1 / 40

INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK

INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK. Levendovszky János, BME Híradástechnikai Tanszék. Szélessávú, összetett szolgáltatások, magas hálózatkihasználtság mellett. Szolgáltatások. Jó kihasználtság, összetett szolgáltatások. Új algoritmusok. S ávszélesség. Kommunikációs hálózatok.

tanner
Download Presentation

INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK Levendovszky János, BME Híradástechnikai Tanszék

  2. Szélessávú, összetett szolgáltatások, magas hálózatkihasználtság mellett Szolgáltatások Jó kihasználtság, összetett szolgáltatások Új algoritmusok Sávszélesség Kommunikációs hálózatok A dolgozat hozzájárulása Algoritmusok (protokollok) Erőforrások (infrastruktúra) Célok és motivációk A távközlési hálózatok teljesítőképességének növelése hozzáadott, „algoritmikus intelligencia” segítségével „e-world” (e-business,e-learning, e-administration) Alacsony anyagi megtérülés, gazdaságtalan ! Olcsók, nagysebességű számítási platformok és új paradigmák rendelkezésre állnak !

  3. Algoritmikus modell Rossz kihaszn. Optimalizálás Alacsonyszintű szolg. Magas hálózatkihasználtság Polinomiális megoldás + real-time implementáció Előírt minőségű szolgáltatások Kutatási módszerek Csomagkapcsolt hálózat (komplex, véletlen rendszer) Bonyolult feladat (tradicionálisan nehezen kezelhető) • Új számítási paradigmák: • neurális hálózatok, • tanuló algoritmusok • „soft” optimalizálás Info-kommunikációs szolgáltatások csomagkapcsolt platformon !!!

  4. Konkrét hozzájárulások

  5. Nyitott kérdés : Hogyan lehet a spektrális hatékonyságot a jelenlegi 0.52 bit/sec/Hz - r ő l tovább növelni ? I. TÉZIS - adaptív jelfeldolgozás a spektrális hatékonyság növelésére

  6. Jelenleg SE=0.52 bit/sec/Hz szemben az elméleti 5bit/sec/Hz-el 1. felh Nem gazdaságos a szélessávú szolgáltatások bevezetése !!! CSATORNA (fading + zaj) Zajos és torzított vett jel 2. felh n. felh zaj vett jel leadott jel ISI+MUI Motiváció Spektrális hatékonyság [bit/sec/Hz]: adott adatátviteli sebességű szolgáltatáshoz mekkora fizikai sávszélességre van szükség ? Hogyan lehet ezen adaptív detekciós és kiegyenlítési algoritmusokkal javítani ?

  7. Exponenciális komplexitás Következmény: (nincs real-time detekció) Optimális detekció Zaj: Csatorna (interferenciák: H) x Opt. detektor Információs sorozat y Új módszerek - Hyst NN detektor - Sztoch NN detektor - FFNNdetektor Hogyan lehet polinomiális komplexitásban detektálni ?

  8. Hiszterézises HN Sztochasztikus HN FFNN detektor Minimális komplexitású kód, amelyre FFNN = Bayes Stac.eloszlás Hibavalószínűség: Jó minőségű detekció nagy torzítású csatorna esetén is Torzított zajos vett jel Neurális dektorok Új eredmények I: detekció polinomiális komplexitással (Altézis I.1, I.2, I.3)

  9. Numerikus eredmények

  10. „vak” algoritmusok Küszöb-detektor Csatorna Kiegyenlítő Tradicionális stratégiák(MMSE, ZF): nincs direkt kapcsolat a BER-el Ismeretlen csatorna jó minőségű kiegyenlítése, sztoch. approximációval !!! Új kiegyenlítés gradiens polinomiális komplexitásban Új vak kiegyenlítő algoritmusok A gradiens statisztikus becslése csak a vételi oldalon megfigyelhető jelekből A spektrális hatékonyság növelése új kiegyenlítő algoritmusokkal(Altézis I.4, I.5, I.6) Zaj

  11. Numerikus eredmények

  12. Neurális alapú detektorok (Altézis I.1.,I.2,I.3) Adaptív csatornakiegyenlítők (Altézis I.4.,I.5,I.6) 0.52 bit/sec/Hz 0.9 bit/sec/Hz Spektrális hatékonyság • A terület már meglévő eredményeivel való összehasonlítás: • Eredeti Hopfield háló alkalmazása rossz hatásfokkal (Aazhang, Varanasi), • Boltzman Machine, és „mean field theory” (Kirkpatrick, Aarts, van den Berg) általános komb. opt. csak logisztikai eloszlású zajjal • Kaotikus nurális hálózatok (Nakamura, Hayakawa) csak kombinatorikus optimalizálásra (TSP, vagy n- királynő probléma) teljesítőképesség analízis szintjén Összefoglaló és az I. Tézis eredményeinek súlyozása Hogyan lehet a spektrális hatékonyság értékét növelni ?

