Исследование сложных нестационарных телекоммуникационных систем и разработка метода управления потоками данных

• Автор: Антонова, Анастасия Анатольевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Москва
• Количество страниц: 153 с. : ил.

Содержание
Введение.
Глава 1. АНАЛИЗ СОВРЕМЕННЫХ МОДЕЛЕЙ ИЗУЧЕНИЯ СЛОЖНЫХ ДИНАМИЧЕСКИХ СИСТЕМ НА ОСНОВЕ ТЕОРИИ СЛУЧАЙНЫХ ГРАФОВ И ПЕРКОЛЯЦИИ.

1Л. Сложные динамические сети как приложение теории сложных систем

1.2. Модели сложных сетей на основе теории случайных графов.

1.2Л. Модель Эрдоша Реньи.

1.2.2. Модель Барабаши Альберт

1.2.3. Модели малого мира. Модель УотсаСтрогатса.

1.3. Перколяция на случайных графах.

1.4. Модели управления потоками данных в ИВС

1.4.1. Обмен данными в информационновычислительных сетях

1.4.2.Алгоритмы маршрутизации в сети Интернет.
1.4.3. Моделирование работы ИВС.
1.5. Постановка задачи исследования.
1.6. Выводы.
Глава 2. РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ
ДИНАМИЧЕСКОЙ СЛОЖНОЙ СИСТЕМЫ С ИСПОЛЬЗОВАНИЕМ МОДИФИЦИРОВАННЫХ МЕТОДОВ НА ОСНОВЕ ТЕОРИИ ПЕРКОЛЯЦИИ И ТЕОРИИ СЛУЧАЙНЬХ ГРАФОВ.
2.1. Методы систематического обхода узлов и связей графа
2.2. Эволюция графов
2.3. Распределение степеней узлов в случайном графе
2.4. Решение задачи перколяции на случайных графах для моделирования кластера.
2.4.1. Модифицированная производящая функция для обеспечения самоорганизации информационновычислительной сети
2.4.2. Принципы организации кластеров ИВС
2.4.2.1. Алгоритм определения размера кластера.

2.4.2.2. Алгоритм выделения еильносвязной компоненты.
2.4.3. Модель реакции сети на разрушение связей
2.5. Выводы
Глава 3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ УПРАВЛЕНИЯ ПОТОКАМИ V ДАННЫХ В СЛОЖНЫХ СИСТЕМАХ.
и 3.1. Алгоритмы управления потоками данных в сложных сетях
3.2. Теорема Форда Фалкерсона
3.3. Построение минимального покрывающего дерева.
С 3.3.1. Алгоритм Крускалла.
3.3.2. Алгоритм Прима
3.4. Поиск кратчайших путей из одного узла.
3.4.1. Алгоритм Дейкстры.
3.4.2. Алгоритм БеллманаФорда.
3.5. Кратчайшие пути для всех пар узлов взвешенного ориентированного графа
3.5.1. Алгоритм Флойда
3.5.2. Алгоритм Джонсона нахождения всех пар кратчайших путей
3.6. Метод управления информационным потоком на основе нахождения сильносвязной компоненты.
3.7. Выводы.
Глава 4. РЕАЛИЗАЦИЯ АЛГОРИТМОВ И РЕЗУЛЬТАТЫ ЧИСЛЕННЫХ ИССЛЕДОВАНИЙ
4.1. Определение размера кластера.
4.2. Изучение порога перколяции сети.
4.3. Требования к программному обеспечению управления информационными потоками в сложных нестационарных системах на основе теории случайных графов и перколяции
4.4. Выбор средства реализации визуализации
4.5. Структура программного обеспечения.
4.6. Выводы.
Заключение
Литература


В этих условиях порой единственным возможным методом исследования является моделирование (физическое, логическое, математическое). Система (от греч. БІета - целое, составленное из частей; соединение), множество элементов, находящихся в отношениях и связях друг с другом, которое образует определённую целостность, единство. Сложная система, составной объект, части которого можно рассматривать как системы, закономерно объединённые в единое целое в соответствии с определенными принципами или связанные между собой заданными отношениями. Основное допущение в случае развивающихся или нестационарных сетей является то, что если нам удастся правильно выделить процессы, которые протекают в реальных сетях, то мы сможем правильно получить их топологию. Динамика играет главную роль, топология является только побочным продуктом этой философии моделирования. Обычно для теории простых систем - это требование адекватности модели оригиналу. Ситуация для построения теории сложных сетей кажется безнадежной. Она действительно оказывается таковой, если не произвести некоторого разумного отступления от непомерных требований адекватности теории и вместе с тем не отступать от требований ее объективности. В ряде случаев имитационное моделирование позволяет [,1,3,1]: производить наблюдение сложной системы в условиях неполной информации; определять структуру системы или (если она известна) получать новые сведения о ее параметрах; прогнозировать поведение системы в будущем; проверять воздействие различных правил принятия решений на поведение системы; экспериментально изучать сложные внутренние взаимосвязи системы; исследовать влияние различных внешних и внутренних изменений; осуществлять проверку аналитических решений; изучать поведение системы в реальном или приведенном времени; лучше понять систему, а также выявлять наиболее критичные и значимые переменные в результате построения имитационной модели и детального ее наблюдения. Если под сложностью системы обычно понимают ее принципиальную несводимость к простой сумме езоих частей, то аналогично можно рассматривать и сложные сети. Термин «сложные сети» возник в начале этого века и относится к сетям с более сложной архитектурой, чем, скажем, классические случайные сети с заданным числом узлов и связей. Обычно в таких сетях имеется небольшое число узлов с большим числом связей - хабов (от английского hub -ядро, концентратор), которые в значительной степени и определяют свойства этих сетей. При этом оказалось, что большинство реальных сетей (биологических, технических, социальных) являются сложными. В прикладных исследованиях обычно применяют такие типичные для сетевого анализа характеристики, как размер сети, сетевая плотность, степень центральности и т. Сложные сети описывают большое разнообразие природных и социальных систем. Традиционно изучение сложных сетей являлось делом теории графов. Однако затруднительно описать системы, для которых физическое расстояние неуместно и неясен принцип взаимодействия компонент. Предполагается, что сложные системы должны демонстрировать некоторые общие принципы организации, которые, в какой-то степени, должны быть зашифрованы в их топологии. Поэтому необходимо, опираясь на теорию случайных графов, работать над созданием новых моделей, позволяющих, как можно более подробно, описать реальные сложные объекты. Дальнейшее изучение возможно при разработке новых алгоритмов для управления, оптимизации и предсказания процессов в реальных сложных сетях. Анализ динамики информационных потоков, генерируемых в вебпространстве, становится сегодня одним из наиболее информативных методов исследования актуальности тех или иных тематических направлений [9,,]. Эта динамика обусловлена факторами, многие из которых не поддаются точному анализу. Изучение топологии реальной телекоммуникационной сети является важной подзадачей в изучении динамики информационных потоков. Обзор работ в данной области показывает, что на сегодняшний день нет единого мнения по этой проблеме. Компьютеризация процесса приобретения информации во всех сферах -появление больших баз данных о топологии различных реальных сетей.