автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Управление трафиком корпоративных вычислительных сетей на базе нейросетевых технологий

На правах рукописи

Стешенко Виталий Владимирович

УПРАВЛЕНИЕ ТРАФИКОМ КОРПОРАТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ НА БАЗЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность 05 13 01 - Системный анализ, управление и обработка информации (промышленность, информатика)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Астрахань - 2008 г |||||||| || |||| ||||||||| II

003167585

Работа выполнена в Астраханском государственном техническом университете

Научный руководитель

кандидат технических наук, доцент Жила Владимир Васильевич.

Официальные оппоненты

доктор технических наук, профессор Лукьянов Виктор Сергеевич,

Ведущая организация - Таганрогский технологический институт Южного федерального университета

Защита состоится 6 мая 2008 г в 9 00 на заседании диссертационного совета Д307 001 06 при Астраханском государственном техническом университете по адресу г Астрахань, ул Татищева, 16, главный корпус, аудитория 305

Отзывы на автореферат в двух экземплярах, заверенных гербовой печатью, просим направлять по адресу 4140-25, г Астрахань, ул Татищева, 16, АГТУ, секретарю диссертационного совета

С диссертацией можно ознакомиться в библиотеке Астраханского государственного технического университета

Автореферат разослан « 5 » Сич^дх-Л, 2008 г Ученый секретарь

кандидат технических наук, доцент Дианов Роман Сергеевич.

диссертационного совета 2

И Ю Квятковская

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы Информационные технологии постепенно проникают во все сферы человеческой жизни, что сопровождается резким увеличением количества обрабатываемой информации Согласно исследованию роста объема информации, первое удвоение накопленной человечеством информации заняло около полутора тысяч лет, тогда как в настоящий момент для этого требуется менее пяти Это влечет за собой постоянное усложнение технологий современных корпоративных вычислительных сетей, объединяющих требуемые для обработки информации ресурсы В связи с этим все большую актуальность приобретают вопросы проектирования и управления вычислительными сетями, так как от этого напрямую зависит стоимость их монтажа и эксплуатации

Повышение эффективности работы корпоративных вычислительных сетей позволит более рационально использовать сетевые ресурсы Кроме этого возможно ускорение развития сетевых технологий при условии построения адекватных моделей сетевого трафика, изучения теоретических и практических особенностей процессов, происходящих в корпоративных вычислительных сетях

Анализ внутренних процессов современных корпоративных вычислительных сетей невозможен с помощью традиционной теории телетрафика и систем массового обслуживания Данной проблемой занимаются российские и зарубежные ученые В С Заборовский, А Я Городецкий, АЮ Громов, W Willmger, MS Taqqu, A Erramilli, V Paxson, С Huang, M Devetsikiotis, I Lambadaris, A Kaye и др , исследования которых показывают неэффективность использования классических моделей теории телетрафика для управления и расчета характеристик корпоративных вычислительных сетей Учитывая огромные потоки информации, целесообразно использовать для анализа и экспериментальных исследований сетевого трафика интеллектуальные методы

В связи с этим возникает актуальный вопрос повышения эффективности управления работой корпоративных вычислительных сетей, из-за неэффективного использования пропускной способности каналов Одним из путей решения данной проблемы является внедрение интеллектуальных технологий в существующие методы и алгоритмы управления корпоративными сетями и их трафиком Аппарат нейронных сетей является наиболее перспективным из интеллектуальных технологий

Актуальность данной тематики подтверждается ее соответствием утвержденным 21 05 2006 г Президентом Российской Федерации В В Путиным приоритетным направлениям развития науки, техники и критических технологий Российской Федерации в части развития информационно-телекоммуникационных систем и разработки интеллектуальных систем управления (№ Пр-843)

Цель настоящего исследования заключается в повышении эффективности управления трафиком корпоративных вычислительных сетей на основе методов интеллектуального управления

В соответствии с поставленной целью, в диссертационной работе решены следующие задачи

- проведен системный анализ технического функционирования корпоративных вычислительных сетей,

- обоснован выбор математической модели для исследования основных характеристик трафика,

- разработан алгоритм перераспределения полосы пропускания на базе нейросетевых технологий,

- построена модель краткосрочного прогнозирования сетевого трафика на базе нейронных сетей,

- разработан метод интеллектуального управления трафиком на основе системного анализа корпоративных вычислительных сетей, алгоритмов перераспределения полосы пропускания и буферной памяти маршрутизаторов, ней-росетевой модели краткосрочного прогнозирования сетевого трафика,

- разработанный метод реализован в виде алгоритмического и программного обеспечения системы управления трафиком на базе нейросетевых технологий,

- на основе данного метода управления разработана система управления трафиком,

- проведено имитационное моделирование разработанной системы, показавшее повышение эффективности управления трафиком

Объектом исследования является корпоративная вычислительная сеть, работающая по стеку протоколов TCP/IP, и ее транспортная основа - каналы передачи данных

Предметом исследования диссертационной работы является управление трафиком сети, проходящим через каналы связи и отражающим ее фактическое состояние и загрузку

Методы исследования методы системного анализа, искусственного интеллекта, теория автоматического управления, математическое моделирование, методы математической статистики

Научная новизна работы состоит

- разработан алгоритм перераспределения пропускной способности канала для управления трафиком,

- построена модель краткосрочного прогнозирования трафика на базе нейронных сетей,

- разработан метод интеллектуального управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий

Практическая значимость работы

1 Разработано алгоритмическое и программное обеспечение, реализующее систему управления трафиком на базе нейросетевых технологий

2 Система краткосрочного прогнозирования Интернет трафика пользователей корпоративной вычислительной сети внедрена в Астраханском государственном техническом университете

3 Получено свидетельство об официальной регистрации программ для ЭВМ №2008611442 «Интеллектуальная автоматизированная система управления коммутаторами корпоративной вычислительной сети» в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам

Апробация работы Результаты работы докладывались и обсуждались на Международном форуме информатизации (Москва, 2002), 14-м Всероссийском семинаре «Нейроинформатика и ее приложения» (Красноярск, 2006), Научно-практической конференции «Инновации в условиях развития информационно-коммуникационных технологий» (Сочи, 2006), 3-й Международной заочной научно-практической конференции «Наука на рубеже тысячелетий» (Тамбов, 2006), 10-й Московской международной телекоммуникационной конференции студентов и молодых ученых (Москва, 2006), 20-й Международной конференции «Математические методы в технике и технологиях - ММТТ-20» (Ярославль, 2007), международной конференции «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании'2007» (Одесса, 2007), а также на конференциях профессорско-преподавательского состава АГТУ

Диссертация выполнена в соответствии с планом госбюджетных научных исследований, проводимых Астраханским государственным техническим университетом Полученные результаты отражены в отчете о госбюджетной НИР кафедры «Связь» АГТУ (тема «Анализ и синтез элементов и устройств телекоммуникационных, информационно-измерительных систем и систем управления», номер государственной регистрации 01200509791)

