Optimal Route Definition in the Railway Information Network Using Neural-Fuzzy Models
Loading...
Date
2019
Journal Title
Journal ISSN
Volume Title
Publisher
Dnipro National University of Railway Transport named after Academician V. Lazaryan
Abstract
ENG: Purpose. Modern algorithms for choosing the shortest route, for example, the Bellman-Ford and Dijkstra algo-rithms, which are currently widely used in existing routing protocols (RIP, OSPF), do not always lead to an effective result. Therefore, there is a need to study the possibility of organizing routing in in the railway network of infor-mation and telecommunication system (ITS) using the methods of artificial intelligence. Methodology. On the basis of the simulation model created in the OPNET modeling system a fragment of the ITS railway network was considered and the following samples were formed: training, testing, and control one. For modeling a neural-fuzzy network (hybrid system) in the the MatLAB system the following parameters are input: packet length (three term sets), traffic intensity (five term sets), and the number of intermediate routers that make up the route (four term sets). As the resulting characteristic, the time spent by the packet in the routers along its route in the ITS network (four term sets) was taken. On the basis of a certain time of packet residence in the routers and queue delays on the routers making up different paths (with the same number of the routers) the optimal route was determined. Findings. For the railway ITS fragment under consideration, a forecast was made of the packet residence time in the routers along its route based on the neural-fuzzy network created in the MatLAB system. The authors conducted the study of the average error of the neural-fuzzy network`s training with various membership functions and according to the differ-ent methods of training optimization. It was found that the smallest value of the average learning error is provided by the neuro-fuzzy network configuration 3–12–60–60–1 when using the symmetric Gaussian membership function according to the hybrid optimization method. Originality. According to the RIP and OSPF scenarios, the following characteristics were obtained on the simulation model created in the OPNET simulation system: average server load, average packet processing time by the router, average waiting time for packets in the queue, average number of lost packets, and network convergence time. It was determined that the best results are achieved by the simulation net-work model according to the OSPF scenario. The proposed integrated routing system in the ITS network of railway transport, which is based on the neural-fuzzy networks created, determines the optimal route in the network faster than the existing OSPF routing protocol. Practical value. An integrated routing system in the ITS system of railway transport will make it possible to determine the optimal route in the network with the same number of the routers that make up the packet path in real time.
UKR: Мета. Сучасні алгоритми вибору найкоротшого маршруту, наприклад, алгоритми Беллмана–Форда й Дейкстри, які в даний час широко використовують у протоколах маршрутизації (RIP, OSPF), не завжди призводять до ефективного результату. Тому виникає необхідність дослідження можливості організації маршрутизації в мережі інформаційно-телекомунікаційної системи (ІТС) залізничного транспорту за допомогою методів штучного інтелекту. Методика. На основі створеної в моделювальній системі OPNET імітаційної моделі розглянуто фрагмент мережі ІТС залізничного транспорту й сформовано наступні вибірки: навчальну; тестувальну; контрольну. Для моделювання в системі MatLAB нейронечіткої мережі (гібридної системи) на вхід подають наступні параметри: довжина пакета (3 терм-множини); інтенсивність трафіка (5 терм-множин); кількість проміжних маршрутизаторів, що складають маршрут (4 терм-множини). За результуючу характеристику взято час перебування пакета в маршрутизаторах за маршрутом його проходжен-ня в мережі ІТС (4 терм-множини). На основі визначеного часу перебування пакета в маршрутизаторах і затримок у черзі на маршрутизаторах, що складають різні шляхи (з однаковою кількістю маршрутизато-рів) визначено оптимальний маршрут. Результати. Для розглянутого фрагмента ІТС залізничного транспорту здійснено прогноз часу перебування пакета в маршрутизаторах за маршрутом його проходження на основі нейронечіткої мережі, що створена в системі MatLAB. Проведено дослідження середньої похибки навчання нейронечіткої мережі за різних функцій належності й за різними методами оптимізації навчання. Виявлено, що найменше значення середньої похибки навчання надає нейронечітка мережа конфігурації 3–12–60–60–1 в разі використання симетричної Гаусівської функції належності за гібридним методом оптимізації. Наукова новизна. За сценаріями RIP та OSPF на створеній в моделювальній системі OPNET імітаційній моделі отримані наступні характеристики: середнє навантаження сервера; середній час обробки пакетів маршрутизатором; середній час очікування пакетів у черзі; середня кількість втрачених пакетів; час конвергенції мережі. Визначено, що найкращі результати надає імітаційна модель мережі за сценарієм OSPF. Запропонована інтегрована система маршрутизації в мережі ІТС залізничного транспорту, в основу якої покладено створені нейронечіткі мережі, визначає оптимальний маршрут у мережі швидше порівняно з наявним протоколом маршрутизації OSPF. Практична значимість. Інтегрована система маршрутизації в ІТС залізничного транспорту дозволить у реальному часі визначити оптимальний маршрут у мережі за однаковою кількістю маршрутизаторів, що складають шлях проходження пакета.