  13. II. TÉZIS - Új útvonalkereső algoritmusok csomagkapcsolt hálózatokban Nyitott kérdés: Hogyan lehet a kommunikációs hálózatok „áteresztőképességét” növelni új útvonalkereső algoritmusokkal, véletlen linkleírók esetén ?

  14. Új útvonalkereső algoritmusok kifejlesztése véletlen gráfokon, amelyek jó minőségűmegoldást garantálnak polinomiális időben Hálózat: ? ? ? véletlen linkleírók a linkleírók sűrűsége A gráfelmélet kiterjesztésével Technológiai motiváció OSPF, PNNI protokollokban „információ-aggregáció” miatt, illetve a sorállások következtében a link-leírók véletlen mennyiségek Tradicionális algoritmusokdeterminisztikus gráfokonvalóútvonalkeresésre polinomiális időben (Dijkstra, Bellman-Ford, Floyd Warshall)

  15. Nem additív célfüggvények Opt. útvonal additív leírók szerint ??? Új linkmértékek Opt. útvonal bottleneck leírók szerint BF algoritmus polinomiális komplexitással Optimális útvonalkeresés véletlen gráfon Adott: „end-to-end QoS paraméterek” T,W

  16. Opt. útvonal késl. típusú leírók esetén Opt. útvonal „large deviation theory”-val Opt. útvonal bottleneck típusú leírók esetén s optimalizálása Polinomiális algoritmusok egy tradicionális útvonalkeresésnél általánosabb problémára Additív célfüggvény: Belman-Ford algoritmus lépésben Új eredmények I: Opt. útvonal mértéktranszformációval (Altézis II.1, II.2, II.3)

  17. Sávszélességi linkmérték Késleltetési linkmérték (Chernoff) Késleltetési linkmérték (normális appr.) Teljesítőképesség

  18. ??? Új eredmények II: Véletlen útvonal keresés diszkrét kvadratikus optimalizálással (Altézis II.4.) Útvonalkeresési probléma Opt. megold. polin. komp. Kvadratikus programozás HystHNN SHN

  19. Hyst. Hopfield Stoch. Hopfield Tejesítőképesség

  20. alternatív útvonalak + terhelésmegosztás ??? felh1 KOMMUNIKÁCIÓS HÁLÓZAT . . NP hard . felh n Load entrópia = f(elvezetések, terh. megosztás) Optimális terhelésmegosztás analítikus módszerekkel determinisztikus és véletlen gráfokra Új eredmények III: kiterjesztés több folyamra(Altézis II.5, II.6)

  21. Polinomiális úvonalkeresés mértéktranszformációval (Tézis II.1,II.2., II.3) Polinomiális útvonalkeresés neurális hálóval (Tézis II.4.) Opt. Terhelésmegosztás (Tézis II.5,II.6.) Csak terh. megosztás optimalizálás Fontos hozzájárulás új megközelítés alapján Heurisztikus módszer Hálózatkihasználtság 63 % 94 % • A terület már meglévő eredményeivel való összehasonlítás: • Gráfoptimalizálás polinomiális komplexitással determinisztikus gráfokon Lagrange relaxációval, (multicommodity flow, constrained path problem - Feng,Eppstein, Günlük) • Kognitív csomagkapcsolt hálózatok útvonalkeresése – intelligencia a csomagokban (Gelenbe, Kocak) • Hálózatok küszöbmegbízhatósága – homogén link val. & összekötöttség vizsgálata (Krivelevich, Sudakov) Összefoglaló és II. Tézis eredményeinek súlyozása Hogyan lehet véletlen gráfokon opt. útvonalakat találni a kommunikációs hálózatok áteresztőképességének a növelése érdekében?

