Ứng dụng trí tuệ nhân tạo vào việc định tuyến qos

Các phương pháp trí tuệ nhân tạo được nghiên cứu trong việc định tuyến QoS đó là mạng neural, lý thuyết mờ fuzzy logic, giải thuật di truyền Generation Algorithm - GA mô phỏng hành vi …

Bộ giáo dục Và đào tạo TrƯờng đại học bách khoa hà nội

Luận văn thạc sỹ khoa học

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀO VIỆC ĐỊNH TUYẾN QoS

Người hướng dẫn khoa học: PGS.TS HỒ ANH TUí

học viên : NGUYỄN THỊ HUYỀN TRANG

MỤC LỤC

DANH SÁCH TỪ VIẾT TẮT i

DANH SÁCH HÌNH VẼ ii

DANH SÁCH BẢNG BIỂU iv

MỞ ĐẦU v

Chương 1 – ĐỊNH TUYẾN CHẤT LƯỢNG DỊCH VỤ QoS 1

1.1 Giới thiệu về các phương pháp định tuyến 1

1.1.1 Thuật toán vector (Distance-Vector Routing) 2

1.1.2 Thuật toán trạng thái kết nối (Link-State Routing Protocols) 3

1.1.3 So sánh các thuật toán định tuyến 3

1.2 Tầm quan trọng của việc định tuyến QoS 5

1.2.1 Mục tiêu của định tuyến QoS 5

1.2.2 Ưu và nhược điểm của định tuyến QoS 8

Chương 2 – TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DÙNG TRÍ TUỆ NHÂN TẠO VÀO TRONG ĐỊNH TUYẾN QoS 9

2.1 Lý do chọn phương pháp dùng trí tuệ nhân tạo cho việc định tuyến QoS9 2.1.1 Khái niệm trí tuệ nhân tạo 9

2.1.2 Trí tuệ nhân tạo trong định tuyến QoS 10

2.2 Một số phương pháp trí tuệ nhân tạo được nghiên cứu trong việc định tuyến QoS 10

2.2.1 Mạng neural 10

2.2.2 Lý thuyết mờ (Fuzzy) 11

2.2.3 Giải thuật di truyền 12

Chương 3 PHƯƠNG PHÁP FUZZY LOGIC KẾT HỢP VỚI MẠNG NEURAL ỨNG DỤNG TRONG ĐỊNH TUYẾN QoS 13

3.1 Lý luận fuzzy 13

3.1.1 Logic truyền thống 13

3.1.2 Khái niệm về Fuzzy Logic 14

3.1.3 Khái niệm về tập fuzzy 14

3.1.4 Các tính chất của tập fuzzy: 15

3.2 Mạng Neural 17

3.2.1 Khái niệm mạng neural 17

3.2.2 Quy trình hoạt động mạng neural 17

3.2.3 Học và triệu hồi 20

3.3 Sự kết hợp giữa mạng neural và fuzzy logic trong việc định tuyến đảm bảo QoS 21

3.3.1Các mạng fuzzy neural 22

3.3.2 Tập hợp fuzzy trong định tuyến 25

3.3.3 Huấn luyện mạng neural 30

3.4 Ứng dụng mạng fuzzy neural vào định tuyến QoS trong mạng cụ thể 32

3.4.1 Các mô hình mạng 32

3.4.2 Các tập hợp fuzzy và mạng neural cho mô hình mạng 39

Chương 4 THUẬT GIẢI DI TRUYỀN VÀ ỨNG DỤNG TRONG ĐỊNH TUYẾN QoS 49

4.1 Thuật giải di truyền (Genetic algorithm - GA) 49

4.1.1 Khái niệm giải thuật di truyền 49

4.1.2 Các bước áp dụng thuật giải di truyền để giải các bài toán 50

4.1.3 Một số ứng dụng của giải thuật di truyền 52

4 2 Định tuyến QoS dựa trên thuật giải di truyền 53

4.2.1 Lý do chọn giải thuật di truyền cho định tuyến QoS 53

4.2.1.1 Các ràng buộc QoS 56

4.2.1.2 Các phương pháp đang tồn tại 57

4.2.1.3 Các thuật toán định tuyến QoS dựa trên GA 59

4.2.2 QOSGA(QoS routing using genetic algorithm) 61

4.2.2.1 Thuật toán GA của QOSGA 61

4.2.2.2 Quy trình QOSGA 62

4.3 So sánh thuật toán định tuyến QoS dựa trên GA 67

4.3.1 So sánh QOSGA với thuật toán định tuyến QoS dựa vào GA khác 67

4.3.2 So sánh với thuật toán fuzzy neural 69

Chương 5 KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU 70

5.1 Kết luận 70

5.2 Các phương pháp trong tương lai 72

TÀI LIỆU THAM KHẢO 75

LAN Local Area Network

LSP Link State Packet

MPLS Multiprotocol Label Switching

MTU Maximum Transmission Unit

PSTN Public Switched Telephone Network

QoS Quality of Service

QOSGA (QoS routing using Genetic Algorithm

QoSR Quality of Service Routing

TTNT Trí tuệ nhân tạo

WAN Wide Area Network

DANH SÁCH HÌNH VẼ

Hình 3.1 Biểu diễn tập nhiệt độ “nóng” 14

Hình 3.2 Biểu diễn tập fuzzy của “các số nguyên nhỏ” 15

Hình 3.3 Biểu diễn của các tập fuzzy “thấp”, “trung bình” và “cao” 15

Hình 3.4 Biểu diễn của các tập fuzzy “trẻ”, “trung niên” và “già” 16

Hình 3.5 Kiến trúc mạng Neural 18

Hình 3.6 Cấu trúc của neurode j 20

Hình 3.7 Các bước thực hiện mạng fuzzy neural 25

Hình 3.8 Các tập hợp thành viên khoảng cách 27

Hình 3.9 Các tập hợp thành viên băng thông 27

Hình 3.10 Các tập hợp thành viên lỗi 28

Hình 3.11 Các tập hợp thành viên của sự tắc nghẽn 29

Hình 3.12 Thiết kế mạng neural 31

Hình 3.13 Mô hình ví dụ của một mạng máy tính 32

Hình 3.14 Một ví dụ của mạng WAN 36

Hình 3.15 Ví dụ thứ hai về mạng WAN 37

Hình 3.16 Ví dụ thứ ba về mạng 38

Hình 3.17 Fuzzy khoảng cách (các hop) 39

Hình 3.18 Nghẽn (gói tin) 40

Hình 3.19 Băng thông (bps) 40

Hình 3.20 Lỗi (bps) 41

Hình 3.21 Các gói tin ở node 1 42

Hình 4.1 Sơ đồ tổng quát của thuật giải di truyền 50

Hình 4.2 Phác thảo thuật giải di truyền vào định tuyến QoS 55

Hình 4.3 Các bước trong hoạt động của QOSGA 62

Hình 4.4 Mạng mẫu 63

Hình 4.5 Trao đổi chéo 65

Hình 4.6 Đột biến 65

Hình 4.7 Số lượng node trên thời gian xử lý (tính micro giây) 67

Hình 4.8 So sánh giá trị thích nghi trên số lượng thế hệ cần được tạo ra 68

Hình 5.1 Tìm kiếm ban đầu của kiến tìm đường đi ngắn nhất tới đích 73

Hình 5.2 Đường tốt nhất tới đích được tìm thấy 73

DANH SÁCH BẢNG BIỂU

Bảng 3.1 Tập hợp thành viên khoảng cách rời rạc 34

Bảng 3.2 Mười hai tập hợp fuzzy 34

Bảng 3.3 Các trường hợp mô phỏng 45

Bảng 3.4 So sánh thời gian truyền dẫn trung bình trong của trường hợp 1 45

Bảng 3.5 So sánh hời gian truyền dẫn trung bình trong của trường hợp 2 46

Bảng 3.6 So sánh hời gian truyền dẫn trung bình trong của trường hợp 3 47

Bảng 3.7 So sánh hời gian truyền dẫn trung bình trong của trường hợp 4 48

Bảng 4.1 Mã hóa gen 63

Bảng 4.2 Quần thể khởi tạo với giá trị thích nghi 64

Bảng 4.3 Nhiễm sắc thể được sắp xếp và lựa chọn 64

Bảng 4.4 Nhiễm sắc thể sau hoạt động di truyền 66

Bảng 4.5 So sánh giữa các thuật toán định tuyến dựa trên GA 68

MỞ ĐẦU

Trong những năm gần đây, mạng viễn thông đã có những bước thay đổi lớn với

sự ra đời của nhiều công nghệ mới, dịch vụ mới Mạng NGN có hạ tầng duy nhất dựa trên công nghệ chuyển mạch gói, khai thác các dịch vụ một cách đa dạng và nhanh chóng, đáp ứng sự hội tụ giữa thoại và dữ liệu, giữa cố định và di động Trong NGN, có nhiều kỹ thuật, giải pháp được đề xuất nhằm mục đích này như quy hoạch mạng, kỹ thuật lưu lượng, ; và một trong những giải pháp được quan tâm là định tuyến đảm bảo chất lượng dịch vụ (định tuyến QoS - QoSR) QoSR không những có vai trò làm tăng chất lượng dịch vụ mà còn có ý nghĩa quan trọng trong việc giảm chi phí vận hành mạng