Публикации Основные теоретические и прикладные результаты диссертационной работы изложены в 8 печатных работах, в том числе 1 статья в журнале по списку ВАК Зарегистрирован 1 программный продукт в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам Без соавторства опубликовано 4 работы

Структура и объем работы Диссертационная работа состоит из введения, четырех глав, выводов, списка использованной литературы и приложений Основная часть диссертации изложена на 139 страницах машинописного текста,' содержит 22 рисунка и 3 таблицы Список литературы насчитывает 93 наименования

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность выбранной темы, в общем виде сформулированы цель и задачи исследования, научная новизна и практические результаты

В первой главе проведен системный анализ предметной области исследования — корпоративной вычислительной сети на основе технологий Ethernet, работающей по протоколам из стека ТСРЯР Подробно рассмотрены классификация различных видов трафика и алгоритмы обеспечения гарантированного качества сервисов

Приведен обзор основных методов управления интенсивностью и сглаживания передаваемого по сети трафика В настоящий момент основным средством дозирования трафика является механизм «корзина маркеров», на базе которого реализованы алгоритмы шейпинга (shaping) и полисинга (policing) Алгоритм шейпинга более предпочтителен для использования при передаче видео и аудио информации в реальном времени, т к сглаживает трафик путем постановки избыточных пакетов в буфер Алгоритм полисинга пересылает с определенной интенсивностью удовлетворяющий заданным параметрам трафик и выполняет функщоо ограничения, что может приводить к отбрасыванию пакетов Основным недостатком данных методов является статичность алгоритмов их работы Проведен анализ работ в области математических исследования поведения трафика корпоративных вычислительных сетей, который показал, что вплоть до 1993 г господствовала классическая теория телетрафика Современные же исследования по теоретическому расчету распределения информации в корпоративных вычислительных сетях, основанные на классической теории телетрафика, дают слишком оптимистические результаты Это происходит из-за эффекта самоподобия трафика трафик выглядит одинаково качественно при любых масштабах временной оси, имеет эффекты последействия и высокой па-чечности, что приводит к неэффективной работе существующих алгоритмов управления трафиком, основанных на классической теории телетрафика

Таким образом, данному виду сетевого трафика посвящено достаточно большое количество современных исследований, но до сих пор отсутствует концептуальный подход к применению интеллектуальных методов для управления трафиком корпоративных вычислительных сетей

Проведен системный анализ интеллектуальных методов аналитической обработки данных Были выявлены достоинства и недостатки предметно-ориентированных систем, статистических пакетов, нейросетевых пакетов, систем на основе метода ближайшего соседа, методов эволюционного программирования, систем ограниченного перебора и сделан вывод о целесообразности использования для анализа данных в корпоративных вычислительных сетях систем, основанных на технологии нейронных сетей

В результате проведенного анализа работ по предметной области сделан вывод и поставлена задача исследования разработать на базе аппарата нейронных сетей собственное алгоритмическое и программное обеспечение для создания интеллектуальной системы, которое позволит повысить эффективность управления сетевым трафиком за счет уменьшения количества потерянных пакетов, времени их доставки и позволит подстроить профиль трафика под полосу пропускания канала

Во второй главе обоснован выбор математической модели, описывающей трафик корпоративных вычислительных сетей

Для обоснования выбора математической модели был проведен эксперимент по сбору реального трафика и его сравнению с существующими математическими моделями (гауссовым шумом, обобщенным броуновским шумом, распределением Пуассона)

Значения отсчетов для экспериментального трафика получены с помощью собственной программы, осуществляющей накопление статистики по трафику Интернет пользователей корпоративной вычислительной сети АГТУ Общее количество отсчетов - 4470 Эксперимент проводился 1 сентября 2005 года с 00 01 до 23 59 Значение параметра Херста для экспериментального трафика, вычисленное методом Aggregate Variance Н=0 862, методом R/S - 0 822, методом Penodogram - 0 933, методом Absolute Moments - 0 098, методом Variance of Residuals - 1 325, методом Abry-Veitch Estimator - 1 031, методом Whittle Estimator - 0 97 Основным результатом проведенных исследований в области анализа трафика современных корпоративных вычислительных сетей является вывод о самоподобии трафика и возможности описания реального трафика математической моделью фрактального броуновского движения

Трафик группы абонентов корпоративной вычислительной сети может быть представлен в виде

где X', - 1-я компонента процессах в момент времени 4 Л, - интенсивность г-го потока сообщений, а, характеризует дисперсию этого потока сообщений в единицу времени, а - некоторый стандартный диффузионный процесс с нулевым сносом, характеризующий статистические свойства /-й компоненты процесса X

Каждая компонента процесса X представляет собой сумму двух слагаемых первое из них задает среднее число сообщений, поступивших к моменту времени /, а вторая компонента задает случайное отклонения, имеющее нулевое среднее

Тогда весь процесс X

(1)

п

где процесс У задает отклонение величины трафика от его среднего значения Наибольший интерес представляет второе слагаемое

где Zí ' - фрактальное броуновское движение со значением параметра Херста Д, служащее доя описания уклонения 1-й компоненты от ее среднего значения, а

сети представляет собой смешение нескольких потоков с различивши значениями параметра Херста

Проведен анализ самоподобного сетевого трафика на возможность про-гнозируемости, которая обосновывается наличием долговременной памяти, персистентности сетевого трафика и бесконечно протяженным интервалом корреляции

Результаты второй главы проведен эксперимент по сбору реального трафика с последующим его анализом, осуществлен выбор математической модели сетевого трафика на основе фрактального броуновского движения

Третья глава посвящена алгоритмической реализации системы интеллектуального управления трафиком корпоративных вычислительных сетей на базе проведенного системного анализа функционирования корпоративных вычислительных сетей

На основе математической модели сетевого трафика и существующих методов управления интенсивностью трафика и его сглаживания разработан алгоритм перераспределения полосы пропускания (рис 1)

Поток сетевого трафика от различных пользователей формирует временной ряд пакетов X На основании статистики отсчетов (х1,х2!=х1+А, ,х„) прогнозируется значение следующего отсчета х(„ + на время А вперед Полученное значение анализируется на адекватность, и в случае положительного результата подсчитывается необходимая пропускная способность С(„ + на основании которой выделяется требуемая полоса пропускания В противном случае значение отсчета х(„ + для подсчета пропускной способности не учитывается

п

(3)

Таким образом, трафик пользователей корпоративной вьгаислительной

Начало

Блок 1

Г бор трафика

Блок 2

ч

Ввод

БлокЗ

Прогаозирование трафика

Блок 4

ВводХ(Г-1) ^

Блок 5 ^ Да Анализ

Нет

Блок 7,

Перераспределение полосы прояуекания

Конет ]

