Способ обеспечения устойчивости сетей связи в условиях внешних деструктивных воздействий

Изобретение относится к контрольно-измерительной технике и может быть использовано в телекоммуникационных системах. Техническим результатом является расширение функциональных возможностей, заключающихся в обеспечении своевременности предоставления информационных услуг абонентам различных категорий при воздействии на сеть связи внешних деструктивных воздействий. Для этого контролируют значения деструктивных воздействий на линии связи, одновременно с этим оценивают значение пропускной способности каждого рода линии связи, масштабируют полученные значения относительно максимальных значений для каждого класса параметров, по данным значениям обучают искусственные нейронные сети с радиальными базисными элементами для аппроксимации зависимостей производительности каждого рода линии связи от значений деструктивных воздействий, матрицы синаптических весов обученных нейросетей запоминают, а в дальнейшем инсталлируют в соответствии с конкретным построением сети связи для оценки пропускной способности по прогнозным значениям деструктивных воздействий, полученных с задержкой по времени. На основе прогнозных значений пропускной способности для каждой линии связи осуществляют распределение доступного ресурса сети между абонентами с учетом их категорий приоритета. 11 ил.

 

Изобретение относится к контрольно-измерительной технике и позволяет:

1) осуществлять постоянный мониторинг электромагнитной обстановки (ЭМО), оказывающей влияние на производительность распределенной сети связи;

2) определять вид зависимости пропускной способности (производительности) сети связи от значений напряженности электрического поля, обучать систему управления распределенной сетью связи и по результатам контроля текущего значения напряженности электрического поля прогнозировать изменение пропускной способности сети во времени;

3) по результатам прогнозирования пропускной способности распределенной сети связи осуществлять обеспечение устойчивости путем выборочного (с учетом категорий пользователей сети связи) переключения пользователей на резервные элементы сети связи.

Известен способ, реализованный в анализаторе параметрических отказов и сбоев (Патент РФ №2270470 «Анализатор параметрических отказов и сбоев», опубликованный 20.02.2006 г. в Бюл. №5), позволяющий идентифицировать факт отказа технических устройств по заданному количеству сбоев за выбранный интервал времени и включающий оценку длительности периода пребывания параметра в области работоспособности при попадании среза эталонного импульса, соответствующего максимально допустимой длительности выхода параметра за границу работоспособности, а также сравнение полученной оценки с минимальным временем выполнения задачи. При меньшем значении оценки по сравнению с минимальным временем выполнения задачи момент первоначального пересечения параметром границы фиксируется как отказ, а длительность рассмотренного эталонного импульса входит в суммарную продолжительность отказов. При пересечении параметром границы в направлении области работоспособности и достижении длительности минимального времени выполнения задачи анализатором принимается решение о возвращении параметра в работоспособное состояние, одновременно с этим осуществляется сброс формирователя эталонного импульса. При нахождении параметра в области неработоспособности в более короткий период времени анализатор фиксирует факт возникновения и длительность сбоя. При достижении числа сбоев порогового значения анализатор фиксирует факт отказа.

Недостатком данного способа является ограниченность в использовании, заключающаяся в отсутствии учета деструктивных внешних воздействий на технические устройства.

Под терминами «отказ» и «сбой» понимают:

1) отказ - событие, заключающееся в нарушении работоспособного состояния объекта (ГОСТ 27.002-89. Надежность в технике. Основные понятия. Термины и определения. М.: Изд-во стандартов, 1990. - 36 с.);

2) сбой - самоустраняющийся отказ или однократный отказ, устранимый незначительным вмешательством оператора (ГОСТ 27.002-89. Надежность в технике. Основные понятия. Термины и определения. М.: Изд-во стандартов, 1990. - 36 с.).

Известен способ, реализованный в устройстве активной защиты и обеспечения технической готовности элементов распределенной локальной вычислительной сети в условиях внешних деструктивных воздействий (Патент РФ №2316810 «Устройство активной защиты и обеспечения технической готовности элементов распределенной локальной вычислительной сети в условиях внешних деструктивных воздействий», опубликованный 10.02.2008 г.), снимающий указанное выше ограничение, включающий определение значений напряженности электрического поля E_min - минимального значения напряженности электрического поля, при котором сбои и отказы в ЭВМ распределенной ЛВС не возникают, и E_max - максимального значения напряженности электрического поля, при котором сбои и отказы ЭВМ и ЛВС возникают, определение Е_кр - порогового значения напряженности электрического поля, при котором нарастание напряженности электрического поля до величины E_max происходит за t_упрежд - время упреждения - время, за которое еще возможно переключение пользователя с подвергшейся воздействию ЭВМ в составе распределенной ЛВС на ЭВМ, не подверженную воздействию. Измерение напряженности электрического поля в точке расположения ЭВМ происходит непрерывно, кроме того, осуществляется оценивание технического состояния ЭВМ и прогнозируется время, в течение которого ЭВМ будет находиться в работоспособном состоянии. При достижении порогового значения напряженности электрического поля Е_кр в точке расположения ЭВМ осуществляется индикация сигнализации о вероятности появления отказа ЭВМ и минимальном времени сохранения работоспособности ЭВМ. Данный способ выбран в качестве прототипа.

