Сборник статей участников Всероссийского конкурса научных работ студентов и аспирантов «Телематика'2010: телекоммуникации, веб-технологии, суперкомпьютинг»

Министерство образования и науки Российской Федерации Российская академия наук Национальный фонд подготовки кадров Труд...

Author: Абрамов А.Г. | Сергеев А.О.

119 downloads 879 Views 7MB Size Report

This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!
Report copyright / DMCA form

DOWNLOAD PDF

Министерство образования и науки Российской Федерации Российская академия наук Национальный фонд подготовки кадров

Труды XVII Всероссийской научно-методической конференции

Телематика'2010 Сборник статей участников Всероссийского конкурса научных работ студентов и аспирантов «Телематика'2010: телекоммуникации, веб-технологии, суперкомпьютинг»

21–24 июня 2010 года, Санкт-Петербург Санкт-Петербургский государственный университет информационных технологий, механики и оптики Государственный научно-исследовательский институт информационных технологий и телекоммуникаций «Информика», Москва

Сборник статей участников Всероссийского конкурса научных работ студентов и аспирантов «Телематика'2010: телекоммуникации, веб-технологии, суперкомпьютинг». – СПб: СПбГУ ИТМО, 2010. – 214 с.

В сборнике представлены работы финалистов Всероссийского конкурса научных работ студентов и аспирантов «Телематика'2010: телекоммуникации, веб-технологии, суперкомпьютинг», который проводился в рамках XVII Всероссийской научно-методической конференции «Телематика'2010» (Санкт-Петербург, 21-24 июня 2010 г.). Участники конкурса – студенты высших учебных заведений и аспиранты вузов и научных учреждений. К участию в первом (заочном) этапе конкурса было принято 87 проектов студентов и аспирантов, представляющих 38 вузов и научно-исследовательских организаций из 27 регионов России. Для участия во втором (очном) этапе конкурса отобраны 46 проектов, авторы которых приглашены к участию в конференции «Телематика'2010». Участники второго этапа подготовили расширенные описания проектов в форме научных статей, представленных в данном сборнике. Сборник включает статьи финалистов конкурса, сгруппированные по трем номинациям (секциям) конкурса (Телекоммуникации; Веб-технологии; Суперкомпьютинг), а также материалы, подготовленные к проводимой в рамках конференции школе-семинару по суперкомпьютингу. Статьи в сборнике упорядочены по городу проживания авторов в пределах каждой секции. В статьях, имеющих более одного автора, фамилии докладчиков подчеркнуты.

Редакционная коллегия: Абрамов А.Г., Бухановский А.В., Гугель Ю.В., Курмышев Н.В., Сергеев А.О., Сигалов А.В. Ответственные редакторы: Абрамов А.Г., Сергеев А.О.

УДК 001.3:061.61

© Санкт-Петербургский государственный университет информационных технологий, механики и оптики, 2010 © Государственный научно-исследовательский институт информационных технологий и телекоммуникаций (ФГУ ГНИИ ИТТ «Информика»), 2010 © Авторы, 2010

2

Труды конференции Телематика’2010

О конкурсе Первый Всероссийский конкурс научных работ студентов и аспирантов «Телематика'2010: телекоммуникации, веб-технологии, суперкомпьютинг» организован как одно из мероприятий Всероссийской научно-методической конференции «Телематика'2010» (http://tm.ifmo.ru) – ежегодной конференции, которая с 1994 года проводится в Санкт-Петербурге. Организаторы конкурса – Государственный научно-исследовательский институт информационных технологий и телекоммуникаций (ФГУ ГНИИ ИТТ «Информика») и Санкт-Петербургский государственный университет информационных технологий, механики и оптики (СПбГУ ИТМО). Информационная поддержка конкурса осуществлялась на федеральном портале «Информационно-коммуникационные технологии в образовании» (http://www.ict.edu.ru). Основные цели конкурса: • Ознакомление российской научно-педагогической общественности с разработками, выполняемыми студентами и аспирантами вузов России. • Стимулирование учащейся молодежи к научно-исследовательской деятельности по тематике ИКТ. • Организация обмена опытом и обсуждения результатов работ студентов и аспирантов с участием ведущих ученых. Участники конкурса – студенты российских высших учебных заведений и аспиранты вузов и научных учреждений. На конкурс представлялись описания результатов исследований и разработок в области ИКТ, выполненных студентами и аспирантами. Тематика конкурса связана с направлениями информационно-коммуникационных технологий, которые традиционно входят в круг вопросов, рассматриваемых на конференциях «Телематика». Работы представлялись и рассматривались по трем номинациям (секциям): 1. Телекоммуникации: инфраструктура научно-образовательных компьютерных сетей; сетевые сервисы, стандарты и протоколы; администрирование сетей; управление и мониторинг сетей передачи данных; использование протокола IPv6 в современных сетях; перспективные технологии в сетях передачи данных (MPLS, QoS,...); мобильные технологии; диагностика, защита и безопасность сетей передачи данных; сетевые научные и образовательные приложения. 2. Веб-технологии: протоколы и стандарты, веб-сервисы, Web2.0, системы реального времени, системы управления информацией, корпоративные информационные, геоинформационные и интеллектуальные системы. 3. Суперкомпьютинг: параллельные алгоритмы решения сложных вычислительных задач, инструментальные средства и среды для разработки параллельных программ, прикладные программные системы параллельных вычислений, анализ и оценка эффективности параллельных алгоритмов и программ, высокопроизводительные проблемноориентированные комплексы и среды компьютерного моделирования, перспективные программно-аппаратные параллельные вычислительные архитектуры, технологии распределенных вычислений и Грид. В состав жюри конкурса вошли преподаватели и научные сотрудники из ведущих российских университетов и научно-исследовательских организаций. Сопредседатели жюри по секциям конкурса: • Гугель Юрий Викторович, к.т.н., директор филиала ФГУ ГНИИ ИТТ «Информика» в Санкт-Петербурге (Телекоммуникации); • Курмышев Николай Васильевич, к.т.н., проректор по НИТ Новгородского государственного университета им. Ярослава Мудрого (Веб-технологии); • Бухановский Александр Валерьевич, д.т.н., профессор СПбГУ ИТМО (Суперкомпьютинг). Первый (заочный) этап конкурса проводился в марте-апреле 2010 года. Участники конкурса подавали заявки с описанием выполненной работы, которые рассматривались жюри. На конкурс было подано более 100 заявок, из которых к участию в конкурсе было принято 87 проектов студентов и аспирантов, представляющих 38 вузов и научно-исследовательских организаций из 27 регионов России. Список участников конкурса с указанием организаций и наименований представленных работ размещен на сайте конкурса http://www.ict.edu.ru/tm2010/. В номинации «Телекоммуникации» (22 работы) авторами представлены результаты исследований и разработок в области проектирования, моделирования и эксплуатации 3