Рис 1 Блок-схема работы алгоритма перераспределения полосы пропускания

Выбор метода прогнозирования поступающих пакетов сетевого трафика основывался, исходя из специфики задачи, на следующих требованиях

- метод прогноза должен показывать положительные результаты как в случае больших, так и малых объемов данных по трафику для решения проблем отсутствия статистики по потреблению сетевого трафика,

- скорость построения прогностической модели должна быть минимальна,

- разработка модели прогнозирования должна осуществляться без участия эксперта по математическим методам анализа,

- метод прогнозирования должен работать корректно и с сильно зашум-ленными данными

Сравнительный анализ традиционных математических методов (математической статистики, кластерного, регрессионного, факторного анализа и т д ) и нейросетевого подхода выявил преимущества последнего, что обуславливает выбор технологии нейронных сетей для дальнейших исследований, так как их

свойства соответствуют специфике задачи Применение аппарата нейронных сетей дает возможность корректно работать с сильно зашумленными данными и малыми выборками, позволяет разрабатывать модель прогнозирования и выдавать значение прогноза в кратчайшие сроки с минимальным участием эксперта

Для построения краткосрочной модели прогнозирования с помощью ней-росетевых технологий необходимо выбрать конфигурацию искусственной нейронной сети, сформировать обучающую выборку данных, обучить и протестировать нейронную сеть

Разработана нейросетевая модель краткосрочного прогнозирования, состоящая из трех искусственных нейронных сетей для повышения точности прогноза (алгоритм построения модели краткосрочного прогноза потребления трафика показан на рис 2) Первые две нейронных сети используют для обучения метод окон разных размеров

Рис 2 Алгоритм построения модели краткосрочного прогноза потребления трафика

Для формирования обучающей выборки используется информация из накопленной статистики по объему потребления трафика Статистика собирается с портов коммутаторов и маршрутизаторов корпоративной вычислительной сети Перед процедурой прогнозирования накопленная статистика по трафику анализируется на предмет самоподобия (вычисляется параметр Херста)

Нейронная сеть 1 прогнозирует значения объема потребляемого трафика на минуту вперед Для обучения используется метод окон, предполагающий использование двух окон фиксированного размера Окна перемещаются по всем элементам временного ряда с самого начала Каждый следующий вектор образуется в результате сдвига окон на один элемент временного ряда вперед Получающаяся на каждом шаге пара используется как элемент обучающей выборки для нейросети Данные первого окна передаются на входы, второго - на выходы нейронной сети Размер первого окна — 10, второго - 1 К каждому из скрытых узлов нейронной сети и выходному узлу для различных по значимости соединений применялась функция сигмоиды (1/(1 + ехр (-*))) Обучение проводилось в режиме оффлайн (11е511еп1 Ргора£айоп), т е коррекция весов производится после предъявления всех примеров обучающего множества, учитывается только знак градиента по каждому весу Число скрытых слоев - 3 (9,10,8)

Нейронная сеть 2 прогнозирует значение объема потребляемого трафика на ближайшие пять минут Для обучения используется метод окон Размер первого окна -12, второго - 1 Число скрытых слоев - 3 (12,9,11) В остальном аналогично нейронной сети 1

Нейронная сеть 3 прогнозирует объем потребляемого трафика на основе оптимальной экстраполяции функции потребления сетевого трафика

Результаты всех трех нейронных сетей анализируются в специальном модуле цля обеспечения наилучшей точности прогноза

В случае большой ошибки прогнозирования запускается процедура переобучения соответствующей нейросети Выходное значение прогнозируемого потребления трафика формируется на выходе как взвешенное среднее Число количество накопленных секундных значений статистики по трафику - 604800

На рис 3 показаны реальные и прогнозируемые минутные значения интенсивности с помощью разработанной на основе нейронных сетей модели краткосрочного прогнозирования трафика и методом Винтерса Нейросетевая модель позволяет уменьшить ошибку прогноза в среднем на 4%

10000

Расчет требуемой

«шаги маршрутизатора по методике компании Ошсо

9000 ВООО 7000 6000 5000

- Реальные данные

- Спрогнозированные нейросетью данные

Спрогнозированные; методом Винтерса данные

1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 8! 86 91 96 101

Рис 3. Реальные и прогнозируемые минутные значения интенсивности трафика На основе спрогнозированного значения потребления трафика разработан алгоритм перераспределения буферной памяти маршрутизаторов (рис. 4).

Начало

Блок 1

ВВОДА-,,,*, у >

Блок 2

Блок 4

Мет,:

Конец

Рис. 4. Блок-схема алгоритма перераспределения буферной памяти маршрутизаторов

Значение выделяемой памяти ввода/вывода на маршрутизаторах для обработки сетевого трафика обычно рассчитывается по методике компании-производителя При сильной загрузке маршрутизатора в условиях самоподобного трафика наилучшим способом недопущения потерь пакетов будет являться динамическое перераспределение выделяемой памяти в зависимости от текущих условий Особенностью алгоритма перераспределения памяти является использование спрогнозированного значения трафика на базе нейросетевых технологий

Метод интеллектуального управления трафиком корпоративных вычислительных сетей основан на алгоритмах перераспределения полосы пропускания и буферной памяти маршрутизаторов, нейросетевой модели краткосрочного прогноза потребления трафика

Результаты третьей главы разработан алгоритм перераспределения полосы пропускания, построена модель краткосрочного прогнозирования трафика на базе аппарата нейронных сетей, разработан метод интеллектуального управления трафиком

Четвертая глава посвящена практической реализации системы управления трафиком корпоративных вычислительных сетей

Разработана следующая структура интеллектуальной системы управления трафиком, состоящая из подсистем сбора трафика, прогнозирования, анализа и управления

В подсистему статистики и захвата сетевого трафика входят следующие модули модуль программы статистики MRTG, работающей на протоколе SNMP, модуль захвата сетевого трафика (сниффер), гибко настраиваемый для использования соответствующих функций коммутаторов Cisco Catalyst

Подсистема управления полосой пропускания реализует динамическое выделение соответствующей полосы на коммутаторе для нужного трафика (выделение происходит за счет передачи соответствующих команд коммутатору по протоколу SSH)

Для проверки полученных в настоящей диссертационной работе результатов с помощью имитационного моделирования на ПЭВМ был поставлен эксперимент по анализу эффективности метода интеллектуального управления трафиком Моделирование производилось в среде популярного сетевого эмулятора ns-2 Схема сценария представлена на рис 5, результаты моделирования приведены в табл 1

На узел №0 подавался трафик, полученный в результате эксперимента по сбору реального трафика корпоративной вычислительной сети Получателем данного трафика является узел №3 Узел №1 генерирует поток трафика с постоянной интенсивностью, имитирующий работу видеоконференции в режиме реального времени с узлом №3