Недостатком данного способа является ограниченность в применении, выражающаяся в рассмотрении лишь деструктивных воздействий, приводящих к потере работоспособности элементов распределенной сети (отказ), при этом в способе не учитываются те воздействия, которые приводят к спаду функционирования распределенной сети при сохранении ее работоспособности (сбой и (или) отказ в обслуживании абонентов).

Характеристика качества функционирования - это количественная оценка качества функционирования системы в определенном ее состоянии при выполнении данной задачи (Методика выбора показателей для оценки надежности сложных технических систем. М.: Изд-во стандартов, 1977. - 43 с.).

Спад функционирования означает снижение уровня качества функционирования системы вследствие частичного или полного отказа системы (Методика выбора показателей для оценки надежности сложных технических систем. М.: Изд-во стандартов, 1977. - 43 с.).

Частичный отказ системы - это отказ элемента системы, после которого система остается еще способной выполнять заданные функции (Методика выбора показателей для оценки надежности сложных технических систем. М.: Изд-во стандартов, 1977. - 43 с.).

Кроме того, недостатком способа-прототипа является отсутствие учета приоритета абонентов при обеспечении активной защиты и технической готовности сети связи, что, в свою очередь, влияет на процедуру выделения (распределения) имеющихся резервов для поддержания требуемой устойчивости функционирования распределенной сети связи.

Техническим результатом настоящего изобретения является расширение функциональных возможностей способа, выражающегося в обеспечении своевременности предоставления информационных услуг абонентам различных категорий распределенной сети связи при воздействии на нее внешних деструктивных воздействий.

Технический результат достигается тем, что контролируют значения деструктивных воздействий на линиях связи телекоммуникационной сети, одновременно с этим оценивают значение производительности каждого рода линии связи, масштабируют значения пропускной способности на максимальный допустимый его показатель для сети связи, а значения деструктивного воздействия на максимальное значение деструктивного воздействия, при котором производительность самой высокоскоростной линии связи в составе сети связи принимает нулевое значение, по масштабируемым значениям осуществляют обучение искусственных нейронных сетей (НС) с радиальными базисными элементами, для аппроксимации зависимостей производительности каждого рода линии связи от значений деструктивных воздействий, матрицы синаптических весов обученных нейронных сетей сохраняются, в соответствии с характеристиками конкретной сети связи администратор сети связи осуществляет инсталляцию нейронных сетей с радиальными базисными элементами по количеству входящих в сеть связи линий связи, осуществляют контроль значений внешних деструктивных воздействий, масштабируют данные значения, при помощи фокусированной сети прямого распространения с задержкой по времени прогнозируют значения деструктивных воздействий, данные значения подаются на инсталлированные нейронные сети с радиальными базисными элементами, на выходах которых получают прогнозные значения пропускной способности для каждой линии связи, на основе данных значений администратор сети связи осуществляет распределение ресурса сети между абонентами с учетом их категорий приоритета.

Прогнозирование производительности системы - определение количественной оценки производительности системы в определенном ее состоянии на предстоящий интервал времени.

Синаптический вес - количественная характеристика связи между нейронами искусственной нейронной сети.

Инсталляция искусственной нейронной сети - построение искусственной нейронной сети по значениям матриц синаптических весов, полученным в ходе предварительного обучения искусственной нейронной сети.

Заявленный способ поясняется чертежами, на которых показаны:

фигура 1 - структура фокусированной сети прямого распространения с задержкой по времени (TLFN);

фигура 2 - блок-схема, поясняющая способ обеспечения устойчивости сетей связи в условиях внешних деструктивных воздействий;

фигура 3 - зависимость масштабированных значений пропускной способности линии связи от масштабированных значений напряженности электрического поля для различных коэффициентов защищенности линий связи от внешних деструктивных воздействий;

фигура 4 - сводная таблица наборов данных для обучения искусственных нейронных сетей с радиальными базисными элементами и проверки их функционирования на наборах данных, не участвовавших в процессе обучения;

фигура 5 - продолжение сводной таблицы наборов данных для обучения искусственных нейронных сетей на основе радиальных базисных элементов и проверки их функционирования на наборах данных, не участвовавших в процессе обучения;

фигура 6 - пример обучения и опроса модели нейронной сети на основе радиальных базисных элементов в системе MATLAB 7;

фигура 7 - пример обучения и опроса модели фокусированной сети прямого распространения с задержкой по времени с графиком ошибки прогноза в системе MATLAB 7;

фигура 8 - графики реального и прогнозируемого нарастания масштабированных значений напряженности электрического поля ЭМИ;

фигура 9 - прогнозирование моделью фокусированной сети прямого распространения с задержкой по времени значения напряженности электрического поля;

фигура 10 - прогнозирование пропускной способности линий связи моделями нейронных сетей на основе радиальных базисных элементов;

фигура 11 - графическое отображение адекватности результатов, полученных нейронными сетями.