Trí tuệ nhân tạo (TTNT) là một lĩnh vực của khoa học và công nghệ mô phỏng các khả năng của trí tuệ và trí thông minh của con người, biết suy nghĩ và lập luận

để giải quyết vấn đề, biết giao tiếp, biết học và tự thích nghi để giải các bài toán phức tạp như: nhận dạng ảnh, công nghệ robot cũng như một số các vấn đề trong truyền thông như bài toán định tuyến QoS (QoSR) Việc áp dụng trí tuệ nhân tạo trong việc định tuyến QoS sẽ góp phần đáng kể vào đảm bảo chất lượng của các dịch vụ đa phương tiện thời gian thực như: VoIP, video call… Chính vì vậy tác giả

đã chọn đề tài ứng dụng trí tuệ nhân tạo vào định tuyến QoS, nhằm tìm hiểu chung

về định tuyến nói chung, định tuyến QoS nói riêng và các phương pháp dụng các trí tuệ nhân tạo vào việc định tuyến QoS (định tuyến dựa trên fuzzy logic, mạng neural, thuật giải di truyền…)

Nội dung của luận văn là nghiên cứu về định tuyến QoS (QoSR), tổng quan về các phương pháp dùng trí tuệ nhân tạo, và các ứng dụng của các phương pháp dùng

trí tuệ nhân tạo vào việc định tuyến đảm bảo chất lượng dịch vụ Phần một, nghiên

cứu về định tuyến QoS Phần 2, tổng quan về các phương pháp dùng trí tuệ nhân tạo, trí tuệ nhân tạo (TTNT) là một lĩnh vực của khoa học và công nghệ mô phỏng

các khả năng của trí tuệ và trí thông minh của con người, biết suy nghĩ và lập luận

để giải quyết vấn đề, biết giao tiếp, biết học và tự thích nghi để giải các bài toán

phức tạp Các phương pháp trí tuệ nhân tạo được nghiên cứu trong việc định tuyến QoS đó là mạng neural, lý thuyết mờ (fuzzy logic), giải thuật di truyền (Generation Algorithm - GA) mô phỏng hành vi … Trong phần này nêu ra một cách tổng quát

nhất về các phương pháp này Phần 3, ứng dụng các phương pháp trí tuệ nhân tạo

vào việc định tuyến chất lượng dịch vụ, tìm hiểu chi tiết về các phương pháp sử

dụng trí tuệ nhân tạo và cách ứng dụng phương pháp fuzzy logic kết hợp mạng neural, và giải thuật di truyền vào việc định tuyến đảm bảo chất lượng dịch vụ Các

cơ chế áp dụng các phương pháp đã được đưa ra, fuzzy logic dùng để áp dụng cho các thông số không chính xác của các thông số định tuyến, tạo các quần thể gen bằng các kết nối trong giải thuật di truyền…, các nguyên lý thực hiện việc định tuyến dựa trên trí tuệ nhân tạo Bằng việc tổng hợp và nghiên cứu tại liệu (từ các nguồn IEEE, ITU-T…) cùng với các kết quả của các bài báo, các nghiên cứu để đưa

ra được các kết luận về việc định tuyến đảm bảo chất lượng dịch vụ dựa trên trí tuệ nhân tạo Ngoài các phương pháp fuzzy logic, mạng neural, giải thuật di truyền còn

có phương pháp trí tuệ nhân tạo khác cũng đã và đang được nghiên cứu, đó là phương pháp mô phỏng hành vi Một số thuộc tính thuộc về bản chất của TTNT có thể giúp cải thiện tốc độ tìm nghiệm như việc cứng hoá bằng các mạch điện tử (mạng neural) hay sử dụng tính toán song song (giải thuật di truyền) đang được nghiên cứu và các phương pháp TTNT có thể sẽ đóng vai trò quan trọng trong tương lai Ngoài ra để lợi dụng điểm mạnh và các mặt hạn chế của mỗi phương pháp người ta cũng đề xuất một số hướng kết hợp các phương pháp lại với nhau như: Fuzzy và nơ-ron, hệ kiến và mạng nơ-ron, GA và nơ-ron, GA và Fuzzy Tôi xin chân thành cảm ơn Khoa Điện Tử Viễn Thông, phòng Đào Tạo Sau Đại Học, trường Đại Học Bách Khoa Hà Nội đã tạo điều kiện tốt cho tôi thực hiện đề tài luận văn tốt nghiệp Tôi xin chân thành cảm ơn PGS.TS Hồ Anh Túy đã tận tình hướng dẫn trong quá trình làm làm luận văn Tôi xin chân chân thành cảm ơn các quý thầy cô trong khoa đã tận tình giảng dạy, trang bị cho tôi những kiến thức quý báu trong những năm học vừa qua Tôi xin nói lên lòng biết ơn sâu sắc đối với ông

bà cha mẹ những người sinh thành và dưỡng dục nuôi dạy con lên người Chân

thành cảm ơn các anh chị, và bạn bè đã ủng hộ, giúp đỡ động viên trong thời gian vừa qua

Chương 1 – ĐỊNH TUYẾN CHẤT LƯỢNG DỊCH VỤ QoS

1.1 Giới thiệu về các phương pháp định tuyến

Trong ngành mạng máy tính, định tuyến (tiếng Anh: routing hay routeing) là

quá trình chọn lựa các đường đi trên một mạng máy tính để gửi dữ liệu qua đó Việc định tuyến được thực hiện cho nhiều loại mạng, trong đó có mạng điện thoại, liên mạng, Internet, mạng giao thông

Routing chỉ ra hướng, sự di chuyển của các gói (dữ liệu) được đánh địa chỉ từ mạng nguồn của chúng, hướng đến đích cuối thông qua các node trung gian; thiết bị phần cứng chuyên dùng được gọi là router (bộ định tuyến) Tiến trình định tuyến thường chỉ hướng đi dựa vào bảng định tuyến, đó là bảng chứa những lộ trình tốt nhất đến các đích khác nhau trên mạng Vì vậy việc xây dựng bảng định tuyến, được tổ chức trong bộ nhớ của router, trở nên vô cùng quan trọng cho việc định tuyến hiệu quả

Routing khác với bridging (bắc cầu) ở chỗ trong nhiệm vụ của nó thì các cấu trúc địa chỉ gợi nên sự gần gũi của các địa chỉ tương tự trong mạng, qua đó cho phép nhập liệu một bảng định tuyến đơn để mô tả lộ trình đến một nhóm các địa chỉ

Vì thế, routing làm việc tốt hơn bridging trong những mạng lớn, và nó trở thành dạng chiếm ưu thế của việc tìm đường trên mạng Internet

Các mạng nhỏ có thể có các bảng định tuyến được cấu hình thủ công, còn những mạng lớn hơn có topo mạng phức tạp và thay đổi liên tục thì xây dựng thủ công các bảng định tuyến là vô cùng khó khăn Tuy nhiên, hầu hết mạng điện thoại chuyển mạch chung (public switched telephone network - PSTN) sử dụng bảng định tuyến được tính toán trước, với những tuyến dự trữ nếu các lộ trình trực tiếp đều bị nghẽn Định tuyến động (dynamic routing) cố gắng giải quyết vấn đề này bằng việc xây dựng bảng định tuyến một cách tự động, dựa vào những thông tin được giao thức định tuyến cung cấp, và cho phép mạng hành động gần như tự trị trong việc ngăn chặn mạng bị lỗi và nghẽn

Định tuyến động chiếm ưu thế trên Internet Tuy nhiên, việc cấu hình các giao thức định tuyến thường đòi hỏi nhiều kinh nghiệm; đừng nên nghĩ rằng kỹ thuật nối mạng đã phát triển đến mức hoàn thành tự động việc định tuyến Cách tốt nhất là nên kết hợp giữa định tuyến thủ công và tự động

Những mạng trong đó các gói thông tin được vận chuyển, ví dụ như Internet, chia dữ liệu thành các gói, rồi dán nhãn với các đích đến cụ thể và mỗi gói được lập

lộ trình riêng biệt Các mạng xoay vòng, như mạng điện thoại, cũng thực hiện định tuyến để tìm đường cho các vòng (ví dụ như cuộc gọi điện thoại) để chúng có thể gửi lượng dữ liệu lớn mà không phải tiếp tục lặp lại địa chỉ đích

Định tuyến IP truyền thống vẫn còn tương đối đơn giản vì nó dùng cách định tuyến bước kế tiếp (next-hop routing), router chỉ xem xét nó sẽ gửi gói thông tin đến đâu, và không quan tâm đường đi sau đó của gói trên những bước truyền còn lại Tuy nhiên, những chiến lược định tuyến phức tạp hơn có thể được, và thường được dùng trong những hệ thống như MPLS, ATM hay Frame Relay, những hệ thống này đôi khi được sử dụng như công nghệ lớp dưới để hỗ trợ cho mạng IP

1.1.1 Thuật toán vector (Distance-Vector Routing)

Thuật toán này dùng thuật toán Bellman-Ford Phương pháp này chỉ định một con số, gọi là chi phí (hay trọng số), cho mỗi một liên kết giữa các node trong mạng Các node sẽ gửi thông tin từ điểm A đến điểm B qua đường đi mang lại tổng chi phí thấp nhất (là tổng các chi phí của các kết nối giữa các node được dùng)

Thuật toán hoạt động với những hành động rất đơn giản Khi một node khởi động lần đầu, nó chỉ biết các node kề trực tiếp với nó, và chi phí trực tiếp để đi đến