Узел №1

Узел К«2

Узел Ш

Рис 5 Схема эксперимента имитационного моделирования для анализа

эффективности метода интеллектуального управления Посредством маршрутизатора (узел №2) трафики узлов №0 и №1 агрегируются и передаются по единому каналу связи в направлении узла №3 Канал (№2-№3) является узким местом в моделируемой сети и его пропускную способность необходимо разделить между трафиком видеоконференции и трафиком пользователей корпоративной вычислительной сети Использовалось четыре основных режима работы сети трафик пропускается через маршрутизатор без специальных алгоритмов и методов управления интенсивностью, трафик пропускается через маршрутизатор, при этом полоса пропускания разделяется между источниками с помощью шейпинга, трафик пропускается через маршрутизатор, при этом полоса пропускания разделяется с помощью полисинга, трафик пропускается через маршрутизатор, при этом полоса пропускания разделяется между источниками с помощью метода интеллектуального управления

Таблица 1

Результаты имитационного моделирования

Метод управления трафиком Потеря пакетов (%) Задержка пакетов (%)

Стандартный трафик 24 0

Метод шейпинга 15 9

Метод полисинга 17 3

Метод интеллектуального управления трафиком 16 1

Полученные результаты подтверждают выводы о безусловном повышении эффективности системы вследствие применения метода интеллектуального управления трафиком потерь в сетевом трафике на 7-11% меньше В случае проведения видеоконференций в существующей корпоративной сети университета при внедрении системы управления трафиком возможно уменьшение закупаемой полосы пропускания для трафика Интернет в среднем на 9%, что приведет к соответствующей экономии денежных средств

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ

Общим результатом работы является научно обоснованное решение задачи создания и реализации системы управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий

1 Проведен системный анализ технического функционирования корпоративных вычислительных сетей, в результате которого сделан вывод о необходимости применения интеллектуальных методов для повышения эффективности управления трафиком

2 Разработан алгоритм перераспределения полосы пропускания на основе системного анализа корпоративных вычислительных сетей и математической модели сетевого трафика, отличающийся динамическим перераспределением на основе прогнозирования трафика нейросетевыми технологиями

3 Разработана модель краткосрочного прогноза потребления трафика на базе аппарата нейронных сетей, позволяющая улучшить точность прогноза в среднем на 4%

4 Разработан метод интеллектуального управления трафиком на основе алгоритмов перераспределения полосы пропускания и буферной памяти маршрутизаторов, нейросетевой модели краткосрочного прогнозирования сетевого трафика

5 Метод реализован в виде алгоритмического и программного обеспечения интеллектуальной системы управления, оригинальность программного продукта подтверждена свидетельством об официальной регистрации программы для ЭВМ №2008611442

6 Проведено имитационное моделирование в среде симулятора N82, подтверждающее эффективность метода интеллектуального управления трафиком (в среднем на 7-11% потерь меньше)

7 Подсистема прогнозирования трафика внедрена в Астраханском государственном техническом университете

Содержание диссертации отражено в следующих работах

1 (ВАК) Стешенко, В В Исследование Интернет трафика пользователей корпоративной вычислительной сети АГТУ/ В В Стешенко // Вестник АГТУ №1 (42) 2008 С - 130-133 (принято к печати 30 ноября 2006 г )

2 Семейкин, В Д, Гаврилов, А В , Стешенко, В В Программа моделирования сети связи на персональных ЭВМ / В Д Семейкин, А В Гаврилов, В В Стешенко // Международный форум информатизации (МФИ - 2002). Международный конгресс (СТК - 2002) Труды конференции «Телекоммуникационные технологии и сети» Московский технический университет связи и инфор-

М/

матики, 27 ноября 2002 г - M, 2002 - С 30

3 Стешенко, В В., Головачев, Д H Нейросетевая система обнаружения нежелательного трафика в корпоративной сети / В В Стешенко, Д H Головачев // Нейроинформатика и ее приложения Материалы 14 Всероссийского семинара, 6-8 октября 2006 г / Под ред А H Горбаня, Е M Миркеса Отв за выпуск Г M Садовская, ИВМ СО РАН, Красноярск, 2006 - С 112-113

4 Головачев, Д H, Стешенко, В В Построение системы информационной безопасности бизнес процессов предприятия / В В Стешенко, Д H Головачев // Нейроинформатика и ее приложения Материалы 14 Всероссийского семинара, 6-8 октября 2006 г / Под ред А H Горбаня, Е M Миркеса Отв за выпуск Г M Садовская, ИВМ СО РАН, Красноярск, 2006 - С 31-32

5 Steshenko V V The mam concept of the détection the undesirable traffic m corporative computmg networks / В В Стешенко II Наука на рубеже тысячелетий «Science on a boundary of millema» 3-я Международная заочная научно-практическая конференция 2-21 октября 2006 г - Тамбов. ОАО «Тамбовполи-графиздат», 2006 -С 173-174

6 Стешенко, В В , Денисов, И Г Разработка программного обеспечения для защиты от нежелательного трафика электронной почты / В В Стешенко, И Г Денисов // Научная сессия МИФИ - 2007 Сборник научных трудов - M МИФИ, 2007 Т16 Компьютерные науки Информационные технологии -С 45-46

7 Стешенко, В В Построение нейросетевой модели прогнозирования Интернет-трафика в условиях недостаточных данных / В В Стешенко // Материалы XX Международной конференции «Математические методы в технике и технологиях-ММТТ-20» - Ярославль, 2007 -С 77-79

8 Стешенко В В Выбор подхода для интеллектуального анализа данных при решении некоторых проблем корпоративных вычислительных сетей / В.В Стешенко // Сборник научных трудов по материалам международной научно-практической конференции «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании'2007» Т 5 Технические науки, Физика и математика - Одесса Черноморье, 2007 -С 65-68

9 Стешенко В В Интеллектуальная автоматизированная система управления коммутаторами корпоративной вычислительной сети / А В Павлов, В В Стешенко // Свидетельство об официальной регистрации программ для ЭВМ №2008611442 в Реестре программ для ЭВМ Федеральной службы по интеллект туальной собственности, патентам и товарным знакам - 2008

Типография АГТУ Зак Тир 100 03 04 2008 т

ВВЕДЕНИЕ.

ГЛАВА 1. СИСТЕМНЫЙ АНАЛИЗ ФУНКЦИОНИРОВАНИЯ КОРПОРАТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ.

1.1. Технология Ethernet.

1.2. Стек протоколов TCP/IP.

1.3. Сервисы корпоративных вычислительных сетей.

1.4. Механизмы управления интенсивностью трафика.

1.5. Механизмы обеспечения гарантированного качества обслуживания.

1.6. Проблема самоподобия трафика.

1.7. Выбор подхода для управления трафиком.

1.8. Постановка задачи исследования.