Доступность канала связи является мерой долговременного использования канала связи, сформулированной на среднегодовой основе, и показывает процентное отношение времени, в течение которого канал связи может быть закрыт. Под закрытием канала понимается удовлетворение положительного значения энергетического запаса в децибелах, удовлетворяющего существующим требованиям к достоверности передачи. В цифровой связи достоверность передачи зависит от меры - нормированного отношения сигнал/шум в приемнике, определенного в формуле следующим образом (Скляр Б. Цифровая связь. Теоретические основы и практическое применение. 2-е издание.: Пер. с англ. - М.: Издательский дом «Вильямс», 2003. - 1104 с.: ил.):

где S - мощность сигнала;

N - мощность шума;

W - ширина полосы сигнала;

R - скорость передачи битов информации.

С точки зрения потребителя наиболее значимой величиной является скорость передачи битов информации, так именно данная величина определяет не только вид цифровых услуг, предоставляемых сетью связи, но возможность объединять группы различных сообщений в единый цифровой информационный поток (по скоростям). Известно, что передача телефонии по цифровым каналам связи требует обеспечения скорости передачи без сжатия 64 кбит/с, а при применении сжатия 8-32 кбит/с (Убайдуллаев P.P. Волоконно-оптические сети. - М.: ЭКО-ТРЕНДЗ, 2000. - 267 с.). Для телеконференций требуемая скорость возрастает от 48-64 кбит/с при сжатии до 128 кбит/с для передачи без сжатия. Реализация услуги видеотелефона в формате передачи MPEG-4 (Н.320) без сжатия потребует скорости передачи 3,04 Мбит/с. С возрастанием сервиса услуг, предоставляемого цифровыми сетями передачи данных, возрастают и требования к скорости передачи, реализуемой цифровыми сетями.

В свою очередь, потребители услуг коммуникации подразделяются по степени важности для них бесперебойности предоставляемых услуг на абонентов различной категории. Так, для абонентов первой категории сетью предусматривается абсолютный приоритет на услуги коммуникации по сравнению с абонентами низших категорий. При этом по мере увеличения номера категории абонента приоритет уменьшается. В случае одновременного поступления заявок на обслуживание в первую очередь обслуживаются сетью абоненты с высшим приоритетом, а остальные абоненты обслуживаются в порядке уменьшения приоритета до полного использования ресурса сети.

Существуют способы «подавления» ЭВМ, средств связи со стороны злоумышленника, при которых ЭВМ, средства связи по техническим параметрам считаются работоспособными, однако функции своего основного назначения они выполнять не могут или выполняют с некоторыми ограничениями. Одним из таких способов является внедрение в ЭВМ по средствам связи информационных организмов. Под информационным организмом понимается относительно короткий набор команд (до 30 команд), которым передается управление компьютером, в результате чего осуществляется захват информационно-вычислительных ресурсов автоматизированной системы управления (Гриняев С.Н. Интеллектуальное противодействие информационному оружию. Серия «Информатизация России на пороге XXI века». - М.: СИНТЕГ, 1999. - 232 с.). Внедрение данного вида вирусов в ЭВМ может привести к ограничению объема доступной оперативной памяти, пространства на магнитных носителях информации, ограничению процессорного времени, что непосредственно повлияет на производительность телекоммуникационной сети при сохранении работоспособными ее элементов. Другим способом нежелательного воздействия на телекоммуникационные сети со стороны злоумышленника является создание им при помощи технических средств электромагнитных наводок на кабеле, приводящих к созданию в линиях связи кадров-призраков (Липатников В.А., Малютин В.А., Стародубцев Ю.И. Информационная безопасность телекоммуникационных систем. - СПб.: ВУС, 2002. - 476 с.: ил.). Данный вид кадров воспринимается сетевыми адаптерами как кадры, не имеющие нормального начала кадра. Наличие кадров-призраков в информационном потоке значительно снижает полезную нагрузку сегмента сети связи, на который воздействует злоумышленник. Потребителя информационной услуги меньше всего интересует работоспособность сети как таковая, более того, сфера его интересов целиком ориентирована на гарантированное по производительности и своевременности предоставление ему необходимой услуги со стороны телекоммуникационной сети.