đó (thông tin này, danh sách của các đích, tổng chi phí của từng node, và bước kế tiếp để gửi dữ liệu đến đó tạo nên bảng định tuyến, hay bảng khoảng cách) Mỗi node, trong một tiến trình, gửi đến từng “hàng xóm” (neighbor) tổng chi phí của nó

để đi đến các đích mà nó biết Các node “hàng xóm” phân tích thông tin này, và so sánh với những thông tin mà chúng đang “biết”; bất kỳ điều gì thay đổi của những

thông tin chúng đang có sẽ được đưa vào các bảng định tuyến của những “hàng xóm” này Đến khi kết thúc, tất cả node trên mạng sẽ tìm ra bước truyền kế tiếp tối

ưu đến tất cả mọi đích, và tổng chi phí tốt nhất

Khi một trong các node gặp vấn đề, những node khác có sử dụng node hỏng này trong lộ trình của mình sẽ loại bỏ những lộ trình đó, và tạo nên thông tin mới của bảng định tuyến Sau đó chúng chuyển thông tin này đến tất cả node gần kề và lặp lại quá trình trên Cuối cùng, tất cả node trên mạng nhận được thông tin cập nhật, và sau đó sẽ tìm đường đi mới đến tất cả các đích mà chúng còn tới được

1.1.2 Thuật toán trạng thái kết nối (Link-State Routing Protocols)

Khi áp dụng các thuật toán trạng thái kết nối, mỗi node sử dụng dữ liệu cơ sở của nó như là một bản đồ của mạng với dạng một đồ thị Để làm điều này, mỗi node phát đi tới tổng thể mạng những thông tin về các node khác mà nó có thể kết nối được, và từng node góp thông tin một cách độc lập vào bản đồ Sử dụng bản đồ này, mỗi router sau đó sẽ quyết định về tuyến đường tốt nhất từ nó đến mọi node khác Thuật toán đã làm theo cách này là Dijkstra, bằng cách xây dựng cấu trúc dữ liệu khác, dạng cây, trong đó node hiện tại là gốc, và chứa mọi thông tin node khác trong mạng Bắt đầu với một cây ban đầu chỉ chứa chính nó Sau đó lần lượt từ tập các node chưa được thêm vào cây, nó sẽ thêm node có chi phí thấp nhất để đến một node đã có trên cây Tiếp tục quá trình đến khi mọi node đều được thêm

Cây này sau đó phục vụ để xây dựng bảng định tuyến, đưa ra bước truyền kế tiếp tốt ưu, … để từ một node đến bất kỳ node khác trên mạng

1.1.3 So sánh các thuật toán định tuyến

Các giao thức định tuyến với thuật toán vector tỏ ra đơn giản và hiệu quả trong các mạng nhỏ, và đòi hỏi ít (nếu có) sự giám sát Tuy nhiên, chúng không làm việc tốt, và có tài nguyên tập hợp ít ỏi, dẫn đến sự phát triển của các thuật toán trạng thái kết nối tuy phức tạp hơn nhưng tốt hơn để dùng trong các mạng lớn Giao thức vector kém hơn với rắc rối về đếm đến vô tận

Ưu điểm chính của định tuyến bằng trạng thái kết nối là phản ứng nhanh nhạy hơn, và trong một khoảng thời gian có hạn, đối với sự thay đổi kết nối Ngoài ra, những gói được gửi qua mạng trong định tuyến bằng trạng thái kết nối thì nhỏ hơn những gói dùng trong định tuyến bằng vector Định tuyến bằng vector đòi hỏi bảng định tuyến đầy đủ phải được truyền đi, trong khi định tuyến bằng trạng thái kết nối thì chỉ có thông tin về “hàng xóm” của node được truyền đi Vì vậy, các gói này dùng tài nguyên mạng ở mức không đáng kể Khuyết điểm chính của định tuyến bằng trạng thái kết nối là nó đòi hỏi nhiều sự lưu trữ và tính toán để chạy hơn định tuyến bằng vector

Danh sách các giao thức định tuyến

• Giao thức định tuyến trong

o Router Information Protocol (RIP)

o Open Shortest Path First (OSPF)

o Intermediate System to Intermediate System (IS-IS)

o Hai giao thức sau đây thuộc sở hữa của Cisco, và được hỗ trợ bởi các router Cisco hay những router của những nhà cung cấp mà Cisco đã đăng ký công nghệ:

ƒ Interior Gateway Routing Protocol (IGRP)

ƒ Enhanced IGRP (EIGRP)

• Giao thức định tuyến ngoài

o Exterior Gateway Protocol (EGP)

o Border Gateway Protocol (BGP)

o Constrained Shortest Path First (CSPF)

1.2 Tầm quan trọng của việc định tuyến QoS

1.2.1 Mục tiêu của định tuyến QoS

Trong NGN, có nhiều kỹ thuật, giải pháp được đề xuất nhằm mục đích này như quy hoạch mạng, kỹ thuật lưu lượng, ; và một trong những giải pháp được quan tâm là định tuyến đảm bảo chất lượng dịch vụ (định tuyến QoS - QoSR) QoSR không những có vai trò làm tăng chất lượng dịch vụ mà còn có ý nghĩa quan trọng

trong việc giảm chi phí vận hành mạng

Mạng NGN được dùng để tạo ra một lớp dịch vụ mới: các dịch vụ truyền thông rộng khắp, các dịch vụ đa phương tiện và dịch vụ hội nghị như Audio/Video Conferencing… Các ứng dụng trong NGN đòi hỏi QoS cao hơn Công nghệ IP được chọn là công nghệ giữ vai trò quan trọng trong mạng và mạng IP tích hợp các lớp lưu lượng luồng - Stream (lưu lượng thời gian thực) và lưu lượng đàn hồi - Elastic (lưu lượng phi thời gian thực) Lưu lượng luồng là loại lưu lượng mà QoS phụ thuộc các đặc điểm truyền dẫn của các gói tin riêng biệt Lưu lượng đàn hồi là loại lưu lượng mà QoS của nó liên quan tới tổng thời gian để truyền một khối dữ liệu có kích thước xác định

Khái niệm chất lượng dịch vụ QoS là một khái niệm rộng và có nhiều cách tiếp cận Có thể khái quát như sau:

- Đối với lớp ứng dụng (Application Layer): Chất lượng dịch vụ QoS được sử

dụng là “mức độ dịch vụ - Grade of Service” Khái niệm này rất khó được định lượng chính xác, chủ yếu dựa vào đánh giá của con người – mức độ hài lòng đối với dịch vụ đó

- Đối với lớp truyền tải (Transport Layer): Chất lượng dịch vụ được thực hiện ở

hình thái “định tuyến QoS- QoS routing”, tìm đường thông trên mạng tùy thuộc vào các yêu cầu về chất lượng dịch vụ

- Đối với lớp mạng (Network layer): Được thể hiện bằng hình thái QoS, tương

đối dễ hiểu vì giống với khái niệm QoS ta vẫn thường gặp, được biểu diễn thông

qua các đại lượng toán học như: tỷ số, giá trị trung bình, giá trị lớn nhất… của các tham số như trể, mất gói tin, giá… của luồng gói/tế bào

Khái niệm QoS trong mạng truyền dẫn xuất hiện nhằm đưa ra một cách xử lý thích hợp hơn cho một số dạng lưu lượng khi mạng bị nghẽn, dựa trên mức độ cần thiết về QoS của chúng

Chất lượng dịch vụ (QoS) trong phạm vi định tuyến là khái niệm thể hiện mức

độ đáp ứng những thoả thuận giữa nhà cung cấp dịch vụ và người sử dụng về số lượng lẫn chất lượng kết nối Yêu cầu chất lượng của một kết nối là một tập các ràng buộc về liên kết, tuyến, và cây

Trong đó, Liên kết (link) là một kết nối giữa hai nút bất kì, tuyến (path) là tập hợp một vài kênh liên kết giữa một nút nguồn và một nút đích Cây (tree) bao gồm một vài tuyến liên kết giữa một nút nguồn và một số nút đích Kết nối (connection)

là đường truyền dẫn được thiết lập giữa một nút nguồn và một nút đích

Ràng buộc kênh qui định các giới hạn sử dụng kênh Ràng buộc về băng thông của kết nối đơn hướng yêu cầu các kênh của tuyến phải dự trữ một lượng băng thông rỗi nhất định Ràng buộc tuyến chỉ ra yêu cầu về chất lượng của một tuyến đơn, còn ràng buộc cây quy định yêu cầu về chất lượng cho toàn bộ các tuyến trong định tuyến đa hướng Ràng buộc trễ của một kết nối đa hướng yêu cầu trễ lớn nhất

từ nút nguồn đến bất kì nút đích nào trong cây đều phải nhỏ hơn một giới hạn nhất định Tuyến khả dụng là tuyến có đủ các tài nguyên rỗi để thoả mãn các ràng buộc QoS của một kết nối

Chức năng cơ bản của định tuyến QoS là tìm một tuyến khả dụng để thiết lập một kết nối giữa nút nguồn và nút đích đáp ứng được các yêu cầu về QoS Ngoài ra, hầu hết các thuật toán định tuyến QoS đều xem xét đến hiệu quả sử dụng tài nguyên được đo bằng chi phí Chi phí cho một tuyến/ cây là tổng chi phí của tất cả các kênh trên tuyến đó Tối ưu hoá là tìm một tuyến có chi phí thấp nhất trong số các tuyến khả dụng Bài toán định tuyến có hai chức năng chính:

- Thu thập thông tin trạng thái và đảm bảo thông tin đó luôn cập nhật

- Tìm kiếm một tuyến khả dụng cho kết nối mới dựa trên thông tin thu thập được

Kết quả của thu thập thông tin trạng thái có ảnh hưởng trực tiếp đến hiệu qủa của bất kỳ thuật toán định tuyến nào Thông tin trạng thái có các dạng:

+ Trạng thái nội bộ (local state): Mỗi nút đều phải đảm bảo luôn cập nhật trạng

thái nội bộ (gồm trễ đường truyền và trễ bộ đệm; băng thông rỗi của các kênh đầu ra

và mức độ khả dụng của các tài nguyên khác)

+ Trạng thái toàn mạng (global state): Là kết hợp trạng thái nội bộ của tất cả

các nút Mỗi nút đều có khả năng duy trì trạng thái toàn mạng bằng giao thức trạng thái kênh hay giao thức Vectơ khoảng cách Các giao thức này trao đổi trạng thái nội bộ giữa các nút theo chu kì Các giao thức trạng thái kênh phát quảng bá trạng thái nội bộ của tất cả các nút đến các nút trong mạng sao cho mỗi nút đều biết được cấu trúc hình học của mạng và trạng thái của các kênh Một vectơ khoảng cách chứa thông tin về bất kì nút đích nào bao gồm đặc điểm của tuyến tốt nhất đến nút đích

đó và trạng thái của nút tiếp theo trên tuyến tốt nhất

Trạng thái toàn mạng trong một nút là giá trị xấp xỉ của trạng thái mạng hiện tại

do không thể bỏ qua trễ đường truyền của thông tin trạng thái nội bộ Khi kích cỡ mạng tăng lên thì tính chính xác thông tin trạng thái giảm

+ Trạng thái mạng phân cấp (Parial global state): Một phương pháp chung để

tăng độ chính xác của thông tin trạng thái toàn mạng là thu thập nó theo cấu trúc phân cấp Trong một nhóm có một nút vật lí hoạt động đại diện cho nút logic và lưu trữ thông tin trạng thái cấp cao hơn Các kênh kết nối các nút logic với nhau gọi là các kênh logic Các nút logic lại tiếp tục được kết hợp lại để hình thành các nhóm cấp cao hơn, các nhóm cấp cao hơn được đại diện bởi các nút logic cấp cao Trong

mỗi mức phân cấp, tất cả các nút trong nhóm là nút con của nút logic và nút logic được gọi là nút cha

Định tuyến QoS là quá trình định tuyến nhằm chọn ra các tuyến có đủ tài nguyên để đáp ứng các yêu cầu về chất lượng dịch vụ và tối ưu hóa việc sử dụng tài nguyên mạng

1.2.2 Ưu và nhược điểm của định tuyến QoS

QoSR xác định tuyến dựa trên tài nguyên mạng hiện có và yêu cầu của luồng lưu lượng Nó có các ưu điểm sau:

- QoSR lựa chọn tuyến đường đi khả thi bằng cách tránh các Nút và kết nối bị nghẽn

- Nếu tải lưu lượng vượt quá giới hạn của tuyến đường đang có thì QoSR đưa ra nhiều tuyến khác để truyền lưu lượng dư đó

- Nếu xảy ra lỗi mạng hoặc lỗi nút thì QoSR sẽ lựa chọn một tuyến đường đi thay thế để nhanh chóng khôi phục lại việc truyền dữ liệu mà không làm giảm nhiều QoS

- Các loại lưu lượng khác nhau có yêu cầu QoS khác nhau, các tổ hợp lưu lượng

có nguồn và đích giống nhau có thể đi các tuyến đường khác nhau

Tuy nhiên, các ưu điểm này của định tuyến QoS cũng phải chịu chi phí để phát triển các giao thức định tuyến mới hay mở rộng các giao thức hiện tại Một số khó khăn chủ yếu là:

+ Thứ nhất, do các ràng buộc về chất lượng (trễ, rung pha, tỉ lệ mất gói, băng thông ) của các ứng dụng phân tán thường thay đổi Nhiều ràng buộc đồng thời thường làm cho việc định tuyến trở nên phức tạp vì rất khó cùng một lúc thoả mãn được tất cả các ràng buộc Hơn nữa, độ phức tạp của giao thức định tuyến QoS cũng phụ thuộc vào sự phân nhỏ của nó sử dụng trong các quyết định định tuyến

+ Thứ hai, bất kì một mạng tích hợp dịch vụ nào trong tương lai cũng sẽ truyền tải cả lưu lượng QoS và lưu lượng BE (best-effort), điều đó làm cho vấn đề tối ưu hoá trở nên phức tạp hơn và rất khó có thể xác định được điều kiện để thoả mãn tốt nhất cả hai loại lưu lượng trên nếu chúng phân bố độc lập

+ Thứ ba, trạng thái mạng thay đổi thường xuyên do tải không ổn định, các kết nối được tạo ra và giải phóng liên tục; kích thước mạng ngày càng lớn làm cho việc thu thập thông tin về trạng thái mạng trở nên khó khăn hơn, đặc biệt khi bao gồm cả mạng vô tuyến Hoạt động của các thuật toán định tuyến QoS có thể bị ảnh hưởng nghiêm trọng nếu không cập nhật thông tin trạng thái mạng kịp thời

Chương 2 – TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP DÙNG TRÍ TUỆ

NHÂN TẠO VÀO TRONG ĐỊNH TUYẾN QoS

2.1 Lý do chọn phương pháp dùng trí tuệ nhân tạo cho việc định tuyến QoS

2.1.1 Khái niệm trí tuệ nhân tạo

Trí tuệ nhân tạo (TTNT) là một lĩnh vực của khoa học và công nghệ mô phỏng

các khả năng của trí tuệ và trí thông minh của con người, biết suy nghĩ và lập luận

để giải quyết vấn đề, biết giao tiếp, biết học và tự thích nghi để giải các bài toán phức tạp Trí thông minh nhân tạo liên quan đến cách cư xử, sự học hỏi và khả năng thích ứng thông minh của máy móc Các ví dụ ứng dụng bao gồm các tác vụ điều

khiển, lập kế hoạch và lập lịch (scheduling), khả năng trả lời các câu hỏi về chẩn

đoán bệnh, trả lời khách hàng về các sản phẩm của một công ty, nhận dạng chữ viết tay, nhận dạng tiếng nói và khuôn mặt Bởi vậy, trí thông minh nhân tạo đã trở thành một môn học, với mục đích chính là cung cấp lời giải cho các vấn đề của cuộc sống thực tế Ngày nay, các hệ thống nhân tạo được dùng thường xuyên trong kinh

tế, y dược, các ngành kỹ thuật và quân sự, cũng như trong các phần mềm máy tính thông dụng trong gia đình và trò chơi điện tử

TTNT (trí tuệ nhân tạo) có hai trường phái là TTNT truyền thống và Trí tuệ tính toán Trường phái Trí tuệ nhân tạo truyền thống bao gồm một số phương pháp như:

Hệ chuyên gia, lập luận theo tình huống, mạng Bayes… Trường phái Trí tuệ tính toán nghiên cứu việc học hay phát triển lặp gồm các phương pháp như dùng mạng nơ-ron, hệ mờ, lý thuyết tiến hoá di truyền, mô phỏng hành vi

2.1.2 Trí tuệ nhân tạo trong định tuyến QoS

Định tuyến chất lượng dịch vụ là việc tìm đường đi thoả mãn nhiều ràng buộc đồng thời các yêu cầu về QoS (trễ, trượt, mất gói Các phương pháp TTNT được sử dụng trong định tuyến Best Effort nói chung và định tuyến QoS nói riêng thường là các phương pháp TTNT thuộc loại thứ hai Các phương pháp này còn được gọi là siêu thử nghiệm (Meta-Heuristic) vì bản chất nó sử dụng các tri thức, kinh nghiệm (heuristic) nhưng được khái quát hoá thành phương pháp luận để giải bài toán tổng quát.Do các ràng buộc về chất lượng (trễ, rung pha, tỉ lệ mất gói, băng thông ) của các ứng dụng phân tán thường thay đổi Nhiều ràng buộc đồng thời thường làm cho việc định tuyến trở nên phức tạp vì rất khó cùng một lúc thoả mãn được tất cả các ràng buộc Hơn nữa, độ phức tạp của giao thức định tuyến QoS cũng phụ thuộc vào

sự phân nhỏ của nó sử dụng trong các quyết định định tuyến Trạng thái mạng thay đổi thường xuyên do tải không ổn định, các kết nối được tạo ra và giải phóng liên tục; kích thước mạng ngày càng lớn làm cho việc thu thập thông tin về trạng thái mạng trở nên khó khăn hơn, đặc biệt khi bao gồm cả mạng vô tuyến và các ứng dụng đa phương tiện Hoạt động của các thuật toán định tuyến QoS có thể bị ảnh hưởng nghiêm trọng nếu không cập nhật thông tin trạng thái mạng kịp thời Do vậy cần phương pháp xem xét linh động các ràng buộc (xem xét theo lý luận fuzzy logic,…) và phương pháp thích nghi nhanh với môi trường (mạng neural, thuật giải

di truyền…)

