автореферат диссертации по радиотехнике и связи, 05.12.13, диссертация на тему:Исследование трафика ОКС №7 и разработка методики его прогнозирования

Лизнева Юлия Сергеевна Исследование трафика ОКС №7 и разработка методики его прогнозирования

Специальность 05 12.13 - системы, сети и устройства телекоммуникаций

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

003172181

Лизнева Юлия Сергеевна Исследование трафика ОКС №7 и разработка методики его прогнозирования

Специальность 05 12 13 - системы, сети и устройства телекоммуникаций

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Сибирский государственный университет телекоммуникаций и информатики» (ГОУ ВПО «СибГУТИ»)

Научный руководитель

Официальные оппоненты

Ведущая организация

кандидат технических наук, профессор Бнтнер В.И.

доктор технических наук, профессор Мейкшан В.И. кандидат технических наук, доцент Тарков М.С.

ОАО «Гипросвязь - 4»

Защита состоится « 3 » 2008 г в часов на заседании

Диссертационного совета Д 219 005 01 при Государственном образовательном учреждении высшего профессионального образования «Сибирский государственный университет телекоммуникаций г информатики» по адресу 630102, г Новосибирск, ул Кирова, 86

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «СибГУТИ» Автореферат разослан <»'?» ^^с+^р 2008 г

Ученый секретарь

Диссертационного Совета Д 219 005 01

доктор технических наук, профессор -Мамчев Г В

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы исследования Эффективность работы телекоммуникационной сети зависит от способа построения и функционирования сети передачи сигнальной информации Сеть общеканальной сигнализации должна обеспечивать гарантированную доставку сигнальной информации для различных подсистем пользователей посредством сокращения времени доставки сообщений и защиты от искажений Оптимальность сети сигнализации определяется комплексом показателей качества ее функционирования, таких как интенсивность сигнальной нагрузки, обслуживаемой звеньями сигнализации, среднее время и дисперсия задержки сообщений в звене сигнализации

Анализ возможности использования классических методов расчета времени ожидания сигнальных сообщений в очереди показал существенное отличие результатов расчета и реальных величин

Существующие алгоритмы прогнозирования начала перегрузки в звене сигнализации не позволяют динамически и в реальном времени оповещать о приближении к заданному порогу перегрузки

Неоднородность сигнального трафика существенно влияет на расчет сетевых характеристик ОКС № 7 То есть, проектировщик вынужден принимать решения, в которых не учитывается ряд важных факторов, таких как структурный состав сигнального трафика, характер обслуживания сигнальных сообщений в звене сигнализации, влияние дисперсии задержки на общую задержку сообщений

Таким образом, на практике возникает противоречие, заключающееся в том, что для повышения качества доставки сигнальных сообщений необходимо учитывать ряд важных факторов, влияющих на расчет сетевых характеристик, но существующие алгоритмы не позволяют динамически отслеживать их изменения

Преодоление этих противоречий позволит повысить качество проектирования и обеспечить контроль характеристик сети сигнализации в реальном времени

Цель данной диссертационной работы состоит в развитии методики расчета и прогнозирования характеристик сети ОКС №7, позволяющей уменьшить погрешности расчета

Возросшая ответственность за доставку информации пользователей ОКС №7 требует не только расчета сетевых характеристик в процессе проектирования, но и динамического контроля этих характеристик в процессе эксплуатации звеньев сигнализации Предлагаемая методика прогнозирования сетевых характеристик позволит решить задачу обеспечения требуемого качества работы сигнальной сети

Основным направлением для решения поставленной задачи может быть применение нейросетевых методов прогнозирования У данного метода прогнозирования можно выделить ряд преимуществ

• отсутствие формальной модели прогнозируемого процесса,

• быстрая адаптация к изменяющимся условиям

Так как нейронная сеть не требует наличия формальной модели, то с ее помощью можно создать модель для прогаозирования времени ожидания в очереди как нелинейную функцию ряда параметров, которые учитывают не абсолютные, а относительные величины

Задача построения прогноза временных рядов типична для нейронных сетей. Однако трудность их использования состоит в выборе представления входных данных и выборе подходящей архитектуры нейронной сети для прогнозирования временного ряда Эти обстоятельства характеризуют противоречие между эффективными методами прогнозирования характеристик сети сигнализации и отсутствием в моделях динамической подстройки параметров, которые позволяли бы оперативно реагировать на приближение порога перегрузки

Научная задача исследований заключается в разработке методики расчета характеристик сети сигнализации и динамического прогнозирования сигнального трафика с использованием концепции нейронных сетей.

Для достижения поставленной цели научная задача была разделена на следующие частные научные задачи

1 Анализ результатов расчета характеристик ОКС № 7 при использовании различных моделей и их сравнение с реальными данными действующих сетей с целью адекватного описания и имитационного моделирования

2 Разработка методики и практических рекомендаций для краткосрочного прогнозирования сигнального трафика с использованием аппарата нейронных сетей

3 Определение набора параметров и разработка структуры нейронной сети для эффективного динамического контроля времени ожидания сигнальных сообщений в очереди.

Методы исследования. Разработки и исследования проводились на основе методов математического анализа, прикладной статистики, теории вероятностей, теории массового обслуживания, имитационного моделирования и теории нейронных сетей

Научная новизна работы заключается в следующем

1 Разработана общая методика прогнозирования времени ожидания сигнальных единиц в очереди с использованием нейронных сетей Предлагаемая методика позволит получить оценку времени ожидания с учетом структурного состава сигнального трафика и характера обслуживания сигнальных сообщений в звене сигнализации.

2 Предложена методика оперативного контроля сигнального трафика в процессе работы звена сигнализации на основе концепции нейронных сетей Предлагаемая методика позволит динамически отследить изменение величины сигнального трафика и оперативно реагировать на приближение порога перегрузки Комбинированная

нейронная сеть с использование сети Кохонена позволит определить структурный состав обучающей выборки для исключения ошибочного обучения нейронной сети на некорректных данных

3 Разработана методика расчета среднего времени ожидания сигнальных единиц в очереди и длины очереди в звене сигнализации с учетом статистических данных работающего звена сигнализации Предлагаемая методика учитывает эмпирический закон распределения промежутков между соседними вызовами, полученный на основании обработки статистических характеристик реальных звеньев ОКС № 7

На защиту выносятся

1 Результаты статистического анализа сигнального трафика работающего звена сигнализации

2 Математическая модель звена сигнализации, учитывающая характер обслуживания сигнальных сообщений

3 Результаты расчета среднего времени ожидания сигнальных единиц в очереди и сравнение с результатами имитационного моделирования

4 Методика прогнозирования времени ожидания сигнальных сообщений в очереди, основанная на применении аппарата нейронных сетей

5 Результаты краткосрочного прогнозирования величины сигнальной нагрузки на основе комбинированной нейронной сети с использованием сети Кохонена

Достоверность полученных результатов. Достоверность научных положений, выводов, сформулированных в диссертации, подтверждается математическим доказательством, базирующимся на теории массового обслуживания, математической статистики и имитационного моделирования.

Практическая ценность работы заключается в том, что в ней предложены алгоритмы и методы, которые позволяют отследить динамическое изменение параметров сигнального трафика в реальном масштабе времени

Материалы, содержащиеся в диссертационной работе, внедрены в ОАО «Гипросвязь-4», ведущем проектном институте комплексов связи России и в учебном процессе в Государственном образовательном учреждении высшего профессионального образования «Сибирский государственный университет телекоммуникаций и информатики»

Апробация работы. Основные результаты работы обсуждались

1 На международных и российских научно-технических конференциях «Информатика и проблемы телекоммуникаций» г Новосибирск, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006, 2007 г г

2 На IX международной конференции «Проблемы функционирования информационных сетей» г Новосибирск, 2006 г

3 На международной научно-практической конференции «Связь-Пром 2007» в рамках IV Евроазиатского форума «Связь-ПромЭспо 2007» г Екатеринбург, 2007 г Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы, 4 приложений, содержит 134 страниц машинописного текста, 52 рисунка, список литературы из 106 наименований

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы диссертационной работы, определены цель и задачи исследований, определена научная новизна, представлены основные положения, выносимые на защиту

В первой главе определены критерии оценки показателей качества функционирования и проведен анализ подходов к проектированию сети ОКС №7.

