Модель обработки приоритетных очередей в маршрутизаторах

                    3    PREEMPT           1651             0       0

                    4    DEPART            1651             0       0

                    5    ADVANCE           1651             0       0

                    6    RETURN            1651             0       0

                    7    TERMINATE         1651             0       0

                    8    GENERATE         10028             0       0

                    9    QUEUE            10028          8380       0

                   10    PREEMPT           1648             0       0

                   11    DEPART            1648             0       0

                   12    ADVANCE           1648             2       0

                   13    RETURN            1646             0       0

                   14    TERMINATE         1646             0       0

                   15    GENERATE         10058             0       0

                   16    QUEUE            10058          8355       0

                   17    PREEMPT           1703             0       0

                   18    DEPART            1703             0       0

                   19    ADVANCE           1703             0       0

                   20    RETURN            1703             0       0

                   21    TERMINATE         1703             0       0

 

 

FACILITY         ENTRIES  UTIL.   AVE. TIME AVAIL. OWNER PEND INTER RETRY DELAY

JOE               5002    1.000      99.965  1     5003 24968    1     0      0

 

 

QUEUE              MAX CONT. ENTRY ENTRY(0) AVE.CONT. AVE.TIME   AVE.(-0) RETRY

LOEQN            24969 24968  29970      2  12489.945 208393.165 208407.073   0

 

 

FEC XN   PRI         BDT      ASSEM  CURRENT  NEXT  PARAMETER    VALUE

 29972    3      500071.739   29972      0     15

29969    1      500082.866   29969      0      1

  5003    2      500145.686   5003     12     13

29973    2      500170.993   29973      0      8

Результат работы при средней интенсивности  трафика без обработки приоритетной очереди: производительность 1 при не обработанных 0.

 

Результаты Эксперимента_1.

GPSS World Simulation Report - МОДЕЛЬ3.11.1

 

 

                   Thursday, June 13, 2013 19:22:19 

 

           START TIME           END TIME  BLOCKS  FACILITIES  STORAGES

                0.000          32899.845    21        1          0

 

 

              NAME                       VALUE 

          JOE                         10002.000

          LOEQN                       10001.000

          XPDIS                       10000.000

 

 

LABEL              LOC  BLOCK TYPE     ENTRY COUNT CURRENT COUNT RETRY

                    1    GENERATE           336             0       0

                    2    QUEUE              336           180       0

                    3    PREEMPT            156             0       0

                    4    DEPART             156             0       0

                    5    ADVANCE            156             1       0

                    6    RETURN             155             0       0

                    7    TERMINATE          155             0       0

                    8    GENERATE            59             0       0

                    9    QUEUE               59            32       0

                   10    PREEMPT             27             0       0

                   11    DEPART              27             0       0

                   12    ADVANCE             27             0       0

                   13    RETURN              27             0       0

                   14    TERMINATE           27             0       0

                   15    GENERATE           703             0       0

                   16    QUEUE              703           384       0

                   17    PREEMPT            319             1       0

                   18    DEPART             318             0       0

                   19    ADVANCE            318             0       0

                   20    RETURN             318             0       0

                   21    TERMINATE          318             0       0

 

 

FACILITY         ENTRIES  UTIL.   AVE. TIME AVAIL. OWNER PEND INTER RETRY DELAY

JOE                502    1        65.356  1      504  596    1     0      0

 

 

QUEUE              MAX CONT. ENTRY ENTRY(0) AVE.CONT. AVE.TIME   AVE.(-0) RETRY

LOEQN             598  597   1098      2   305.884   9165.333   9182.058   0

 

 

CEC XN   PRI          M1      ASSEM  CURRENT  NEXT  PARAMETER    VALUE

   504    3       14819.467    504     17     18

 

 

FEC XN   PRI         BDT      ASSEM  CURRENT  NEXT  PARAMETER    VALUE

  1101    1       32914.429   1101      0      1

  1100    3       32956.601   1100      0     15

  1093    2       34237.343   1093      0      8

Результат работы при максимальной интенсивности  высокоприоритетного трафика с  обработкой приоритетной очереди: производительность 1 при не обработанных 0 пакетов.