2.2 Một số phương pháp trí tuệ nhân tạo được nghiên cứu trong việc định tuyến QoS

Mạng neural nhân tạo phát triển từ nghiên cứu về trí tuệ nhân tạo cố gắng mô

phỏng bộ não con người trên cơ sở ghép các neural nhân tạo lại theo một quy tắc nào đó Thông thường, một mạng neural bao gồm một hoặc nhiều nhóm các neural được kết nối vật lý với nhau hoặc có liên quan với nhau về chức năng Một neural đơn có thể được nối với nhiều neural khác và tổng số neural và kết nối trong một mạng có thể là một giá trị cực kỳ lớn Các kết nối, gọi là các khớp thần kinh

(synapses), thường nối từ các axon tới các tế bào tua gai thần kinh (dendrite) Trí tuệ nhân tạo và Mô hình nhận thức (cognitive modelling) cố gắng giả lập một số

tính chất của mạng neural Tuy các kỹ thuật của hai ngành là tương tự, Trí tuệ nhân tạo có mục tiêu giải quyết các bài toán cụ thể, trong khi ngành kia hướng tới việc xây dựng các mô hình toán học của các hệ thần kinh sinh học

2.2.2 Lý thuyết mờ (Fuzzy)

Các tập fuzzy hay tập hợp fuzzy (Fuzzy set) là một mở rộng của lý thuyết tập

hợp cổ điển và được dùng trong logic fuzzy Trong lý thuyết tập hợp cổ điển, quan

hệ thành viên của các phần tử trong một tập hợp được đánh giá theo kiểu nhị phân theo một điều kiện rõ ràng — một phần tử hoặc thuộc hoặc không thuộc về tập hợp Ngược lại, lý thuyết tập mờ cho phép đánh giá từ từ về quan hệ thành viên giữa một phần tử và một tập hợp; quan hệ này được mô tả bằng một hàm thành viên

(membership function) Các tập fuzzy được coi là một mở rộng của lý thuyết tập hợp cổ điển là vì, với một giá trị nhất định, một hàm thành viên có thể

giữ vai trò của một hàm đặc trưng (indicator function) ánh xạ mỗi phần tử tới một

giá trị 0 hoặc 1 như trong khái niệm cổ điển

Trong bài toán định tuyến việc tìm đường dựa vào thông tin về mạng tại thời điểm tính toán nhưng trong thực tế các số liệu này đôi khi không phải hoàn toàn chính xác Sự không chính xác của thông tin này có thể do nhiều nguyên nhân khác nhau như: việc lấy mẫu thông số QoS có sai số, sự thay đổi các thông số trên mạng

nhanh hơn sự cập nhật thông tin

2.2.3 Giải thuật di truyền

Giải thuật di truyền là một kỹ thuật của khoa học máy tính nhằm tìm kiếm giải

pháp thích hợp cho các bài toán tối ưu tổ hợp (combinatorial optimization) Giải

thuật di truyền là một phân ngành của giải thuật tiến hóa vận dụng các nguyên lý của tiến hóa như di truyền, đột biến, chọn lọc tự nhiên, và trao đổi chéo

Giải thuật di truyền thường được ứng dụng nhằm sử dụng ngôn ngữ máy tính để

mô phỏng quá trình tiến hoá của một tập hợp những đại diện trừu tượng (gọi là

những nhiễm sắc thể) của các giải pháp có thể (gọi là những cá thể) cho bài toán tối

ưu hóa vấn đề Tập hợp này sẽ tiến triển theo hướng chọn lọc những giải pháp tốt hơn

Thông thường, những giải pháp được thể hiện dưới dạng nhị phân với những chuỗi 0 và 1, nhưng lại mang nhiều thông tin mã hóa khác nhau Quá trình tiến hóa xảy ra từ một tập hợp những cá thể hoàn toàn ngẫu nhiên ở tất cả các thế hệ Trong từng thế hệ, tính thích nghi của tập hợp này được ước lượng, nhiều cá thể được chọn lọc định hướng từ tập hợp hiện thời (dựa vào thể trạng), được sửa đổi (bằng đột biến hoặc tổ hợp lại) để hình thành một tập hợp mới Tập hợp này sẽ tiếp tục được chọn lọc lặp đi lặp lại trong các thế hệ kế tiếp của giải thuật

Ngoài ra trong định tuyến chất lượng dịch vụ người ta còn chú ý tới một

phương pháp nữa đó la phương pháp mô phỏng hành vi TTNT theo trường phái

dựa trên hành vi hình thành trên sự quan sát tự nhiên các hành vi của một cá thể hay một quần thể sinh vật nào đó và cố gắng mô phỏng lại các hành vi đó Một ví dụ tiêu biểu của các sinh vật sống trong tự nhiên đó là loài kiến, trong việc tìm kiếm thức ăn hàng ngày kiến có thể tìm ra đường đi ngắn nhất từ nhà đến chỗ tìm thấy thức ăn

Các phương pháp này sẽ được nghiên cứu chi tiết hơn ở các chương tiếp theo, trong các phần ứng dụng vào định tuyến QoS

Để lợi dụng điểm mạnh và hạn chế các mặt hạn chế của mỗi phương pháp người ta cũng đề xuất một số hướng kết hợp các phương pháp lại với nhau như: Fuzzy và nơ-ron, hệ kiến và mạng nơ-ron, GA và nơ-ron, GA và Fuzzy

Trong các phần tiếp theo sẽ lần lượt nghiên cứu chi tiết một số phương pháp ứng dụng trí tuệ nhân tạo vào bài toán định tuyến chất lượng dịch vụ, trong mỗi phần sẽ đề cập đến một mô hình mô phỏng cụ thể đã từng được thực hiện làm dẫn chứng, từ đó ta có thể hình dung rõ nhất về hoạt động của các phương pháp Trong luận văn này nghiên cứu các phương pháp đang được sử dụng và đang được nghiên cứu, từ đó có được những kiến thức cơ bản nhất cho những nghiên cứu tiếp theo, đặc biệt khi dịch vụ đang ngày càng đa dạng và chất lượng dịch vụ đang ngày càng được chú trọng

Chương 3 PHƯƠNG PHÁP FUZZY LOGIC KẾT HỢP VỚI MẠNG

NEURAL ỨNG DỤNG TRONG ĐỊNH TUYẾN QoS

3.1 Lý luận fuzzy

3.1.1 Logic truyền thống

Trong các nghiên cứu khoa học, Logic truyền thống chỉ quan tâm đến hai giá trị

tuyệt đối là đúng hoặc sai Theo đó, Logic truyền thống luôn tuân theo hai giả

Nếu nhiệt độ trên 350C thì nóng, ngược lại là không nóng

Hình bên dưới minh họa tập hợp “nóng” gồm tất cả các nhiệt độ từ 350C trở lên

Hình 3.1 Biểu diễn tập nhiệt độ “nóng”

Từ hình 3.1 ta thấy logic truyền thống không thể hiện được sự khác biệt giữa các thành viên trong cùng một tập hợp Ở đây, giữa hai nhiệt độ 450C và 550C,

logic này không thể hiện được nhiệt độ nào nóng hơn nhiệt độ nào

Ngoài ra, logic này còn có một nhược điểm khác quan trọng hơn đó là chúng không thể biểu diễn được các dữ kiện mang tính mơ hồ, không chính xác mà trong thực tế lại có rất nhiều phát biểu bằng ngôn ngữ tự nhiên ở dạng này, chẳng hạn như:

“ Tuấn thì khá cao” ⇒ Tuấn có thuộc tập hợp những người cao hay không?

Hoặc: “ Tuấn thì rất cao”⇒ như thế nào là rất cao?

Vì vậy, logic truyền thống không thể hỗ trợ cho những suy luận dựa trên những thông tin mang tính mơ hồ, thiếu chính xác như vậy

3.1.2 Khái niệm về Fuzzy Logic

Để khắc phục khuyết điểm của logic truyền thống, Lotfi Zadeh đã đưa ra lý

thuyết mới về logic gọi là logic fuzzy (fuzzy logic) Lý thuyết của Zadeh biểu diễn

tính fuzzy hay tính thiếu chính xác trong các phát biểu theo cách định lượng bằng

cách đưa ra một hàm tư cách thành viên tập hợp (hàm thuộc) nhận giá trị thực giữa

0 và 1

3.1.3 Khái niệm về tập fuzzy

Cho S là một tập hợp và xlà một phần tử của tập hợp đó Một tập con fuzzy

Fcủa S được định nghĩa bởi một hàm tư cách thành viên µF (x ) đo “mức độ”

mà theo đó x thuộc về tập F. Trong đó, 0 ≤ µF (x) ≤ 1

Khi µF (x)= 0 nghĩa là x hoàn toàn không thuộc tập F

Khi µF (x)= 1 nghĩa là x thuộc F hoàn toàn

Nếu µF (x)= 0 hoặc 1 thì tập F được xem là “giòn” (crispy)

Thí dụ: S là tập hợp tất cả các số nguyên dương và F là tập con fuzzy của S

được gọi là “số nguyên nhỏ” Trong đó: µF( 1 )= 1.0, µF( 2 )= 1.0, µF( 3 )= 0.9,

)

4

(

F

µ = 0.8, µF( 50 )= 0.001, v.v… được biểu diễn như trong hình 3.2:

Hình 3.2 Biểu diễn tập fuzzy của “các số nguyên nhỏ”

Thí dụ :

Hình 3.3 bên dưới minh họa hàm thành viên cho các tập fuzzy thể hiện người

đàn ông “thấp”, “cao” và “trung bình”

Hình 3.3 Biểu diễn của các tập fuzzy “thấp”, “trung bình” và “cao”

Từ hình trên, ta thấy những người đàn ông cao 4’ thì hoàn toàn thuộc về tập

fuzzy “thấp” Còn những người đàn ông có chiều cao 4’8” thì vừa thuộc tập fuzzy

‘thấp’, vừa thuộc tập fuzzy ‘trung bình’ Còn những người đàn ông có chiều cao

6’1” thì chỉ thuộc tập fuzzy ‘cao’ với µ< 1

3.1.4 Các tính chất của tập fuzzy:

- Hai tập fuzzy bằng nhau: A = B nếu ∀x∈X , µA (x)= µB (x)

- Tập con: A □ B nếu ∀x∈X , µA (x)≤ µB (x)

- Một phần tử có thể thuộc về nhiều hơn một tập fuzzy Như ví dụ,

một người đàn ông cao 5’10” thuộc về cả hai tập “trung bình” và “cao”

- Tổng các giá trị fuzzy của một phần tử là khác 1 :

1 ) ( )

( )

Thí dụ:

Một hàm thành viên cho tập fuzzy thể hiện một người là “trẻ”, “trung niên”

và “già”

Hình 3.4 Biểu diễn của các tập fuzzy “trẻ”, “trung niên” và “già”

Từ hình 3.4 trên, nếu cho biết tuổi của một người, ta có thể xác định mức độ người đó thuộc về lớp người trẻ, trung niên và già Chẳng hạn như:

An 28 tuổi ⇒ µtre (An)= 0.8 và µtrung nien (An)= 0.3

Linh 35 tuổi ⇒ µtre (Linh)= 0.3 và µtrung nien (Linh)= 0.8

Lan 23 tuổi ⇒ µtre (Lan)= 1.0

Ta gọi các con số 0.8, 0.2, 1.0 là các giá trị fuzzy (fuzzy values)

Vậy từ các giá trị chính xác hay giá trị ‘giòn’ (crispy) (số tuổi: 28, 35, 23…) ta

đã suy ra các giá trị fuzzy tương ứng Thao tác này gọi là fuzzy hóa (fuzzification)

các giá trị “giòn” (crispy)

Các tập fuzzy

3.2 Mạng Neural

3.2.1 Khái niệm mạng neural

Mạng neural là một công nghệ trí tuệ nhân tạo được thiết kế độc đáo nhằm bắt chước những chức năng của não người Nó là một tiến trình không có thuật toán, tiến trình này có khả năng học và đáp ứng để thay đổi trong môi trường hoạt động của nó Khả năng điều chỉnh thành công chính nó cho thấy các mạng neural có thể

là một công cụ có ích trong việc quản lý các mạng không ổn định

Một mạng neural gồm rất nhiều bộ xử lý đơn giản liên kết chặt chẽ với nhau đươc gọi là neurodes Có nhiều điểm tương đồng với các neuron sinh học trong não người Các neurode nhân tạo được kết nối bởi các đường mang các tín hiện giữa chúng, giống như các neuron sinh học Các neurode nhận sự kích thích đầu vào được dịch ra thành các kích thích đầu ra

3.2.2 Quy trình hoạt động mạng neural

Mạng neural gồm rất nhiều các neurode nối với nhau Quy trình bắt đầu khi thông tin đi vào lớp input của các neurodes Các đầu vào bất kì một neurode nào trong mạng neural sẽ tuân theo cùng một tiến trình cơ bản giống nhau Đây là một tiến trình hai bước cơ bản sử dụng biểu thức toán học khác nhau cho việc đánh giá

Bước đầu tiên sử dụng hàm tổng để kết hợp tất cả các giá trị đầu vào tới một

neurode vào trong một giá trị đầu vào được tính toán Bước hai sử dụng một biểu

thức toán học khác, được biết tới như một hàm truyền đạt, nó mô tả sự truyền đạt của mẫu đầu vào được xem xét tới một đầu ra tương ứng Hai bước này hoạt động đồng nhất cho tất cả các node trong mạng neural

Hình 3.5 Kiến trúc mạng Neural

Bước một, hàm tổng hợp điều khiển cách neurode tính toán các trọng số từ

mạng lưới đầu vào từ những giá trị đầu vào đơn lẻ mà nó nhận được Mặc dù hàm tổng hoạt động đồng nhất cho tất cả các lớp, đầu ra của hàm tổng trong lớp đầu vào

sẽ đơn giản hơn so với các lớp khác Điều này do mỗi neurode trong lớp đầu vào nhận một giá trị đơn Do đó tổng các giá trị đơn này bằng chính giá trị nguyên gốc của nó Neurode trong hai lớp khác yêu cầu thực hiện thêm phép tính toán để thu được các đầu vào mạng lưới của chúng Điều này được thực hiện sử dụng công thức tổng sau:

Bước hai trong tiến trình này là chuyển đổi đầu vào mạng lưới sang mức kích

hoạt, mức kích hoạt này sẽ là đầu ra của neurode đó (neurode j) Mức kích hoạt được thu bởi áp dụng mạng đầu vào với một hàm đường cong đã được định nghĩa trước, hay còn được gọi là hàm truyền đạt Đường cong phổ biến nhất là hàm xichma:

Hình 3.6 Cấu trúc của neurode j

3.2.3 Học và triệu hồi

Có hai hướng sử dụng hệ thống mạng neural, là học và triệu hồi Khả năng học duy trì bởi các hệ thống này là ưu điểm chính có được của mạng Neural Trong thực

tế, khả năng học là lý do của các mạng neural được chọn trong nhiều trường hợp

Sở hữu khả năng học và đáp ứng với môi trường cho phép phương pháp định tuyến trở nên hiệu quả và linh động hơn

Thủ tục học của mạng neural có ba kiểu học chính: học có giám sát, học không

có giám sát và học tăng cường Thủ tục phổ biến nhất được sử dụng cho việc học này, được gọi là học giám sát Loại học này bắt đầu với một tập hợp mẫu đầu vào

và các mẫu đầu ra tương ứng Nhiệm vụ của chương trình học có giám sát là dự

một số mẫu huấn luyện (nghĩa là, các cặp đầu vào và đầu ra tương ứng) Để đạt được điều này, chương trình học phải tổng quát hóa từ các dữ liệu sẵn từ đó có thể

dự đoán được những tình huống chưa gặp phải theo một cách hợp lí

Quá trình huấn luyện này tạo cho việc học giảm lỗi phát sinh khi mạng neural

dự báo một đầu ra từ tập hợp các giá trị đầu vào cho trước Sự giảm thiểu được lỗi này được thực hiện bởi việc điều chỉnh trọng số kết nối các neurode này với các neurode khác Điều này giống với các học sinh học trong đó các khớp nối thần kinh của bộ não củng cố các kết nối giữa các neuron thông qua việc học Trọng số của mạng nhân tạo được đáp ứng theo một quy luật học cụ thể

Triệu hồi của các mạng Neural thực hiện chỉ sau khi tiến trình học đã hoàn thành Tại thời điểm đó, mạng neural nên được đào tạo đủ để tạo nên đầu ra thích hợp cho tập hợp đầu vào cho trước Triệu hồi về cơ bản là tiến trình sử dụng mạng

đã được đào tạo để cung cấp những dự đoán thiết thực

3.3 Sự kết hợp giữa mạng neural và fuzzy logic trong việc định tuyến đảm bảo QoS

Việc kết hợp giữa mạng neural và fuzzy logic đã được nhiều sự quan tâm của

nhiều nhà nghiên cứu, chúng ta sẽ nghiên cứu cụ thể nguyên lý hoạt động cũng như nguyên lý của sự kết hợp giữa hai phương pháp này để đem lại hiệu quả cao trong việc định tuyến và đảm bảo chất lượng dịch vụ

Các tập hợp fuzzy được đưa vào mạng neural lần đầu tiên năm 1974 (Lee 1974), nhưng không được áp dụng nhiều và phát triển cho đến những năm gần đây Từ

1991, người ta đã chú ý nhiều hơn đến việc đưa thuật toán fuzzy vào trong các mạng neural (Chan 1993)

Một mạng neural được coi là một mạng fuzzy neural nếu tín hiệu và/hoặc các trọng số trong hệ thống dựa trên các tập hợp fuzzy (1994) Nghiên cứu này sẽ sử dụng các mạng neural có tín hiệu là các mức độ thành viên lấy từ các tập hợp fuzzy

Sự thay đổi này trong đầu vào của mạng neural sẽ không ảnh hưởng đến hoạt động của mạng neural đã được mô tả ở phần trước

3.3.1Các mạng fuzzy neural

Truyền dữ liệu qua một mạng rộng (WAN) là một nhiệm vụ khó nếu trong mạng đang xét có rất nhiều node Truyền dẫn sẽ gần như không ảnh hưởng nếu tất

cả node đều có đường truyền trực tiếp tới tất cả các node khác còn lại trong mạng