Осуществление деструктивных воздействий на компоненты телекоммуникационной сети с целью вывода ее элементов в неработоспособное состояние потребует от злоумышленника больших затрат ресурсов, как технических, так и энергетических. Наиболее приемлемым способом деструктивного воздействия злоумышленником, с точки зрения экономической эффективности, является воздействие на телекоммуникационную сеть с целью снижения ее производительности при сохранении работоспособности. Опытным путем можно определить степень влияния внешних деструктивных воздействий на производительность сети связи. При этом можно с уверенностью сказать, что при увеличении значений деструктивных воздействий производительность любой линии связи будет снижаться. Влияние деструктивных воздействий на производительность той или иной линии связи будет зависеть от рода связи, на котором реализована данная линия связи. В зависимости от конструктивных особенностей построения каналов и систем связи и используемых ими ресурсов (среды распространения волн, частотного диапазона) линии связи можно классифицировать по следующим родам связи (ГОСТ РВ 52216-2004. Связь военная. Термины и определения. М.: Изд-во стандартов. 2004. - 11 с.):

1) линии спутниковой связи;

2) линии оптоволоконной связи;

3) линии тропосферной связи;

4) линии проводной связи;

5) линии радиосвязи;

6) линии радиорелейной связи.

При одних и тех же значениях деструктивных воздействий на одно направление сети связи одни линии связи, оставаясь работоспособными в техническом аспекте, значительно снизят свою производительность, а другие - сохранят свою производительность на необходимом уровне. В данном случае менеджеру сети для обеспечения своевременности предоставляемых услуг абонентам с учетом их приоритета необходимо иметь прогнозную информацию о производительности сети связи как по всем ее направлениям, так и по входящим в них линиям связи.

В качестве инструмента, осуществляющего оценку влияния значений деструктивных воздействий на производительность сети, а также прогнозирующего изменение значений деструктивных воздействий за время упреждения, используется аппарат искусственных нейронных сетей.

Возможность использования искусственных нейронных сетей для решения данных задач основывается на том, что нейронная сеть, состоящая из двух слоев и имеющая в скрытом слое произвольное большое количество узлов, может аппроксимировать любую функцию действительных чисел с заданной степенью точности (Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Телеком, 2002. - 94 с.).

Представим упрощенную модель влияния напряженности электрического поля на производительность линии связи i-го рода с именами переменных:

Е - напряженность электрического поля в некоторой точке пространства;

R_i - производительность линии связи i-го рода.

Между Е и R_i существуют причинные отношения, выраженные функционалом вида:

где f_i - функционал для линии связи i-го рода;

значение (-1) означает убывающий характер изменения производительности i-го рода линии связи при возрастании напряженности электрического поля.

В терминах искусственных нейронных сетей задача оценки неизвестной функции

f_i(E)^-1 является задачей аппроксимации функции. При этом обучающая выборка представляет собой пары данных входов-выходов нейронной сети, полученных в единые моменты времени В результате обучения нейронной сети на следующем наборе данных искомый функционал будет представлен матрицей синаптических весов искусственной нейронной сети которую в дальнейшем можно будет использовать для определения значений производительности линии связи i-го рода, по контролируемым значениям напряженности электрического поля. В качестве нейросети, реализующей данную задачу, выбрана искусственная нейронная сеть с радиальными базисными элементами RBF (Radial Basis Function Network). Сети RBF имеют неоспоримое преимущество перед многослойными сетями прямого распространения, заключающееся в возможности моделирования произвольной нелинейной функции с помощью всего лишь одного промежуточного слоя, что избавляет нас от необходимости решать вопрос о количестве слоев (Каллан Р. Основные концепции нейронных сетей: Пер. с англ. - М.: Издательский дом «Вильямс», 2003. - 288 с.: ил.). Каждое значение обучающей выборки для корректного функционирования сети RBF необходимо предварительно масштабировать. Одним из методов масштабирования является деление значения признака на максимальное значение этого признака, в результате чего максимальное значение будет ограничено значением 1. Физическая природа значений, используемых для обучения и дальнейшего использования RBF сетей, в качестве которых выступают значения напряженности электрического поля Е и значения пропускной способности отдельной линии связи R_i, показывает, что для них не существует отрицательных значений, кроме того, возможно определить максимальные значения для каждого из параметров. Так, для каждой линии одного рода связи пропускная способность определена на интервале значений В отношении величины напряженности электрического поля максимальное граничное значение для линии связи i-го рода определено как значение, при котором пропускная способность линии связи i-го рода принимает нулевое значение, а дальнейшее возможное увеличение напряженности электрического поля уже не будет влиять на возможность предоставления услуг по связи, а будет деструктивно воздействовать на технические элементы линии связи. Таким образом, для каждого рода линии связи с учетом ее технологических аспектов определяется максимальная пропускная способность а также опытным путем определяется максимальное граничное значение напряженности электрического поля . При помощи данных значений масштабируются текущие пары значений для каждого i-го рода линии к масштабированным значениям для k∈[1…N] выражениями:

где - текущее значение напряженности электрического поля для линии связи i-го рода;

- максимальное граничное значение напряженности электрического поля для линии связи i-го рода;

и

где - текущее значение пропускной способности линии связи i-го рода;

- максимальная пропускная способность линии связи i-го рода.