Концепция ОКС №7 предусматривает защиту от перегрузок в случае перегрузки какого-либо направления сигнальной сети протокол 3-го уровня МТР направляет сигнальные сообщения по резервным звеньям или маршрутам Вследствие этого перед операторами сетей ОКС №7 стоит актуальная задача оперативного контроля таких характеристик работающих звеньев сигнализации, как интенсивность сигнальной нагрузки, обслуживаемой звеньями сигнализации, и задержка доставки сигнальных сообщений

Проведенный в главе анализ существующих методик оперативного контроля характеристик работающего звена сигнализации обеспечивающих повышение качества функционирования сети ОКС №7 показал, что актуальной задачей является не только обоснование и выбор метода расчета сигнального трафика, но также и метода его динамического прогнозирования

Основой для прогнозирования нагрузки служат статистические данные количества сигнальных сообщений, обслуженных звеном сигнализации в единицу времени. При этом контролируемыми параметрами являются загрузка звена сигнализации, распределение сообщений по длинам, распределение интервалов времени между поступлениями сообщений

В общем виде задача прогнозирования описывается следующим образом Пусть заданы значения временного ряда Х = (хих2, ,хп), где х, -значение анализируемого показателя, зарегистрированного в t -м интервале времени (f =1,2, ,п ) С помощью выбранного метода прогнозирования требуется оценить величину будущих значений ряда X = (xntl, £л+2, ,*„„), где 1 <т < п — горизонт прогнозирования Для оценки качества прогноза вводится величина Y(t) =

Установлено, что существующие алгоритмы прогнозирования начала перегрузки не позволяют в реальном времени оповещать о приближении к заданному порогу перегрузки звена сигнализации

Кроме того, проведенный анализ классических методик расчета времени ожидания сигнальных сообщений в очереди и сравнение полученных результатов с результатами обработки статистической данных действующих звеньев сигнализации Результаты сравнения показали, что эти методы не позволяют получить адекватную оценку времени ожидания

По результатам проведенного анализа известных материалов сформулирована задача исследований

Вторая глава посвящена разработке новых и развитию базовых методов и алгоритмов расчета характеристик сигнальной сети

Для анализа вероятностно-временных характеристик звено сигнализации представлялось как однолинейная система массового обслуживания Важной характеристикой потока сигнальных сообщений является закон распределения промежутков между соседними сообщениями

На рисунке 1 показаны исходные последовательности и гистограммы интервалов между поступлениями сигнальных единиц (б) ) и длительности обслуживания (а) )

1 1

1 11 1

шмп 1 1 1

I' | | \ц '^гирвпри

щатпмалмж«)!

Фрагмент исходной последовательности Фрагмент исходной последовательности длительности сигнальных единиц интервалов между поступлением СЕ

Гистограмма длительности сигнальных Гистограмма интервалов между поступле-единиц в исходной выборке нием сигнальных единиц

а) б)

Рисунок 1 - Исходные последовательности и гистограммы промежутков между поступлениями сигнальных единиц и длительности обслуживания

Дяя оценки закона распределения были определены статистические характеристики, такие как средняя длительность интервалов между

поступлениями сообщений, стандартное отклонение и асимметрия (таблица 1)

Таблица 1 - Основные статистические характеристики выборки

Интервал наблюдений Характеристика выборки

Средняя длит интервалов t , мс Стандартное отшюнение (7t, мс Коэфф вариации, V Асимметрия, ß Коэфф корреляции

1 012 015 J 25 3 86 009

2 0 65 0 95 1 46 3 92 0 08

3 021 029 1 38 3 43 0 07

4 024 0 31 131 3 14 0 08

5 008 009 1 14 2 77 0 09

6 011 013 122 3 04 0 09

7 009 ОН 1 22 3 04 0 09

8 013 015 Iii 2 81 0 08

9 0 16 0.22 138 4 09 013

Анализ таблицы 1 показывает, что асимметрию следует считать существенной (/? > 3) Наличие правосторонней асимметрии означает, что интервал времени между поступлениями сигнальных сообщений, меньший средней длительности интервала, будет наиболее вероятным

Так как коэффициент вариации отличен от единицы, то можно сделать первоначальное предположение, что поток сигнальных сообщений, поступающих на звено, не является простейшим

Рассчитанные в работе коэффициенты корреляции, а также корреляционные функции показали слабую зависимость между поступающими сигнальными сообщениями (при увеличении п коэффициент корреляции не стремится к нулю)

Таким образом, анализ статистики сигнального трафика показал, что поток сигнальных сообщений нельзя считать простейшим

Расчеты показали, что входящий поток сигнальных сообщений нельзя описать ни одним из теоретических распределений с тяжелом хвостом, так как значение меры расхождения у.2 находится в диапазоне от тысячи до десятков тысяч Одно из решений задачи - подбор эмпирического распределения Подбор эмпирических распределений с помощью известных программных средств моделирования, показал, что имеющиеся статистические распределения могут быть выравнены с приемлемой точностью следующим распределением

/гх)~ а + сх + гх2 + ^ (1)

Анализ гистограммы длительности сигнальных единиц в исходной выборке (рисунок 1) имеет два характерных максимума (при значениях длин 16 и 42 октета) Этот факт объясняется неоднородностью длин сигнальных сообщений в потоке (переменную длину имеют сообщения типа 1АМ, остальные типы сигнальных единиц имеют постоянную длину)

Таким образом, установлено, что распределения длительностей сигнальных единиц (СЕ) и интервалов между их поступлениями существенно отличаются от экспоненциального распределения

Поэтому при моделировании звена сигнализации будем использовать не СМО М/М/1, а 0/0/1 Для расчета времени ожидания в очереди в системе массового обслуживания типа 0ЛЗ/1 воспользуемся аналитическим выражением

IV < + а'тсе\ мс (2)

2?(1 -р)

где а,, <Узнсе- среднеквадратическое отклонение для входного потока и времени обслуживания, Г- среднее значение интервала времени между поступлениями сигнальных сообщений, р- интенсивность Поступающей нагрузки на одно звено

Было проведено сравнение результатов расчета времени ожидания в очереди для модели ОДЗ/1 с классической моделью с пуассоновскими входящими потоками (М/0/1 и М/М/1) Реальные процессы в звене сигнализации с необходимой для практики полнотой описывает модель с тремя входящими потоками значащих (ЗНСЕ), заполняющих (ЗПСЕ) и сигнальных единиц состояния звена (СЗСЕ)

Используя статистические данные, было подобрано эмпирическое распределение времени обслуживания значащих сигнальных единиц Подбор эмпирического распределения показал, что наиболее точно статистические данные можно описать следующим выражением*

ЛнсЛ) = Д+йх/+- + £/Х^2+4+/Х^3+4+АХ/,4+-т+Ух?5+4 > С)

/ Г Г 1 Г

Для анализируемой выборки время ожидания сигнального сообщения в очереди в случае пуассоновского входящего потока можно рассчитать по формуле

¿Л, хЛ/(/,2)

¡¡V =-^-, мс (4)

2 X (1 ~ Расе ) х 0 ~ Рсзсе ~ Рзнее )

где -?;(/)- функция распределения времени обслуживания с приоритетом г,

М (/_2) = - второй начальный момент времени обслуживания.

о

На рисунке 2 приведены гистограмма длительности обслуживания сигнальных сообщений и кривая эмпирического распределения

■н -1

4 к ^ ^т—

4 11г! 1 и 1 ЬгтИл!

г? -ь ^ * * <ь ¿ь л % ,

—— тоор данные М стат данные

Рисунок 2 - Гистограмма времени обслуживания сигнальных сообщений

Используя выражение (4) и учитывая, что для заполняющих сигнальных единиц и сигнальных единиц состояния звена второй начальный момент времени обслуживания равен нулю, рассчитаем среднее время ожидания в очереди

2X (1 - Рсзсе)Рсзсе ~ Рзисе) '

Было проведено сравнение с результатами, используя понятие коэффициента вариации длины сообщения

Расе х тсзсе + Рже х тзнсе х (1 + № =-

( \2

) + Л

-,МС (6)

2х(1-Рсзсе) X 0 " Рсзсе ~ Рзнсе)

Результаты расчета зависимости средней длины очереди и среднего времени ожидания сообщений в очереди (средняя длина 23 байта) от сигнальной нагрузки для моделей 0/0/1 и пуассоновскими входящими потоками представлены на рисунке 3

Как видно на графиках рисунка 3, среднее время ожидания сигнальных единиц для СМО 0/0/1 намного больше, чем для моделей с простейшим входящим потоком Даже в случае минимальной загрузки звена сигнализации результаты расчета с использованием модели ОАЭ/] отличаются примерно в три раза в большую сторону

Кроме того, установлено, что в нормальном режиме работы звена сигнализации, при использовании модели расчета 0/0/1, в очереди на обслуживание могут находиться до двух сигнальных единиц Выполненные расчеты с использованием модели с простейшим входящим потоком при тех же условиях указывают на отсутствие очереди

• & £ <§> N4 <S> <\ ■£> гр Л гй ^ ф % ^ „О,

О' О' О О- О О- О О- О- Çr Ç>- <5,- Сг О- О- О- О- О?