3.3 Адекватность модели алгоритма  обработки приоритетных очередей

Используемые  методы:

1 – сортировка  по Z;

2 – расчет  требуемой полосы пропускания  с учетом коэффициента срочности  (принадлежность к диапазону задержки);

3 – передача  пакета с учетом коэффициента  срочности;

4 – выделение  ОЗУ в зависимости от объема  вида трафика.

Для получения  этих данных можно наиболее эффективным  может быть модель на нейронных сетях, реализованная в пакете MatLab.

Нейронные сети используют для решении задач  управления, классификации, прогнозирования. Такой успех определяется следующими причинами:

Нейросети – это мощнейший метод имитации явлений и процессов, который  позволяет показывать сложнейшие зависимости. Нейронные сети являются нелинейными  по своей природе, в то же время  как на протяжении нескольких лет  для создания моделей применялся линейный подход. А также, во многих случаях нейронные сети помогали преодолеть, так называемое, "проклятие  размерности", которая обусловлена  тем, что создание модели нелинейных явлений требует большого количества вычислительных ресурсов (в случае большого числа переменных).

Следующая особенность нейросетей связана  с тем, что используется механизм обучения. Пользователь нейронной системы  подбирает представительные данные и запускает обучающий алгоритм, который сам настраивает параметры  сети без участия пользователя. От пользователя только требуется набор  эвристических знаний о том, как  следует подготавливать и отбирать данные, выбирать необходимую архитектуру  нейронной сети и интерпретировать полученные результаты. Однако следует  заметить, что уровень знаний, требующийся  от пользователя, который необходим  для успешного применения нейронной  системы, намного меньше, чем, к примеру, при использовании традиционных методов.

Neural Network Toolbox в пакете MatLab обеспечивает всестороннюю поддержку проектирования, обучения и моделирования множества известных сетевых парадигм, от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей. Пакет может быть использован для исследования и применения нейронных сетей к таким задачам, как обработка сигналов, нелинейное управление и финансовое моделирование. 

 

При создании нейросети подключаем обучающую выборку входных и выходных данных. Создаем нейронную сеть – многослойный перцептрон (рисунок 3.1):

5 входных  данных;

6 выходных  данных;

1 скрытый  слой;

6 нейронов  скрытого слоя.

Рисунок 3.1 – Окно подключения обучающей выборки

Самым важным свойством нейронных сетей является их способность обучаться на основе данных окружающей среды и в результате обучения повышать свою производительность. Повышение производительности происходит со временем в соответствии с определенными  правилами. Обучение нейронной сети происходит посредством интерактивного процесса корректировки синаптических  весов и порогов. В идеальном  случае нейронная сеть получает знания об окружающей среде на каждой итерации процесса обучения.

Это определение  процесса обучения нейронной сети предполагает следующую последовательность событий:

1. В нейронную сеть поступают стимулы из внешней среды.
2. В результате первого пункта изменяются свободные параметры нейронной сети.
3. После изменения внутренней структуры нейронная сеть отвечает на возбуждения уже иным образом.

Вышеуказанный список четких правил решения проблемы обучения нейронной сети называется алгоритмом обучения. Несложно догадаться, что не существует универсального алгоритма  обучения, подходящего для всех архитектур нейронных сетей. Существует лишь набор  средств, представленный множеством алгоритмов обучения, каждый из которых имеет  свои достоинства. Алгоритмы обучения отличаются друг от друга способом настройки синаптических весов  нейронов. Еще одной отличительной  характеристикой является способ связи  обучаемой нейронной сети с внешним  миром. В этом контексте говорят  о парадигме обучения, связанной  с моделью окружающей среды, в  которой функционирует данная нейронная  сеть.

Существуют  два концептуальных подхода к  обучению нейронных сетей: обучение с учителем и обучение без учителя.

Обучение  нейронной сети с учителем предполагает, что для каждого входного вектора  из обучающего множества существует требуемое значение выходного вектора, называемого целевым. Эти вектора  образуют обучающую пару. Веса сети изменяют до тех пор, пока для каждого  входного вектора не будет получен  приемлемый уровень отклонения выходного  вектора от целевого.