1.9. Выводы по первой главе.

ГЛАВА 2. МОДЕЛИРОВАНИЕ И АНАЛИЗ ТРАФИКА КОРПОРАТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ.

2.1. Основные признаки самоподобных процессов в корпоративных вычислительных сетях.

2.2. Результаты экспериментальных исследований трафика корпоративной вычислительной сети.

2.3. Математическая модель трафика корпоративных вычислительных сетей на основе фрактального броуновского движения.

2.4. Анализ возможности прогнозирования трафика корпоративных вычислительных сетей.

2.5. Выводы по второй главе.

ГЛАВА 3. СОЗДАНИЕ АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТРАФИКОМ КОРПОРАТИВНЫХ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ НА БАЗЕ

НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

3.1. Алгоритм перераспределения полосы пропускания.

3.2. Прогнозирование трафика корпоративных вычислительных сетей на базе нейросетевых технологий.

3.3 Алгоритм перераспределения буферной памяти маршрутизаторов.

3.4. Метод интеллектуального управления трафиком.

3.5. Выводы по третьей главе.

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТРАФИКОМ НА БАЗЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

4.1. Имитационное моделирование с помощью симулятора N8-2.

4.2 Структура интеллектуальной системы управления трафиком.

4.3. Программная реализация системы управления трафиком.

4.4. Результаты внедрения подсистемы прогнозирования трафика. в Астраханском государственном техническом университете.

4.5. Выводы по четвертой главе.

Информационные технологии постепенно проникают во все сферы человеческой жизни, что сопровождается резким увеличением количества обрабатываемой информации. Согласно исследованию роста объема информации, первое удвоение накопленной человечеством информации заняло около полутора тысяч лет, тогда как в настоящий момент для этого требуется менее пяти. Это влечет за собой постоянное усложнение технологий современных корпоративных вычислительных сетей, объединяющих требуемые для обработки информации ресурсы. На сегодняшний день сложно представить себе изолированный компьютер, не подключенный к корпоративной вычислительной сети, к сети Интернет. В связи с этим все большую актуальность приобретают вопросы проектирования и управления вычислительными сетями, так как от этого напрямую зависит стоимость их монтажа и эксплуатации.

Повышение эффективности работы корпоративных вычислительных сетей позволит более рационально использовать сетевые ресурсы. Кроме этого возможно ускорение развития сетевых технологий при условии построения адекватных моделей сетевого трафика, изучения теоретических и практических особенностей процессов, происходящих в корпоративных вычислительных сетях.

Анализ внутренних процессов современных корпоративных вычислительных сетей невозможен с помощью традиционной теории телетрафика и систем массового обслуживания. Данной проблемой занимаются российские и зарубежные ученые: В. С. Заборовский, А.Я.Городецкий, А.Ю. Громов, W. Willinger, M.S. Taqqu, A. Erramilli, V. Paxson, С. Huang, M. Devetsikiotis, I. Lambadaris, A. Kaye и др., исследования которых показывают неэффективность использования классических моделей теории телетрафика для управления и расчета характеристик корпоративных вычислительных сетей. Учитывая огромные потоки информации, целесообразно использовать для анализа и экспериментальных исследований сетевого трафика интеллектуальные методы.

Основная проблема заключается в использовании в течение десятилетий одних и тех же протоколов передачи данных, таких как TCP (Transmission Control Protocol - протокол управления передачей). В данном протоколе содержится встроенный алгоритм ликвидации перегрузок, который динамически уменьшает скорость передачи трафика для ликвидации возникающих в корпоративной вычислительной сети заторов пакетов, что сильно мешает контролировать задержки распространения пакетов. Между тем, внедрение новых сервисов, таких как аудио- и видеоприложения, да и вполне уже распространенных, например, трафика терминальных приложений (сервер - тонкий клиент), заметно повышает требования к задержкам пакетов в сети. Так, приложения компьютерной телефонии начинают терять в качестве предоставляемых услуг уже при задержке в 80100 мс, которую может внести всего одно сетевое устройство. Необходимо учитывать, что в современных корпоративных сетях обычно несколько последовательно соединенных устройств и общая задержка определяется как сумма задержек в каждом из них. Это особенно плохо сказывается в условиях средней территориально распределенной корпоративной сети -когда внутри отдельных ее сегментов преобладают гигабитные каналы передачи данных, а для связи с остальными сегментами, внешним миром и Интернет, используются гораздо менее скоростные каналы.

Кроме этого, в исследованиях недостаточно полно рассматриваются вопросы управления корпоративными вычислительными сетями в зависимости от текущих условий в сети, перераспределения сетевых к h

J ресурсов между различными сервисами и переконфигурирования коммуникационных устройств в зависимости от интенсивности проходящего через них сетевого трафика. i Простейший пример показывает, что если запустить с небольшим интервалом времени несколько приложений, использующих протокол FTP' 1

File Transfer Protocol — протокол передачи файлов), то первые приложения с s большой долей вероятности получат большую полосу пропускания в канале г передачи данных, чем последующие [71]. Причем разрыв в предоставляемой-полосе может достигать нескольких раз. И хотя для данного* вида трафика задержки^ не очень важны, здесь остается задача экономического характера е перераспределения полосы пропускания.

В связи, с этим возникает актуальный* вопрос повышения • ( эффективности управления1 работой корпоративных вычислительных сетей, из-за неэффективного использования пропускной» способности каналов. Одним из путей' решения данной проблемы, является внедрение ; интеллектуальных технологий в существующие методы и алгоритмы а. управления корпоративными сетями и их трафиком. Аппарат нейронных сетей является наиболее перспективным из интеллектуальных технологий.

Актуальность данной тематики подтверждается ее соответствием г предложенной Мининформсвязи России и одобренной 18.11.2004 г.

Правительством РФ • «Концепции развития рынка информационных технологий в Российской Федерации» и утвержденным 21.05.2006 г ч (I

Президентом Российской Федерации В.В. Путиным приоритетным направлениям развития науки, техники- и критических технологий

Российской Федерации в части развития информационнотелекоммуникационных систем и разработки интеллектуальных систем' I

• управления (. №№ Пр-842 и Пр-843).

Цель настоящего исследования заключается в повышении I 1 i t ч i i эффективности управления трафиком корпоративных вычислительных сетей на основе методов интеллектуального управления.