нагрузка, Эрл

- - выражение S I* выражение 6 * M/IW1 G/G/1 (t=0 24) I " G/G/1 (t=0 7)

Рисунок 3 — Среднее время ожидания сигнальных сообщений в очереди для систем G/G/1 (при Г = 0 24 не, а, = 0 31 ), G/G/1 (при I = 0 7мс, а, = 0 875 ), М/М/1, M/G/1

Использование системы массового обслуживания, в которой учитывается характер распределения интервалов времени между поступлениями сообщений, позволило получить более точные, чем получаемые при использовании марковских моделей, оценки таких параметров, как время доставки сигнальной единицы, длины очереди и определить область допустимых значений нагрузки, при которых обеспечивается требуемое качество обслуживания

Проверка адекватности предложенной модели G/G/1 реальным характеристикам звена сигнализации в диссертационной работе выполнялась с помощью системы имитационного моделирования GPSS

Основным недостатком использования эмпирических распределений является отсутствие в них гибкой подстройки В отличие от этого, при использовании теоретических распределений изменение одного из параметров статистики, характеризующих поток поступления сигнальных сообщений (средняя длительность интервалов и стандартное отклонение), приводит к изменению плотности распределения

Кроме того, недостаток применения эмпирических распределений для моделирования поступающего потока заключается в невозможности прогнозирования значений, лежащих вне области статистических данных. В отличие от этого, использование теоретических распределений позволяет прогнозировать значения вне области статистических данных

На рисунке 4 приведена зависимость среднего времени ожидания сообщений в очереди от загрузки звена сигнализации для модели G/G/1 и по результатам имитационного моделирования системой GPSS

нагрузка, Эрл

I выражение 5_ * СЮ1Л Е=0 24_- " моделирование СРБв |

Рисунок 4 - Среднее время ожидания сигнальных сообщений в очереди для модели 0/0/1 и по результатам имитационного моделирования

По результатам сравнения расчета с результатами моделирования (на основе имеющихся статистических данных), были сделаны следующие выводы

• использование модели 0/0/1 позволяет получить верхнюю границу оценки характеристик звена сигнализации,

• использование модели с пуассоновским входящим потоком (выражение 5) позволяет получить нижнюю границу оценки характеристик звена сигнализации

В третьей главе диссертационной работы описана методика прогнозирования времени ожидания сигнальных единиц в очереди, основанная на применении аппарата нейронных сетей

Одно из главных преимуществ теории нейронных сетей перед традиционными системами имитационного моделирования - это возможность обучения, что позволяет находить оптимальное решение поставленной задачи, подстраиваясь под ситуацию Кроме того, традиционные методы имитационного моделирования не могут обеспечить требуемой точности из-за нелинейных и сложных отношений между временем ожидания в очереди и параметрами, от которых оно зависит

На величину среднего времени ожидания сигнальной единицы в очереди влияют такие параметры, как степень загрузки звена сигнализации, распределение интервалов между поступлением сигнальных единиц, структурный состав сигнальных единиц в потоке Кроме этого, математические методы требуют от проектировщиков знания множества фактических статистических данных реального трафика и не учитывают динамику их изменения

Для того чтобы решить задачу прогнозирования изменения времени ожидания в очереди предлагается в процессе обработки статистических данных учитывать

• долю длинных сигнальных единиц в потоке,

• долю интервалов между поступлением сигнальных сообщений, принимающих значения меньше среднего интервала,

• отношение средней длительности интервала между поступлением к средней длительности обслуживания сигнальных сообщений,

• интенсивность загрузки звена сигнализации

Анализ процесса поступления сигнальных единиц на звено сигнализации показал, что длина сигнальных единиц изменяется от 16 до 70 байт. Переменную длину имеют сообщения типа IAM (начальное адресное сообщение), остальные типы сигнальных единиц имеют постоянную длину Был определен набор типов сообщений, встречающихся в выборке, их длина и вероятность появления В таблице 2 приведены типы сигнальных сообщений, их длина и доля в выборке

Из таблицы 2 видно, что доля длинных сообщений составляет четверть общего объема в выборке, в соответствии с процедурой сигнализации при установлении и разъединении соединений

Таблица 2 — Характеристика сообщений, встречающихся в выборке

Тип сообщения Длина сигнальных сообщений, байт Доля сообщений в общем потоке, %

Формируемая ISUP Полная

IAM 24-63 31-70 22 0

АСМ 12 19 15 41

ANM 11 18 8,04

RLC 13 20 2197

REL 9 16 22,03

остальные 14 21 10,55

Одно сообщение IAM порождает четыре сигнальные единицы при удачной и две сигнальные единицы при неудачной попытке установления соединения Кроме того, при предоставлении дополнительных услуг передаются и необязательные сообщения переменной длины Таким образом, доля длинных сообщений (dlAjif) в разных выборках может изменяться в пределах 20% - 30% от общего числа сообщений в потоке

Следующий параметр, влияющий на длину очереди - доля интервалов между поступлением сигнальных сообщений, принимающих значения меньше среднего интервала (P(t<})) Наибольший интерес представляют малые интервалы между поступлениями сигнальных единиц, так как именно они оказывают существенное влияние на длину очереди Анализ, проведенный в диссертации, показал, что для определения величины P(t < t) необходимо найти основные статистические характеристики потока и построить гистограмму интервалов между поступлением сигнальных сообщений, причем интервал между поступлением сигнальных единиц необходимо задавать в долях среднего интервала между поступлениями

сигнальных единиц Анализ работы звеньев сигнализации показал, что величина P{t<t) для различных выборок может изменяться от 70% до 80%.

Кроме того, существенное влияние на длину очереди отказывает отношение средней длительности интервала между поступлением (г) к средней длительности обслуживания сигнальных сообщений (т) В работе было найдено такое критическое соотношение этих величин, при котором длина очереди начинает интенсивно расти

Четвертый параметр - параметр потока - можно определить как отношение числа поступивших сигнальных сообщений (т) к длительности интервала мониторинга (т)

Для расчета времени ожидания сигнальных сообщений в очереди предлагается использовать математическую модель в виде нелинейной функции параметров P(t<t), (J 1т), (m/T), dUM

W = f((P(t < tMt'r),(mlT),dIAM) (7)

Эти параметры были использованы при создании обучающего задачника, предназначенного для обучения нейронной сети Чтобы решить задачу прогнозирования времени ожидания сигнальных сообщений в очереди, была построена нейронная сеть, обучаемая по алгоритму обратного распространения ошибок. Выбор данного алгоритма обусловлен тем, что он позволяет формальным образом «обучить» нейронную сеть прогнозированию изменения требуемой величины на основе ретроспективных данных о самой величине.