Единственным требованием к обучению сетей RBF является обеспечение требуемого числа обучающих реализаций для достижения необходимой точности и надежности обучения нейронной сети. При неизвестном значении априорной вероятности количество требуемых реализаций N определяется выражением (Иванов Е.В. Имитационное моделирование средств и комплексов связи и автоматизации. СПб.: ВАС, 1992. - 206 с.):

где t_α - табличное значение аргумента функции Лапласа;

ε - требуемая точность оценки.

Для обеспечения точности оценки ε=10^-2 и α=0,99, которому соответствует табличное значение t_α=2,53, требуемое количество обучающих реализации N для нейросети RBF составит значение, равное 16002, как для значений напряженности электрического поля, так и для значений пропускной способности линии связи.

Задача прогнозирования также успешно решается в контексте искусственных нейронных сетей. Для чего обучающая выборка задается дискретными отсчетами, предварительно масштабированными в соответствии с выражением (3) значениями напряженности электрического поля {Е^*(t), E^*(t-1), …, E^*(t-k)} в соответствующие моменты времени, а выходным значением в некоторый будущий момент времени (t+1) будет масштабированное значение E^*(t+1). В качестве прогнозирующей сети предлагается использовать фокусированную сеть прямого распространения с задержкой по времени (focused time lagged feedforward network - TLFN) (Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. - М.: Издательский дом «Вильямс», 2006. - 1104 с.: ил.). Данная сеть включает в себя память на основе линии задержки с отводами порядка k и многослойный перцептрон.

Многослойный перцептрон - многослойная нейронная сеть прямого распространения входного сигнала, имеющая один входной слой сенсорных элементов, как минимум один скрытый слой вычислительных нейронов и один выходной слой нейронов (Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. - М.: Издательский дом «Вильямс», 2006. - 1104 с.: ил.).

Структура данной искусственной нейронной сети представлена на фигуре 1. Изображенные на чертеже элементы, обозначенные арабскими цифрами, являются:

1 - приемный элемент входного сигнала значений;

2 - первый элемент линии задержки входного сигнала значений на один такт времени;

3 - второй элемент линии задержки входного сигнала значений на один такт времени;

4 - k-ый элемент линии задержки входного сигнала значений на один такт времени;

5 - первый сенсорный элемент входного слоя нейронной сети;

6 - второй сенсорный элемент входного слоя нейронной сети;

7 - третий сенсорный элемент входного слоя нейронной сети;

8 - (k-1)-ый сенсорный элемент входного слоя нейронной сети;

9 - k-ый сенсорный элемент входного слоя нейронной сети;

10 - первый нейрон скрытого слоя нейронной сети;

11 - второй нейрон скрытого слоя нейронной сети;

12 - третий нейрон скрытого слоя нейронной сети;

13 - i-ый нейрон скрытого слоя нейронной сети;

14 - нейрон выходного слоя нейронной сети.

Структурно элементы связаны между собой следующим образом: информационный выход приемного элемента входного сигнала значений является информационным входом для первого элемента линии задержки входного сигнала значений на один такт времени и первого сенсорного элемента входного слоя нейронной сети, информационный выход первого элемента линии задержки входного сигнала значений на один такт является информационными входом для второго элемента линии задержки входного сигнала значений на один такт времени и второго сенсорного элемента входного слоя нейронной сети, информационный выход второго элемента линии задержки входного сигнала значений на один такт является информационным входом для третьего сенсорного элемента входного слоя нейронной сети и третьего элемента линии задержки входного сигнала значений на один такт времени, информационный выход (k-1)-го элемента линии задержки входного сигнала значений на один такт времени является информационным входом для (k-1)-го сенсорного элемента входного слоя нейронной сети и k-го элемента линии задержки входного сигнала значений на один такт времени, информационный выход k-го элемента линии задержки входного сигнала значений на один такт времени является информационным входом для k-ого сенсорного элемента входного слоя нейронной сети, информационные выходы от первого до k-го сенсорных элементов входного слоя нейронной сети являются информационными входами от первого до i-го нейронов скрытого слоя нейронной сети, информационные выходы от первого до i-го нейронов скрытого слоя нейронной сети являются информационными входами нейрона выходного слоя нейронной сети, с информационного выхода нейрона выходного слоя нейронной сети снимают искомый сигнал значений.

