Спосіб управління тайм-аутом повторної передачі в телекомунікаційній мережі

Спосіб управління тайм-аутом повторної передачі в телекомунікаційній мережі, що полягає у тому, що при одержанні джерелом підтвердження доставки адресатові сегмента фіксується виміряне значення часу очікування цього підтвердження, це значення разом з виміряними значеннями часу очікування двох попередніх підтверджень як вхідні змінні подаються до нейро-нечіткого регулятора, в якому шляхом послідовного виконання процедур 3 формулі (3) тайм-ауту повторної передачі , що встановлюється перед відправкою джерелом чергового сегмента (згідно з протоколом TCP інформаційний блок, що передається в мережі, іменується сегментом). Формули для обчислення зазначених вище величин мають вигляд: RTT RTT (1 )M , (1) p де RTTp - попереднє значення згладженого часу очікування підтвердження; - ваговий коефіцієнт, який згідно з рекомендацією RFC 2988 [2] дорівнює 1/8; D Dp (1 ) RTT M , (2) де Dp - попереднє значення величини D; (3) =RTT + 4D. Недоліком відомого способу є те, що його застосування є виправданим лише для обмежених умов функціонування телекомунікаційної мережі, для яких були експериментально підібрані значення коефіцієнта у формулах (1) і (2) та множника 4 у формулі (3). Тому виконання обчислень з використанням зазначених формул часто дає неадекватно завищені значення тайм-ауту, в результаті чого час доставки повідомлення суттєво підвищується за рахунок тривалого очікування певної кількості підтверджень. В основу корисної моделі поставлена задача створення способу управління тайм-аутом повторної передачі, при здійсненні якого в телекомунікаційній мережі з комутацією пакетів буде зменшено час доставки повідомлень та забезпечено відсутність зайвих повторних передач. Поставлене завдання вирішується тим, що при одержанні джерелом підтвердження доставки адресатові сегмента номер i фіксується виміряне значення часу очікування цього підтвердження Mi -, це значення разом з виміряними значеннями часу очікування двох попередніх підтверджень ( Mi 1 та Mi 2 ) як вхідні змінні подаються до нейро-нечіткого регулятора, в якому шляхом послідовного виконання процедур нечіткого виводу (фазифікації, агрегування, активізації та дефазифікації) здійснюється прогнозування вели~ чини Mi 1 - часу очікування підтвердження чергового сегмента, що підлягає відправці, при цьому параметри функцій приналежності вхідних змінних нечітким множинам і значення індивідуальних висновків правил нечіткого виводу налаштовуються виконанням процедури нейронного самонавчання, у момент відправки джерелом чергового сегмента здійснюється відлік шуканого значення тайм-ауту повторної передачі, що обчислюється за виразом: ~ (4) , i 1 105Mi 1. Технічний результат, який може бути отриманий при використанні корисної моделі, полягає у зменшенні часу доставки повідомлень і забезпеченні відсутності зайвих повторних передач в телекомунікаційній мережі з комутацією пакетів. Реалізацію корисної моделі розглянуто на прикладі, в якому поточні значення часу очікуван 48463 4 ня підтверджень сегментів з номерами i відповідають виборці, що ілюструється Фіг.1, а номера сегментів, що потребують повторної передачі, відповідають тим значенням і, для яких на Фіг.2 значення Ni 1 . Кожний випадок, при якому Ni 1 , призводить до збільшення на величину i часу доставки повідомлення в телекомунікаційній мережі. Нейро-нечіткий регулятор, за допомогою якого ~ здійснюється прогнозування значень Mi 1, функціонує згідно з логікою роботи нечіткої нейронної мережі. Для простоти обчислень як параметри нечіткого виводу обрано: алгоритм нечіткого виводу - алгоритм Сугено 0-го порядку, кількість функцій приналежності кожної вхідної змінної нечітким множинам - 2, форма функцій приналежності трикутна. Виходячи з цього, база правил нечіткого виводу має вигляд: 1) i (M* 1 ) i (M* 1 ), то M* Якщо(Mi* i 1 i 2 i 1 c1; 1 2 3 * 1) i (M* 1 ) i (M* 2 ), то M* Якщо(Mi i 1 i 2 i 1 c2; 1 2 3 * 1) i (M* 2 ) i (M* 1 ), то M* Якщо(Mi i 1 i 2 i 1 c3; 1 2 3 * 1) i (M* 2 ) i (M* 2 ), то M* Якщо(Mi i 1 i 2 i 1 c 4; 1 2 3 2 ) i (M* 1 ) i (M* 1 ), то M* Якщо(Mi* i 1 i 2 i 1 c5 ; 1 2 3 * 2 ) i (M* 1 ) i (M* 2 ), то M* Якщо(Mi i 1 i 2 i 1 c6; 1 2 3 * 2 ) i (M* 2 ) i (M* 1 ), то M* Якщо(Mi i 1 i 2 i 1 c7; 1 2 3 * 2 ) i (M* 2 ) i (M* 2 ), то M* Якщо(Mi i 1 i 2 i 1 c8, 1 2 3 де Mi* , Mi* 1 та Mi* 2 - чіткі значення вхідних змінних Mi , Mi 1 , та Mi 2 відповідно; Mi* 1 - чітке значення вихідної змінної Mi 1; 1 - терм (нечітка 1 множина) «мале значення» вхідної змінної Mi ; 2 1 1 - терм «велике значення» вхідної змінної Mi ; 2 2 терм «мале значення» вхідної змінної Mi 1 ; 2 терм «велике значення» вхідної змінної Mi 1 ; 1 3 - терм «мале значення» вхідної змінної Mi 2 ; 2 3 - терм «велике значення» вхідної змінної Mi 2 ; c1, c 2,...c8 - чіткі значення індивідуальних висновків правил. Структура нечіткої нейронної мережі складається з чотирьох шарів, що ілюструється Фіг.3. 1-й шар виконує процедуру фазифікації, тобто приведення до нечіткості. У цьому шарі підлягають налаштуванню параметри функцій приналежності вхідних змінних нечітким множинам. На Фіг.3 позначено: 1(Mi ), 1(Mi 1) та 1(Mi 2 ) - функції приналежності до терму «малі значення» вхідних паMi , Mi 1 , та Mi 2 раметрів відповідно; 5 2 (M ), 2 (M ) та 2 (M ) - функції приналежi i 1 i 2 ності до терму «великі значення» вхідних параметрів Mi , Mi 1 , та Mi 2 відповідно. 2-м шаром нечіткої нейронної мережі виконується процедура агрегування, тобто обчислення значень ступеня істинності умов ( A1, A 2,..., A 8 ) по кожному правилу нечіткого виводу: 1(M* ) 1(M* ) 1(M* ) A1 i i 1 i 2 1(M* ) 1(M* ) 2 (M* ) A2 i i 1 i 2 1(M* ) 2 (M* ) 1(M* ) A3 i i 1 i 2 1(M* ) 2(M* ) 2(M* ) A4 i i 1 i 2 2 (M* ) 1(M* ) 1(M* ) A5 i i 1 i 2 2(M* ) 1(M* ) 2(M* ) A6 i i 1 i 2 2(M* ) 2(M* ) 1(M* ) A7 i i 1 i 2 2 (M* ) 2 (M* ) 2 (M* ) A8 i i 1 i 2 де - позначення операції логічного мінімуму. У даному прикладі 2-й шар не має параметрів, що потребують налаштування. У 3-му шарі обчислюється сума та зважена сума вихідних сигналів 2-го шару. При цьому підлягають налаштуванню параметри c1, c 2,...c8 , - індивідуальні висновки правил нечіткого виводу, визначення яких є результатом виконання процедури активізації. 4-й шар не містить параметрів, що підлягають налаштуванню. Він реалізує операцію ділення вихідних сигналів 3-го шару, тим самим визначає результат процедури дефазифікації, суть якої є у обчисленні чіткого значення вихідної змінної, що згідно з алгоритмом Сугено 0-го порядку виконується за таким виразом [4]: 8 ck Ak ~ k 1 Mi 1 . 8 Ak k 1 Шляхом налаштування параметрів функцій приналежності вхідних змінних нечітким множинам і значень індивідуальних висновків правил нечіткого виводу нечітку нейронну мережу потрібно навчити відтворювати залежність Mi 1 f (Mi, Mi 1, Mi 2 ) . Для цього було використано одержані у минулому значення M1, M2,..., M100 (див. Фіг.1). Потім сформовано дані для нейронного самонавчання у вигляді матриці, що містить 97 рядків: M3 M2 M1 M4 M4 M3 M2 M5 . (5) M99 M98 M97 M100 Для налаштування необхідних параметрів нечіткого виводу було обрано найбільш поширений алгоритм навчання нейронних мереж - алгоритм 48463 6 зворотного розповсюдження помилки [5], згідно з яким виконується наступне: [0, 1] , обираються 1) задається параметр близькими до нуля початкові значення ваг w (k,I) ' j ( j -а вага k -го нейрона в I -у шарі), а також задається величина Emax - максимальне значення сумарної функції похибок; 2) встановлюється l 1 - номер рядка матриці (5) та E 0 - поточне значення сумарної функції похибок; 3) як дані для навчання вводиться рядок номер l матриці (5), обчислюється вихідний сигнал ~ нечіткої нейронної мережі M(l) ; i 1 4) здійснюється корекція ваг за формулою: (l) ( , W (I) WpI) ( WpI) де W (I) - матриця ваг 7-го шару нечіткої ней( ронної