На рисунке 5 приведен алгоритм построения нейронной сети На первом шаге были определены базовые статистические характеристики, используемые при прогнозировании времени ожидании в очереди. На втором шаге производилось формирование образов, подаваемых непосредственно на входы нейронной сети, то есть создание обучающих и тестовых множеств Далее с использованием выбранного алгоритма обучения производилось обучение нейронной сети и ее тестирование на тестовом множестве При удовлетворительной точности работы нейронной сети на тестовом множестве можно считать, что нейронная сеть построена и может использоваться для прогнозирования

Рисунок 5 - Алгоритм построения нейронной сети

Задача прогнозирования решалась с помощью многослойной нейронной сети, которая состоит из 4-х нейронов во входном слое и 1-го нейрона в выходном слое Число скрытых слоев и количество нейронов в этих слоях определялось экспериментально Для составления задачника были использованы статистические данные о работе звеньев сигнальной сети, собранные в течение двух месяцев Выборка состоит из 1500 примеров, 70% из которых - обучающая выборка Процесс обучения нейронных сетей связан с настройкой весов и смещений так, чтобы минимизировать функционал, зависящий от ошибок сети (разности между желаемым и реальным значениями на выходе)

В главе установлено, что соответствие между входами и выходами носит явно выраженный нелинейный характер, поэтому использовалась нейронная сеть с нелинейными сигмоидальными функциями активации Для проведения сравнительного анализа алгоритмов обучения использовались два критерия средняя абсолютная погрешность обучения и количество эпох обучения Для определения оптимального числа нейронов в скрытом слое рассматриваемой нейронной сети применялся пакет МаНаЬ Была исследована зависимость числа эпох обучения от количества нейронов в скрытом слое (рисунок 6)._

(алгоритм оптимизации Левенберга-Марквардга)

(АОР в сочетании с методом Флетчера-Пауэлла)

(АОР с использованием метода секущих)

Рисунок 6 - Зависимость времени обучения нейронной сети от количества нейронов в скрытом слое для трех алгоритмов обучения

Проведенный сравнительный анализ алгоритмов обучения нейронных сетей показал, что оптимальное соотношение количества эпох и качества обучения достигается при 12 нейронах в скрытом слое

Таблица 3 - Сравнение модификаций алгоритма обратного распространения

№ Функция обучения Количество эпох обучения

1 АОР в сочетании с методом Флетчера-Пауэлла 265

2 АОР в сочетании с методом Полака-Рибейры 190

3 Классический АОР -

4 Классический АОР с адаптацией коэффициента скорости обучения -

5 Модифицированный АОР с введением «инерционности» коррекции ошибки 11421

6 Комбинированный АОР (классический АОР с адаптацией коэффициента скорости обучения и модифицированный АОР с введением «инерционности» коооекиии ошибки) 215

7 Алгоритм оптимизации Левенберга-Марквардта 50

8 АОР с использованием метода секущих 361

9 Квазиньютоновский АОР 59

В таблице 3 приведен сравнительный анализ модификаций алгоритма обратного распространения (АОР) для структуры 4x12x1

Таким образом, наиболее предпочтительными можно считать алгоритмы оптимизации Левенберга-Марквардта, Флетчера-Пауэлла и квазиньютоновский Наихудшие показатели имеют алгоритмы градиентного спуска (требуемая точность не была достигнута)

Далее на тестовой выборке из потока сигнальных сообщений вычислялась средняя абсолютная погрешность и дисперсия ошибки с использованием следующих алгоритмов оптимизации квазиньютоновского, Левенберга-Марквардта, Флетчера-Пауэлла (таблица 4)

Таблица 4 - Средняя абсолютная погрешность и дисперсия ошибки

Функция обучения Параметр Величина

Квазиныотоповскнй АОР Средняя абсолютная погрешность 0,42

Дисперсия погрешности 0,31

Алгоритм оптимизации Левенберга-Марквардта Средняя абсолютная погрешность 0,38

Дисперсия погрешности 0,18

АОР в сочетании с методом Флетчера-Пауэлла Средняя абсолютная погрешность 0,81

Дисперсия по!решности 0,34

Анализ таблицы 4 показал, что наименьшую погрешность прогнозирования на тестовой выборке дает алгоритм оптимизации Левенберга-Марквардта Таким образом, для прогнозирования изменения времени ожидания в очереди была построена нейронная сеть со структурой 4x12x1 Математическую модель разработанной нейронной сети можно представить в виде

12 ( 4 / чУ\ (8)

У = к

IV-

'20'

т=1 V к=1

где к = 1,2, ,4 - число нейронов первого слоя, ти = 1,2, ,12 - число нейронов второго слоя; м>ш,щйт- начальные возбуждения А:-го, от-го нейронов первого, и второго слоев

В таблице 5 приведены результаты прогноза времени ожидания в очереди тремя методами (с помощью модели СМО 6/0/1 и с помощью аппарата нейронных сетей)

Погрешность прогнозирования вычислялась по формуле

§ = х юо%, (9)

где X— время ожидания в очереди, полученное с помощью выражения 2, ¡нс-прогнозируемое время ожидание в очереди с помощью аппарата нейронных сетей

Таблица 5 - Расчет времени ожидания в очереди с помощью модели СМО

0/43/1 и аппарата нейронных сетей (НС)

Интервал наб тюлений Характеристика выборки времени ожидания в очереди мс Погрешноеп.%

Средняя длит интервалов 1 MC Стандартное отклонение <У1 мс Стандартное отклонение интенсивность поступающей нагрузки р Эрл модель G/G/1 НС

] 012 0 15 1 31 0,03 7,47 7 49 2 1

2 0 65 0 95 1,31 0,03 2 08 199 4 1

3 021 029 1,31 0,03 442 4,46 38

4 024 031 1 31 003 3,89 3,94 4,7

5 OOS 0 09 1,31 0 03 11,11 1107 4,4

6 011 0 13 1,31 0 03 812 8 09 29

7 009 0 11 1 31 0 03 990 9 93 29

8 013 0 15 1 31 0 03 6 89 6 93 37

9 016 0 22 1,31 0 03 5 68 5 65 36

По результатам сравнения полученных результатов с результатами расчета можно сделать вывод, что отклонения прогнозируемых значений от моделируемых не превышает 4 7%

Таким образом, разработанная методика прогнозирования на основе аппарата нейронных сетей позволила решить задачу оперативного прогнозирования времени ожидания в очереди Время ожидания в очереди является нелинейной функцией параметров, которые являются не абсолютными, а относительными величинами В процессе прогнозирования учитывается динамика изменения четырех входных параметров и их влияние на время ожидания в очереди

В четвертой главе диссертационной работы описана методика краткосрочного прогнозирования величины сигнальной нагрузки, основанная на применении аппарата нейронных сетей

Предлагается следующий алгоритм исследований определение варианта представления ретроспективных данных, оценка глубины ретроспективных данных на основании вычисления величины корреляции, выбор начальных весовых коэффициентов и алгоритма обучения сети

Исследование глубины ретроспективных данных производилось на основании вычисления величины корреляции, то есть вычисления интервала Дг, после которого предшествующие данные не оказывают влияния на текущие

, £[(*,-*)*(*,+*-*)]

Г(*) = ±Х1=4±!- -, (Ю)

N а2(х)

где х - выборочное среднее ряда, а1 (х) - выборочная дисперсия ряда, к-лаг (сдвиг)

Для оценки функции автокорреляции строилась коррелограмма, лежащая в пределах [-1 — 1] На основе выражения (10) вычислялась функция автокорреляции и была построена коррелограмма

О 10 20 Э0 40 50 60 70 80 90 1 00 110 120 1 30 140 1 50 1 60 1 70 1 80 190 200 210 220 230 240 250

Рисунок 7 - Автокорреляционная функция временного ряда

Как видно на графике (рисунок 7), на 210-220 лаге предшествующие данные уже не влияют на текущие. Это соответствует данным за 46 дней (1104 часов).

В работе была показана необходимость предварительной нормализации исходных данных.

шш

■А у ж.

■02. -0.1 о.О \ 03 ОД 0.4 0 Vrfl О.в 0.7 О* 0.» 1.0 1.1

Л) VH y¡ - Y шш

г т ах — ^ min

,—х я

/ Ш /- -... тшш%ш % Ф/- шиш --

б)

гя = Г, -M{Y,)

" г)

1 .5

7 , . у. )

1 + ехр уТТ)

Lg

Рисунок 8 - Результаты различных нормировок количества сигнальных

сообщений

После выбора способа нормировки входных данных определялась структура нейронной сети. Рассмотрены следующие способы представления ретроспективного периода:

• 1 вариант - использование изменения количества сигнальных единиц в единицу времени только текущих суток;

• 2 вариант - использование изменения количества сигнальных единиц в единицу времени текущих суток и предшествующих;

I

18

• 3 вариант - использование изменения количества сигнальных единиц в единицу времени текущих суток и двух предшествующих

При решении и поставленной задачи для каждого варианта представления ретроспективных данных были сформированы трехслойные сети

Таблица 6 - Сравнение модификаций алгоритма обратного распространения

Алгоритм обучения Вариант периода ретроспективных данных Число нейронов в скрытом слое Количество эпох обучения Точность обучения, %