компьютерных сетей. Большинство работ практически ориентированы и находят применение в университетах, в которых они выполнены. Круг интересов весьма широк: от теоретического моделирования механизмов работы компьютерной сети до практической реализации использования сетевых технологий в учебном процессе. Среди представленных на конкурс работ популярны темы, связанные с мобильными сетевыми технологиями. Существенное внимание уделено real-time приложениям в сетях передачи данных и их использованию в дистанционном обучении. И, конечно, вопросы управления, мониторинга, учета ресурсов остаются актуальными при практической работе с компьютерными сетями. Номинация «Веб-технологии» оказалась наиболее многочисленной по числу участников – к рассмотрению принято 49 работ, тематика которых охватывает широкий спектр теоретических и прикладных задач. В конкурсных работах представлены следующие направления: теоретические разработки и инструментальные средства для создания вебприложений; веб-приложения для автоматизированного анализа и управления информацией; системы дистанционного обучения; автоматизированные системы для управления учебным процессом и научно-исследовательской деятельностью в вузе; веб-приложения для решения научных и инженерных задач; разработки, связанные с использованием геоинформационных систем. Многие из проектов представляют собой завершенные разработки, внедренные в вузах, научных организациях, производственной сфере. Номинация «Суперкомпьютинг» представлена 16 работами, которые условно распределяются по двум направлениям: современные технологии высокопроизводительных вычислений и параллельное математическое обеспечение решения сложных вычислительных задач. Отдельного внимания заслуживает разнообразие используемых разными авторами параллельных вычислительных архитектур: от многоядерных систем и традиционных кластеров – до Грид-вычислителей и систем на основе графических процессоров. Это, в свою очередь, косвенно связано с общей технологической направленностью представленных на конкурс материалов, в большинстве случаев посвященных описанию конкретных программных (или даже программно-аппаратных) решений, разработанных лично или с определяющим участием конкурсантов. Для участия во втором (очном) этапе конкурса отобраны 46 проектов, авторы которых приглашены к участию в конференции «Телематика'2010». Участники второго этапа подготовили расширенные описания проектов в форме научных статей, представленных в данном сборнике и входящем в пакет материалов конференции. Электронные версии статей доступны на сайте конференции «Телематика» (http://tm.ifmo.ru). Во время конференции «Телематика'2010» (21–24 июня 2010 г.) предусмотрено проведение секционных заседаний, на которых участники второго этапа конкурса представят свои работы в форме устных докладов. По результатам очного представления работ жюри определит лауреатов конкурса, которые будут отмечены дипломами и призами от организаторов и спонсоров. Проведение конкурса поддержали: • • • • • • • •

ЗАО «Лаборатория Касперского» (http://www.kaspersky.ru) Компания Cisco Systems (http://www.cisco.ru) Компания Softline (http://www.softline.ru) Корпорация Intel (http://www.intel.ru) Корпорация Microsoft (http://www.microsoft.com/rus) Корпорация Oracle (http://www.oracle.ru) Фирма «1C» (http://www.1c.ru) Корпорация Canon (http://www.canon.ru)

Подробная информация о конкурсе (порядок проведения, участники первого и второго этапов, лауреаты конкурса) представлена на портале «ИКТ в образовании» по адресу http://www.ict.edu.ru/tm2010/.

4


Оглавление по городам

Город

Номера страниц, на которых начинаются статьи авторов из данного города

Барнаул

67

Бийск

72

Великий Новгород

9, 76

Владимир

153

Волгоград

80, 159

Воронеж

13, 84

Иркутск

87

Кемерово

92, 99, 164, 167

Краснодар

103

Москва

15, 106, 111, 115, 120

Новокузнецк

123

Новосибирск

20, 125, 131, 173

Оренбург Пенза

176 24, 29

Переславль-Залесский

183

Петрозаводск

135

Ростов-на-Дону

139

Самара

142

Санкт-Петербург

35, 145, 186, 192

Саратов

197

Таганрог

38

Тамбов

42, 149

Тольятти Ярославль

46, 51, 56 62 5

Оглавление Секция 1. Технологии и инфраструктура телекоммуникаций СИСТЕМА МОНИТОРИНГА КОРПОРАТИВНОЙ СЕТИ НОВГОРОДСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА.................................................................................................................................................... 9 М.П. Журавлёва РАСШИРЕНИЕ ОБЛАСТИ ПРИМЕНЕНИЯ МОБИЛЬНЫХ РАДИОКОМПЛЕКСОВ С ПОМОЩЬЮ УПРАВЛЯЕМЫХ ТИПОВ МОДУЛЯЦИИ ............................................................................................................ 13 Ю.А. Дергачев РАСШИРЕНИЕ МОДЕЛИ МНОГОПРОДУКТОВОЙ СЕТИ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ СЕТИ ИНТЕРНЕТ-ПРОВАЙДЕРА ................................................................................................................................. 15 М.А. Хенкин СИСТЕМА ОРГАНИЗАЦИИ ЭЛЕКТРОННЫХ ЛЕКЦИЙ С ВИДЕОКОНФЕРЕНЦСВЯЗЬЮ И РАЗНОРОДНЫМ ИНТЕРАКТИВНЫМ ДЕМОНСТРАЦИОННЫМ РЯДОМ ..................................................... 20 В.В. Казаков, Г.Д. Безматерных АРХИТЕКТУРА ЭЛЕКТРОННОЙ СРЕДЫ ОБУЧЕНИЯ С ПРИМЕНЕНИЕМ ГЕТЕРОГЕННЫХ СЕТЕЙ ДЛЯ ДОСТУПА К ИНФОРМАЦИОННЫМ ОБРАЗОВАТЕЛЬНЫМ РЕСУРСАМ ..................................................... 24 А.Г. Финогеев, В.А. Маслов, А.А. Финогеев МОДЕЛИРОВАНИЕ МЕХАНИЗМОВ QOS В КОММУТАТОРАХ ETHERNET ЦВЕТНЫМИ СЕТЯМИ ПЕТРИ29 А.Л. Домнин, Е.А. Кизилов, В.А. Пушкарев РАЗРАБОТКА СИСТЕМЫ МОНИТОРИНГА КОМПЬЮТЕРНОЙ СЕТИ RUNNet............................................ 35 Г.А. Карапетян РАЗРАБОТКА АЛГОРИТМА И ПРОГРАММНЫХ СРЕДСТВ СИСТЕМЫ ПОСТРОЕНИЯ ТРЕХМЕРНОЙ ЦИФРОВОЙ КАРТЫ ВЫСОТ ПО НЕСКОЛЬКИМ ИЗОБРАЖЕНИЯМ ............................................................ 38 А.А. Скляров, С.А. Скляров СИСТЕМА ОЦЕНКИ И ПРОГНОЗИРОВАНИЯ УРОВНЯ КАЧЕСТВА ОБСЛУЖИВАНИЯ В IP-СЕТЯХ С ПРИМЕНЕНИЕМ АППАРАТА ТЕОРИИ СЛОЖНОСТИ..................................................................................... 42 В.Е. Подольский, С.С. Толстых, М.М. Дружинин ИЗМЕРЕНИЯ СЕТЕВОЙ ПОЛОСЫ ПРОПУСКАНИЯ ПО ДАННЫМ О ЗАДЕРЖКЕ ПАКЕТОВ .................... 46 Т.Г. Султанов, А.М. Сухов, Д.Ю. Полукаров ВЛИЯНИЕ ИСКАЖЕНИЙ КЛЮЧЕВЫХ КАДРОВ НА ПЕРЕДАЧУ ВИДЕО В БЕСПРОВОДНЫХ СЕТЯХ .... 51 Е.С. Сагатов, А.А. Семенов, Т.Н. Устенкова, А.М. Сухов ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ ЗАДЕРЖКИ ПАКЕТОВ В ГЛОБАЛЬНОЙ СЕТИ............................................ 56 Н.Ю. Кузнецова, А.К. Первицкий, А.М. Сухов МОДИФИКАЦИЯ, МОДЕЛИРОВАНИЕ, АНАЛИЗ И ВЕРИФИКАЦИЯ ПРОТОКОЛА СЕМЕЙСТВА WIRELESS ACCESS PROTOCOL ....................................................................................................................... 62 М.М. Алексеева, Е.А. Дашкова, Д.Ю. Чалый