Искусственная нейронная сеть TLFN используется в качестве одношаговой системы прогнозирования, в которой E^*(t+1) содержит желаемый отклик на входной сигнал, состоящий из множества

Для обучения используется стандартный алгоритм обратного распространения. В момент времени k временной образ применяется к входному слою сети в виде вектора масштабированного сигнала:

который можно рассматривать как описание состояния нелинейного фильтра в момент времени t. Одна эпоха обучения состоит из последовательности состояний, количество которых определяется порядком памяти k и мощностью множества примеров обучения N. Порядок памяти выбирается пользователем с учетом того, чтобы полученное прогнозное значение на момент времени t с учетом его наихудших значений к моменту времени (t+1) позволяло администратору принять и реализовать управленческое решение по распределению заявок от абонентов сети связи с учетом их категории и потребностей к пропускной способности канала связи.

Масштабирование контролируемых значений внешних деструктивных воздействий, в нашем случае значений напряженности электрического поля E_i(t), необходимо для достижения согласованности в совместной работе обученных ранее нейронных сетей с радиальными базисными элементами и фокусированной сети прямого распространения с задержкой по времени.

Предлагаемый способ, блок-схема которого представлена на фигуре 2, позволяет не только оценивать влияние деструктивных воздействий на производительность разнородных линий связи в рамках сети связи, но и предоставлять администратору сети необходимую информацию об имеющемся резерве производительности ко времени прогноза. Данная информация дает возможность своевременно обеспечивать абонентов сети связи информационными потребностями с учетом их категории и общего числа. В отличие от способа-прототипа предлагаемый способ, в первую очередь, направлен на обеспечение главного предназначения сетей связи при воздействии на нее деструктивных факторов (в нашем примере фактором выступает напряженность электрического поля), поэтому должен выполняться предварительно действиям способа-прототипа.

Поясним реализацию способа на следующем примере. Пусть дана сеть связи, состоящая как минимум из двух узлов связи и одной линии связи, соединяющей данные узлы. В течение некоторого времени Δt на сеть связи влияет деструктивное воздействие в виде напряженности электрического поля E(Δt). В сети связи работают абоненты трех категорий. Абоненту первой категории требуется пропускная способность для обеспечения телеконференции, т.е. скорость передачи информации - 128 кбит/с, абоненту второй категории для телефонии требуется скорость передачи без сжатия - 64 кбит/с, а абоненту третьей категории для передачи данных скорость - 32 кбит/с. Требуется определить, будет ли доступен ресурс сети связи для обеспечения требуемой пропускной способности абонентам трех категорий при значении прогнозируемой напряженности электрического поля?

Суммарная потребность трех абонентов всех категорий составит 224 кбит/с. С учетом 30-процентного запаса пропускной способности требование к сети связи по пропускной способности составит 288 кбит/с. Данная скорость передачи обеспечивается при минимальных деструктивных воздействиях, в нашем случае E_min=0 В/м. При воздействии на сеть связи значения напряженности электрического поля (данное значение выбрано для пояснения сущности способа, реальное значение требует уточнения в ходе проведения экспериментальных исследований для каждого конкретного рода линии связи) скорость сети связи снизится до нулевого значения. Исходя из данных положений масштабирование контролируемых величин для выражений (3) и (4) будет соответственно равно и Масштабирование параметров напряженности и пропускной способности приведет разнородные величины к безразмерным величинам на интервале значений [0…1].

С учетом выражения (2) можно допустить, что зависимость снижения пропускной способности линии связи от возрастания напряженности электрического поля носит характер убывающей функции. Адекватная аналитическая запись зависимости масштабированных значений пропускной способности R^* _i от масштабированных значений напряженности электрического поля Е^* _i имеет вид:

где η - коэффициент, учитывающий степень защищенности линии связи от деструктивного воздействия электрического поля.

Значения коэффициента η определено на множестве чисел ≥0, при этом чем больше значение данного коэффициента, тем большей защищенностью обладает линия связи, а ее пропускная способность медленнее изменяется при изменении значений напряженности электрического поля. На фигуре 3 графически представлены зависимости масштабированных значений пропускной способности от масштабированных значений напряженности электрического поля для различных значений коэффициента защищенности η. Кривая линия, состоящая из коротких штриховых отрезков, соответствует выражению (7) с значением коэффициента защищенности η=6. Кривая линия, состоящая из длинных штриховых отрезков, соответствует выражению (7) с значением коэффициента защищенности η=3. Сплошная кривая линия соответствует выражению (7) с значением коэффициента защищенности η=2. Кривая линия, состоящая из штриховых отрезков и одинарных точек, соответствует выражению (7) с значением коэффициента защищенности η=0,7. Кривая линия, состоящая из штриховых отрезков и двойных точек, соответствует выражению (7) с значением коэффициента защищенности η=0,5.