Алгоритм оптимизации Левенберга-Марквардта 1 10 11 1 83

2 10 17 125

3 10 14 2 09

Квазиньютоновский АОР 1 10 154 10 34

2 10 135 941

3 10 160 9 87

АОР с использованием метода секущих 1 10 586 8 79

2 10 421 5 15

3 10 601 4 72

АОР в сочетании с методом Флетчера-Пауэлла 1 15 245 5 77

2 15 215 341

3 15 302 3 69

АОР в сочетании с методом Полака-Рибейры 1 15 285 123

2 15 311 1 20

3 15 342 145

Число нейронов в скрытом слое определялось экспериментально (при изменении числа нейронов в скрытом слое), для различных алгоритмов обучения фиксировалось количество эпох обучения

В таблице 6 приведен сравнительный анализ модификаций алгоритма обратного распространения (АОР) для структур 24хУх1, 48хУх1, 72хУх1 для определения количества нейронов в скрытом слое

Анализируя данные таблицы 6, видим, что для прогнозирования изменения сигнальной нагрузки наиболее предпочтительными можно считать алгоритмы оптимизации Левенберга-Марквардта и Полака-Рибейры При практически равнозначной точности прогнозирования количество эпох обучения и числа нейронов в скрытом слое для обучения нейронной сети выбирается алгоритм Левенберга-Марквардта

В таблице 7 приведены результаты влияния варианта представления ретроспективных данных на точность прогнозирования нагрузки с упреждением на один час Анализ интенсивности поступления сигнальных единиц рассматриваемой выборки показал, что час наибольшей нагрузки приходится на 15 часов дня Наименьшая загрузка звена сигнализации приходится на 4 часа ночи

Таблица 7 - Результаты влияния периода ретроспективных данных на

точность прогноза в течение суток

Время Вариант представления периода Погрешность прогноза при

суток ретроспективных данных упреждении на 60 мин, %

4-5 1 271

2 3 53

3 4 64

12-13 1 3 32

2 129

3 5 41

15-16 1 3 91

2 3 41

3 4 71

Анализ таблиц 6 и 7 показывает, что для прогнозирования трафика наиболее предпочтительно использование варианта представления ретроспективных данных текущих и предшествующих суток (вариант 2)

Использование более ранних данных о нагрузке не обеспечивает повышения точности прогноза

анализ точное™ пропоза на ооюеднж ретроспективных данных

да

Рисунок 9 - Алгоритм прогнозирования сигнального трафика

Суточный график нагрузки характеризуется следующими компонентами текущая нагрузка, средняя величина нагрузки, максимальное и минимальное значения нагрузки, случайная составляющая нагрузки Кроме того, необходимо контролировать порог начала перегрузки в буфере передачи звена сигнализации Решить данную задачу предлагается путем обучения одновременно двух нейронных сетей Первая нейронная сеть (HCl) прогнозирует значение нагрузки в течение каждого часа Вторая нейронная сеть предсказывает максимальные и минимальные значения нагрузки в течение суток

Выходные данные для первой НС - это часовые значения нагрузки в прогнозируемый период времени Выходные данными для второй НС -максимальные и минимальные значения нагрузки в прогнозируемом периоде На рисунке 9 приведен алгоритм прогнозирования сигнального трафика

Первая НС прогнозирует часовую нагрузку с упреждением на час вперед Вторая НС прогнозирует минимальное и максимальное количество сигнальных единиц в час Результаты прогнозирования трафика с использованием нейронных сетей можно сравнивать с данными реально работающего звена сигнализации, в котором контролируется начало перегрузки

Рисунок 10 - Схема управления сигнальным трафиком

Для исключения некорректных обучающих примеров предлагается с помощью сети Кохонена определить структурный состав обучающей выборки (рисунок 10)

В блоке анализа данных нейронная сеть получает (по текущим данным о сигнальном трафике) информацию о структуре и изменении трафика в течение суток База данных 1 (БД1) хранит архив ретроспективных данных, а база данных 2 (БД2) - параметры моделей прогноза (весовые коэффициенты, полученные в процессе обучения нейронной сети) Эти данные используются в случае, если требуется переобучение нейронной сети

При прогнозировании сигнальной нагрузки учитывались три временных периода когда

• звено сигнализации загружено слабо,

• звено сигнализации работает в нормальном режиме,

• звено сигнализации работает вблизи порога перегрузки

Перед началом обучения нейронной сети для прогнозирования сигнального трафика с помощью сети Кохонена определялся структурный состав обучающей выборки Эта процедура необходима, чтобы не обучить сеть на исходных данных, которые не соответствуют реальной ситуации, происходящей в звене сигнализации Так, например, может возникнуть ситуация, когда все обучающие данные попадут из одного периода работы

звена (например, малой нагрузки). В этом случае обученная сеть не сможет правильно прогнозировать моменты перегрузки.

В момент фиксации перегрузки не гарантируется доставка сигнальной информации с заданной задержкой. При этом протокол третьего уровня МТР может реагировать на начавшуюся перегрузку в данном звене путем перераспределения поступающих сигнальных сообщений по другим звеньям и маршрутам, что приводит к дополнительным накладным расходам, а значит - к пониженной пропускной способности сигнальной сети.

Использование методов краткосрочного прогнозирования нагрузки в звене сигнализации позволяет администратору сигнальной сети получать оперативные данные о приближении нагрузки к установленному ранее порогу перегрузки и предотвратить нежелательные затраты ресурсов протокола третьего уровня при реагировании на начавшуюся перегрузку.

Количество

|вреальные донные О данные прогноза |

Рисунок 11 - Реальная и прогнозируемая нагрузка звена сигнализации

Таким образом, совмещение краткосрочного прогнозирования нагрузки по ретроспективным статистическим данным и контроля перегрузки звена сигнализации обеспечивает принятие адекватных воздействий на сигнальную сеть (рисунок 11).

Рассмотрев основные методы моделирования процессов, описываемых временными рядами, в работе была предложена модель, прогноз которой можно считать приемлемым в практике, так как отклонение прогнозируемых значений от данных статистики не превышает 1.2% (рисунок 12).

время, час

исходные данные ■ прогноз НС """"" авторегрессия

Рисунок 12 - Результаты краткосрочного прогнозирования количества сигнальных сообщений

Анализ полученных результатов показал возможность динамического слежения за изменением нагрузки и оперативного реагирования на начало перегрузки Комбинированная нейронная сеть с использование сети Кохонена позволила определить структурный состав обучающей выборки для исключения ошибочного обучения нейронной сети на некорректных данных.

В заключении приведены основные результаты проведенных исследований, сделаны выводы об эффективности применения полученных результатов для оперативного управления ресурсами сигнальной сети

ВЫВОДЫ ПО РЕЗУЛЬТАТАМ ДИССЕРТАЦИИ

Диссертационная работа посвящена вопросам повышения точности прогнозирования сетевых характеристик ОКС№7 на основе применения теории нейронных сетей

В ходе исследований, проведенных в рамках диссертационной работы, получены следующие основные результаты

1 Проведенный статистический анализ сигнального трафика звена сигнализации показал, что закон распределения интервалов между поступлением сообщений нельзя однозначно описать никаким из известных теоретических распределений Кроме того, установлено, что трафик не обладает свойством самоподобия

2 Для краткосрочного прогнозирования сигнального трафика предложена комбинированная нейронная сеть с использование сети Кохонена Использование данного метода позволило определить структурный состав обучающей выборки для исключения ошибочного обучения нейронной сети на некорректных данных

3. Предложена методика расчета основных параметров трафика в сети сигнализации, таких как среднее время ожидания сигнальной единицы в очереди и длина очереди в системе массового обслуживания ОЛЗ/1

Установлено, что математическая модель для пуассоновских входящих потоков является грубым приближением при описании реальных процессов в звене сигнализации Результаты расчета подтверждены инструментами имитационного моделирования

4 Разработана методика прогнозирования изменения времени ожидания в очереди с помощью аппарата нейронных сетей Данная методика позволила динамически отслеживать изменения основных параметров трафика

5 Предложена система контроля контроля порога начала перегрузки в буфере передачи звена сигнализации, что позволит администратору сигнальной сети получить оперативные данные о приближении нагрузки к установленному ранее порогу перегрузки и предотвратить нежелательные затраты ресурсов протокола третьего уровня реагирования на начавшуюся перегрузку

Основные результаты диссертации опубликованы в работах:

1 Лизнева Ю С Вопросы построения и проектирования сигнальной сети // Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл -Новосибирск, 1998-с 17

2 Лизнева ЮС Расчет характеристик сигнальной сети // Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл - Новосибирск, 1999-с 14