Nó sẽ cung cấp một kiểu truyền dẫn đơn giản giữa hai node trong mạng, tuy nhiên,

đó là một giải pháp không thực tế Cần có một phương pháp xử lý được vấn đề này

để sử dụng các đặc điểm đặc trưng của một router mạng để dữ liệu có thể được truyền một cách hiệu quả qua các thiết bị khác trong mạng Như đã được mô tả, một router là một thiết bị mạng truyền dữ liệu giữa hai mạng máy tính Nó hoạt động giống như một chiếc máy tính nhỏ, trong đó nó chạy một chương trình phần mềm đặc biệt để định nghĩa ra con đường tốt nhất cho dữ liệu để đạt tới đích

Định tuyến thích nghi tập trung vào trạng thái hiện tại của mạng, do đó nó hướng tới thỏa mãn nhu cầu chất lượng dịch vụ của người sử dụng Các phương pháp được đưa ra cho đến nay đều dựa trên các tuyến đường của chúng trên các thông tin hiệu suất mạng nhận được từ các thiết bị khác, thường không chính xác do thời gian cần thiết để truyền thông tin Do đó thông tin dựa trên nhận thức fuzzy, fuzzy logic dường như là một phương pháp tự nhiên để sử dụng trong định tuyến mạng

Tiêu chuẩn cho định tuyến WAN chuyển mạch gói được mô tả chi tiết hơn trong định tuyến điện thoại Khalfet và Chemouil (1994) đưa ra hai tiêu chuẩn trong

mô hình định tuyến trong mạng điện thoại; chất lượng và tính sẵn sàng Stallings (1990) gợi ý rằng có rất nhiều yêu cầu trong chức năng định tuyến trong mạng WAN chuyển mạch gói Các yêu cầu này bao gồm: sửa sai, đơn giản hóa, tính ổn định, sự thiết thực, sự công bằng, sự tối ưu Hai tiêu chuẩn đơn giản, phổ biến được

sử dụng trong việc chọn được WAN là minimum hope route (tuyến đường ít hop nhất) và least-cost route (tuyến đường có chi phí ít nhất), trong đó cost (chi phí) dựa trên data rate (tốc độ dữ liệu) (Stallings 1990) Tốc độ dữ liệu là một định nghĩa dành riêng cho mạng gói, mỗi đường kết nối có thể có một tốc độ dữ liệu khác nhau

Hai điều cần xem xét thêm vào đó, theo Stallings (1990), bổ sung thêm cho những yêu cầu trên là tình trạng lỗi (failure) và nghẽn (congestion)

Nghiên cứu này sẽ đưa ra một ứng dụng của việc điều khiển mạng fuzzy neural

để định tuyến phù hợp trong mạng WAN chuyển mạch gói Có 3 giao thức không phải mạng neuron đang tồn tại sử dụng các tiêu chuẩn gần giống nhau (nhưng khác với fuzzy) để định nghĩa tuyến đường đi thích hợp cho thông tin, là OSPF, IGRP và BGP

Thuật toán “open shortest path first” (tìm đường đi ngắn nhất) (OSPF) “open” ở đây nghĩa là không độc quyền, và “shortest path first” là một nghĩa khác của “link state routing algorithm” (thuật toán định tuyến trạng thái) Định nghĩa topology mạng tới tất cả các router trong mạng Mỗi router chịu trách nhiệm học thông tin từ neighbors (hàng xóm) của nó và xây dựng một gói trạng thái liên kết (LSP) để chứa

và truyền đạt các thông tin này LSP được truyền lần lượt tới tất cả các router, lưu giữ các LSPs nhận được để tính toán các tuyến đường thích hợp nhất để tới mỗi đích

Mỗi router được cấu hình với một chi phí cho mỗi đường truyền gắn với nó Các đường truyền có thể được cấu hình tới bốn loại chi phí liên quan đến đường truyền: băng thông, trễ truyền dẫn, chi phí truyền dẫn và hạn chế Mỗi một chi phí định nghĩa ra một đường khác nhau; do đó, router tính toán các tuyến đường tới tất

cả các đích dựa trên sự kết hợp có thể khác nhau của các thông số định tuyến (metric) được sử dụng Thêm vào việc sử dụng rất nhiều tài nguyên (Cisco 1995),

nó yêu cầu người sử dụng phải biết thông số nào họ muốn dùng để tính toán tuyến đường tới đích Lựa chọn “quality of service” (QoS – chất lượng dịch vụ) yêu cầu thấy được trong phần đầu (header) gói dữ liệu chịu trách nhiệm việc đưa ra thông số nào nên được sử dụng Ý tưởng chính ẩn sau OSPF là sử dụng LPS để xác định một tập hợp các bảng định tuyến cho mỗi router Tùy thuộc vào chất lượng dịch vụ mong muốn, một trong các bảng định tuyến được lựa chọn như là một bảng thích hợp cho việc truyền gói dữ liệu OSPF đang là một giao thức định tuyến được sử dụng nhiều

IGRP (Interior Gateway Routing Protocol), cũng giống như OSPF, sử dụng kết hợp các thông số (metric) để quyết định một tuyến đường Tuy nhiên, IGRP luôn xem xét tất cả các thông số khi tính toán một tuyến đường Trễ mạng, băng thông,

độ tin cậy, MTU (kích cỡ tối đa một gói có thể truyền qua một đường truyền mạng

cụ thể) và trễ, tất cả các thông số này đều góp phần vào việc xác định tuyến đường cho việc truyền dữ liệu (Cisco 1995) Mỗi một thông số được gán một trọng số thể hiện mức độ quan trọng của nó trong việc truyền dữ liệu qua mạng IGRP cũng cung cấp đường định tuyến thứ hai được sử dụng khi có lỗi trong một link nào đó IGRP cũng đang được sử dụng phổ biến trong mạng máy tính hiện đại

BGP (Border Gateway Protocol) là một giao thức định tuyến được bắt đầu khá muộn trong Internet (Cisco 1995) Nền tảng của BGP, cũng giống OSPF và IGRP, tập trung vào thông số định tuyến (routing metric), tuy nhiên thông số định tuyến cho BGP khác so với OSPF và IGRP BGP sử dụng một thông số cho tất cả các tuyến đường có thể tới một đích Thông số này là một tùy biến chỉ rõ mức độ ưa chuộng cho tuyến đường cụ thể Mức độ ưa chuộng này dựa trên các thông số được đưa ra bởi người quản lý mạng Các thông số này thường gồm có bộ đếm domain, tốc độ, độ tin cậy, độ ổn định và các yếu tố khác

Ý tưởng BGP về đưa ra một tuyến đường tối ưu dựa trên mức độ ưa chuộng song song với định nghĩa của việc định tuyến fuzzy Các thông số của BGP (bộ đếm domain, tốc độ, độ ổn định, độ tin cậy…) rất khó để xác định một cách chính xác

Ví dụ như, không thể đưa ra mức độ chính xác của độ tin cậy và độ ổn định cho một đường truyền mạng Sự không chính xác này đưa ra giả thuyết là mức độ ưa chuộng của một đường truyền mạng có thể được định nghĩa chính xác hơn nếu các thông số định tuyến quyết định được định nghĩa như trong tập hợp fuzzy

Đề xuất thuật toán định tuyến fuzzy sẽ không bao gồm việc phát triển một giao thức định tuyến mới Thay vào đó, nó chỉ đưa ra bổ sung cho một giao thức đã tồn tại như BGP, OSPF Tiêu chuẩn được sử dụng thỏa mãn các yêu cầu Stalling (1990) gồm các đặc điểm như khoảng cách, băng thông, lỗi, xung đột và những đặc điểm

khác Sự lựa chọn các đặc tính tiêu chuẩn nhất sẽ được sử dụng để tạo và định nghĩa

ra định tuyến fuzzy được xem xét

Trong phần này ta thấy được lý luận fuzzy và mạng neural cũng đã được chú ý trong định tuyến cho mạng máy tính Cũng có một vài nghiên cứu của các nhà khoa học đi trước đề cập đến vấn đề này Môt phương pháp cụ thể áp dụng fuzzy và mạng neural vào định tuyến ta sẽ đề cập đến trong phần tiếp theo của luận văn Hình dưới là các bước cụ thể cần thực hiện trong quá trình áp dụng

Hình 3.7 Các bước thực hiện mạng fuzzy neural

3.3.2 Tập hợp fuzzy trong định tuyến

Như đã nói ở trên, các thông số định tuyến trong một số trường hợp, đặc biệt là trong trường hợp quy mô mạng ngày càng lớn rất khó để xác định một cách chính xác Để đảm bảo cho chất lượng dịch vụ khi truyền dữ liệu qua mạng, một phương pháp được đưa ra đó là ta sẽ áp dụng fuzzy, các giá trị hàm thành viên fuzzy cho mỗi thông số sẽ được thiết lập Phần này đưa ra sự nghiên cứu cụ thể từng thông số (khoảng cách, băng thông, lỗi, nghẽn…) và cách áp dụng fuzzy cho từng thông số

Fuzzy hóa các thông số

Thiết kế mạng neural

Phân tích các thông số định tuyến

Chọn thông số cần quan tâm (đảm bảo ràng buộc về chất lượng dịch vụ yêu cầu)

Các thông số fuzzy hóa được sử dụng làm tín hiệu cho mạng neural

Các thông số này là các thông số được quan tâm nhất trong việc định tuyến đảm bảo chất lượng dịch vụ ở lớp mạng