Обучение  нейронной сети без учителя является намного более правдоподобной моделью  обучения с точки зрения биологических  корней искусственных нейронных сетей. Обучающее множество состоит лишь из входных векторов. Алгоритм обучения нейронной сети подстраивает веса сети так, чтобы получались согласованные выходные векторы, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы.

Недостатки  алгоритма ГОСТ Р 52633.5-2011 компенсируют выбором большого числа входов и  выходов нейросети.

Рисунок 3.2 – Окно «Построение нейронной сети»

Анализ обучающей выборки приведен на рисунке 3.3.

Рисунок 3.3 – Анализ обучающей выборки

Результат обучения приведены на рисунке 3.4.

Рисунок 3.4 – Окно «Результат обучения»

Готовимся к тестированию сети >>NNSTART (рисунок 3.5).

 

Рисунок 3.5 -

Для организации  эксперимента создаем нейронную  сеть с помощью NNTOOL (рисунок 3.6).

Обработка сигналов в технологиях NN выполняется  с помощью либо NN без памяти, либо NN c памятью. И в том и другом случаях ключевым элементом является NN без памяти. Подобная роль определяется тем обстоятельством, что при  использовании нейронов с определенными функциями активации (передаточными характеристиками) NN является универсальным аппроксиматором. Последнее означает, что в заданном диапазоне изменения входных переменных NN может с заданной точностью воспроизводить (моделировать) произвольную непрерывную функцию этих переменных.

Рисунок 3.6 – Окно «Внесение исходных данных эксперимента»

Результаты  эксперимента _1 (рисунок 3.7).

Рисунок 3.7 – Окно «Результаты эксперимента _1»

Результаты  эксперимента _2 (рисунок 3.8).

Рисунок 3.9 – Окно «Результаты эксперимента _2»

Результаты  эксперимента _3 (рисунок 3.10).

Рисунок 3.10 – Окно «Результаты эксперимента _3»

Таким образом, были получены данные по факторам разрабатываемой  модели используемых в сложном алгоритме управления очередями.

Вывод.

В разделе  описан процесс планирования и проведения эксперимента. Получены результаты работы эмуляции GPSS. Проведена оценка адекватности полученной модели на базе обучающейся нейронной сети в программном продукте MatLab.

 

4 Технико- экономические  показатели использования модели

Создание  модели обработки приоритетных очередей в маршрутизаторах позволило  оптимизировать обработку входящего  трафика при использовании технологии Ethernet  и тем самым избежать перегрузки оборудования.

4.1 Расчет комплексных  показателей качества

Разрабатываемая модель является технологическим программным  продуктом, так как не требует  дополнительного аппаратного обеспечения. Модель обработки приоритетных очередей в маршрутизаторах, является программным продуктом, что позволяет рассчитать набор комплексных показателей качества: надежность, ориентация на потребителя, эффективность.

Исходные  данные для расчета комплексных  и единичных показателей качества представлены в таблицах 4.1, 4.2.

Таблица 4.1 –  Исходные данные для расчета комплексных  и единичных показателей качества

Показатели	Обозначение	Единицы измерения	Значения
Число модулей в текущей версии	Q	ед	23
Число модулей возможных для добавления, без изменения общей структуры  программы	Мд	ед	4
Число модулей возможных для изменения, без изменения общей структуры  программы	Ми	ед	2
Число модулей возможных для исключения из текущей версии, без изменения  общей структуры программы	Мис	ед	0
Суммарное время работы модели	tо	ч	312
Суммарное время простоев модели	tn	ч	2
Число отказов	n	ед	0
Число испытаний	N	ед	24
Область обработки данных, где используются универсальные средства	Оун	Мб	1
Вся область обработки информации	Ои	Мб	2
Количество оригинальных модулей	Qор	ед	23
Общая стоимость	С	тыс. рублей	67
Стоимость оригинальных модулей	Сор	тыс. рублей	67
Суммарный объем памяти, занимаемый файлами	Ои	Мб	2
Объем памяти, занимаемый данной моделью	Оип	Мб	2
Фактическое время модификации	tм	ч	6
Планируемое время модификации	tм.пл.	ч	4