RUS: Цель. Современные алгоритмы выбора кратчайшего маршрута, например, алгоритмы Беллмана–Форда и Дейкстры, которые в настоящее время широко используют в протоколах маршрутизации (RIP, OSPF), не всегда приводят к эффективному результату. Поэтому возникает необходимость исследования возможности организации маршрутизации в сети информационно-телекоммуникационной системы (ИТС) железнодорожного транспорта с помощью методов искусственного интеллекта. Методика. На основе созданной в моделирующей системе OPNET имитационной модели рассмотрен фрагмент сети ИТС железнодорожного транспорта и сформированы следующие выборки: обучающая; тестирующая; контрольная. Для моделирования в системе MatLAB нейронечеткой сети (гибридной системы) на вход подают следующие параметры: длина пакета (3 терм-множества); интенсивность трафика (5 терм-множеств); количество промежуточных маршрутизаторов, составляющих маршрут (4 терм-множества). В качестве результирующей характеристики принято время пребывания пакета в маршрутизаторах по маршруту его следования в сети ИТС (4 терм-множества). На основе полученного времени пребывания пакета в маршрутизаторах и задержек в очереди на маршрутизаторах, составляющих различные пути (с одинаковым количеством маршрутизаторов) определен оптимальный маршрут. Результаты. Для рассматриваемого фрагмента ИТС железнодорожного транспорта осуществлен прогноз времени пребывания пакета в маршрутизаторах по маршруту его следования на основе нейронечеткой сети, созданной в системе MatLAB. Проведено исследование средней погрешности обучения нейронечеткой сети при различных функциях принадлежности и разных методов оптимизации обучения. Обнаружено, что наименьшее значение средней погрешности обучения предоставляет нейронечеткая сеть конфигурации 3–12–60–60–1 при использовании симметричной Гауссовской функции принадлежности с гибридным методом оптимизации. Научная новизна. По сценариям RIP и OSPF на созданной в моделирующей системе OPNET имитационной модели получены следующие характеристики: средняя нагрузка сервера; среднее время обработки пакетов маршрутизатором; среднее время ожидания пакетов в очереди; среднее количество потерянных пакетов; время конвергенции сети. Определено, что наилучшие результаты дает имитационная модель сети по сценарию OSPF. Предложенная интегрированная система маршрутизации в сети ИТС железнодорожного транспорта, в основу которой положены созданные нейронечеткие модели, определяет оптимальный маршрут в сети быстрее по сравнению с существующим протоколом маршрутизации OSPF. Практическая значимость. Интегрированная система маршрутизации в ИТС железнодорожного транспорта позволит в реальном времени определить оптимальный маршрут в сети с одинаковым количеством маршрутизаторов, составляющих путь прохождения пакета.
UKR: Мета. Сучасні алгоритми вибору найкоротшого маршруту, наприклад, алгоритми Беллмана–Форда й Дейкстри, які в даний час широко використовують у протоколах маршрутизації (RIP, OSPF), не завжди призводять до ефективного результату. Тому виникає необхідність дослідження можливості організації маршрутизації в мережі інформаційно-телекомунікаційної системи (ІТС) залізничного транспорту за допомогою методів штучного інтелекту. Методика. На основі створеної в моделювальній системі OPNET імітаційної моделі розглянуто фрагмент мережі ІТС залізничного транспорту й сформовано наступні вибірки: навчальну; тестувальну; контрольну. Для моделювання в системі MatLAB нейронечіткої мережі (гібридної системи) на вхід подають наступні параметри: довжина пакета (3 терм-множини); інтенсивність трафіка (5 терм-множин); кількість проміжних маршрутизаторів, що складають маршрут (4 терм-множини). За результуючу характеристику взято час перебування пакета в маршрутизаторах за маршрутом його проходжен-ня в мережі ІТС (4 терм-множини). На основі визначеного часу перебування пакета в маршрутизаторах і затримок у черзі на маршрутизаторах, що складають різні шляхи (з однаковою кількістю маршрутизато-рів) визначено оптимальний маршрут. Результати. Для розглянутого фрагмента ІТС залізничного транспорту здійснено прогноз часу перебування пакета в маршрутизаторах за маршрутом його проходження на основі нейронечіткої мережі, що створена в системі MatLAB. Проведено дослідження середньої похибки навчання нейронечіткої мережі за різних функцій належності й за різними методами оптимізації навчання. Виявлено, що найменше значення середньої похибки навчання надає нейронечітка мережа конфігурації 3–12–60–60–1 в разі використання симетричної Гаусівської функції належності за гібридним методом оптимізації. Наукова новизна. За сценаріями RIP та OSPF на створеній в моделювальній системі OPNET імітаційній моделі отримані наступні характеристики: середнє навантаження сервера; середній час обробки пакетів маршрутизатором; середній час очікування пакетів у черзі; середня кількість втрачених пакетів; час конвергенції мережі. Визначено, що найкращі результати надає імітаційна модель мережі за сценарієм OSPF. Запропонована інтегрована система маршрутизації в мережі ІТС залізничного транспорту, в основу якої покладено створені нейронечіткі мережі, визначає оптимальний маршрут у мережі швидше порівняно з наявним протоколом маршрутизації OSPF. Практична значимість. Інтегрована система маршрутизації в ІТС залізничного транспорту дозволить у реальному часі визначити оптимальний маршрут у мережі за однаковою кількістю маршрутизаторів, що складають шлях проходження пакета.