3 Лизнева Ю С Применение программных средств расчета характеристик сигнальной сети для услуг ЦСИО и ИСС // Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл —Новосибирск,2000 —с28

4 Битнер В И, Лизнева Ю С Инструментальные программные средства оптимизации сети сигнализации ОКС №7 / Инфосфера - 2000 - №5 -с 25-28

5 Лизнева Ю С Обоснование исходных данных для расчета характеристик сигнальных сетей с протоколом ОКС №7. Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл -Новосибирск, 2001 - с 25

6 Лизнева Ю С. Расчет задержки сообщений в ОКС №7 Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций»-тез докл -Новосибирск,2002-с21

7 Битнер В И, Голубев И Б, Лизнева Ю С Проблемы подготовки к созданию системы управления качеством по ИСО 9000 Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл - Новосибирск, 2003

8 Битнер В И, Лизнева Ю С Методика расчета характеристик ОКС №7 Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл - Новосибирск, 2004 - с 24

9 Битнер В И, Лизнева Ю С , Петрова С А Особенности трафика ОКС №7 Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл -Новосибирск,2005-с30

10. Лизнева Ю.С, Ремизов С Л К вопросу об оценке показателей работы звена сигнализации Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций», тез докл. -Новосибирск, 2005 - с 31

11. Битнер В И, Лизнева Ю С К вопросу о прогнозировании сигнального трафика Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл - Новосибирск, 2006 - с 25

12. Быков Ю.П, Лизнева ЮС К определению удельной нагрузки на местных сетях связи IX Международная конференция «Проблемы функционирования информационных сетей» докл — Новосибирск, 2006 -с. 55

13 Битнер В И, Лизнева Ю С., Антропов А Ю К вопросу о фрактальности трафика ОКС №7 IX Международная конференция «Проблемы функционирования информационных сетей» докл. - Новосибирск, 2006 -с 39

14 Лизнева Ю С Анализ характера закона распределения входящего потока на звено сигнализации ОКС №7 по выборочной совокупности Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций» тез докл. - Новосибирск, 2007 - с 26

15. Лизнева Ю С. Краткосрочное прогнозирование сигнального трафика ОКС №7 с применением нейронных сетей Международная научно-практическая конференция «Связь-Пром 2007» в рамках IV Евроазиатского форума «Связь-ПромЭспо 2007» г. Екатеринбург, 2007 г

16 Лизнева Ю С. Прогнозирование времени ожидания сигнальных сообщений в буфере звена сигнализации ОКС №7 с помощью нейронных сетей // Журнал научных публикаций аспирантов и докторантов - 2008 -№3 -с. 173-179

17 Битнер В И, Лизнева Ю С. Использование теории нейронных сетей при прогнозировании сигнального трафика // Информация и Космос - 2008 -№2-с. 36-39

Подписано в печать 23,05 2008, формат бумаги 60x84/16, отпечатано на ризографе, шрифт №10, год л 1,5 , заказ №.5~5, тираж {20 СибГУТИ 630102, Новосибирск, ул. Кирова, 86

Введение

1 Анализ методов расчета характеристик сетей ОКС №

1.1 Обзор основных теоретических положений, описывающих 10 функционирование сети ОКС №

1.1.1 Прогнозирование сигнальной нагрузки. Общие 14 положения

1.1.2 Общие положения, относящиеся к расчет у задержки 26 доставки сигнальных сообщений ОКС №

1.2 Постановка задачи *

1.3 Выводы

2 Исследование вероятностных характеристик потоков сигнальных 37 сообщений

2.1 Основные предпосылки для анализа характера закона 37 распределения потока сигнальных сообщений

2.2 Анализ характера закона распределения промежутков между 37 моментами поступления сигнальных единиц

2.2.1 Подбор стандартного распределения вероятнотей для 42 аппроксимации распределения вероятностей интервалов между сообщениями входящего потока звена сигнализации

2.2.2 Определение эффекта самоподобия в сигнальном 48 трафике

2.3 Расчет вероятностных характеристик звена сигнализации 60 ОКС №

2.4 Моделирование системы G/G/1 в среде GPSS World

2.5 Выводы

3 Прогнозирование временных рядов с использованием технологии 75 нейровычислений

3.1 Общие положения

3.2 .Прогноз длины очереди

3.2.1 Постановка задачи

3.2.2 Анализ и выбор алгоритма обучения нейронной сети 84 для решения задачи прогнозирования времени ожидания сигнальных сообщений в очереди

3.3 Выводы

4 Краткосрочное прогнозирование величины сигнальной нагрузки

4.1 Постановка задачи

4.2 Разработка методики для краткосрочного прогнозирования 97 сигнального трафика с использованием многослойного персептрона

4.2.1 Анализ представления исходных данных

4.2.2 Предобработка исходных данных

4.2.3 Выбор начальных весовых коэффициентов

4.3 Контроль порога перегрузки звена сигнализации с 110 использованием нейронных сетей

4.4 Применение радиальной базисной сети для краткосрочного 118 прогнозирования сигнального трафика

4.5 Выбор прогнозирующей модели

4.6 Выводы 121 Заключение 122 Библиография 124 Приложение

Актуальность темы исследования. Эффективность работы телекоммуникационной сети непосредственно зависит от способа построения и функционирования сети передачи сигнальной информации. Таким образом, являясь средством доставки сигнальной информации между элементами телекоммуникационной сети в процессе предоставления услуги, сеть общеканальной сигнализации должна обеспечивать гарантированную доставку сигнальной информации для различных подсистем пользователей, посредством сокращения времени доставки сообщений и защиты от любого типа отказов. Оптимальность сети сигнализации определяется затратами на построение сети, на которые влияют такие показатели качества функционирования как интенсивность сигнальной нагрузки, обслуживаемой звеньями сигнализации, среднее время и дисперсия задержки сообщений в звене сигнализации.

Анализ эффективных классических методов расчета времени ожидания в очереди сигнальных сообщений на основании статистической обработки информации работающего звена сигнализации показывает затрудненность получения адекватной оценки времени ожидания в очереди в звене сигнализации. Кроме того, существующие алгоритмы прогнозирования начала перегрузки, такие как WWG 8620 SS7 Signaling Surveillance System, MasterQuesr, GeoProbe «Inet», Spider [60], не позволяют динамически и в реальном времени оповещать о приближении к заданному порогу перегрузки.

Анализ задач, связанных с необходимостью динамического прогнозирования сетевых характеристик сети сигнализации, показал, что для решения поставленной задачи следует использовать нейросетевые методовы прогнозирования.

Задача построения прогноза типична для нейронных сетей. Но трудность их использования состоит в выборе способа представления входных данных и подходящей архитектуры нейронной сети для прогнозирования временного ряда.

Эти обстоятельства характеризуют противоречие между эффективными методами прогнозирования характеристик сети сигнализации и отсутствием в них динамической подстройки параметров, которая позволяла бы оперативно реагировать на приближение порога перегрузки. Преодоление этих противоречий позволяет в процессе работы звена сигнализации контролировать характеристики сети сигнализации, что приводит к повышению качества обслуживания.

Целью данной диссертационной работы является развитие методов расчета и прогнозирования характеристик сети ОКС №7. Использование методов прогнозирования позволит более эффективно решать задачи обеспечения требуемого качества обслуживания пользователей.

Для достижения поставленной цели необходимо решить следующие задачи:

1. сравнить результаты расчета характеристик ОКС № 7 при использовании различных моделей с реальными данными действующих сетей с целью адекватного описания процессов, происходящих в звене сигнализации.

2. Разработать методику и практические рекомендации для кратковременного прогнозирования сигнального трафика с использованием аппарата нейронных сетей.

3. Определить набор параметров и разработать структуру нейронной сети для эффективного динамического контроля времени ожидания сигнальных сообщений в очереди.

В первой главе диссертации по данным отечественной и зарубежной литературы проводится обзор методов расчета характеристик сети сигнализации. Показано, классически методы расчета характеристик сети, обеспечивающие качество доставки информации, рекомендованное МСЭ-Т, дают оптимистические результаты и приводят к недооценке величины трафика. Кроме того, аналитические модели дают количественную оценку времени задержки сигнального сообщения и не позволяют динамически отслеживать ее изменения

Вторая глава диссертации посвящена разработке и развитию базовых методов и алгоритмов расчета характеристик сигнальной сети.