Секция 2. Веб-технологии ИНФОРМАЦИОННЫЙ ПОРТАЛ УЧЕБНО-МЕТОДИЧЕСКОЙ ЛИТЕРАТУРЫ НА БАЗЕ ЛОКАЛЬНОЙ ВЫЧИСЛИТЕЛЬНОЙ СЕТИ (ЛВС)..................................................................................................................... 67 Е.А. Кандрин, А.А. Кузнецов, Д.В. Андрейко, А.И. Нейфельд К ВОПРОСУ ПРОЕКТИРОВАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ УЧЕБНЫМ ПРОЦЕССОМ ВУЗА............................................................................................................................................. 72 О.А. Бубарева СИСТЕМА СБОРА И АНАЛИЗА СТАТИСТИКИ ОБРАЩЕНИЙ К МУЛЬТИМЕДИЙНОМУ КОНТЕНТУ ДЛЯ СИСТЕМЫ Genus Media Upshot........................................................................................................................ 76 А.А. Бегишев 6


РАЗРАБОТКА СЕРВЕРНОЙ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ ПО МОДЕЛИРОВАНИЮ ДИНАМИКИ ЗОН ЗАТОПЛЕНИЯ НА ЗАДАННОМ РЕЛЬЕФЕ МЕСТНОСТИ....................................................................... 80 А.В. Хоперсков, С.С. Храпов, А.В. Писарев СИСТЕМА СПУТНИКОВОГО МОНИТОРИНГА МОБИЛЬНЫХ ОБЪЕКТОВ .................................................. 84 В.В. Котов, В.Г. Макеев, Р.В. Тихонов, О.Г. Ходяков РАЗРАБОТКА WEB-ПРИЛОЖЕНИЙ НА ОСНОВЕ ТЕХНОЛОГИИ OntoBox/Libretto................................... 87 А.А. Хенкина, М.А. Кохо АВТОМАТИЗАЦИЯ ПРОЦЕССА ОЦЕНКИ ИСПОЛНИТЕЛЬСКОЙ ДЕЯТЕЛЬНОСТИ ДЛЯ СИСТЕМЫ ЭЛЕКТРОННОГО ДОКУМЕНТООБОРОТА ....................................................................................................... 92 Е.Д. Пфайф, А.М. Гудов РАЗРАБОТКА ИНФОРМАЦИОННО-ВЫЧИСЛИТЕЛЬНОГО ПОРТАЛА ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ ДЛЯ ПРОВЕДЕНИЯ НАУЧНЫХ И ИНЖЕНЕРНЫХ РАСЧЕТОВ .......................................... 99 Н.Н. Окулов СИСТЕМА УПРАВЛЕНИЯ НАУЧНОЙ ИНФОРМАЦИЕЙ НА БАЗЕ МОДИФИЦИРОВАННОЙ ГИПЕРТЕКСТОВОЙ ТЕХНОЛОГИИ ................................................................................................................. 103 А.С. Бордычевская, М.А. Быкова, А.П. Савченко СИСТЕМА СОПРОВОЖДЕНИЯ ИГРОВОГО ОБУЧЕНИЯ.............................................................................. 106 И.С. Игнатьев ТЕКСТОВАЯ КЛАСТЕРИЗАЦИЯ АЛГОРИТМОМ ROCK................................................................................ 111 И.И. Савин СИСТЕМА ПРОФЕССИОНАЛЬНОГО ОРИЕНТИРОВАНИЯ АБИТУРИЕНТА КАК МОДУЛЬ ОБРАЗОВАТЕЛЬНОГО ПОРТАЛА ВУЗА ....................................................................................................... 115 Д.О. Федоров, В.А Ипатова, Я.Ю. Петунин ПОДХОД К ПРОБЛЕМЕ ВЫБОРА ФОРМЫ УПРАВЛЕНИЯ ИТ В ПРЕДПРИЯТИЯХ МАЛОГО И СРЕДНЕГО БИЗНЕСА....................................................................................................................................... 120 А.С. Силенин АВТОМАТИЗИРОВАННАЯ ИНФОРМАЦИОННАЯ СИСТЕМА СОПРОВОЖДЕНИЯ ДОВУЗОВСКОЙ ПОДГОТОВКИ УЧАЩИХСЯ.............................................................................................................................. 123 А.В. Соловьева, Ю.А. Соловьева ГРАФИЧЕСКИЕ ПРЕДСТАВЛЕНИЯ АТОМНЫХ СПЕКТРОВ И ИХ РЕАЛИЗАЦИЯ В ИНФОРМАЦИОННОЙ СИСТЕМЕ «ГРОТРИАН» ............................................................................................ 125 Г.Д. Безматерных, Д.Н. Шиманский СОЗДАНИЕ СПЕЦИАЛИЗИРОВАННОГО ИНСТРУМЕНТАЛЬНОГО ПОРТАЛА ВИРТУАЛЬНЫХ МУЗЕЕВ И НАУЧНЫХ КОЛЛЕКЦИЙ................................................................................................................................ 131 Ю.Л. Попович, М.Е. Рябченко АВТОМАТИЗИРОВАННАЯ СИСТЕМА МОНИТОРИНГА ПРОДУКТИВНОСТИ РАБОТЫ АСПИРАНТОВ 135 А.Г. Власова, О.Ю. Насадкина WEB-СРЕДА РАЗРАБОТКИ PascalABC.NET ................................................................................................. 139 Ю.В. Белякова, С.С. Михалкович WEB-СЕРВИС АВТОМАТИЗАЦИИ ВЫЧИСЛЕНИЯ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ................................ 142 А.В. Камынин КОМПЬЮТЕРНАЯ ПОДДЕРЖКА МОНИТОРИНГА ИНДИВИДУАЛЬНЫХ ДОСТИЖЕНИЙ СТУДЕНТА НА УРОВНЕ ДИСЦИПЛИНЫ .................................................................................................................................. 145 С.В. Ильичева АВТОМАТИЗИРОВАННАЯ СИСТЕМА РАЗРАБОТКИ САЙТОВ КАК RICH INTERNET APPLICATIONS НА БАЗЕ СЕРВИС-ОРИЕНТИРОВАННОЙ АРХИТЕКТУРЫ................................................................................ 149 А.Ю. Савельев, И.М. Радченко, В.Е. Подольский, В.Е. Красильников

Секция 3. Суперкомпьютинг РАЗРАБОТКА РАСПРЕДЕЛЕННОЙ СИСТЕМЫ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ НЕЛИНЕЙНЫХ ПРОЦЕССОВ С ПРИМЕНЕНИЕМ МНОГОШАГОВОЙ ОПТИМИЗАЦИИ ........................... 153 О.Н. Медведева, К.О. Боченина, А.А. Павлов, Т.В. Таравкова