мережі; WpI) - матриця ваг I -го шару, яку одержано в результаті попередньої корекції; (l) - матриця, елементами якої є часткові похі( WpI) дні (l) ; при цьому корекція ваг здійснюється W (k,I) j від останніх шарів до початкових, тобто I початку приймає значення 3, а потім значення 1; 5) збільшується поточне значення сумарної функції похибок: 2 ~ E Ep 0,5 M(l) M(l) i 1 i 1 де Ep - попереднє значення сумарної функції похибок; 6) якщо l 97 , то l збільшується на 1 та здійснюється перехід до п. 3; 7) якщо max , то здійснюється перехід до п. 2; 8) кінець. В результаті нейронного самонавчання одержано функції риналежності для вхідних змінних: 1(M ) i 1, якщо Mi 3,75; 26,74 Mi , якщо 3,75 Mi 26,74; 22,99 якщо Mi 26,74; 0, 2 (M ) i 0, якщо Mi 3,63; Mi 3,63 , якщо 3,63 Mi 28,3; 24,67 якщо Mi 28,3; 1, 1(M ) i 1 1, якщо Mi 1 3,566; 27,57 Mi 1 , якщо 3,75 Mi 1 27,57; 23,82 якщо Mi 1 27,57; 0, 7 48463 2 (M ) i 1 0, якщо Mi 1 3,535; Mi 1 3,535 , якщо 3,535 Mi 1 27,87; 24,335 якщо Mi 1 27,87; 1, 1(M ) i 2 1, якщо Mi 2 3,594; 27,87 Mi 2 , якщо 3,594 Mi 2 27,83; 24,236 якщо Mi 2 27,83; 0, 2 (M ) i 2 0, якщо Mi 2 3,508; Mi 2 3,508 , якщо 3,508 Mi 2 27,9; 24,392 якщо Mi 2 27,9; 1, а також значення індивідуальних висновків правил нечіткого виводу: c1 3,837 , c2 6,012 , c3 7,257 , c4 8,733 , c5 31,48 , c6 20,88 , c7 29,89 , c8 26,36 , тобто нейро-нечіткий регулятор налаштовано відповідно до умов функціонування телекомунікаційної мережі та його в подальшому можна використовувати для управління тайм-аутом повторної передачі. У зв'язку з тим, що умови функціонування телекомунікаційної мережі динамічно змінюються, то для адекватного управління тайм-аутом повторної передачі доцільно періодично здійснювати переналаштування нейронечіткого регулятора шляхом виконання описаної вище процедури нейронного самонавчання. Налаштований нейро-нечіткий регулятор використано для управління тайм-аутом повторної передачі в умовах, що ілюструються Фіг.1 і Фіг.2. В результаті величина часу повернення кожного підтвердження Mi ,- сумісно з величиною тайм ауту i, встановленою для очікування відповідного підтвердження, приймали значення, що показано на Фіг.4. 8 Результати реалізації корисної моделі (див. Фіг.4) свідчать про відсутність випадків зайвих повторних передач, тобто для всіх I иконується умова: Mi i крім цього різниця ( i - Mi) є відносно малою (не перевищує 5 мс), що підтверджує достатньо високу точність прогнозування часу очікування підтверджень за допомогою нейро-нечіткого регулятора. У розглянутому прикладі використання способу, що заявляється, забезпечує зменшення на 15,6 % часу доставки повідомлення в телекомунікаційній мережі у порівнянні з результатом використання (при аналогічних початкових даних) відомого способу. Таким чином, спосіб, що заявляється, дозволяє зменшити час доставки повідомлень і забезпечити відсутність зайвих повторних передач в телекомунікаційній мережі з комутацією пакетів. Джерела інформації: 1. ISO TC 97/SC6/N 3843. Final Text of ISO 4335/DADI: Data Communication - High-Level Data Link Control Procedures - Consolidation of Elements of Procedures -Addendum 1. - 1986. 2. Jacobson V. Congestion Avoidance and Control //Proceedings of ACM SIGCOMM'88. Stanford, 1988.-pp. 314-329. 3. PaxtonV., AllmanM. Computing TCP's Retransmission Timer // RFC 2988. - November, 2000. 4. Takagi Т., Sugeno M. Fuzzy Identification of Systems and Its Applications to Modeling and Control //IEEE Transactions on Systems, Man and Cybernetics. -1985.-Vol. 15, N. 1.-pp. 116-132. 5. Rumelhart D.E., Hilton G.E., Williams R.J. Learning Internal Representations by Error Propagation //In Parallel Distributed Processing, t. 1. Cambridge: M.I.T. Press, 1986. 9 Комп’ютерна верстка Л.Литвиненко 48463 Підписне 10 Тираж 26 прим. Міністерство освіти і науки України Державний департамент інтелектуальної власності, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601