Методы адаптивной, нейросетевой, мульти-агентной и многопотоковой маршрутизации информационных потоков

7.1 Требования к адаптивному и интеллектуальному управлению потоками данных

Сложность современных глобальных ТКС, обеспечивающих пользователям доступ к колоссальным информационным и вычислительным ресурсам, такова, что в процессе управления ими центральную роль играют люди-профессионалы в области информационных и телекоммуникационных технологий (сетевые адаминистраторы и т.п.). Однако по оценкам специалистов, если такая глобальная ТКС, как Internet, будет расти теми же темпами, как это происходит в начале XXI века, то через 10 лет потребуется 200 млн. человек для управления и обслуживания Internet–пользователей.

Поэтому возникает острая необходимость в автоматизации и интеллектуализации процессов управления и обработки информации в глобальных ТКС по запросам пользователей.

Решение этой задачи наталкивается на трудности, связанные с отсутствием формализованных моделей основных компонентов и процессов, происходящих в ТКС, неизученностью изменяющихся условий эксплуатации ТКС и т.п. Без преодоления этих трудностей невозможна разработка теории автоматического управления ТКС с адаптацией к изменяющемуся трафику и средств автоматизированного проектирования систем сетевого управления информационными процессами и коммуникационным оборудованием в ТКС нового поколения.

Предоставление пользователям ТКС распределённых информационных и вычислительных ресурсов происходит в условиях неопределённости и нестационарности, т.е. при недостатке сведений о текущем состоянии ТКС и постоянно изменяющейся внешней среды.

Главными факторами неопределенности и нестационарности являются:

1) неопределенность или непредсказуемые изменения гетерогенного трафика в ТКС;

2) непредсказуемые изменения числа пользователей ТКС;

3) априорная непредсказуемость характера запросов пользователей, связанная с их текущими локальными интересами;

4) возможность сетевых конфликтов в ТКС и т.п.

В этих реально складывающихся условиях неопределённости и нестационарности возникает необходимость в робастном, адаптивном или интеллектуальном управлении. Дело в том, что именно робастные и адаптивные системы управления (АСУ) способны обеспечивать правильное функционирование ТКС в заранее неопределённых и непредсказуемо изменяющихся условиях за счёт сигналов обратной связи о текущем состоянии ТКС и компенсации возникающих факторов неопределённости.

Интеллектуальные системы управления (ИСУ), наследуя свойства робастности и адаптивности, обладают дополнительными функциями искусственного интеллекта. Иначе говоря, они автоматически (т.е. самостоятельно) могут решать некоторые интеллектуальные задачи. Например, интеллектуальные системы управления могут диагностировать состояния ТКС, распознавать сетевые конфликты и обеспечивать их предотвращение или автоматическое разрешение.

ТКС с адаптивным управлением будем называть адаптивными ТКС, а ТКС с интеллектуальным управлением – интеллектуальными ТКС. Такие адаптивные и интеллектуальные ТКС ведут себя как самонастраивающиеся «разумные» системы, способные самостоятельно преодолевать трудности и решать возникающие в ТКС проблемы прежде, чем пользователь ТКС узнает о них.

Отличительными чертами таких ТКС, относящихся к новым поколениям компьютерных сетей, являются следующие:

- постоянная доступность и готовность удовлетворять любые (допустимые) запросы пользователей;

- приспособляемость (адаптивность) к факторам неопределённости и способность «разумно» реагировать на непредсказуемые события (изменения трафика или числа пользователей, сетевые конфликты и т.п.);

- автономная реконфигуративность и восстанавливаемость в случае сбоев и отказов (например, при отключении или неисправности каких-то каналов связи или узлов ТКС) или непредсказуемых изменений внешней среды;

- самозащита от возможных угроз и атак, направленных на потерю работоспособности ТКС или её главных компонент.

Поскольку глобальная ТКС состоит из многих локальных подсистемных компонент, очень важно, чтобы все управляющие компоненты были адаптивным или интеллектуальными. Тогда суперпозиция и сетевая интеграция этих компонент обеспечивает адаптивность и интеллектуальность ТКС в целом. Здесь уместна аналогия локальных и глобальных ТКС нового поколения с человеком или коллективом людей, которые состоят из множества взаимосвязанных саморегулирующихся адаптивных и интеллектуальных подсистем, поддерживающих не только их «живучесть», но и достижение ими локальных (частных) или глобальных (коллективных) целей и потребностей.