7

ПАРАЛЛЕЛЬНЫЙ КОД ДЛЯ МОДЕЛИРОВАНИЯ ДИНАМИКИ СВЕРХЗВУКОВОГО ГАЗА С САМОГРАВИТАЦИЕЙ ....................................................................................................................................... 159 C.А. Хоперсков, М.А. Еремин, А.В. Хоперсков АРХИТЕКТУРА СИСТЕМЫ АВТОМАТИЗИРОВАННОГО АНАЛИЗА UPC-ПРОГРАММ............................. 164 Н.Е. Андреев РАСПРЕДЕЛЕННАЯ СИСТЕМА АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ СЕМАНТИЧЕСКИХ ОШИБОК В MPI-ПРОГРАММАХ............................................................................................................................................ 167 К.Е. Афанасьев, А.Ю. Власенко ОПТИМИЗАЦИЯ ПРОГРАММЫ МОДЕЛИРОВАНИЯ РАСПРОСТРАНЕНИЯ ВОЛНЫ ЦУНАМИ............... 173 А.Ф. Зайков ИСПОЛЬЗОВАНИЕ СИМУЛЯТОРА ВЫЧИСЛИТЕЛЬНОГО КЛАСТЕРА ДЛЯ ИССЛЕДОВАНИЯ АЛГОРИТМОВ ПЛАНИРОВАНИЯ ЗАДАЧ ...................................................................................................... 176 П.Н. Полежаев, В.П. Гергель СИСТЕМА МОНИТОРИНГА И УПРАВЛЕНИЯ КЛАСТЕРНЫМИ УСТАНОВКАМИ СЕМЕЙСТВА СКИФ – SkifMon ............................................................................................................................................................... 183 М.В. Гумин, М.В. Стоцкий ВЕРИФИКАЦИЯ АЛГОРИТМА ПОДДЕРЖКИ ТРАНЗАКЦИОННОЙ ПАМЯТИ ............................................ 186 А.Б. Беляев РАЗРАБОТКА ПРОГРАММНОГО КОДА ДЛЯ РЕШЕНИЯ ТРЕХМЕРНЫХ НЕСТАЦИОНАРНЫХ ЗАДАЧ ДИНАМИКИ ВЯЗКОЙ ЖИДКОСТИ В ПОЛЯХ ОБЪЕМНЫХ СИЛ. СОПОСТАВИТЕЛЬНАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ ПАРАЛЛЕЛИЗАЦИИ ДВУХ ИТЕРАЦИОННЫХ МЕТОДОВ ......................................... 192 Б.Н. Цветков ОБРАБОТКА ВИДЕОИНФОРМАЦИИ С ИСПОЛЬЗОВАНИЕМ GRID-ВЫЧИСЛЕНИЙ ............................... 197 О.Н. Долинина, А.В. Ермаков

Материалы школы-семинара по технологиям распределенных вычислений и компьютерного моделирования ОБРАТНЫЕ ЗАДАЧИ ДИНАМИКИ КОРАБЛЯ ДЛЯ ВИЗУАЛИЗАЦИИ ЭКСТРЕМАЛЬНЫХ СИТУАЦИЙ В БОРТОВЫХ СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ СУДОВОДИТЕЛЯ................................... 204 А.А. Безгодов, С.В. Иванов, А.В. Бухановский СЕРВИСНО-ОРИЕНТИРОВАННАЯ РАСПРЕДЕЛЕННАЯ СРЕДА УПРАВЛЕНИЯ ПРИКЛАДНЫМИ ВЫЧИСЛИТЕЛЬНЫМИ ПАКЕТАМИ................................................................................................................ 205 С.В. Марьин, С.В. Ковальчук ОСОБЕННОСТИ ПРОЕКТИРОВАНИЯ И РАЗРАБОТКИ ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ УПРАВЛЕНИЯ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ206 С.В. Иванов, Ю.И. Нечаев, А.В. Бухановский ОНТОЛОГИЧЕСКИЙ ПОДХОД К ПОСТРОЕНИЮ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЯЮЩЕГО ЯДРА СУПЕРКОМПЬЮТЕРНЫХ ПРИЛОЖЕНИЙ НОВОГО ПОКОЛЕНИЯ ............................................................. 208 С.В. Ковальчук, А.В. Бухановский ПРОФЕССИОНАЛЬНАЯ КОЛЛАБОРАТИВНАЯ ИНТЕРНЕТ-СРЕДА В ОБЛАСТИ КОМПЬЮТЕРНОГО МОДЕЛИРОВАНИЯ В НАНОТЕХНОЛОГИЯХ................................................................................................. 210 А.А. Гуськов, А.В. Ларченко, С.В. Ковальчук МЕТОДОЛОГИЧЕСКИЕ АСПЕКТЫ РЕАЛИЗАЦИИ ПОВЕДЕНИЯ НЕСТАЦИОНАРНОЙ ДИНАМИЧЕСКОЙ СИСТЕМЫ В РАМКАХ ТЕОРИИ КАТАСТРОФ ............................................................................................... 211 Ю.И. Нечаев, О.Н. Петров КОНТРОЛЬ СЛОЖНЫХ ДИНАМИЧЕСКИХ СИТУАЦИЙ С ИСПОЛЬЗОВАНИЕМ ИНТЕГРИРОВАННОЙ НЕЙРОННОЙ СЕТИ ........................................................................................................................................... 212 Ю.И. Нечаев, И.А. Власов

Индекс фамилий всех авторов статей ......................................................................................................... 214

8


Секция 1. Технологии и инфраструктура телекоммуникаций

СИСТЕМА МОНИТОРИНГА КОРПОРАТИВНОЙ СЕТИ НОВГОРОДСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА М.П. Журавлёва Новгородский государственный университет имени Ярослава Мудрого, г. Великий Новгород E-mail: [email protected] Цель разработки Целью данного проекта является разработка системы мониторинга корпоративной сети НовГУ, автоматизирующей сбор статистики и проверки различных параметров состояния серверов и сетевого оборудования (доступность сервисов, загрузка процессоров, интерфейсов, памяти, дисков и т.д.) и оповещающей администратора о возникающих проблемах. Актуальность При интенсивном развитии сети становится трудно отследить возможные отклонения в работе серверного и телекоммуникационного оборудования. Необходимо непрерывно следить за различными параметрами состояния серверов, сетевого оборудования, достижимостью подсетей и в случае обнаружения сбоев сообщать о них сетевому администратору. Эти задачи являются подмножеством задач управления сетью. Система мониторинга позволит автоматизировать проверки оборудования и сбор статистики о функционировании сети; в случае критических состояний сетевых служб, параметров серверов и оборудования, сетевой администратор может быть предупрежден по электронной почте или СМС. Это значительно снизит временные затраты на устранение критических состояний и повысит эффективность управления сетью. Новизна разработки На рынке имеются готовые аналоги систем мониторинга (платные и open-source). Среди open-source систем была проведена опытная эксплуатация систем мониторинга Nagios и Cacti, представляющих собой универсальные средства для мониторинга сетей. В результате было выявлено, что ни одна из этих систем не может в полной мере удовлетворить требованиям, т.к., например, с одной стороны, в Cacti отсутствует возможность проверки сетевых служб (http, ftp и др.). Nagios, в свою очередь, без дополнительных плагинов не может представлять информацию в графическом виде для отслеживания тенденций изменения параметров во времени. К тому же, обе системы достаточно сложны в эксплуатации, т.к. не могут предоставить полную картину о состоянии всех устройств сети. Разрабатываемая система будет закрывать потребности проверок в особо критичных случаях, одновременно предоставляя удобный пользовательский интерфейс, и интегрируя положительные возможности систем Nagios и Cacti (представление информации в графическом виде, проверка сетевых служб). Функциональные характеристики • Проверка сетевых служб: http, dns, ftp, imap, pop, smtp, dhcp, mysql. • Проверка дисков, свопа для серверов, проверка трафика на логических и физических интерфейсах, возможного возникновения broadcast-шторма, памяти, загрузки процессора для сетевых устройств. • Проверка достижимости подсетей, серверов и сетевого оборудования. • Уведомление о возникающих проблемах и восстановлении из критического состояния по электронной почте. • Представление данных по результатам проверок в графическом формате (использование RRDtool) и в текстовых лог-файлах (для сохранения более точных числовых данных). • Автоматическое архивирование текстовых лог-файлов за прошедший месяц в .tar.gz. архивы. • Возможность просмотра собранной статистики при условии, что устройство временно отключено. • Информация о серверах, сетевых устройствах, подсетях записывается в конфигурационный XMLфайл, который формируется за пределами Программы. Добавление/удаление устройств осуществляется путем редактирования конфигурационного файла. 9

