Маршрутизація трафіку в мережі MPLS на основі використання нейронної мережі
Loading...
Date
2020
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Дніпровський національний університет залізничного транспорту імені академіка В. Лазаряна
Abstract
UK: Виконаний огляд систем моделювання, що придатні для створення імітаційної моделі мережі MPLS, та нейронних мереж щодо організації маршрутизації в комп’ютерних мережах. Представлена загальна структура запропонованої системи маршрутизації в мережі MPLS, основу якої складають нейронні мережі (SOM, MLP) та імітаційна модель комп’ютерної мережі. У системі OPNET створені імітаційні моделі комп’ютерної мережі Придніпровської залізниці за технологіями Fast Ethernet та MPLS, на яких проведені відповідні дослідження мережевих характеристик. Визначено, що час очікування пакета в черзі на маршрутизаторі за технологією Fast Ethernet у середньому на 7 % менший ніж за MPLS та на 5 % за MPLS-TE. Для організації маршрутизації трафіку в мережі MPLS створені в MatLAB наступні нейронні мережі: SOM для кластеризації та MLP для визначення тунелю. SOM конфігурації 4*4 дозволяє розподілити потоки трафіку за умови максимального часу передачі пакета відповідно до 16-ти кластерів. Для навчання SOM використана вибірка, яка генерується випадковим чином та містить 6400 прикладів, навчання проводилося на протязі 200 епох. На MLP конфігурації 10-1-Х-4, на вхід якої передаються дані про потоки та тунелі, проведені дослідження середньоквадратичної помилки за кількістю прихованих нейронів. Визначено, що оптимальним варіантом є MLP конфігурації 10-1-30-4, яка навчається за алгоритмом Levenberg-Marquardt.
EN: An overview of modeling systems suitable for creating a simulation model of the MPLS network and neural networks for the organization of routing in computer networks was done. The general structure of the proposed routing system in the MPLS network, which is based on neural networks (SOM, MLP) and a simulation model of a computer network, is presented. Simulation models of the computer network of the Pridniprovsk Railway using Fast Ethernet and MPLS technologies were created in the OPNET system, on which the relevant studies of network characteristics have been conducted. It has been determined that the packet waiting line time on a Fast Ethernet router is on average 7% shorter than for MPLS and 5% shorter than MPLS-TE. The following neural networks have been created in MatLAB to organize traffic routing in the MPLS network: SOM for clustering and MLP for tunnel detection. SOM configuration 4 * 4 allows the distribution of traffic flows if a packet transmission time according to 16 clusters is maximum. A fetch was used for SOM training, which is a randomly generated sample of 6,400 examples. Training was conducted over 200 epochs. The study of the mean-square deviation of the number of hidden neurons was performed on MLP configuration 10-1-X-4, the input of which transmits data on flows and tunnels. It is determined that the best option is MLP configuration 10-1-30-4, which is trained according to the Levenberg-Marquardt algorithm.
EN: An overview of modeling systems suitable for creating a simulation model of the MPLS network and neural networks for the organization of routing in computer networks was done. The general structure of the proposed routing system in the MPLS network, which is based on neural networks (SOM, MLP) and a simulation model of a computer network, is presented. Simulation models of the computer network of the Pridniprovsk Railway using Fast Ethernet and MPLS technologies were created in the OPNET system, on which the relevant studies of network characteristics have been conducted. It has been determined that the packet waiting line time on a Fast Ethernet router is on average 7% shorter than for MPLS and 5% shorter than MPLS-TE. The following neural networks have been created in MatLAB to organize traffic routing in the MPLS network: SOM for clustering and MLP for tunnel detection. SOM configuration 4 * 4 allows the distribution of traffic flows if a packet transmission time according to 16 clusters is maximum. A fetch was used for SOM training, which is a randomly generated sample of 6,400 examples. Training was conducted over 200 epochs. The study of the mean-square deviation of the number of hidden neurons was performed on MLP configuration 10-1-X-4, the input of which transmits data on flows and tunnels. It is determined that the best option is MLP configuration 10-1-30-4, which is trained according to the Levenberg-Marquardt algorithm.
Description
Keywords
MPLS-домен, тунель, трафік, імітаційна модель, конфігурація, MPLS-domain, tunnel, traffic, QoS, SOM, MLP, MSE, simulation model, configuration, ВКР
Citation
Русінов А. С. Маршрутизація трафіку в мережі MPLS на основі використання нейронної мережі : дипломна робота на здобуття кваліфікаційного ступеня магістра : спец. 123 – комп’ютерна інженерія / наук. керівник В. М. Пахомова ; Дніпров. нац. ун-т залізн. трансп. ім. акад. В. Лазаряна. Дніпро, 2020. 66 с.