В соответствии с поставленной целью в диссертационной работе решены следующие задачи: проведен системный анализ технического функционирования корпоративных вычислительных сетей;

- обоснован выбор математической модели для исследования основных характеристик трафика;

- разработан алгоритм перераспределения полосы пропускания на базе нейросетевых технологий; построена модель краткосрочного прогнозирования сетевого трафика на базе нейронных сетей;,

- разработан метод интеллектуального управления трафиком на основе системного- анализа корпоративных вычислительных сетей, алгоритмов перераспределения полосы пропускания и буферной памяти маршрутизаторов, нейросетевой модели краткосрочного прогнозирования сетевого трафика;

- разработанный метод реализован в виде алгоритмического и программного обеспечения системы управления трафиком на базе нейросетевых технологий; на основе данного метода управления разработана система управления трафиком; проведено имитационное моделирование разработанной системы, показавшее повышение эффективности управления трафиком. Объектом исследования является корпоративная вычислительная сеть, работающая по стеку протоколов TCP/IP, и ее транспортная основа — каналы передачи данных.

Предметом исследования диссертационной работы является управление трафиком сети, проходящим через каналы связи и отражающим ее фактическое состояние и загрузку.

Методы исследования: методы системного анализа, искусственного интеллекта, теория автоматического управления, математическое моделирование, методы математической статистики.

Научная новизна работы заключается в следующем:

- разработан алгоритм перераспределения пропускной способности канала для управления трафиком;

- построена модель краткосрочного прогнозирования трафика на базе нейронных сетей;

- разработан метод интеллектуального управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий.

Практическая значимость работы:

1. Разработано алгоритмическое и программное обеспечение, реализующее систему управления трафиком на базе нейросетевых технологий.

2. Система краткосрочного прогнозирования Интернет трафика пользователей корпоративной вычислительной сети внедрена в Астраханском государственном техническом университете.

3. Получено свидетельство об официальной регистрации программ для ЭВМ №2008611442 «Интеллектуальная автоматизированная система управления коммутаторами корпоративной вычислительной сети» в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается: применением методов системного анализа, искусственного интеллекта; построением нейросетевых моделей, реализующих методы прогнозирования на базе современных информационных технологий; наглядной визуализацией результатов прогнозирования и имитационного моделирования; апробацией результатов исследования на конференциях различного уровня в России; положительными результатами использования научных разработок в Астраханском государственном техническом университете.

Апробация работы. Результаты работы докладывались и обсуждались на Международном форуме информатизации (Москва, 2002), 14-м Всероссийском семинаре «Нейроинформатика и ее приложения» (Красноярск, 2006), Научно-практической конференции «Инновации в условиях развития информационно-коммуникационных технологий» (Сочи, 2006), 3-й Международной заочной научно-практической конференции «Наука на рубеже тысячелетий» (Тамбов, 2006), 10-й Московской международной телекоммуникационной конференции студентов и молодых ученых (Москва, 2006), 20-й Международной конференции «Математические методы в технике и технологиях - ММТТ-20» (Ярославль, 2007), международной конференции «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании'2007» (Одесса, 2007), а также на конференциях профессорско-преподавательского состава АГТУ.

Диссертация выполнена в соответствии с планом госбюджетных научных исследований, проводимых Астраханским государственным-техническим университетом. Полученные результаты отражены в отчете о госбюджетной НИР кафедры «Связь» АГТУ (тема: «Анализ и синтез элементов и устройств телекоммуникационных, информационно-измерительных систем и систем управления»; номер государственной регистрации: 01200509791).

Публикации. Основные теоретические и прикладные результаты диссертационной работы изложены в 8 печатных работах, в том числе 1 статья в журнале по списку ВАК. Зарегистрирован 1 программный продукт в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам. Без соавторства опубликовано 4 работы.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, выводов, списка использованной литературы и приложений. Основная часть диссертации изложена на 139 страницах машинописного текста, содержит 22 рисунка и 3 таблицы. Список литературы насчитывает 93 наименования.

4.5. Выводы по четвертой главе

1. Поставлен и проведен эксперимент по анализу эффективности метода интеллектуального управления трафиком на ПЭВМ с помощью имитационного моделирования в эмуляторе т-2. Результаты эксперимента показали увеличение эффективности управления при использовании разработанного на основе нейросетевых технологий метода в среднем на 9%.

2. Разработана структура интеллектуальной системы управления трафиком, состоящая из подсистем: сбора трафика, прогнозирования, анализа и управления.

3. Метод интеллектуального управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий частично реализован в виде алгоритмического и программного обеспечения интеллектуальной системы управления; оригинальность программного продукта подтверждена свидетельством об официальной регистрации программы (Приложение 3).

4. Достоверность и обоснованность результатов, полученных в ходе диссертационного исследования подтверждается апробацией нейросетевой модели краткосрочного прогнозирования и программного продукта в корпоративной вычислительной сети ФГОУ ВПО «Астраханский государственный технический университет» (акт внедрения приведен в Приложении 1).

Ill

ЗАКЛЮЧЕНИЕ

Общим результатом работы является научно обоснованное решение задачи создания и реализации системы управления трафиком корпоративных вычислительных сетей на базе нейросетевых технологий:

1. Проведен системный анализ технического функционирования корпоративных вычислительных сетей, в результате которого сделан вывод о необходимости применения интеллектуальных методов для повышения эффективности управления трафиком. Проведен сравнительный анализ интеллектуальных методов, выявивший превосходство нейросетевых технологий в применении к области управления трафиком корпоративных вычислительных сетей.

2. Разработан алгоритм перераспределения полосы пропускания на основе системного анализа корпоративных вычислительных сетей и математической модели сетевого трафика, отличающийся динамическим перераспределением на основе прогнозирования трафика нейросетевыми технологиями. Алгоритм разработан на механизмах шейпинга и полисинга, в рамках основного средства дозирования — схемы «корзина маркеров».

3. Разработана модель краткосрочного прогноза потребления трафика на базе аппарата нейронных сетей, позволяющая улучшить точность прогноза, в среднем, на 4%. Для ее реализации используются результаты трех независимых нейронных сетей и специального блока обработки данных.

4. Разработан метод интеллектуального управления трафиком на основе алгоритмов перераспределения полосы пропускания и буферной памяти маршрутизаторов, нейросетевой модели краткосрочного прогнозирования сетевого трафика. Метод применим к коммутационным устройствам корпоративных вычислительных сетей - коммутаторам и маршрутизаторам, поддерживающим соответствующие механизмы управления интенсивностью трафика и его сглаживания.

5. Метод реализован в виде алгоритмического и программного обеспечения интеллектуальной системы управления; оригинальность программного продукта подтверждена свидетельством об официальной регистрации программы для ЭВМ №2008611442. Реализация метода выполнена для коммутаторов корпоративных вычислительных сетей.

6. Проведено имитационное моделирование на персональной ЭВМ в среде симулятора т-2, подтверждающее эффективность метода интеллектуального управления трафиком (в среднем на 7—11% потерь меньше).

7. Подсистема прогнозирования трафика внедрена во ФГОУ ВПО «Астраханский государственный технический университет».

1. Блох, Э.Л. Модели источника ошибок в каналах передачи цифровой информации / Э.Л. Блох, О.В. Попов, В .Я. Турин. М.: «Связь», 1971.-312 с.