• Для удобства использования в системе должна быть страница, показывающая критические состояния проверяемых параметров и служб, а также общая сводная страница, отображающая информацию о всех устройствах. Условия реализации • Система разрабатывается под операционной системой Linux Ubuntu 9.04, однако может функционировать на любом дистрибутиве Linux, FreeBSD и прочих UNIX-подобных системах. • Программный модуль разрабатывается на языке PHP (с поддержкой xml, snmp). • При разработки программы будут использованы следующие дополнительные средства: вебсервер Apache 2, RRDtool 1.3.1, SNMP, плагины Nagios 3.2.0 (check_dhcp, check_ftp, check_imap, check_smtp, check_udp , check_dns, check_http, check_pop, check_tcp ). Выбор наилучшего метода решения поставленной задачи В соответствии с требованиями к функциональности логически система делится на две части: собственно модули проверок и сбора статистики и модули представления результатов пользователю. Со стороны серверной части необходимо: • Определить, какие проверки для какого устройства/подсети осуществлять (парсинг конфигурационного XML-файла); • в соответствии с типом проверки (достижимость, доступность сетевых служб, анализ состояния дисков/памяти/интерфейсов и т.д.) собрать данные с помощью ping, ответа службы по требуемому порту, snmp-запроса соответственно; • поместить полученные данные в лог-файлы и кольцевую базу данных rrd; • проверить, изменилось ли состояние устройства, и в случае изменения состояния отправить оповещение сетевому администратору (таким образом, оповещение будет отправлено в случае, если на сервере или телекоммуникационном оборудовании было зафиксировано отклонение параметров от требуемых для стабильного функционирования, и в случае возвращения устройства к нормальной работе). Со стороны клиента – вывести запрашиваемые пользователем данные (построить графики, вывести сводную страницу о состоянии сети, предоставить возможность просмотра текстовых лог-файлов). Остановимся подробнее на каждой из задач в отдельности. Конфигурационный файл должен содержать следующую информацию: названия устройств, ipадреса, community, тип устройств, списки необходимых проверок, включаемых в мониторинг, также в нем содержатся указания каталога, где будут храниться лог-файлы и файлы rrd, каталога, куда будет установлена система мониторинга, пути к модулю php для осуществления запуска системы. Для парсинга конфигурационного XML-файла наиболее эффективным является применение расширения языка PHP для работы с XML DOM/XML, предоставляющего функции обращения к данным, содержащимся в XML-документе в соответствии с его структурой. Для осуществления проверок достижимости единственным методом является выполнение команды ping: ping -c 'N' 'ip_address', где 'N' – количество отправляемых ICMP-пакетов, 'ip_address' – ip-адрес устройства. Для сбора статистики и анализа состояния дисков/памяти/процессоров/интерфейсов – выполнение запроса по протоколу SNMP: snmpwalk -v2c -c 'community' 'ip_address' 'oid', где 'community' – имя сообщества (для обращения к устройству по протоколу SNMP), 'ip_address' – ipадрес устройства, 'oid' – Object Identifier – идентификатор объекта переменной, которая может быть прочитана или установлена через SNMP). Графическим представлением собранной статистики будут являться различные графики (описание способа их построения приводится ниже). Так, например, при проверке процессоров графики загрузки в течение дня/недели/месяца/года будут представляться следующим образом (рис. 1): Для проверки ответа сетевых служб в процессе разработки системы (разработка производилась под операционной системой Linux Ubuntu 9.04) изначально были применены плагины Nagios. Однако при переносе системы на операционную систему FreeBSD 7.3 было выявлено, что использование такого способа проверки служб не удовлетворяет требованию переносимости системы в различные операционные системы, поскольку требуют дополнительной настройки (необходимо загрузить исходные модули плагинов для используемой операционной системы и скомпилировать их в исполняемые приложения). Таким образом, необходимо использовать метод проверки доступности службы путем открытия socket'а по well-known порту, соответствующему анализируемой службе. PHP предоставляет функцию fsockopen для осуществления данного метода. Например: $fp=fsockopen("$server",$port,$errno,$errstr,$timeout); или (если требуется подключение по UDP (для проверки DHCP)): $fp=fsockopen("udp://".$server,$port,$errno,$errstr,$timeout);. 10


Рис. 1. Графики загрузки процессора В дальнейшем предполагается усовершенствовать данный метод проверкой правильности ответа службы путем осуществления запросов/ответов, соответствующих данной службе. В качестве возможных средств для отображения полученных данных в графическом формате можно рассматривать RRDtool и MRTG. MRTG (Multi Router Traffic Grapher) – является свободным программным обеспечением. Это инструмент для организации сервиса для мониторинга и измерения сетевого трафика с течением времени. Данные с различных сетевых устройств собираются при помощи протокола SNMP, а затем отображаются в виде графиков. Утилита первоначально была разработана для мониторинга трафика, но впоследствии превратилась в удобный инструмент для создания графиков и сбора статистических данных для различных задач и процессов. Областями применения MRTG на сегодняшний день являются: • загруженность канала (входящий, исходящий, максимальный, средний трафик); • использование процессора, оперативной памяти, жесткого диска; • наблюдение за температурными показателями аппаратных ресурсов; • погодные данные и т.д. RRDtool (Round-robin database tool) – набор утилит для работы с RRD. Предназначен для хранения и обработки динамических (изменяющихся во времени) последовательностей данных, таких как сетевой трафик, пропускная способность сети, загрузка ЦПУ и др. Все данные хранятся в кольцевой базе, размер которой остаётся неизменным. RRDtool, помимо прочего, включает в себя возможность графического отображения хранимой информации. Для системы мониторинга сети НовГУ в качестве утилиты для построения графиков был выбран RRDtool, т.к. способ хранения результатов в кольцевой базе данных значительно сократит использование диска сервера с установленной системой мониторинга, а также исключит необходимость следить за переполнением диска, поскольку размер базы данных будет оставаться постоянным. MRTG может самостоятельно использоваться как средство мониторинга сети, но его функциональность ограниченна, а использование как дополнительного средства более трудоемко, чем использование RRDtool. Помимо удобства хранения данных RRDtool был выбран в качестве средства для хранения информации и построения графиков также в силу гибкости описаний хранимых и отображаемых данных. С точки зрения реализации взаимодействия системы с RRDtool в процессе проектирования предполагалось использовать дополнительное расширение языка PHP с функциями для работы с RRDtool. Однако в операционной системе FreeBSD была выявлена проблема совместимости PHP с расширением RRDtool и веб-сервера Apache. Поэтому работа с кольцевой базой данных осуществляется при помощи стандартных функций исполнения программ exec или system, вызывающих команды RRDtool для создания, обновления rrd-файлов, а также построения графиков. RRDtool применяется для создания (rrdtool create) файлов .rrd кольцевой базы данных, их обновления (rrdtool update), построения графиков (rrdtool graph) по имеющимся файлам .rrd. Для создания/обновления .rrd файлов, построения графиков необходимо соответсвие структуры .rrd файла и параметров, передаваемых для его обновления или построения графиков. Обязательными элементами структуры .rrd файла являются: • "--step","'time_value'" – интервал агрегирования (в секундах); • "--start",0, – признак начального времени; 11