  22. III. TÉZIS - Hívásengedélyezés csomagkapcsolt hálózatokban Nyitott kérdés: Hogyan lehet a hálózatkihasz-náltságot a jelenlegi 68% fölé növelni előírt minőségi paraméterek megtartása mellett ?

  23. Előírt késlelt. és cella-vesztés C A C QoS csat. Infokom. Szolgáltatás y Cellavesztési valószínűség n y Forgalmi állapot Accept/Reject ?? Technológiai motiváció Statisztikus MUX For rá sok Az erőforrások jó kihasználtsága QoS ???

  24. CAC univerzális s paraméterrel CAC többszörös Chernoff határral CAC: az eredeti Chernoff határt megközelítő kihasználtság CAC forg. állapottól független s paraméterrel forgalmi állapotvektor Új eredmények I (Altézis III.1, III.2)– CAC a Chernoff határ optimalizálásával

  25. Real-time CAC Numerikus eredmények Nem megvalósítható

  26. Elveszett forgalom nem engedhető be a QoS-t nem kielégítő forgalom Optimális súlyok ? : min. elveszett forgalom az eredeti szeparáló felület ismeretlen Tanulás kényszeres optimalizálással a minták alapján (tradicionális BP algoritmus nem alklamazható) Kihívás: Neurális alapú CAC - a hívásengedélyezés mint halmazszeparálás

  27. 1.Tanulás irányított gradienssel 2. Tanulás büntetőfüggvényekkel Magas hálózatkihasználtság + garantált QoS Neurális CAC új tanuló algoritmusokkal 96 % forgalmi leírók Új eredmények II – Altézis III.3. 3. Tanulás prototípusok alapján

  28. Kiterjesztések • CAC CNN hálózattal: halmazszeparálás a legközlebbi társszabály alapján, triggerelt hullámokkal (Altézis III.4); • CAC ismeretlen forgalmi leírókkal (parametrikus és nem-parametrikus döntéselmélet) (Altézis III.5); • CAC többszörös QoS paraméterekre sorállási modellek alapján (Altézis III.6); • CAC kétirányú forgalomra és hozzáférési hálózatokra (Altézis III.7) • Az eredmények validálása mérésekkel: EU EXPERT testbed, Basel Switzerland, Ericsson Traffic Laboratory (Altézis III.8);

  29. Numerikus eredmények Hoeffding Csernov FFNN (büntetőfv.-es tanulás) CNN (nulladrendű interpoláció) CNN (lineáris interpoláció)

  30. Rangsor (EU COP579 SPR12 report)

  31. A Chernoff határ továbbfejlesztése CAC-re (Altézis III.1., III.2, III.7) Neurális CAC előrecsatolt hálóval és CNN-el (Altézis III.3, III.4.) Kiterjesztés ismeretlen forgalmi lerókra és többszörös QoS-re (Altézis III.5.,III.6) Validálás mérésekkel az EU baseli testbed-jén (Altézis III.8.) Fontos hozzájárulások a csomagkapcsolt hálózatokhoz Mérésekkel is kipróbált eredmények a mérnöki implementációhoz • A terület már meglévő eredményeivel való összehasonlítás: • Regularizáció büntetőfüggvényekkel – opt. neurális hálózat méret, nem a másodfajú hiba elkerülése (Setiono, Larsen, Tikhonov) • Mérésalapú CAC – centrális határeloszlási tétel, szórás becslése (Grossgaluser, Tse) • Döntéselméleti CAC – csak homogén esetre, csak parametrikus algoritmus (Gibbens, Kelly) Összefoglaló és aIII. Tézis eredményeinek súlyozása Lehetséges-e a hálózatkihasználtságot növelő új CAC algoritmusokat bevezetni ? Real Time CAC 96 % -os hálózatkihasználtsággal !

  32. IV. TÉZIS - Megbízhatóságanalízis kommunikációs hálózatokban Nyitott kérdés: Hogyan lehet real-time megbízhatóságanalízist végrehajtani a mintaszám csökkentésével (hatékony becslés az állapottér egy töredéke alapján) ?