В этой связи интересна новая концепция IBM, изложенная в 2002 г. в манифесте “Autonomic Computing: IBM’s Perspective on State of Information Technology”. В поисках решения в IBM Research обратили внимание на организацию управления в живой природе – то, что когда – то называли бионикой. Любой живой организм состоит из множества саморегулирующихся систем и подсистем. Элементарную систему с самоуправлением называют autonomic, а суперпозицию таких систем - autonomic computing.

Меморандум построен как призыв к учёным академических организаций и представителям коммерческих компаний к тому, чтобы осознать, что наступили “времена больших перемен”.

“Мы слишком долго засиделись в эпохе сверхспециализации, интеграция стала ещё одной специализацией. Мы достигли колоссального прогресса во всех областях вычислений, кроме одной, которая ставит своей целью научиться управлять сложностями, порождёнными всеми этими процессами, где во главу угла ставится формула “Быстрее, меньше, дешевле”” – утверждается в меморандуме IBM.

Глобальная ТКС как объект управления представляет собой сложную динамическую систему с перекрестными связями. Поэтому по-настоящему эффективная система управления такой ТКС не может быть простой. Сложность системы управления ТКС должна быть адекватной сложности её управляемых компонент, ограничениям, которые на них накладываются, и степени неопределённости и нестационарности условий, в которых эксплуатируются ТКС.

Одним из важнейших принципов проектирования систем управления ТКС является принцип минимальной сложности: система управления должна быть как можно более простой. При этом реальная сложность системы управления ТКС совершенно не интересует пользователя ТКС. Ему важен только результат управления – быстрота, надёжность, качество и дешевизна услуг, предоставляемых глобальной ТКС.

Для сравнительного анализа и оценки качества адаптивного и интеллектуального управления глобальными ТКС важное значение имеют методы и средства имитационного моделирования (ИМ) управляемых потоков данных. Эти средства традиционно используются для воссоздания информационных процессов, протекающих в глобальных ТКС при различных методах управления.

Дело в том, что возможности физического моделирования ТКС довольно ограничены и дорогостоящи. Физическое моделирование ТКС позволяет решать отдельные задачи при задании небольшого количества сочетаний исследуемых параметров ТКС и методов управления потоками данных.

Математическое моделирование заключается в определении совокупности соотношений (формул, уравнений, неравенств, логических условий), определяющих процесс изменения управлений и состояний системы на каждом уровне многоуровневой модели ТКС (например, на базе стандарта OSI) в зависимости от ее параметров, входных сигналов, начальных условий и времени функционирования.

Особым классом моделей управляемых ТКС являются имитационные модели. Такие модели представляют собой компьютерную программу, которая шаг за шагом воспроизводит события, происходящие на всех уровнях в глобальной ТКС под действием управления. Применительно к ТКС их имитационные модели воспроизводят следующие процессы:

- генерации сообщений, связанных с приложениями;

- разбиение сообщений на пакеты и кадры определённых протоколов;

- задержки, связанные с обработкой сообщений, пакетов и кадров внутри операционной системы;

- организация доступа к разделяемой сетевой среде;

- обработка поступающих пакетов маршрутизатором и т.д.

Результатом работы имитационной модели должны быть собранные в ходе наблюдения за протекающими событиями результаты вычислительных экспериментов и статистические данные о наиболее важных характеристиках сети: о логических соединениях узлов на каждом уровне ТКС, временах реакции, показателях использования каналов и узлов, вероятности потерь пакетов и т.п.

Программы имитационного моделирования ТКС используют в своей работе информацию о пространственном расположении глобальной ТКС, числе узлов, конфигурации связей, скоростях передачи данных, используемых протоколах и типе оборудования, а также о выполняемых в ТКС приложениях.

Имитационная модель глобальной ТКС строится на базе традиционных средств и новых методов моделирования управляемых потоков данных при изменяющемся гетерогенном трафике. Необходимо предусмотреть имитационные модели основных элементов сетей (примитивов): маршрутизаторов, каналов связи, методов доступа и т.п. Эти модели отдельных элементов глобальной ТКС создаются на основе различных данных: результатов тестовых испытаний реальных устройств, анализа принципов их работы, аналитических соотношений и т.п. В результате создается библиотека типовых элементов глобальной ТКС, которые можно настраивать с помощью заранее предусмотренных в моделях параметров ТКС и методов управления.