• "DS:'data_name':'DATA_TYPE':'heartbeat':'min':'max'", – описание данных (DS – data source, 'data_name' – имя источника данных, 'DATA_TYPE' – тип данных, 'heartbeat' в секундах, 'min', 'max' – при создании rrd равен U – unknown); • "RRA:'CONSOLIDATION_FUNCTION':'xff':'steps':'rows'" – описание для хранения данных в архиве round-robin archive (CONSOLIDATION_FUNCTION – функция объединения (тип хранения результата), xff – определяет размер интервала объединения при переходе из неизвестного состояния к определенному, задается отношением неизвестных данных к количеству данных за интервал (принимает значения от 0 до 1), steps – определяют, сколько базовых точек требуется для построения объединенной точки, помещаемой в архив rra, rows – определяют, сколько сгенерированных значений хранится в rra-архиве (должно быть больше 0)). Возможные типы данных DATA_TYPE: • GAUGE – применяется для таких данных, как температура, процент использования диска и т.д.; • COUNTER – счетчик – применяется для постоянно увеличивающихся счетчиков, таких как, например, число исходящих unicast-пакетов (ifOutUnicast) на каком-либо интерфейсе маршрутизатора. Предполагается, что счетчик никогда не уменьшается кроме случая переполнения (32- или 64-битной границы), переполнение обрабатывается RRDtool, возвращая правильный результат; • DERIVE – производная – применяется для хранения производной линии с началом в последнем полученном значении и ведущей к текущему значению. Принцип работы аналогичен счетчику COUNTER, однако без проверок переполнения 31- или 64-битной границы; • ABSOLUTE – абсолютное значение – применяется для счетчиков с тенденцией к переполнению или данных, отражающих некоторое количество объектов с момента предыдущего обновления; • COMPUTE – вычислимое поле – применяется для хранения вычислений с использованием других определенных в RRD источников данных. Возможные типы функции объединения CONSOLIDATION_FUNCTION: • AVERAGE – средние значения; • MIN – минимальное значение; • MAX – максимальное значение; • LAST – последние полученные данные. С использованием этих возможностей RRDtool доступно описание шаблонов для создания графиков с представлением данных, необходимых для анализа состояния какого-либо элемента устройства (например, рис. 2 использования корневого раздела диска).

Рис. 2. Графики использования диска В дополнение к хранению результатов в кольцевой базе данных результаты также будут храниться в текстовых лог-файлах для уточнения используемой в качестве первичной графической информации. Текстовые файлы будут содержать: время произведенных проверок и их результаты. Накопившиеся в течение месяца текстовые данные будут автоматически собраны в архив .tar.gz. Для реализации пользовательского интерфейса на клиенте больше всего подходит создание вебинтерфейса для удобного доступа (с предварительной авторизацией) к результатам выполняемых проверок. В качестве основной страницы представляются данные о критичных состояниях, 12


обнаруженных в сети на момент последней проверки, далее с использованием навигации методом гиперссылок пользователь может просмотреть состояние любого устройства/подсети в отдельности, либо вывести общую сводную страницу по всем указанным в конфигурационном файле серверам, подсетям и телекоммуникационному оборудованию. Литература 1. Cacti: The Complete RRDTool-based Graphing Solution: документация по Cacti [Электронный ресурс]. – Режим доступа: http://www.cacti.net/index.php, свободный. – Загл. с экрана. 2. Nagios – The Industry Standard in IT Infrastructure Monitoring: документация по Nagios [Электронный ресурс]. – Режим доступа: http://www.nagios.org/, свободный. – Загл. с экрана. 3. RRDtool – About RRDtool – документация по RRDtool [Электронный ресурс]. – Режим доступа: http://oss.oetiker.ch/rrdtool/index.en.html, свободный. – Загл. с экрана.

РАСШИРЕНИЕ ОБЛАСТИ ПРИМЕНЕНИЯ МОБИЛЬНЫХ РАДИОКОМПЛЕКСОВ С ПОМОЩЬЮ УПРАВЛЯЕМЫХ ТИПОВ МОДУЛЯЦИИ Ю.А. Дергачев ОАО «Концерн «Созвездие», г. Воронеж E-mail: [email protected] На данный момент разработка управляемых типов модуляции, программируемых модуляторов и демодуляторов, новых классов помехоустойчивых кодов и протоколов является важной технической задачей. Наметившиеся за последние годы тенденции к миниатюризации и увеличению пропускной способности каналов позволяют сделать вывод, что вычислительные сети, средства связи, системы оповещения и сигнализации в скором времени будут построены с помощью децентрализованных топологий, что значительно повысит их доступность для абонентов и живучесть при выходе из строя нескольких ретрансляционных узлов. При этом будет наблюдаться существенный рост роли мобильных абонентских устройств, которые кроме обычных пользовательских терминалов возьмут на себя роль промежуточных узлов маршрутизации, шлюзов, мостов и т.д. Таким образом, необходима разработка таких передатчиков и приемников, которые используют разные типы модуляции, обладают высокой помехоустойчивостью и имеют малые габариты, что позволяет использовать их в качестве мобильных терминалов. Данная задача решается с помощью создания SDR-систем – средств радиосвязи, в которой программное обеспечение используется как для модуляции, так и для демодуляции радиосигналов. Для этих целей разработана и запатентована универсальная аппаратная платформа синтезатора сигналов, на основе которой могут быть реализованы как уже известные, так и новые разработанные типы модуляции. Устройство является композитным и состоит из двух модулей: синтезатора прямоугольных импульсов с задаваемыми значениями по длительности и амплитуде каждого из них и конвертора передаваемых данных в канальные символы с учетом имеющегося алфавита и числа амплитудных градаций. Данное устройство имеет шину данных, для получения набора бит из буфера приема/передачи и шину управления, для задания модели каждого передаваемого символа. Синхронизация двух подсистем осуществляется с помощью общего генератора тактовых импульсов. Таким образом, большинство из существующих типов модуляции не требуют реализации в виде отдельного устройства, а могут быть представлены как программный код или сценарий управления программируемым синтезатором (Заявка на патент 2008132553/09 от 06.08.2008, постановление о выдачи патента от 12.10.2009, опубликован 20.02.2010). Разработаны совместимые с TCP/IP протоколы, поддерживающие сенсорные сети и дающие возможность применять методы динамической маршрутизации с моделями устранения парадоксов «туннелей», «каньонов» и других особенностей, которые приводят к неравномерному распределению нагрузки между маршрутами (что может повлечь за собой разрушение сети). При расширении области применения мобильных радиокомплексов особую роль играют алгоритмы автоматической настройки на состояние канала, механизмы выделения сигнала из помех и т.д. Многие задачи решаются только с помощью применения самообучающихся систем. Используя дополнительные разработанные устройства, методы и алгоритмы, может быть получен новый тип мобильного универсального радиокомплекса, распределенных вычислительных сетей как военного так и общего назначения. Программа выполняется при финансовой поддержке РФФИ (проекты 08-02-13555-офи-ц, 09-07-97522-р-центр-а). По теме работы опубликованы статьи и доложены результаты на конференциях: 1.

2.

Способ увеличения пропускной способности канала с малым уровнем шума Нечаев Ю.Б., Дергачёв Ю.А., Панкова М.А. // «Вестник Воронежского института МВД России», Воронеж 2008 г. Вып. 4. С. 81-86. Сигнально-кодовые конструкции без нулевой составляющей спектра // «Теория и техника радиосвязи» Ю.Б. Нечаев, Ю.А. Дергачев. Воронеж, 2009. Вып. 3, С. 30-34. 13

3.