При анализе вероятностно-временных характеристик звено сигнализации представляется как однолинейная система. Важной характеристикой потока сигнальных сообщений является закон распределения промежутков между соседними вызовами.

Оценка характера закона1 распределения входящего< потока проводится на основании статистических данных работающего звена сигнализации с использованием аппарата математической статистики.

Использование системы массового обслуживания, в которой учитывается характер распределения интервалов времени между поступлениями сообщений, позволяет получить более точные оценки времени доставки сигнальной единицы и область допустимых значений нагрузки, при которых обеспечивается качество обслуживания, чем получаемые при использовании марковских моделей. Для уточнения закона распределения входящего потока сигнальных единиц в работе проводится сравнение результатов экспериментальных исследований и теоретического расчета.

В третьей главе диссертационной работы описана методика прогнозирования времени ожидания в очереди сигнальных единиц, основанная на применении аппарата нейронных сетей.

На величину среднего времени ожидания сигнальной единицы в очереди влияют такие факторы, как степень загрузки звена сигнализации, распределение интервалов между поступлением сигнальных единиц, структурный состав сигнальных единиц в потоке. Кроме этого, классические математические методы требуют от проектировщиков знания множества фактических статистических данных реального трафика и не учитывают динамику их изменения.

Для того, чтобы решить задачу прогнозирования изменения времени ожидания в очереди в диссертации предлагается после обработки статистических данных извлекать из них следующую информацию:

• долю длинных сигнальных единиц в потоке;

• долю интервалов между поступлением сигнальных сообщений, принимающих значения меньше среднего интервала;

• отношение средней длительности интервала между поступлением к средней длительности обслуживания сигнальных сообщений;

• интенсивность загрузки звена сигнализации.

Для решения задачи прогнозирования времени ожидания сигнальных сообщений в очереди была построена нейронная сеть, обученная алгоритмом Левенберга-Марквардта. Выбор данного алгоритма обусловлен тем, что он позволяет формальным образом «обучить» нейронную сеть прогнозированию изменения требуемой величины на основе ретроспективных данных о самой величине.

В четвертой главе диссертационной работы описана методика краткосрочного прогнозирования сигнального трафика, основанная на применении аппарата нейронных сетей.

Результаты прогнозирования трафика с использованием нейронных сетей сравниваются с данными работающего звена сигнализации, в котором контролируется начало перегрузки. Использование методов прогнозирования нагрузки в звене сигнализации позволяет администратору сигнальной сети получать оперативные данные о приближении нагрузки к установленному ранее порогу перегрузки и предотвратить нежелательные затраты ресурсов протокола третьего уровня реагирования на начавшуюся перегрузку.

В момент фиксации перегрузки не гарантируется доставка сигнальной информации с заданной задержкой. При этом протокол третьего уровня МТР может реагировать на начавшуюся перегрузку в данном звене путем перераспределения поступающих сигнальных сообщений по другим звеньям и маршрутам, что приводит к дополнительным накладным расходам, а значит к пониженной пропускной способности сигнальной сети.

Научная новизна результатов диссертационной работы заключается в следующем:

1. Разработана методика прогнозирования времени ожидания сигнальных сообщений в очереди, использующая аппарат нейронных сетей.

2. Предложена методика оперативного контроля величины сигнального трафика в процессе работы звена сигнализации на основе концепции нейронных сетей.

3. Разработана комбинированная нейронная сеть с использование сети Кохонена, позволяющая определить структурный состав обучающей выборки, для исключения ошибочного обучения нейронной сети на некорректных данных.

4. Показана невозможность использования пуассоновских моделей для расчета среднего времени ожидания сигнальных сообщений в очереди.

Практическая значимость работы заключается в том, что в ней предложены алгоритмы и методы, которые позволяют отследить динамическое изменение параметров сигнального трафика в реальном масштабе времени.

На защиту выносятся:

1. Результаты статистического анализа сигнального трафика работающего звена сигнализации.

2. Математическая модель звена сигнализации, учитывающая характер обслуживания сигнальных сообщений.

3. Методика аналитического расчета среднего времени ожидания в очереди сигнальных единиц и сравнительный анализ с результатами имитационного моделирования.

4. Методика прогнозирования времени ожидания сигнальных сообщений в очереди, основанная на применении аппарата нейронных сетей.

5. Результаты краткосрочного прогнозирования величины сигнальной нагрузки на основе комбинированной нейронной сети с использованием сети Кохонена.

4.6 Выводы

• В данной главе предложено в эксплуатируемой сети предложена методика прогнозирования изменения сигнального трафика.

• Исследовано влияние алгоритма обучения нейронной сети на точность прогнозирования сигнального трафика.

• Предложена схема управления сигнальным трафиком в процессе работы звена сигнализации.

• Полученные результаты позволяют динамически отслеживать изменение величины сигнального трафика в эксплуатируемой сети и оперативно реагировать на приближение порога перегрузки. Комбинированная нейронная сеть с использование сети Кохонена позволяет определить структурный состав обучающей выборки для исключения ошибочного обучения нейронной сети на некорректных данных.

Заключение

Диссертационная работа посвящена вопросам повышения точности прогнозирования сетевых характеристик ОКС№7 на основе применения нейронных сетей.

В ходе исследований, проведенных в рамках диссертационной работы, получены следующие основные результаты:

1. Проведенный статистический анализ сигнального трафика звена сигнализации показал, что закон распределения интервалов между поступлением сообщений нельзя однозначно описать никаким из известных теоретических распределений. Кроме того, установлено, что трафик не обладает свойством самоподобия.

2. Для краткосрочного прогнозирования сигнального трафика предложена комбинированная нейронная сеть с использование сети Кохонена. Использование данного метода позволило определить структурный состав обучающей выборки для исключения ошибочного обучения нейронной сети на некорректных данных.

3. Предложена методика расчета основных параметров трафика в сети сигнализации, таких как среднее время ожидания сигнальной единицы в очереди и длина очереди в системе массового обслуживания G/G/1. Установлено, что математическая модель для пуассоновских входящих потоков является грубым приближением при описании реальных процессов в звене сигнализации. Результаты расчета подтверждены инструментами имитационного моделирования.

4. Разработана методика прогнозирования изменения времени ожидания в очереди с помощью аппарата нейронных сетей. Данная методика позволила динамически отслеживать изменения основных параметров трафика.

5. Предложена система контроля контроля порога начала перегрузки в буфере передачи звена сигнализации, что позволит администратору сигнальной сети получить оперативные данные о приближении нагрузки к установленному ранее порогу перегрузки и предотвратить нежелательные затраты ресурсов протокола третьего уровня реагирования на начавшуюся перегрузку.

1. Das Zeichengabesystem №7 im 1.DN der Deutschen Telekom. // Unterrichtsblatter. -1995 - №5 -s. 290-300.

2. Архангельский A.A., Юнаков П.А., Жарков M.A. Система сигнализации в ЦСИС. // Электросвязь. 1988 - №12 - с.20-22.

3. Башарин Г.П., Белов С. И., Дедоборщ В.Г., Ефимушкин В.А., Куренков Б.Е., Петров А.Ф. Система автоматизированного проектирования сети общих каналов сигнализации. // Электросвязь. 1987 — №5 - с. 21-24

4. Башарин Г.П., Жарков М.А., Наумов В.А., Самуилов К.Е. Математическая модель системы сигнализации №7 при базовом методе исправления ошибок. // Электросвязь. 1983 - №11 - с.27-30.

5. Безир X., Хойер П., Кеттлер Г. Цифровая коммутация : Пер. с нем.- М.: Радио и связь

6. Бертсекас Галлагер Р. Сети предачи данных: Пер. с англ. М.: Мир, 1989.

7. Битнер В.И., Голубев И.Б., Лизнева Ю.С. Проблемы подготовки к созданию системы управления качеством по ИСО 9000. Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. -Новосибирск, 2003

8. Битнер В.И., Лизнева Ю.С. Инструментальные программные средства оптимизации сети сигнализации ОКС №7. / Инфосфера. 2000 - №5 - с.25-28

9. Битнер В.И., Лизнева Ю.С. Методика расчета характеристик ОКС №7. Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. Новосибирск, 2004 - с.24

10. Битнер В.И., Лизнева Ю.С., Антропов А.Ю К вопросу о фрактальности трафика ОКС №7. IX Международная конференция «Проблемы функционирования информационных сетей»: Тез. Докл. — Новосибирск, 2006 с. 39

11. Битнер В.И., Лизнева Ю.С., Петрова С.А. Особенности трафика ОКС №7. Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. Новосибирск, 2005 - с.30

12. Боккер П. ISDN. Цифровая сеть с интеграцией служб. Понятия, методы, системы: Пер. с нем. М.: Радио и связь, 1991.