Системы имитационного моделирования глобальных ТКС обычно включают также набор средств для подготовки исходных данных об исследуемой ТКС (средства предварительной обработки данных о топологии сети и измеренном трафике и т.п.). Эти средства могут быть полезны, если моделируемая ТКС представляет собой вариант существующей сети и имеется возможность провести в ней измерения трафика и других параметров, нужных для имитационного моделирования управляемых потоков данных. Кроме того, систему можно снабдить средствами для статистической обработки полученных результатов имитационного моделирования.

Основная цель имитационного моделирования – прогнозирование. Моделирование ТКС позволяет сделать вывод о ее принципиальной работоспособности, оценить ее потенциально возможные характеристики, установить зависимость характеристик от различных параметров, определить оптимальные значения параметров и т.п. Модели, используемые в качестве имитаторов, дают возможность предсказать поведение ТКС в заданных условиях.

Главная сложность формулирования цели моделирования – преодоление противоречия между полнотой и точностью прогноза, с одной стороны, и затратами на его получение – с другой.

Требования к качеству и стоимости прогноза определяются внешней по отношению к исследователю системой, причём чаще всего решающими факторами являются трудоёмкость и срок прогнозирования. Использование моделирования в течение всего жизненного цикла моделируемых объектов (ТКС) заставляет учитывать неизбежность изменений самих объектов, средств моделирования и целей проектирования. Это на практике затрудняет точную формулировку цели.

Предпочтительнее строить рабочую модель – простую (технологичную) и похожую на объект (имеющую приемлемый уровень точности и адекватную объекту) – на основе интуитивных представлений исследователя. Дальнейшая формулировка целей моделирования с помощью рабочей модели оказывается более эффективной за счёт предварительных оценок полноты, точности, трудоёмкости и сроков получения результатов. На процесс формулирования цели существенно влияют тенденции развития объекта, средств моделирования и инструментарий исследователя. Создаются моделирующие комплексы и системы, в задачу которых входит получение и использование моделей анализируемых объектов.

Развитие ТКС и трансформация целей их исследования естественным образом приводят к созданию системы моделей, различающихся назначением и характеристиками «точность – сложность». Сравнительно простые, «грубые» модели соответствуют первому этапу моделирования, когда имеются только общие представления о моделируемом объекте и неизвестно, какие именно факторы следует дополнительно учитывать. В ходе дальнейших исследований разрабатывается сложный комплекс моделей, отражающий достигнутый уровень знания о моделируемом объекте.

7.2. Адаптивная маршрутизация с корректировкой маршрутов

В основу адаптивной маршрутизации может быть положена корректировка маршрутов по мере поступления новой информации о состоянии ТКС. Описываемый ниже алгоритм Q-маршрутизации является модификацией алгоритма маршрутизации Беллмана-Форда [1, 25]. Он эффективно работает как в статических, так и в динамических ТКС с высоким риском сетевых перегрузок.

Алгоритм является распределённым, так как выполняется в каждом узле ТКС. Он производит итеративные (рекуррентные) вычисления для определения и корректировки маршрутов, близких к оптимальным. При этом используется функционал оценки стоимостей маршрутов передачи пакетов данных в глобальных ТКС.

Особенность алгоритма заключается в том, что в каждом узле ТКС для каждого узла-получателя определяется не весь маршрут, а только соседний узел, которому нужно переслать пакет. Таким образом, рекуррентный алгоритм Q-маршрутизации вычисляет локально- оптимальные маршруты. При этом не гарантируется глобальная оптимальность синтезированных маршрутов.

Задача адаптивной маршрутизации в динамических ТКС формулируется следующим образом. Пусть заданы:

G(A(t), R(t), W(t)) – ориентированный граф ТКС;

– узел-источник пакетов данных;

– стоимость ребра , удовлетворяющая естественным соотношениям:

w(i, i) =0; , если узлы i и j не соединены;

, если узлы i и j соединены;

– функционал стоимостей маршрутов, соответствующий оценке узлом стоимости маршрута, содержащего ребро , до узла-получателя .

Требуется построить локально-оптимальные маршруты от узла-источника до остальных узлов , позволяющие на каждом шаге минимизировать стоимость каналов связи ТКС.

Решение этой задачи разбивается на два этапа:

- прокладка начальных маршрутов;

- корректировка маршрутов.

Опишем вычислительную работу алгоритма на каждом этапе.