Применение нейронных сетей в задачах управления маршрутизацией Нечаев Ю.Б., Дергачев Ю.А. // «Вестник Воронежского государственного университета». Серия: Системный анализ и информационные технологии. 2009. № 1. С. 42-45. 4. Нелинейное статическое уравнивание канала с QAM модуляцией Ю.Б. Нечаев, Ю.А. Дергачев // «Вестник Воронежского государственного технического университета», Воронеж 2010 г. Том 6. Вып. 2. С. 48 -50. 5. Энергоэффективность кооперативной маршрутизации в беспроводных сетях Ю.Б. Нечаев, Ю.А. Дергачев // «Теория и техника радиосвязи», Воронеж 2010 г. Вып. 1. С. 52-56. 6. Разработка программного комплекса для расширения возможностей аналоговых радиостанций/ Ю.Б. Нечаев, Ю.А. Дергачев // Материалы Восьмой Международной научнометодической конференции «Информатика: проблемы, методология, технологии», Воронеж, 2008 г. – Воронеж: ВГУ, 2008. – Т.2. – С. 120-124. 7. Новая методология построения многоцелевых радиокомплексов/ Ю.Б. Нечаев, Ю.А. Дергачев, М.А. Панкова // Материалы VII Международной научно-технической конференции «Физика и технические приложения волновых процессов», Самара, 2008 г. – Самара: «Самарское книжное издательство», 2008. – С. 83-84. 8. Модификация метода макетного сжатия аудиоданных и протокола передачи оцифрованной речи с журналом доставленных пакетов для систем с малой пропускной способностью каналов связи/ Ю.Б. Нечаев, Ю.А. Дергачев // Материалы Девятой Международной научнотехнической конференции "Проблемы техники и технологии телекоммуникаций", Казань, 2008 г. – Казань: Изд-во Казан. гос. техн. ун-та, 2008. – C. 187-188. 9. Модифицированный алгоритм селектора сигнально-кодовых конструкций/ Ю.Б. Нечаев, Ю.А. Дергачев //Сборник трудов первой Международной научно-технической конференции «Компьютерные науки и технологии», Белгород, 2009 г.– Белгород: ГиК, 2009. – Ч.2.– С. 6973. 10. Генерирование случайных многопараметрических сигналов/ Ю.Б. Нечаев, Ю.А. Дергачев // Материалы VIII Международной научно-технической конф. «Физика и технические приложения волновых процессов», Санкт-Петербург, 2009 г.– СПб: Политехника, 2009. – С. 63–65. 11. Нечаев Ю.Б Генерирование случайных многопараметрических сигналов/ Ю.Б. Нечаев, Ю.А. Дергачев // Материалы VIII Международной научно-технической конф. «Физика и технические приложения волновых процессов», Санкт-Петербург, 2009 г.– СПб: Политехника, 2009. – С. 63-65. Разработано программное обеспечение: 1.

2.

3.

4.

Нечаев Ю.Б., Дергачев Ю.А., Латышева Е.В. Свидетельство о государственной регистрации программы для ЭВМ № 2008614674. «Снайпер 1». Зарегистрировано в Реестре программ для ЭВМ 29 сентября 2008 г. Нечаев Ю.Б., Дергачев Ю.А., Латышева Е.В. Свидетельство о государственной регистрации программы для ЭВМ № 2008613246. «Решатель 1.0». Зарегистрировано в Реестре программ для ЭВМ 7 июля 2008 г. Нечаев Ю.Б., Дергачев Ю.А., Латышева Е.В. Свидетельство о государственной регистрации программы для ЭВМ № 2009611208. «Инней». Зарегистрировано в Реестре программ для ЭВМ 15 мая 2009 г. Нечаев Ю.Б., Дергачев Ю.А. Свидетельство о государственной регистрации программы для ЭВМ № 2008610500 «Юдифь» Зарегистрировано в Реестре программ для ЭВМ 30 апреля 2008. г.

Получен патент: 1.

14

Заявка 2008132553 Российская Федерация, МПК H 04 K 1/02. Устройство построения распределенных систем передачи данных и способ его реализации/ Дергачев Ю.А.(РФ), Нечаев Ю.Б.(РФ); заявитель ГОУ ВПО ВГУ/ Заявл. 6.08.08. постановление о выдачи патента от 12.10.2009, опубликован 20.02.2010.


РАСШИРЕНИЕ МОДЕЛИ МНОГОПРОДУКТОВОЙ СЕТИ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ СЕТИ ИНТЕРНЕТ-ПРОВАЙДЕРА М.А. Хенкин Московский государственный институт радиотехники, электроники и автоматики (технический университет) E-mail: [email protected] Введение Постоянно растущая конкуренция на рынке услуг предоставления доступа в Интернет вынуждает провайдеров снижать цены на услуги, что в свою очередь приводит к росту абонентского трафика без повышения доходов. Для увеличения прибыли Интернет-провайдеры вводят новые услуги, качественное предоставление которых определяется готовностью сети к новым классам трафика. В данных условиях основным требованием для сохранения абонентской базы является эффективное использование ресурсов сети, а также своевременная и адресная модернизация. Вышесказанное обуславливает необходимость математического моделирования провайдерских сетей с целью оптимизации алгоритмов маршрутизации. Для повышения эффективности сетей Интернет-провайдеров актуально рассмотрение процессов приоритезации и инкапсуляции абонентского трафика, а также ограничений, возникающих в сети вследствие применения методов коммутации пакетов. В работе рассматривается расширение типовой модели абонентской сети, и предлагаются модифицированные методы повышения эффективности сетей на базе расширенной модели с целью их применения в реальных сетях Интернетпровайдеров. Типовая модель сети Функционирование абонентской сети формализуется типовой математической моделью, которая называется многопродуктовой потоковой сетью (МП-сетью) и задается с помощью двух графов на пересекающемся множестве вершин [1–7]. Первый граф отражает физическую топологию сети, множество вершин которого

V = {v1 ,...,vn } делится на два класса:

• точки подключения пользователей и сервисов к сети; • транзитные вершины, которые соединяют различные каналы связи и соответствуют коммуникационным устройствам физической сети.

ek ∈ E , k ∈ R = {1,..., r} первого (физического) графа соответствуют каналам связи них заданы веса: y k – пропускная способность ребра, c k – стоимость пропуска единицы

Ребра сети, на

потока по данному каналу. Второй (логический) граф, вершинами которого являются нетранзитные вершины первого графа, определяет структуру связей между абонентами и сервисами сети. Ребра логического графа

pi = (vs(i) ,vt(i) ),i ∈ M = {1,2,...,m}

соединяют те пары вершин, которые обмениваются друг с

другом данными, то есть образуют тяготеющие пары. Каждая тяготеющая пара на поток

pi

создает требования

d i – величина потока, необходимого тяготеющей паре.

Объединение двух указанных графов в одну систему (МП-сеть) обусловлено тем, что связь между узлами логического графа возможна только по ребрам физического графа. Поток, созданный всеми

z =( z1 ,..., z m ) . Мультипоток может быть реализован на физическом графе различными распределениями потоков по его ребрам. Распределение

тяготеющими парами, задается вектором мультипотока определяется матрицей

{ f ik } .