13. Быков Ю.П., Лизнева Ю.С. К определению удельной нагрузки на местных сетях связи. IX Международная конференция «Проблемы функционирования информационных сетей»: Тез. Докл. Новосибирск, 2006 - с. 55

14. Варакин Л.Е., Кучерявый А.Е., Соколов И.А., Филюшин Ю.И. Интеллектуальная сеть: концепция и архитектура. // Электросвязь. — 1992 №1 - с. 7-10

15. Васильченко А.И., Жарков М.А., Лутов М.Ф., Юнаков П.А. Качество работы и область применения системы передачи по общему каналу сигнализации.// Электросвязь. 1980 - №10 - с.24-28.

16. Васильченко А.И., Жарков М.А., Лутов М.Ф., Юнаков П.А. Применение упрощенного варианта системы сигнализации №7 при несвязанном режиме работы. // Электросвязь. — 1981 №7 - с. 17-19.

17. Вентцель Е.С. Теория вероятностей. М., 1969. v^

18. Гольдштейн Б.С. Перегрузки и мониторинг сети сигнализации ОКС-7. // Сеш и системы связи. 2003 - №3

19. Гольдштейн Б.С. Сетевой мониторинг: проблемы и решения. // Весшшс спичи. -2002 №2

20. Гольдштейн Б.С. Сигнализация в сетях связи. М.: Радио и связь, 1997.

21. Гольдштейн Б.С., Ехриль И.М., Рерль Р.Д., и др. Реализация общеканальнон системы сигнализации ОКС № 7 в АТСЦ-90. // Электросвязь 1997 - №4 - с.8-11.

22. Гончаров Е.В. Разработка и исследование метода адаптивного управления потоками информации на ЦСИО. // Автореферат дисс. на соиск. ученой степени канд. техн. наук. М., 2000.

23. Грешинов А.А., Стакун В.А., Стакун А.А. Математические методы построения прогнозов. — М.; Радио и связь, 1997. 112с

24. Данилов В.И., Фань Гэн-Линь. Цифровые сети интегрального обслуживания: Учеб. пособие/ЛЭИС.-Л., 1989.

25. Дорф И.Г., Жарков М.А., Наумов В.А., Самуилов К.Е. Метод расчета междугородной сети ОКС с использованием декомпозиции. // Электросвязь. 1992 - №8 - с. 30-32.

26. Дроф И.Г. Принципы построения и маршрутизация сообщений в СС №7. // Электросвязь 1993 - №4 - с. 27-29.

27. ДьяконовВ'.П., КругловВ.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6.Инструменты искусственного интеллекта и биоинформатики.'Серия «Библиотека профессионала». М.: СОЛОН-ПРЕСС, 2006. - 456 с.

28. Ефимушкин В., Слесивов С., Широкополосные цифровые сети с интеграцией служб. // Открытые системы 1991 - №2 - с. 39-42.

29. Жарков М.А., Гайдамака Ю.В., Самуйлов К.Е. Расчет задержек в звене сигнализации ОКС №7 при базовом методе защиты от ошибок. // Электросвязь. -2001 №3 — с. 30-34.

30. Жарков М.А., Кучерявый А.Е. Система общеканальной сигнализации // Вестник связи. 1997 - №4 - с.43-46.

31. Заенцев И. В Нейронные сети: основные модели Воронеж, 1999. - 75 с.

32. Ивахненко А.Г., Долгосрочное прогнозирование и управление сложными системами. «Техшка», 1975,312 стр.

33. Каллан Р. Основные концепции нейронных сетей.: Пер. с англ. М.: Издательский дом «Вильяме», 2001. - 287 с.

34. Карташевский В.Г., Семенов С.Н., Фирстова Т.В. Сети подвижной связи. М.: Эко-Тренз, 2001

35. Клауз С. А. Разработка методов анализа и средств общеканальной сигнализации междугородной телефонной сети.// Автореферат дисс. на соиск. ученой степени канд. техн. наук. М., 1988

36. Комарцова Л.Г., Максимов А.В. Нерокомпыотеры М.: Издательство МГТУ им. Н.Э. Баумана - 2002. - 319 с.

37. Кордонский Э.В. Цифровые сети связи. // Радио 1997 - №2 - с.60-62.

38. Корнышев Ю.Н., Фань Г.Л. Теория распределения информации: Учеб пособие для вузов. М.: Радио и связь, 1985.

39. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. -М.: Горячая линия телеком, 2001. 381с.

40. Крылов В.В., Самохвалова С.С. Теория телетрафика и ее приложения. СПб.: БХВ-Петербург, 2005. - 288 с.

41. Кудрявцев Е.М. GPSS World. Основы имитационного моделирования различных систем. М.: ДМК Пресс, 2004.

42. Кульгин М. Технологии корпоративных сетей. Энциклопедия СПб: Издательство «Питер», 2000.

43. Кучерявый А.Е. Функциональная архитектура систем коммутации 90-х годов. // Электросвязь. 1996 - №9 - с.35-37.

44. Кучерявый А.Е., Рогушин И.И., Соколов И.А. Принципы построения местных цифровых сетей с интеграцией служб. // Электросвязь. — 1988. №10 - с. 6-9.

45. Кучерявый А.Е., Станкевич А.А. Имитационная дисциплина обслуживания для систем с очередями. // Электросвязь. 2005 - №8 - с. 24-26.

46. Лизнева Ю.С. Анализ характера закона распределения входящего потока на звено сигнализации ОКС №7 по выборочной совокупности. Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. Новосибирск, 2007 - с.26

47. Лизнева Ю.С. Вопросы построения и проектирования сигнальной сети. // Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. Новосибирск, 1998 - с. 17

48. Лизнева Ю.С. Обоснование исходных данных для расчета характеристик сигнальных сетей с протоколом ОКС №7. Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. -Новосибирск, 2001 с.25

49. Лизнева Ю.С. Применение программных средств расчета характеристик сигнальной сети для услуг ЦСИО и ИСС. // Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. -Новосибирск, 2000 с.28

50. Лизнева Ю.С. Расчет задержки сообщений в ОКС №7. Международная научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. Новосибирск, 2002 - с.21

51. Лизнева Ю.С. Расчет характеристик сигнальной сети. // Российская научно-техническая конференция «Информатика и проблехмы телекоммуникаций»: Тез. докл. Новосибирск, 1999 - с. 14

52. Лизнева Ю.С., Ремизов С.Л. К вопросу об оценке показателей работы звена сигнализации. Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций»: Тез. докл. Новосибирск, 2005 - с.31

53. Лихтциндер Б.Я., Кузякин М.А. и др. Интеллектуальные стеи связи. М., 2000.

54. М.А. Жарков, П.А. Юнаков. Межстанциопная сигнализация перспективных систем коммутации. // Электросвязь. 1988 - №10 - с.29-30.

55. Мардер Н.С., Аджемов А.С. Развитие российсткой сети ОКС №7 основа современных услуг связи. // Сети и системы связи - 1887 - №9 - с. 72-76.

56. Мардер Н.С., Аджемов А.С. Развитие российсткой сети ОКС №7 основа современных услуг связи.//Сети и системы связи. - 1997 - №3 - с.66-70.

57. Материалы сайта www.citforum.ru

58. Материалы сайта http://cncruy.komisc.ru/scminar/

59. Материалы сайта http://www.ss7.hut.ru

60. Материалы сайта vvww.niits.ru

61. Материалы сайта www.teletraffic.ru/public

62. Матюшенко С.И., Спесивов С.С. Основы имитационного моделирования в среде GPSS World: Учебное пособие,- М.: Изд-во РУДН, 2006. 112 с.

63. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к. т. н. В.Г. Потемкина М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

64. МККТТ. Синяя книга. Подсистема пользователя цифровой сеги с интеграцией служб Q.761-Q.767- Женева, 1993

65. МККТТ. Синяя книга. Подсистема управления соединением сигнализации Q.711-716-Женева, 1993

66. МККТТ. Синяя книга. Прикладная подсистема возможностей транзакций Q.771-Q.775-Женева, 1993

67. МККТТ. Синяя книга. Прикладные услуги ISDN Q.730-Q.737- Женева, 199368