ст. преп. Балгабекова Л. О.

Алматинский университет энергетики и связи

АНАЛИЗ МОДЕЛЕЙ НЕЙРОННЫХ СЕТЕЙ В ТЕЛЕКОММУНИКАЦИЙ

Одним из современных направлений исследований является изучение возможностей искусственных нейронных сетей и их применения.

Нейронные сети используются для решения задач в области телекоммуникаций, которые заключаются в нахождении оптимального пути и пересылки пакетов между узлами сети.

Нейронные сети в телекоммуникационных системах имеют возможность решать следующие задачи:

- управление сетями и их оптимизация: адаптивное управление сетью связи; оптимизация сотовых сетей; оптимизация схем маршрутизации пакетов.

- распознавание вводимой информации: речи; рукописных текстов; отсканированных документов.

- обработка и поиск информации: кодирование и декодирование; ассоциативный поиск; сжатие и восстановление изображений и видеоинформации; фильтрация информации, в том числе блокировка спама; определение тематики текстовых сообщений и автоматическая рубрикация новостных лент.[1]

Одной из ключевых задач обеспечения эффективного использования сетевых ресурсов является маршрутизация.

Маршрутизация – это процесс определения в телекоммуникационной сети пути, по которому вызов либо блок данных может достигнуть адресата. Маршрутом в информационной сети называют путь, по которому осуществляется передача данных из одного порта в другой.

В сетях используются различные методы маршрутизации:

Селективная маршрутизация характеризуется тем, что блоки данных посылаются сразу по нескольким направлениям, исходя из того, что они достигнут адресата. Пример лавинный алгоритм: основан на рассылке копий пакета по всем направлениям. Пакеты сбрасываются, если в данном узле копия уже проходила.

Вероятностная маршрутизация предполагает случайный выбор пути блоков данных, при этом считается, что они обязательно достигнут адресата.

Фиксированная (статическая) маршрутизация предусматривает составление таблиц маршрутов, указывающих наиболее эффективные пути предполагаемого трафика сети. Здесь маршрут выбирается заранее и не зависит от состояния сети.

Адаптивная маршрутизация отличается от фиксированной тем, что таблицы маршрутов обновляются в зависимости от колебаний трафика. Пример алгоритм “кратчайшей очереди”: пакет посылается по направлению, в котором наименьшая очередь в данном узле.

Маршрутизатор выполняет следующие функции: формирование плана распределения информации (таблиц маршрутизации); выбор дополнительных линий связи; связывает в единую сеть подсети, построенные с использованием различных сетевых технологий; выполняет буферизацию; фильтрацию передаваемых пакетов; осуществляет приоритетную обработку трафика.

В алгоритмах маршрутизации используется следующие показатели: длина маршрута; надежность; задержка; ширина полосы пропускания; нагрузка; стоимость связи. [2]

Задачи связанные с выбором маршрута, планированием работы средств связи и т. п., относятся к классу сложных комбинаторно-оптимизационных задач, как правило, не имеющих простых аналитических решений. Альтернативой существующим методам решения задач маршрутизации является использование нейросетевых моделей, которые позволяют при значительном снижении временных затрат получить хорошие субоптимальные решения. Так, для решения комбинаторно-оптимизационных задач широко используются модели построенные на основе НС Хопфилда.[3] Структурная схема сети Хопфилда приведена на рисунке 1.

Рисунок 1 – Структурная схема сети Хопфилда

Применяемые модели в нейронных сетях является оптимальными при решении задачи маршрутизации. Эти модели позволяют адаптировать свои синоптические весы на влияние внешней среды и соответственно обеспечить выбор оптимального пути маршрутизатора.

Литературы:

1. В. А. Касторнова., М. Г. Можаева. Искусственные нейронные сети как современные средства информатизации, 2012

2. Шепеленко С.Г., Чичикало Н.И. Управление трафиком в MPLS сетях с использованием нейросетевых моделей, 2011

3. Комашинский В.И., Смирнов Д.А. – Нейронные сети и их применение в системах управления и связи, 2002