Bảng định tuyến bao gồm một tập hợp các chi tiết cố định liên quan đến các khía cạnh như các tuyến đường có thể khác nhau và tốc độ dữ liệu cho các đường truyền khác nhau Bảng định tuyến cũng bao gồm các thông tin động được báo cáo

từ các node khác Sự kết hợp của tất cả các thông tin này được sử dụng để đưa ra các quyết định định tuyến hiệu quả ở mỗi node trong mạng WAN Để xem xét các yêu cầu cần thiết cho định tuyến qua mạng chuyển mạch gói WAN, các thông số sau sẽ được sử dụng: khoảng cách, băng thông, lỗi, và nghẽn Mỗi một thông số định tuyến này sẽ phối hợp với một nhóm các hàm thành viên fuzzy Hàm thành viên hình thang sẽ được chọn để sử dụng trong bài luận này Trên thực tế tùy vào các đặc tính của các vấn đề cụ thể cũng có thể được điều chỉnh sử dụng các loại hàm thành viên với hình dạng khác

Khoảng cách là một nhân tố quan trọng vì nó liên quan trực tiếp đến thời gian truyền dẫn Mỗi node có khả năng chứa thông tin như số tối ưu các hop tới đích dưới các điều kiện thuận lợi Thông tin này, được quy vào khoảng cách, sẽ được xem xét một cách không chính xác vì khả năng lỗi mạng sẽ có thể xảy ra trước khi truyền gói thành công Mỗi một đường truyền đi của node sẽ liên kết với giá trị khoảng cách fuzzy là ngắn, trung bình và dài, các giá trị này là các giá trị phụ thuộc vào tình huống cụ thể

Định nghĩa tập hợp thành viên fuzzy cho khoảng cách yêu cầu cần phải có sự nghiên cứu kỹ càng, vì khoảng cách, khi là số lượng các hop là một đại lượng rời rạc Sự phức tạp với định nghĩa này tăng lên khi số lượng các node tăng lên Khi đó

số lượng các hop có thể cũng sẽ tăng lên, do đó bảng cũng sẽ mở rộng về kích cỡ và

độ khó cũng tăng lên Do vậy định nghĩa thành viên liên tục sẽ phác thảo một sự mô

tả giống như trong rời rạc, có thể biểu diễn tập hợp thành viên khoảng cách fuzzy như liên tục Mặc dù mạng WAN trong nghiên cứu này không thực sự lớn, nghiên cứu sẽ áp dụng tập hợp thành viên khoảng cách liên tục khi nó là sự lựa chọn có thể,

và có được hiệu quả thêm vào với sự thống nhất với tập hợp thành viên fuzzy khác,

các tập hợp thành viên fuzzy của các thông số khác cũng là liên tục

Hình 3.8 Các tập hợp thành viên khoảng cách

Băng thông liên quan tới tốc độ dữ liệu và có thể cao hết mức có thể Tốc độ dữ

liệu của đường truyền đi của một node có thể được lưu trữ trong node đó như một

thông tin động của node đó Giá trị khác nhau của lưu lượng của node có thể ảnh

hưởng đến tộc độ dữ liệu theo những cách khác nhau, do đó cần phải phân loại các

tốc độ này thành các nhóm fuzzy: thấp, trung bình và cao Giá trị bằng số tương ứng

với các tập hợp này phụ thuộc vào mô hình của mạng WAN đang dùng Biến fuzzy

được sử dụng ở đây là tốc độ dữ liệu là megabye trên giây (MB/s), có đại lượng

logic khác sẽ là phần trăm gói truyền đi thành công

Hình 3.9 Các tập hợp thành viên băng thông

Cũng giống như tất cả các thiết bị điện tử, mạng WAN cũng là chủ thể của các

lỗi (failure) Có rất nhiều loại lỗi khác nhau có thể xuất hiện, mỗi một loại có mức

Trung bình Thấp Cao

Tốc độ dữ liệu tính theo bps

Trung bình Ngắn Dài

Số lượng hop tới đích

độ nghiêm trọng khác nhau Có thể là đứt cáp, lỗi này sẽ nguy hiểm hơn so với các lỗi như mất điện tạm thời Mức độ lỗi là thông tin sẽ được báo bởi các node khác,

do đó sẽ cần một khoảng thời gian nhất định để nhận thông tin Bởi vì trễ thời gian này mà thông tin liên quan đến lỗi có thể sẽ không chính xác kịp thời, dẫn đến nhận biết fuzzy Các nhóm fuzzy cho lỗi là mild (nhẹ), severe (nặng), very severe (rất nặng) Mức độ nghiêm trọng của lỗi thường tương quan với thời gian dự đoán để sửa lỗi, do đó thành viên sẽ được đo bởi thời gian dự đoán có thể sửa lỗi Loại lỗi phụ thuộc vào phần cứng đang được sử dụng trong mạng WAN.Có thể có một cách xem xét lỗi khác là số thiết bị bị ảnh hưởng bởi lỗi

Hình 3.10 Các tập hợp thành viên lỗi

Những người sử dụng mạng WAN mong muốn chất lượng dịch vụ ổn định Sự tắc nghẽn cũng là một vấn đề đang rất được quan tâm hiện nay Cũng giống như lỗi, sự tắc nghẽn cũng có các mức độ khác nhau Mức độ nghẽn cũng là thông tin được báo cáo bởi các node khác, do đó thời gian truyền có thể làm cho thông tin không chính xác tại thời điểm đó Cũng như vậy, không có điểm nào có thể được coi là điểm truyền dẫn từ tắc nghẽn thấp lên trung bình Nhóm fuzzy cho tắc nghẽn

là low (thấp), medium (trung bình), high (cao), với các giá trị dựa trên lưu lượng trung bình truyền qua mạng WAN Mặc dù số lượng các gói đi như là đo lường rời rạc, nó vẫn được định nghĩa với tập hợp hàm thành viên liên tục vì số lượng bao gồm trong một khoảng rất lớn Lập luận này tương tự với tập hợp thành viên

Nghiêm trọng

trọng Thời gian để sửa chữa

khoảng cách Một mô tả fuzzy logic khác, liên tục, có thể là lưu lượng như phần

trăm tối đa có thể của băng thông

Hình 3.11 Các tập hợp thành viên của sự tắc nghẽn

Bốn tiêu chuẩn này đều có mô tả với đường biên không chính xác, do đó cách

tốt nhất để mô tả là thông qua sử dụng quản lý fuzzy Bộ quản lý này có nhiệm vụ

xác định mức chính xác cho tất cả các quyết định định tuyến có thể Ví dụ, nếu một

node có quyết định ba tuyến ra có thể, nó cần phải định nghĩa các mức hiệu suất cho

cả ba tuyến đường đó Một trong những mức hiệu suất này được xác định là tốt nhất

và được lựa chọn

Bộ quản lý fuzzy trong phần nghiên cứu này sẽ được thực hiện theo cách sau

Một node đưa ra quyết định tuyến nào tuyến đường ra sẽ có vài bước để quyết định

Khi các thuật toán định tuyến đã tồn tại cho định tuyến là minimum-hop (số hop

nhỏ nhất) và least-cost (chi phí nhỏ nhất) (dựa trên tốc độ dữ liệu), thông tin liên

quan đến khoảng cách và băng thông sẽ dễ dàng sử dụng hơn Trước khi tiến trình

fuzzy bắt đầu, có hai tiêu chuẩn khác, mức độ lỗi và mức độ tắc nghẽn được xác

định thông qua kiến thức nhận được từ các node khác Khi đó các giá trị fuzzy cho

node được thiết lập hiệu suất của các tuyến đường ứng cử được xác định Việc này

có thể được thực hiện sử dụng hệ thống có quy luật hay một mạng neural Nghiên

cứu này sẽ sử dụng phương pháp mạng neural như đã được mô tả

Trung bình Thấp Cao

Số lượng gói tin

3.3.3 Huấn luyện mạng neural

Huấn luyện mạng neural sẽ là pha mất nhiều thời gian nhất của nghiên cứu này

và là phần cần được thiết kế đầu tiến trong mô phỏng này Tiến trình huấn luyện sẽ hoạt động theo cách sau:

1 Thiết kế mạng neural với mười bốn node đầu vào (input node), một node điều chỉnh và một node đầu ra (output node), node đầu ra thể hiện thời gian mong muốn để đạt tới đích Số lượng thích hợp các node ẩn sẽ được xác định bằng các áp dụng các luật của thumb (hay quy tắc dựa theo kinh nghiệm, ví dụ số lượng các node đầu vào và số lượng các node đầu ra được chia cho 2)

2 Xây dựng một mô hình mô phỏng để mô tả mạng máy tính giả lập Hai chi tiết sẽ duy trì cố định trong quá trình mô phỏng là: topology của mạng và node nguồn quan tâm

3 Một số các mô phỏng sẽ chạy để phát triển tập hợp huấn luyện thích hợp Mỗi một mô phỏng sẽ chứa việc truyền bản tin từ node nguồn dọc theo mỗi link ra có thể sử dụng một mô tả sơ lược dữ liệu Mỗi mô tả

dữ liệu cho một node sẽ bao gồm những thông tin sau:

o Node đích

o Kích thước gói

o Khoảng cách từ node hiện tại tới node đích thông qua link yêu cầu

o Băng thông trên link

o Số lượng gói truyền trên link

o Loại lỗi hiện có trên link