Purpose. The classic algorithms for finding the shortest path on the graph that underlie existing routing protocols, which are now used in computer networks, in conditions of constant change in network traffic can not lead to the optimal solution in real time. Methodology. To determine the optimal route in the computer network, the program model «MLP 34-2-410-34» was developed in Python using the TensorFlow framework, which allows the following steps to be performed: sample generation (random or balanced ); the creation of a neural network, the input of which is an array of bandwidth channels of the computer network, as a resultant array of signs of the use of the appropriate communication channel in the formation of the route in the computer network; training and testing of the neural network in the appropriate samples. Findings. Neural network configuration 34-2-410-34 with activation functions of ReLU and Leaky-ReLU in a hidden layer and a linear activation function in the output layer learns from Adam algorithm, which is a combination of Adagrad, RMSprop algorithms and stochastic gradient descent with inertia, the fastest on of all volumes of the training sample, the rest of the others are overwhelmed by the conversion and reaches the value of the error at 0.0024 on the control voter and 86 % returns the optimal path. Originality. The study of the parameters of the neural network on the basis of the calculation of the average harmonic with different activation functions (Linear, Sigmoid, Tanh, Softplus, ReLU, L-ReLU) on training samples of different volumes (140, 1400, 14000, 49000 examples) and various training algorithms Neural Network (BGD, MB SGD, Adam, Adamax, Nadam). Practical value. The use of a neural model, the input of which gives the value of bandwidth channels, will allow in real time to determine the optimal route in the computer network.
Цель. Классические алгоритмы поиска кратчайшего пути на графе, что лежат в основе существующих протоколов маршрутизации, которые сегодня используют в компьютерных сетях, в условиях постоянного изменения загруженности сети не могут привести к оптимальному решению в реальном времени. В связи с этим целью статьи является разработать методику определения оптимального маршрута в объединенной компьютерной сети. Методика. Для определения оптимального маршрута в объединенной компьютерной сети, которая работает по разным технологиям, написана на языке Python с использованием фреймворка TensorFlow программная модель «MLP 34-2-410-34». Она позволяет выполнять следующие этапы: генерацию выборки (случайную или сбалансированную); создание нейронной сети, на вход которой подают массив пропускных способностей каналов компьютерной сети; обучение и тестирование нейронной сети на соответствующих выборках. Результаты. Нейронная сеть конфигурации 34-2-410-34 с функциями активации ReLU и Leaky-ReLU в скрытом слое и линейной функцией активации в результирующем слое обучается по алгоритму Adam. Этот алгоритм является комбинацией алгоритмов Adagrad, RMSprop и стохастического градиентного спуска с инерцией. Указанные функции учатся наиболее быстро на всех объемах учебной выборки, меньше других поддаются переобучению, и достигают значения ошибки в 0,0024 на контрольной выборке и в 86 % определяют оптимальный путь. Научная новизна. Проведено исследование параметров нейронной сети на основе расчета среднего гармоничного при разных функциях активации (Linear, Sigmoid, Tanh, Softplus, ReLU, L-ReLU) на учебных выборках разного объема (140, 1 400, 14 000, 49 000 примеров) и за различными алгоритмами оптимизации обучения нейронной сети (BGD, MB SGD, Adam, Adamax, Nadam). Практическая значимость. Использование нейронной модели, на вход которой подают значения пропускных способностей каналов, позволит в реальном масштабе времени определить оптимальный маршрут в объединенной компьютерной сети.
Мета. Класичні алгоритми пошуку найкоротшого шляху на графі, що лежать в основі наявних протоколів маршрутизації, які сьогодні використовують у комп’ютерних мережах, в умовах постійної зміни завантаженості мережі не можуть привести до оптимального рішення в реальному часі. У зв’язку з цим метою статті є розробити методику визначення оптимального маршруту в об’єднаній комп’ютерній мережі. Методика. Для визначення оптимального маршруту в об’єднаній комп’ютерній мережі, що працює за різними технологіями, розроблено на мові Python із використанням фреймворку TensorFlow програмну модель «MLP 34-2-410-34». Вона дозволяє виконувати наступні етапи: генерацію вибірки (випадкову або збалансовану); створення нейронної мережі, на вхід якої подають масив пропускних спроможностей каналів комп’ютерної мережі; навчання й тестування нейронної мережі на відповідних вибірках. Результати. Нейронна мережа конфігурації 34-2-410-34 з функціями активації ReLU та Leaky-ReLU у прихованому шарі та лінійною функцією активації у вихідному шарі навчається за алгоритмом Adam. Цей алгоритм є комбінацією алгоритмів Adagrad, RMSprop та стохастичного градієнтного спуску з інерцією. Зазначені функції навчаються найбільш швидко на всіх обсягах навчальної вибірки, менш за інші піддаються перенавчанню, й досягають значення помилки в 0,0024 на контрольній вибірці й у 86 % визначає оптимальний шлях. Наукова новизна. Проведено дослідження параметрів нейронної мережі на основі розрахунку середнього гармонійного за різних функцій активації (Linear, Sigmoid, Tanh, Softplus, ReLU, L-ReLU) на навчальних вибірках різного обсягу (140, 1 400, 14 000, 49 000 прикладів) та за різними алгоритмами оптимізації навчання нейронної мережі (BGD, MB SGD, Adam, Adamax, Nadam). Практична значимість. Використання нейронної моделі, на вхід якої подають значення пропускних спроможностей каналів, дозволить у реальному часі визначити оптимальний маршрут в об’єднаній комп’ютерній мережі.
OPTIMAL ROUTE DEFINITION IN THE NETWORK BASED ON THE MULTILAYER NEURAL MODEL.
ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНОГО МАРШРУТА В КОМПЬЮТЕРНОЙ СЕТИ СРЕДСТВАМИ МНОГОСЛОЙНОЙ НЕЙРОННОЙ МОДЕЛИ.
ВИЗНАЧЕННЯ ОПТИМАЛЬНОГО МАРШРУТУ В КОМП’ЮТЕРНІЙ МЕРЕЖІ ЗАСОБАМИ БАГАТОШАРОВОЇ НЕЙРОННОЇ МОДЕЛІ
2019-01-15
Science and Transport Progress ; No. 6(78) (2018); 126-142
Article (Journal)
Electronic Resource
English , Ukrainian
neural network , computer network , ptimization algorithm , average harmonic , activation function , optimal route , sampling компьютерная сеть , комп’ютерна мережа , вибірка , алгоритм оптимизации , нейронна мережа , оптимальный маршрут , выборка , функція активації , середнє гармонійне , среднее гармоничное , оптимальний маршрут , алгоритм оптимізації , нейронная сеть , функция активации
Metadata by SPU is licensed under CC BY 3.0
ВИЗНАЧЕННЯ ОПТИМАЛЬНОГО МАРШРУТУ В КОМП’ЮТЕРНІЙ МЕРЕЖІ ЗАСОБАМИ БАГАТОШАРОВОЇ НЕЙРОННОЇ МОДЕЛІ
DOAJ | 2018
|Scientific Periodicals of Ukraine | 2019
|Scientific Periodicals of Ukraine | 2008
|