Разработка дисциплины обслуживания на основе нейросетевого прогноза трафика дифференцированных услуг

• Автор: Станкевич, Александр Альфредович
• Шифр специальности: 05.12.13
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Санкт-Петербург
• Количество страниц: 122 с. : ил.

СПИСОК СОКРАЩЕНИЙ
ГЛАВА 1 АНАЛИЗ МЕХАНИЗМОВ QOS В ТЕХНОЛОГИИ
DIFFSERV
1.1 Сети следующего поколения и QoS
1.1.1 Параметры QoS
1.1.2 Различное понимание QoS для разных видов трафика
1.1.3 Пересчёт требуемого QoS соединения в параметры QoS
узла
1.1.4 Средства обеспечения QoS
1.1.5 Дозирование средств обеспечения QoS
1.2 Технология дифференцированных услуг (DiffServ)
1.2.1 Терминология дифференцированных услуг
1.2.2 Классы трафика и поле DS заголовка дейтаграммы
1.2.3 Сетевая архитектура DiffServ
1.2.4 Архитектура узла DiffServ
1.2.5 Поведение на переходе (РНВ) и дисциплина обслуживания
1.3 Дисциплины обслуживания (ДО)
1.3.1 Простая очередь (First In, First Out - FIFO)
1.3.2 Приоритетные очереди (Priority Queuing)
1.3.3 Взвешенная справедливая буферизация (Weighted Fairness
Queuing - WFQ)
1.3.4 Очереди no классам (Class-Based Queuing - CBQ)
1.3.5 Отбрасывание хвоста (Tail Drop)
1.3.6 Случайное раннее отбрасывание (Random Early Detection
-RED)
1.4 Концепция имитационной дисциплины обслуживания
(ИДО)
1.4.1 Место моделирования трафика в ДО
1.4.2 Определение имитационной ДО
1.4.3 Моделирование и прогнозирование
1.4.4 Микро- и макроуправление
1.4.5 Сопоставление имитационной ДО и обычных ДО
Выводы
ГЛАВА 2 РАЗРАБОТКА МОДЕЛЬНОЙ РЕАЛИЗАЦИИ ИДО
2.1 Подсистема времени
2.2 Разработка модели источников мультисервисной нагрузки

2.2.1 Архитектура модели источников
2.2.2 Модельные агрегаты трафика
2.3 Разработка подсистемы ведения очередей с контролем QoS
2.3.1 Параметры QoS
2.3.2 Параметры управлен ия
2.3.3 Алгоритм работы подсистемы ведения очередей
2.3.4 Характеризация разработанной СМО
2.4 Оптимизация управления
2.4.1 Математическая постановка оптимизационной задачи
управления
2.4.2 Целевая функция
2.4.3 Условный и безусловный прогноз
2.4.4 Методика дискретной оптимизации
2.4.5 Временные параметры оптимизации
2.5 Эволюция динамической системы
Выводы
ГЛАВА 3 НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ
3.1 Анализ нейросетевого прогнозирования
3.2 Разработка нейросетевого предиктора
3.2.1 Обобщённая оцифровка
3.2.2 Прогнозирование на несколько шагов вперёд
3.2.3 Структура нейросети предиктора
3.3 Обучение нейросетевого предиктора
3.3.1 Метод обратного распространения
3.3.2 Метод сопряжённых градиентов
3.3.3 Им итация отжига
3.4 Тестирование нейросетевого предиктора
Выводы
ГЛАВА 4 ЧИСЛЕННЫЙ ЭКСПЕРИМЕНТ РЕАЛИЗАЦИИ ИДО
4.1 Временные параметры оптимизации
4.2 Эволюция с управлением и без управления
4.3 Идеальный предиктор
4.4 Обсуждение результатов численного эксперимента
Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ 1. ВЫВОД СООТНОШЕНИЙ
ОРТОГОНАЛЬНОСТИ ГРАДИЕНТОВ И СОПРЯЖЕННОСТИ НАПРАВЛЕНИЙ В МЕТОДЕ СОПРЯЖЁННЫХ ГРАДИЕНТОВ

СПИСОК СОКРАЩЕНИЙ
АЦП Аналого-цифровой преобразователь
ДО Дисциплина обслуживания
ИДО Имитационная дисциплина обслуживания
СМО Система массового обслуживания
ЦАП Цифро-аналоговый преобразователь
AF Assured Forwarding Г арантированное перенаправление
ВА Behavior Aggregate Поведенческий агрегат
ВМАР Batch Markovian Arrival Пачечный марковский
Process входящий процесс
CBQ Class-Based Queuing Очереди по классам
CBWFQ Class-based weighted fair Взвешенная справедливая
queueing буферизация по классам
DiffServ Differentiated Services Дифференцированные услуги
DS Differentiated Services Дифференцированные услуги
DSCP Differentiated Services Код дифференцированной
CodePoint услуги
EF Expedited Forwarding Ускоренное перенаправление
e-mail Electronic Mail Электронная почта
FIFO First In, First Out Простая очередь: первым пришёл - первым ушёл
ID Identifier Идентификатор

Например, можно обойтись задержкой, а не отбрасыванием некоторых пакетов. Разумеется надо учитывать, что для audio/video сервисов сравнительно большая задержка равносильна отбрасыванию, а для трафика данных отбрасывание порождает повторную передачу. Мультисервисный трафик, с одной стороны, требует такого дифференцированного подхода, а с другой стороны, позволяет использовать разнородность трафика для уменьшения потерь.
1.3.6 Случайное раннее отбрасывание (Random Early Detection - RED) RED - дисциплина отбрасывания пакетов в преддверии перегрузки (переполнения очереди). Отбрасывается не весь хвост, а лишь некоторые случайно выбираемые пакеты. Чем ближе перегрузка, тем выше вероятность отбрасывания пакета. Когда перегрузка всё же наступает, отбрасывается хвост.
Существует обобщение RED - взвешенное случайное раннее отбрасывание (Weighted Random Early Detection - WRED) [69]. WRED отличается от RED лишь тем, что вероятность отбрасывания пакета зависит от его веса, в качестве которого выступает подполе precedence заголовка дейтаграммы IP. Очевидно, что это не очень большое отличие.
Дисциплина RED обычно модифицирует очередь FIFO, но может применяться практически с любой дисциплиной буферизации. Буквальный перевод RED - случайное раннее обнаружение (перегрузки), что предполагает прогноз поведения трафика. Правда прогноз - простейший, только на основе достигнутого значения. Тем не менее, RED работает на опережение ситуации. Более точный предиктор может улучшить дисциплину RED.
Типичная зависимость вероятности отбрасывания пакета в дисциплине RED приведена на рисунке 1.2.