в задачах маршрутизации потоков данных в глобальных ТКС и распределённых ИКС.

Задача много-адресной маршрутизации в ТКС является, по существу, основной задачей сетевого управления потоками данных. Это объясняется тем, что решение этой задачи существенно используются для организации распределённого управления потоками данных, организации совместной работы узлов-маршрутизаторов, а также для передачи мультимедийных данных с высокими QoS-параметрами качества предоставляемых услуг (например, для управления мультимедийными потоками данных во время сетевых видеоконференций).

Именно поэтому методы синтеза адаптивных (самонастраивающихся), эффективных (экономных по времени) и надёжных (отказоустойчивых) алгоритмов маршрутизации потоков данных в глобальных ТКС и их нейросетевое представление имеют первостепенное значение в задачах сетевого управления передачей данных.

Нейронные сети как вычислительные модели маршрутизаторов потенциально соответствуют всем этим требованиям, предъявляемым к алгоритмам и средствам маршрутизации информационных потоков в глобальных ТКС и распределённых ИКС.

Нейросетевые алгоритмы определяются нейросетевой постановкой задачи маршрутизации (точнее её нейросетевой интерпретацией) и некоторой подходящей моделью нейронной сети, решающей задачу в данной постановке [25, 31, 69].

Рассмотрим задачу много-адресной маршрутизации в нейросетевой постановке [31, 69]. В качестве математической модели ТКС будем рассматривать граф G(A, R, W). Опишем режим групповой маршрутизации “от одного ко многим” узлам ТКС.

Пусть заданы узел-источник и множество (группа) узлов-получателей

, i=1, 2, …, n.

(10.2)

Множество узлов-получателей и узел-источник (10.2) образуют пространство исходных данных, подаваемых на вход нейронной сети как маршрутизатора информационных потоков.

Требуется построить дерево минимальной стоимости , состоящее из оптимальных маршрутов от узла-источника ко всем узлам-получателям ТКС i=1, 2, …, n.

Множество таких маршрутов образуют пространство решений, формируемых на выходе нейронной сети.

В качестве нейросетевой модели для решения задачи много-адресной маршрутизации рассмотрим модификацию нейронной сети Хопфилда [69].

Нейронные сети Хопфилда являются однослойными сетями с обратными связями от выходов каждого нейрона ко входам всех остальных. Они эффективно используются для решения задач дискретной оптимизации (задача комивояжёра и т.п.), распознавания образов и фильтрации сигналов [18, 25, 26, 36–40, 69, 77–80].

Архитектура сети Хопфилда представлена на рис. 10.1. Входной сигнал для i -го нейрона здесь обозначен через x_i, выходной сигнал – через y_i, вес связи от i -го нейрона к j -му обозначен через T_ij.