2. Вегешна, Ш. Качество обслуживания в сетях IP/ Ш. Вегешна // Основополагающие принципы реализации функций качества обслуживания в сетях Cisco. -М.: Издательский дом «Вильяме», 2003. — С. 368.

3. Вишневский, В.М. Теоретические основы проектирования компьютерных сетей / В.М. Вишневский. М.: Техносфера, 2003. - 506 с.

4. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев и др. Харьков: Основа, 1997. - 112 с.

5. Галушкин, А.И Нейронные сети и проблема малой выборки / А.И. Галушкин // Нейрокомпьютеры и их применение: Сборник докладов V Всероссийской конференции. М., 1999. - С. 399-401.

6. Гилев, С.Е. Сравнение методов обучения нейронных сетей / С.Е. Гилев// Нейроинформатика и ее приложения: Тез. докл. III Всероссийского рабочего семинара. Красноярск, 1994. - С. 80-81.

7. Горбань, А.Н. Обучение нейронных сетей / А.Н. Горбань. М: СП «Параграф», 1990. -159 с.

8. Горбань, А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. — Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. 276 с.

9. Горбань, А.Н. Применение самообучающихся нейросетевых программ / А.Н. Горбань, Д.А. Россиев, Д.А. Коченов. — Красноярск: СПИ,1994.- 169 с.

10. Городецкий, А.Я. Информатика. Фрактальные процессы в компьютерных сетях / А.Я. Городецкий, B.C. Заборовский / Учебное пособие. СПб.: СПбГТУ, 2000. - 100 с.

11. Документация и программное обеспечение сетевого симулятора ns-2: http ://www-mash.CS .Berkeley .EDU/ns.

12. Ежов, A.A. Нейрокомпьютинг и его применение в экономике и бизнесе / A.A. Ежов, С.А. Шумский. М.:МИФИ,1998. - 224с.

13. Ершов, В.А. Мультисервисные телекоммуникационные сети: Монография / В.А. Ершов, H.A. Кузнецов. М: МГТУ им. Н.Э.Баумана, 2003.-432 с.

14. Ершов М.А., Кузнецов H.A. Теоретические основы построения сети с интеграцией служб / В.А. Ершов, H.A. Кузнецов. — М.: ИППИ РАН,1995.-280 с.

15. Заборовский, B.C. Методы и средства исследования процессов в высокоскоростных компьютерных сетях: дис. . д-ра техн. наук: 05.13.01 — СПб., 1999.-268 с.

16. Клейнрок, JL Вычислительные системы с очередями / JI. Клейнрок. М.: Мир, 1979. - 598 с.

17. Клейнрок, JL Коммуникационные сети / JL Клейнрок. — М.: Наука, 1970.-255 с.

18. Кучерявый, Е.А. Управление трафиком и качество обслуживания в сети Интернет / Е.А. Кучерявый. — СПб.: Наука и техника, 2004. 336 с.

19. Лысюк, Е.В. Проблемы расчета телекоммуникационных служб мультисервисных сетей /Е.В. Лысюк, А.Г. Ложковский // Материалы IX международной конференции «Проблемы функционирования информационных сетей». — Новосибирск, 2006. — С. 6.

20. Макаренко, А. В. Синтез адаптивной системы управления потоком кадров в сетях Gigabit Ethernet /A.B. Макаренко // Журнал радиоэлектроники. М. - 2002. — №2 (http://jre.cplire.ru/ jre/feb02/2/text.html)

21. Митилино, С. Фрактальная катастрофа TCP/IP / С. Митилино // Компьютерное обозрение. 2001. - №9 (http://itc.ua/node/5571)

22. Нейман, В.И. Новое направление в теории телетрафика / В.И. Нейман // Электросвязь. 1998. - №7. - С. 27-30.

23. Оссовский, С. Нейронные сети для обработки информации / С. Оссовский. — М.: Финансы и статистика, 2002. — 344 с.

24. Официальный сайт проекта VINT: http ://www.isi .edu/nsnam/vint/index. html.

25. Пакет, К. Создание масштабируемых сетей Cisco / К. Пакет, Д. Тир. М.: Вильяме, 2002. - 787 с.

26. Петров, В.В. Самоподобие в сетевом трафике / В.В. Петров// 58-я Научная сессия РНТОРЭС им. A.C. Попова: Сборник трудов. Т.2. М., 2003.-е. 126.

27. Петров, В.В. Исследование самоподобной структуры телетрафика беспроводной сети / В.В. Петров, В.В. Платов// Радиотехнические тетради. 2004. - № 30. - С. 58-62.

28. Петров, М.Н. Самоподобие в системах массового обслуживания с ограниченным буфером / М.Н. Петров, Д.Ю. Пономарев // Электросвязь. — 2002.- №2. С. 35-39.

29. Потапов, A.A. Фракталы в радиофизике и радиолокации / A.A. Потапов. М.: Логос, 2002. - 664 с.

30. Потапов, A.A. Фракталы в радиофизике и радиолокации: Топология выборки / A.A. Потапов. М.: Университетская книга, 2005. — 848 с.

31. Рабинер, JI. Р. Цифровая обработка речевых сигналов/ JI. Р. Рабинер, Р.В. Шафнер; пер. с англ. /Под ред. М. В. Назарова и Ю. Н. Прохорова. — М.: Радио и связь, 1981. С. 496.

32. Ретана, А. Принципы проектирования корпоративных IP-сетей /А. Ретана, Д.Слайс, Р.Уайт. М.: Вильяме, 2002. - 367 с.

33. Ромасевич, П.В. Оценка памяти ввода/вывода маршрутизаторов Cisco с интерфейсами множественного доступа в телекоммуникационных сетях с интенсивным трафиком / П.В. Ромасевич //Инфокоммуникационные технологии. 2004. - Т.1. - №4. - С.36-40.

34. Стешенко, В.В. Исследование Интернет трафика пользователей корпоративной вычислительной сети АГТУ/ В.В. Стешенко // Вестник АГТУ (ВАК). 2008. - №1 (42). - С. 130-133 (принято к печати 30 ноября 2006 г.).

35. Столингс, В. Современные компьютерные сети / В. Столингс. 2-е изд.; пер. с англ. А.Леонтьева. — СПб.: Питер, 2003. 784 с.

36. Танненбаум, Э. Компьютерные сети /Э. Танненбаум. 3-е изд. — СПб.: Питер, 2002. 848 с.

37. Тюрин, Ю.Н. Статистический анализ данных на компьютере / Ю.Н. Тюрин, А.А. Макаров /Под ред. В.Э. Фигурнова. М: Инфра-М, 1998. - 528 с.

38. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уоссермен. -М.: Мир, 1992. 184 с.

39. Шмелев, И.В. Исследование и разработка метода оперативного управления мультисервисной сетью для потоков трафика с фрактальными свойствами: дис. канд. техн. наук: 05.12.13 — М., 2004.