Обучение искусственных нейронных сетей с радиальными базисными элементами RBF осуществим для зависимостей с коэффициентами защищенности, равными 2 и 0,5.

Моделирование искусственных нейронных сетей с радиальными базисными элементами осуществимо в системе MATLAB 7 с использованием пакета Neural Networks Toolbox (нейронные сети), который содержит средства проектирования, моделирования, обучения и использования множества известных парадигм аппарата искусственных нейронных сетей.

Для обучения модели нейронной сети с радиальными базисными элементами RBF при помощи выражения (7) и значений коэффициентов защищенности линий связи от деструктивных воздействий были получены учебные наборы данных, представленные в таблице на фигурах 4 и 5. Модель искусственной нейронной сети с радиальными базисными элементами включает в себя один вход, один скрытый слой с десятью нейронами и один выходной слой с одним нейроном, при этом функция активации выходного нейрона линейная. Значения радиальной базисной функции для каждой нейронной сети в зависимости от коэффициента защищенности линий связи представлены в таблице на фигурах 4 и 5. Пример обучения и тестирования нейронных сетей с радиальными базисными элементами представлен на фигуре 6, где обученные нейронные сети с радиальными базисными элементами представлены в левой верхней рабочей области именованными значениями a и b класса network. В правой части фигуры 6 представлены значения W и Q реакций обученных нейронных сетей a и b на входной набор масштабированных значений напряженности электрического поля, не участвовавших в процессе обучения. Тестовые масштабированные значения напряженности электрического поля и значения реакций нейронных сетей с радиальными базисными элементами представлены в таблице на фигурах 4 и 5. Сравнение значений реакций нейронных сетей с радиальными базисными элементами с масштабированными аналитическими значениями пропускной способности R^* показывает, что аппроксимирующая способность нейронных сетей достаточно высока и обеспечивает необходимую точность, особенно при возрастании масштабированных значений напряженности электрического поля.

Построение модели фокусированной сети прямого распространения с задержкой по времени осуществимо в системе MATLAB 7 с использованием пакета Neural Networks Toolbox. Для нахождения учебных наборов масштабированных значений напряженности электрического поля воспользуемся зависимостью, представленной в прототипе (Патент РФ №2316810 «Устройство активной защиты и обеспечения технической готовности элементов распределенной локальной вычислительной сети в условиях внешних деструктивных воздействий», опубликованный 10.02.2008 г.). Графическая зависимость масштабированных значений напряженности электрического поля от времени представлена на фигуре 8 сплошной линией. По объему заданных значений формируется матрица памяти, в которую сохраняются задержанные на один (или более) такт масштабированные значения напряженности электрического поля. Данные наборы значений подаются на вход фокусированной сети прямого распространения с задержкой по времени и в соответствии с набором выходных значений, представляющих собой последовательность значений на следующий такт для каждой обучаемой серии, методом наименьших квадратов определяются веса нейронной сети. Пример обучения, использования для прогноза фокусированной сети прямого распространения с задержкой по времени, а также график ошибки прогноза представлены на фигуре 7. Малые значения ошибки прогноза моделью фокусированной сети прямого распространения с задержкой по времени позволяют использовать данную модель нейронной сети для решения задачи прогнозирования. График зависимости масштабированных значений напряженности электрического поля от времени, построенный по прогнозным значениям, представлен штриховой линией на фигуре 8.

На фигуре 9 представлен пример прогнозирования моделью фокусированной сети прямого распространения с задержкой по времени следующего значения напряженности электрического поля по пяти предшествующим значениям. Данные значения представлены в столбце 18 таблицы в нижнем окне фигуры 9. По данным значениям с помощью обученной нейронной сети s прогнозируется значение w=0,2685, представленное в правом верхнем окне фигуры 9. В свою очередь, для прогноза пропускной способности на такт времени, соответствующий полученному прогнозному значению напряженности электрического поля, необходимо подать это значение на обученные ранее нейронные сети с радиальными базисными элементами а и b. Пример прогнозирования пропускной способности обученными нейронными сетями с радиальными базисными элементами по прогнозному значению напряженности электрического поля представлен на фигуре 10. При этом полученное масштабированное прогнозное значение пропускной способности для линии связи с коэффициентом защищенности, равным 2, составило значение, равное 0,9279, а для линии связи с коэффициентом защищенности, равным 0,5, составило значение, равное 0,4829. Данные значения адекватны аналитическим зависимостям, отображенным на фигуре 11.