  33. Igény: a forgalom elvezetése adott megbízhatósággal Kihívás: Real-time megbízhatóságanalízis egy hatalmas hálózaton sokezer komponenssel A megbízhatósági mérték pontos értéke A megízhatósági függvény „átlagolása a teljes” tér felett Állapottér (sok milliárd hibakonfiguráció) ?? Mintavételezési technika A megbízhatósági mérték becslése Mintatér (kis számú mintával) Technológiai motiváció

  34. Elemi statisztikák Állapottér Real-time megbízhat. analízis ?? Mintavételezési technikák Telj. képesség csökkenés egy adott hiba hatására Hálózati funkcionalitás: Megbízhatósági mértékek: Átlagos veszteség: Asztronómikus méretű szummák !!! Kiesési valószínűség: A feladat leírása

  35. kis komplexitású jó approximátor Adott: a mintaszám K Minta generálás: Tanulóhalmaz előállítása Approximáció: A megbízhatósági mérték kiszámolása tanulási komplexitás << Új megközelítés - Adaptív approximáció

  36. Real-time megbízhatóság-analízis kis mintaszám alapján (az RBF becslési hibája 0.1%-a a tradicionális módszereknek) Új eredmények I: Adaptív approximátorok megbízhatóság-analízisre (Altézis IV1., IV.2, IV.3) Szakaszonként lineáris approximátor: Multidimenzionális polinomok: Radiális bázis függvények: Adott mintaszám esetén bizonyítottan jobb mint az eddigi módszerek (Li-Sylvester, Fontosság szerinti mintavételezés)

  37. Kiterjesztések • Kiterjesztés függő meghibásodásokra (Altézis IV.4); • Kiesési valószínűség becslése „large deviation theory”-val lineáris approximáció esetén (Altézis IV.5); • Jó minőségű véletlenszámgenerátorok periodicitás vizsgálata Rey algoritmusa alapján (Altézis IV.6).

  38. Adaptív approximációs technikák (Tézis IV.1., IV.2, IV.3) Chernoff technikák a kiesési valószínűség becslésére (Tézis III.3, III.4.) RNG peridocitása a alapján stat. szimulációkhoz (Tézis IV.6.) Kiterjesztés függő mintákra (Tézis IV.5.) Az RBF approximáció ami igazán fontos Gyors és jó eredmények Elvi eredmény a kipróbálás még hátra van Marginális jelentőségű • A terület már meglévő eredményeivel való összehasonlítás: • Ritka események szimulációja sorállás során - csak buffertúlcsordulás becslésre (Nicola, de Boer, Rubinstein) • Fontosság szerinti mintavételezés – heurisztika a mintavevő eloszlás meghatározásában (Melcher, Carlier) • Struktúrált mintavételezés – heurisztika az optimális minta-allokáció meghatározásban (Lutton, Jereb) Összefoglaló és aIV. Tézis eredményeinek súlyozása Lehetséges-e távközlési hálózatok real-time megbízhatóságanalízise? Megbízhatóság az eddig használatos mintaszám 0.1 %-ával !

  39. A vizsgált kérdések egysége Fizikai réteg Adatkapcsolati réteg Hálózati réteg Erőforrások minimalizálása algoritmusokkal A vizsgálati módszerek egysége Halmaz szeparalás Nagy eltérések elmélete Multidim. optimalizálás Tanulás, alul-reprezentált rendszerek Neurális modellek Összefoglaló

  40. 1. Neurális detekcióval és kiegyenlítéssel a spektrális hatékonyság növelhető (i) neurális detektorok; (ii) kiegyenlítés új célfüggvény szerint; (iii) „vak” algoritmusok 2. Új polinomiális komplexitású útvonalkeresési algoritmusokkal véletlen leírókra a hálózat áteresztő képessége növelhető (i) linkmérték tarnszformáció; (ii) kvadratikus programozás ; (iii) load-entrópia 3. Új hívásengedélyezési algoritmusokkal a hálózat kihasználtsága növelhető (i) módosított Chernoff ; (ii) FNN CAC; (iii) CNN CAC; (iv) döntéselméleti CAC; (v) CAC hozzáférési hálózatokra; (vi) validálás mérésekkel 4. Adaptív approximációs technikákkal a hálózat megbízhatóságanalízise kis mintaszám mellett elvégezhető (i) MA RBF approximációval ; (ii) KV becslése Chernoff technikákkal; (iii) kiterjesztés függő mintákra ; (iv) RNG periodicitás vizsgálata véletlen szimulációkhoz; A tézisek főbb állításai

More Related