40. Bates S. Traffic Characterization and Modelling for Call Admission Control Schemes on Asynchronous Transfer Mode Networks. A thesis submitted for the degree of Doctor of Pfilosophy. The University of Edinburgh. 1997.

41. Beran J. Statistical Methods for Data with Long-Range Dependence // Statistical Science, Volume 7, Issue 4. .1992. P. 404-416.

42. Beran J. Statistics for Long-Memory Processes. Chapman & Hall, New York, 1994.

43. Cisco Comparing Traffic Policing and Traffic Shaping for Bandwidth Limiting - http://www.cisco.com/warp/public/105/policevsshape.html

44. Cisco IOS Quality of Service Solutions Configuration Guide, Release 12.2 Policing and Shaping Overview — Cisco Systems http://www.cisco.com/en/US/docs/ios/122/qos/configuration/guide/qcfpolsh.htm 1

45. Crovella M. and Bestavros A. Performance characteristics of world wide web information systems. Tutorial at the SIGMETRICS*97,1997.

46. Crovella M.E, and Bestavros A., Explaining World Wide Web Traffic Self-Similarity, Technical Report: TR-95-015, Computer Science Department, Boston University, 1995.

47. Crovella M.E. and Bestavros A. Self-similarity in world wide web traffic: evidence and possible causes. In Proceedings of the 1996 ACM SIGMET-RICS. International Conference on Measurement and Modeling of Computer Systems, May 1996.

48. Dang T.D., Sonkoly B., Molnar S. Fractal Analysis and Modelling of VoIP Traffic // NETWORKS2004, Vienna, Austria, June 13-16,2004.

49. Erramilli A., Narayan O. and Willinger W. Experimental queucing analysis with long-range dependent packet traffic. IEEE/ACM Transactions on Networking, 4:209-223, 1996.

50. Feder J. Fractals. Plenum Press, New York, 1988.

51. Fractan 4.4 программа для фрактального анализа временных рядов: вычисление корреляционной размерности, корреляционной энтропии и показателя Херста — http://softsearch.ru/programs/175-207-fractan-download.shtml.

52. Grasse М., Frater М and Arnold J. Implications of non-stationarity of MPEG2. In COST257TD(97)10, 1997.64. http://www.cisco.com/cgi-bin/Support/MemCalc/mem-calc.pl

53. Hurst H.E. Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers, 116:770-808,1951.

54. Hurst H.E. Methods of using long-term storage in reservoirs. Proceedings of the Institution of Civil Engineers, Part I, pages 519-577,1955.

55. Hurst H.E., Black R.P. and Simaika Y.M. Long-Term Storage: An Experimental Study-Constable, London, 1965.

56. Leland W.E. LAN traffic behavior from milliseconds to days. In Proceedings of the ITC 7th Specialist Seminar, Morristown, N.J., 1990.

57. Leland W.E., Taqqu M.S., Willinger W., and Wilson D.V. On the self-similar nature of ethernet traffic // IEEE/ACM Transactions of Networking, 2(1), 1994. p. 1-15.

58. Leland W.E., Taqqu M.S., Willinger W., and Wilson D.V. Statistical analysis of high time-resolution Ethernet LAN traffic measurements. In M. E.

59. Tarter and M. D. Lock, editors, Statistical Applications of Expanding Computer Facilities, volume 25, pages 146-155. Interface Foundation of North America, 1993. Computing Science and Statistics.

60. Levy Vehel J. and Riedi R. Fractional brownian motion and data traffic modeling: The other end of the spectrum. In Fractals in Engineering 97, pages 185-202. Springer, 1997.

61. Li G.L. and Dowd W.D., An Analysis of Network Performance Degradation Induced by Workload Fluctuations, IEEEE/ACM Transactions on Networking, Vol. 3, No. 4, August 1995.

62. Lipsky L., Queueing Theory: A Linear Algebraic Approach. MacMillan and Company, New York, 1992.

63. Mandelbrot B. Some Noises with Iff- Spectrum, a Bridge Between Direct Current and White Noise. IEEE Transactions on Information Theory, IT-13(2):289-298, April 1967.

64. Mandelbrot B.B. A fast fractional Gaussian noise generator. Water Resources Research, 7:543-553, 1971.

65. Mandelbrot B.B. Self-similar error clusters in communications systems and the concept of conditional systems and the concept of conditional stationarity. IEEE Transactions on Communications Technology, COM-13:71-90,1965.

66. Mandelbrot B.B. The Fractal Geometry of Nature. W.H. Freeman and Co., San Francisco, 1982.

67. Molnar S. and Miklos Gy. On burst and correlation structure ofteletraffic models. In D. D. Kouvatsos, editor, 5th IFIP Workshop on Performance Modelling and Evolution of ATM Networks, Ukley, U.K., July 1997.

68. Molnar S., Maricza I., «Source Characterization in Broadband Networks», High Speed Networks Laboratory, Dept. of Telecommunications and Telematics, Technical University of Budapest, 1999.

69. Norros I. A storage model with self-similar input. Queueing Systems And Their Applications, 16:387-396,1994.

70. Norros I. On the use of fractional Brownian motion in the theory of connectionless networks. IEEE Journal on Selected Areas in Communications, 13:953-962,1995.

71. Norros I., "Four approaches to the fractional Brownian storage," Fractals in Engineering, pp. 154-169,1997.

72. Park K., Willinger W. Self-Similar Network Traffic and Performance Evaluation. John Wiley & Sons, 2000.

73. Paxson V., "Fast, approximate synthesis of fractional Gaussian noise for generating self-similar network traffic," Computer Communication Review, vol. 27, pp. 5-18, Oct. 1997.

74. Paxson V., Floyd S. Wide-Area Traffic: The Failure of Poisson Modeling // IEEE/ACM Transactions on Networking; 1995.

75. Selfis vO.lb Программа для вычисления показателя Херста. Автор Thomas Karagiannis / http://www.cs.ucr.edu/~tkarag/Selfis/Selfis.html

76. Taqqu M.S. A bibliographical guide to self-similar processes and long-range dependence. In E. Eberlein and M. S. Taqqu, editors, Dependence in Probability and Statistics, pages 137-162, Boston, 1986. Birkhauser.

77. Taqqu M.S. Self-similar processes. In S. Kotz and N. Johnson, editors, Encyclopedia of Statistical Sciences, pages 352-357. Wiley, New York, 1988. Volume 8.

78. Taqqu M.S., Willinger W. and Sherman R., "Proof of a fundamental result in self-similar traffic modeling", Computer Communication Review 27, pp.5-23,1997.

79. Teverovsky V. and Taqqu M.S. Testing for long-range dependence in the presence of shifting means or a slowly declining trend using a variance-type estimator. Preprint, 1995.