RUS: Цель. Современные алгоритмы выбора кратчайшего маршрута, например, алгоритмы Беллмана–Форда и Дейкстры, которые в настоящее время широко используют в протоколах маршрутизации (RIP, OSPF), не всегда приводят к эффективному результату. Поэтому возникает необходимость исследования возможности организации маршрутизации в сети информационно-телекоммуникационной системы (ИТС) железнодорожного транспорта с помощью методов искусственного интеллекта. Методика. На основе созданной в моделирующей системе OPNET имитационной модели рассмотрен фрагмент сети ИТС железнодорожного транспорта и сформированы следующие выборки: обучающая; тестирующая; контрольная. Для моделирования в системе MatLAB нейронечеткой сети (гибридной системы) на вход подают следующие параметры: длина пакета (3 терм-множества); интенсивность трафика (5 терм-множеств); количество промежуточных маршрутизаторов, составляющих маршрут (4 терм-множества). В качестве результирующей характеристики принято время пребывания пакета в маршрутизаторах по маршруту его следования в сети ИТС (4 терм-множества). На основе полученного времени пребывания пакета в маршрутизаторах и задержек в очереди на маршрутизаторах, составляющих различные пути (с одинаковым количеством маршрутизаторов) определен оптимальный маршрут. Результаты. Для рассматриваемого фрагмента ИТС железнодорожного транспорта осуществлен прогноз времени пребывания пакета в маршрутизаторах по маршруту его следования на основе нейронечеткой сети, созданной в системе MatLAB. Проведено исследование средней погрешности обучения нейронечеткой сети при различных функциях принадлежности и разных методов оптимизации обучения. Обнаружено, что наименьшее значение средней погрешности обучения предоставляет нейронечеткая сеть конфигурации 3–12–60–60–1 при использовании симметричной Гауссовской функции принадлежности с гибридным методом оптимизации. Научная новизна. По сценариям RIP и OSPF на созданной в моделирующей системе OPNET имитационной модели получены следующие характеристики: средняя нагрузка сервера; среднее время обработки пакетов маршрутизатором; среднее время ожидания пакетов в очереди; среднее количество потерянных пакетов; время конвергенции сети. Определено, что наилучшие результаты дает имитационная модель сети по сценарию OSPF. Предложенная интегрированная система маршрутизации в сети ИТС железнодорожного транспорта, в основу которой положены созданные нейронечеткие модели, определяет оптимальный маршрут в сети быстрее по сравнению с существующим протоколом маршрутизации OSPF. Практическая значимость. Интегрированная система маршрутизации в ИТС железнодорожного транспорта позволит в реальном времени определить оптимальный маршрут в сети с одинаковым количеством маршрутизаторов, составляющих путь прохождения пакета.
Description
V. Pakhomova: ORCID 0000-0002-0022-099X; Y. Mandybura: ORCID 0000-0002-7134-9416
Keywords
routing, OSPF protocol, simulation model, hybrid system, term, membership function, sample, error, маршрутизація, протокол OSPF, імітаційна модель, гібридна система, терм, функція належності, вибірка, похибка, маршрутизация, протокол OSPF, имитационная модель, гибридная система, терм, функция принадлежности, выборка, погрешность, ЕОМ
Citation
Pakhomova V. M., Mandybura Y. S. Optimal Route Definition in the Railway Information Network Using Neural-Fuzzy Models. Наука та прогрес транспорту. 2019. № 5 (83). С. 81–98. DOI: 10.15802/stp2019/184385.