Исследование и разработка комбинированных нейросетевых технологий для повышения эффективности безопасной маршрутизации информации в сетях связи

• Автор: Лавренков, Юрий Николаевич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Калуга
• Количество страниц: 208 с. : ил.

Оглавление
Введение
1 Анализ методов и алгоритмов интеллектуального управления потоками информации
1.1 Современные технологии для обеспечения безопасной маршрутизации информации
1.2 Интеллектуальные информационные технологии для решения трудно формализуемых задач
1.2.1 Искусственные нейронные сети
1.2.2 Инициализация начальных состояний нейросетевых экспертов
1.2.3 Алгоритмы обучения нейронных сетей
1.2.4 Ансамбли нейронных сетей
1.3 Выводы по главе
2 Разработка алгоритмов настройки и обучения комитета нейросетевых экспертов
2.1 Структурная схема разрабатываемой системы
2.2 Проектирование алгоритмов обучения экспертов
2.3 Определение начальных состояний экспертов
2.4 Проектирование нечёткой системы оценки качества обучения нейросетевых экспертов
2.5 Разработка алгоритма предобработки сигналов от нейросетевых экспертов
2.6 Разработка алгоритма обеспечения безопасности системы
2.7 Проектирование алгоритма решения задачи безопасной маршрутизации
2.8 Выводы по главе
3 Практическая реализация разработанных моделей и алгоритмов
3.1 Требования к программной эмуляции нейроимитаторов
3.2 Основные компоненты архитектуры программной системы
3.3 Особенности реализации инструментальной среды
3.4 Перспективы развития программной системы
3.5 Выводы по главе
4 Исследование разработанных алгоритмов и оценка их эффективности прн решении практических задач
4.1 Анализ алгоритмов обучения экспертов
4.2 Анализ алгоритмов предобработки сигналов
4.3 Результат работы алгоритмов генерации случайных чисел
4.4 Анализ результатов выполнения маршрутизации на основе оценки качества канала связи
4.5 Выводы по главе
Заключение
Список литературы
Приложение
Приложение
Введение
Актуальность темы исследования. Развитие сложных вычислительных систем и комплексов основано на транспортировке информации от отправителя к получателю. Проблему выбора оптимального пути, при котором информация проходит по маршруту, соответствующему определённым критериям, решают алгоритмы маршрутизации. Маршрутизация - процесс передвижения информации от источника к пункту назначения через объединенную сеть. При этом, как правило, на пути встречается, по крайней мере, один узел. Маршрутизация включает в себя два основных компонента: определение оптимальных путей маршрутизации и транспортировка информационных сообщений. Определение маршрута представляет собой сложный процесс и базируется на различных показателях или комбинациях показателей. Если процесс маршрутизации происходит в динамическом режиме, т.е. путь, по которому передаётся информация, рассчитывается не на начальном этапе передачи сообщения, а по мере продвижения его по сети, то сложность расчёта маршрута возрастает. В практических задачах возникают ситуации, когда необходимо выполнить передачу информации в открытом виде, т.е. без использования средств шифрования. Такой способ передачи требует построения маршрутов продвижения информации по каналам связи, обладающих определённой степенью надёжности и защищённости от вмешательства злоумышленников, в частности от прямого физического подключения к среде передачи. При маршрутизации на основе заданных условий необходимо выполнять оценку не только характеристик, обеспечивающих быструю доставку информации получателю, но в процессе поиска оптимального маршрута учитывать параметры безопасности среды передачи.
Существующие алгоритмы маршрутизации требуют наличия информации о полной структуре сети, в которой будет организовываться передача данных. Если происходит частое изменение топологии сети, появление и удаление новых соединений, изменения в среде передачи, то маршрутизирующие алгоритмы теряют способность поддерживать оперативный информационный обмен в сети.

Для поддержания способности телекоммуникационной сети выполнять доставку информационных сообщений необходимо применять современные методы, способные решать задачи при неполных или противоречивых входных данных. К таким методам относятся вычислительные методы на базе нейросетевых, эволюционных и нечётких алгоритмов. Для успешного решения задачи безопасной маршрутизации требуется развитие и комбинирование вычислительных структур на основе приведённых интеллектуальных подходов.
Применение интеллектуальных технологий позволит выполнять передачу информации в распределённых сетях даже в случаях их частичной деградации или нарушения целостности из-за действия третьих лиц. Таким образом, задача исследования и проектирования алгоритмов безопасной нейросетевой маршрутизации является актуальной и практически значимой.
Целью работы является повышение эффективности функционирования комбинированных нейросетевых методов для решения задачи маршрутизации информации в сетях связи. Для достижения указанной цели необходимо решить следующие задачи:
1. Провести анализ алгоритмов построения оптимальных маршрутов в компьютерных сетях. Провести классификацию алгоритмов, а также проанализировать способы получения данных, необходимых для работы маршрутизирующей системы.
2. Выполнить построение модели нейросетевого маршрутизатора, представленного комитетом, состоящим из трёх нейросетевых экспертов: сети прямого распространения, рекуррентной нейронной сети, радиально-базисной нейронной сети.
3. Разработать способ объединения решений, полученных от различных нейросетевых структур (НС). Проанализировать существующие методы объединения результатов работы различных алгоритмов. Выполнить разработку алгоритма оценки компетентности каждого эксперта.

Результаты экспериментов [83] показали, что если ошибка отдельного эксперта г‘ всегда меньше 0,5, то значение ошибки итогового эксперта стремится к 0 по экспоненте при увеличении числа итераций. Таким образом, данный алгоритм усиления позволяет усилить обобщающую способность финального эксперта £/, который получается точнее, чем отдельные эксперты и меньше подвержен влиянию шумовых составляющих данных.
К основным недостаткам метода усиления можно отнести следующие:
1. Для успешной реализации алгоритма требуется большое количество примеров обучающей выборки.
2. Построение системы экспертов сводится к жадному добавлению новых базовых нейронных сетей, что может приводить к построению неэффективных нейросетевых структур на поддержание и обучение которых потребуются значительные вычислительные ресурсы.
3. В процессе функционирования алгоритма усиления происходит исключение различных частей первоначальной выборки из процесса обучения, что приводит к вырождению обучающей выборки, на которой строятся последние модели.
Стэкинг обычно не используется в тех случаях, когда базовые алгоритмы принятия решений базируются на одном принципе [83], поэтому в качестве нейросетевых экспертов необходимо применять различные нейронные сети: многослойный персептрон, сеть Хопфилда, сигма-пи сеть, спайковые нейронные сети и т.д. Когда имеется несколько алгоритмов, принимающих решения, обычная процедура заключается в определении компетентности каждого алгоритма и выборе лучшего из них, который и будет использоваться для принятия решений. В отличие от данного подхода в стэкинге используется концепция метаобучения, которая является альтернативой процедуре голосования [90]. Структурная схема алгоритма стэкинга показана на рисунке 1.10.