Администратор сети на основе прогнозных значений пропускной способности для заданного рода линий связи может сделать следующие выводы:

- для линии связи с коэффициентом защищенности, равным 2, абоненты всех трех категорий на момент прогноза смогут быть обеспечены услугами по связи, при этом запас пропускной способности данного рода линии связи составит 43,245 кбит/с, что позволит предоставить дополнительную услугу абоненту третьей категории для передачи данных со скоростью 32 кбит/с;

- для линии связи с коэффициентом защищенности, равным 0,5, прогнозируемая пропускная способность составит 139,075 кбит/с, что, в свою очередь, может удовлетворить лишь абонента первой категории, а для абонентов более низкой категории к данному моменту необходимо предоставить ресурс других линий связи, имеющих необходимый запас пропускной способности.

Таким образом, комплексное использование искусственных нейронных сетей RBF по числу родов линий связи, реализованных в сети связи, а также искусственной нейронной сети TLFN позволяет обеспечить требуемую своевременность предоставления информационных услуг абонентам распределенной сети связи при воздействии на нее внешних деструктивных воздействий.

Преимущество искусственных нейронных сетей для решения данных задач заключается в их быстродействии - до 54 биллионов переключений в секунду на существующих в настоящее время нейроплатах (Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Телеком, 2002. - 94 с.), что на три порядка превышает скорость нарастания электрического поля ЭМИ (единицы изменений в наносекунду). Другим полезным свойством нейросетей является их способность переобучаться новым параметрическим зависимостям исходя из новых обучаемых значений.

Проведенный анализ существующих способов позволил установить, что аналоги, тождественные признакам заявленного технического решения, отсутствуют, что указывает на соответствие заявленного способа условию патентоспособности «новизна». Введенный отличительный признак - комплексное использование искусственных нейронных сетей RBF по числу родов линий связи, реализованных в сети связи, и позволяющих определить параметрическую зависимость влияния напряженности электрического поля на производительность этих линий связи с искусственной нейронной сети TLFN, осуществляющей прогнозирование напряженности электрического поля к моменту времени упреждения, - в аналогах не встречается. Следовательно, заявляемый способ удовлетворяет критерию «изобретательский уровень».

Промышленная применимость способа заключается в наличии разнообразных нейрокомпьютеров - от специализированных интегральных микросхем, в которые вводится заранее определенная структура нейронной сети, до универсальных программируемых сопроцессоров к вычислительным машинам, на которых можно реализовать модель любой нейронной сети (Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Телеком, 2002. - 94 с.).

Способ обеспечения устойчивости сетей связи в условиях внешних деструктивных воздействий, по которому определяют пороговое значение деструктивного воздействия, при котором еще возможно переключение пользователя с подвергшейся воздействию электронно-вычислительной машины (ЭВМ) в составе распределенной локальной вычислительной сети на электронно-вычислительную машину, не подверженную данному воздействию, непрерывно осуществляют измерение напряженности электрического поля в точке расположения ЭВМ, оценивают техническое состояние ЭВМ и прогнозируют время, в течение которого ЭВМ будет находиться в работоспособном состоянии, при достижении деструктивным воздействием порогового значения в точке расположения ЭВМ осуществляется индикация сигнализации о вероятности появления отказа ЭВМ и минимальном времени сохранения работоспособности ЭВМ, отличающийся тем, что контролируют значения деструктивных воздействий на линиях связи телекоммуникационной сети, одновременно с этим оценивают значение пропускной способности (производительности) каждого рода линии связи, масштабируют значения пропускной способности на максимальный допустимый его показатель для сети связи, а значения деструктивного воздействия масштабируют на максимальное значение деструктивного воздействия, при котором производительность самой высокоскоростной линии связи в составе сети связи принимает нулевое значение, по масштабированным значениям осуществляют обучение искусственных нейронных сетей с радиальными базисными элементами, для аппроксимации зависимостей производительности каждого рода линии связи от значений деструктивных воздействий, матрицы синаптических весов обученных нейронных сетей сохраняют для последующей инсталляции, в соответствии с характеристиками конкретной сети связи осуществляют инсталляцию нейронных сетей с радиальными базисными элементами по количеству входящих в сеть связи родов линий связи, контролируют значения деструктивных воздействий, масштабируют данные значения, при помощи фокусированной сети прямого распространения с задержкой по времени прогнозируют значения деструктивных воздействий, данные значения подают на инсталлированные нейронные сети с радиальными базисными элементами, на выходах которых получают прогнозные значения пропускной способности для каждой линии связи, на основе данных значений осуществляют распределение ресурса сети между абонентами с учетом их категорий приоритета.