Каждый элемент матрицы

f ik

обозначает поток

i−й

тяготеющей

пары по ребру ek физического графа. МП-сеть считается допустимой, если суммарный поток, проходящий по каждому ребру физического графа, не превышает пропускной способности этого ребра:

∑ f ik ≤ yk ∀k ∈ R .

i∈M

Постановка задачи оптимизации Процесс оптимизации сети провайдера состоит в определении оптимального алгоритма маршрутизации (дизайна сети), который обеспечивает максимальную пропускную способность сети и удовлетворяет всем поставленным граничные условия. При выборе наилучшего дизайна сети из множества возможных, используются следующие два критерия для оценки качества и оптимальности дизайна [8]: 15

• Для всех требований тяготеющих пар максимальная нагрузка на ребро должна быть, по возможности, минимальной. • Для всех требований тяготеющих пар маршруты, по возможности, должны быть минимальной стоимости (далее будем называть такие маршруты кратчайшими). Конкретная мера стоимости может изменяться для разных сетей в зависимости от административных ограничений. Если единственной мерой является длина пути, то все веса полагаются равными. Наиболее распространенные меры качества звеньев [1, 8]: • величина, обратная коэффициенту надежности линии; • задержка на канале; • расстояние; • интегральная характеристика, учитывающая несколько показателей качества; • денежная стоимость пропуска трафика (мера характеризует не качество линии, а затраты по ее строительству или эксплуатации). Вследствие того, что оптимизация сети только на основе первого критерия может привести к формированию неэффективного маршрута, был введен второй критерий. Использование второго критерия позволяет выбрать только те маршруты, которые, по возможности, являются кратчайшими при соблюдении первого критерия. Для повышения эффективности сетей Интернет-провайдеров актуально рассмотрение следующих оптимизационных задач. Задача 1. Для заданного вектора требований увеличения потока

λmax

d =(d1 ,..., d m )

такой, что сеть с вектором требований

найти максимальный коэффициент

λmax d

является допустимой.

Задача 2. Для заданного вектора требований найти допустимое распределение потоков минимальной стоимости в МП-сети. Задача 3. Для заданного вектора требований выбрать среди конечного множества сетей (топологий физического графа) такую сеть, для которой коэффициент

λmax будет максимальным.

Задача 4. Для заданного вектора требований выбрать среди конечного множества сетей такую сеть, для которой суммарная стоимость пропуска потока будет минимальной.

λmax < 1 , что поиска λmax может

Отметим, что решением задачи 1 может оказаться значение недопустимой МП-сети. Также следует отметить, что задача

соответствует пониматься в

def

векторном смысле:

λmax = (λ1max ,..., λmmax ) , тогда λmax d = (λ1max d1 ,..., λmmax d m ) .

Задачи 3–4 являются задачами синтеза сетей. Конечное множество вариантов конфигурации сети определяется, исходя из административных ограничений, которые возникают при проектировании сетей в заданных условиях. Существует ряд работ, посвященных методам решения приведенных задач оптимизации МП-сетей [2–8]. Рассмотрение конкретных методов выходит за рамки данной работы. Далее мы будем рассматривать методы только в контексте дополнительных ограничений и изменений, которые возникают вследствие расширения типовой модели МП-сети. Расширение типовой модели Типовая модель МП-сети является абстрактной моделью сложной сетевой системы, которая отражает лишь общие сетевые свойства, такие как наличие входов/выходов, транспортных магистралей и резервных каналов, а также существование различных пользователей и сетевых сервисов. Типовая модель обладает рядом существенных ограничений, которые не позволяют эффективно решать перечисленные выше задачи оптимизации для сетей Интернет-провайдеров [1, 7, 8]: • Модель не учитывает механизмов инкапсуляции трафика, которые часто применяются в сетях Интернет-провайдеров. • Модель не учитывает особенностей сетей с коммутацией пакетов. • Модель не учитывает возможности приоритезации трафика, необходимость в которой естественным образом возникает в сетях провайдеров из-за разнообразия услуг (доступ в Интернет, IP-телефония, потоковое видео, и т.д.) и классов абонентов (например, физические и юридические лица). Рассмотрим перечисленные ограничения более детально и предложим преобразования типовой модели, которые позволят применять методы оптимизации МП-сетей в реальных сетях Интернетпровайдеров. Моделирование инкапсуляция трафика Важным ограничением типовой модели МП-сети для решения задач оптимизации сетей Интернетпровайдеров является невозможность учета механизмов инкапсуляции трафика. Механизмы инкапсуляции трафика применяются для организации виртуальных частных сетей (VPN – Virtual Private Network), например, для объединения в единую корпоративную сеть нескольких филиалов организации. 16


Кроме того, в сетях провайдеров широко распространен метод авторизации абонентов с использованием VPN [9]. При использовании данного метода поток от абонента до сервера авторизации доставляется по виртуальному туннелю, что приводит к появлению избыточного трафика, который возникает вследствие инкапсуляции абонентского трафика для организации туннеля. На сервере авторизации трафик распаковывается и далее по сети проходит до узла назначения без инкапсуляции. С целью повышения эффективности актуальным является рассмотрение вопроса расположения серверов авторизации в сети, а именно, определение их оптимальной удаленности от пользователей. С одной стороны, провайдеру удобно иметь централизованные сервера авторизации (удобство обслуживания, надежность, возможность резервирования). С другой стороны, при централизации увеличивается нагрузка на сеть за счет избыточного инкапсулированного трафика, проходящего от границ сети в центр и обратно. Таким образом, основываясь на потоковой эффективности, оптимальным является расположение серверов авторизации ближе к абонентам. Описанная проблема является иллюстрацией применения 3-й и 4-й задач. В типовой модели МП-сети должно выполняться условие сохранения потока во всех транзитных вершинах [1, 2, 7, 8]. В той транзитной вершине, где трафик инкапсулируется или деинкапсулируется (то есть на границе виртуального туннеля), сохранение потока нарушается. Для реализации возможности моделирования инкапсуляции трафика необходимо тяготеющую пару, поток которой инкапсулируется при прохождении по физической сети, разбить на пары, соответствующие потокам с инкапсуляцией и без. Свойства новых тяготеющих пар наследуются от исходных пар, при этом для пар, соответствующих инкапсулированному потоку, величина потока выражается линейной функцией от исходного потока

f e = encap( f ) .

Существенным является то, что в отличие от исходной модели, приведенное преобразование модели нарушает свойство сохранения потока в транзитных вершинах. Но, поскольку функция преобразования потока известна и линейна, то общность модели не нарушается [7]. Кроме того, полученные при преобразовании типовой модели новые тяготеющие пары, соответствующие общей исходной паре, не могут рассматриваться независимо друг от друга. Согласно вышесказанному, любое изменение потока какой-либо дополнительной тяготеющей пары требует пересчета потоков всех пар, относящихся к исходной паре. Моделирование сетей с коммутацией пакетов Для того чтобы учесть особенности сетей с коммутации пакетов, а именно, для возможности моделирования ограничений пропускной способности и задержки не только на ребрах, но и в транзитных вершинах, каждую транзитную вершину исходного физического графа (которой соответствует определенное коммуникационное устройство реальной сети) представим в виде ориентированного подграфа. Вершинами подграфа являются:

p1 ;...; pn , к которым присоединяются смежные ребра исходного графа; внутренние вершины in; out , соответствующие точками входа и выхода внутренней шины

• порты •

коммуникационного оборудования. Ребрами подграфа являются: • входные ребра, направленные от портов к внутренней вершине • центральное ребро

(p1 ,in);...;(pn ,in) ;

(in,out) , соответствующее внутренней шине (коммуникационной матрице)

оборудования; • выходные ребра, направленные от внутренней вершины к портам:

(out, p1 );...;(out, pn )

(рис. 1). Поток на ребрах подграфа вычисляется как линейная функция от исходного потока, проходящего s через узел исходной сети: f = packet f . Целью преобразования исходного потока является введение дополнительных ограничений на пропускную способность обработки пакетов, что соответствует свойствам сетей с коммутацией пакетов. На ребрах, направленных от портов (к портам) может быть задана производительность обработки входящих (исходящих) пакетов непосредственно на

( )

портах. На центральном ребре

(in,out)

задается пропускная способность центральной шины (или

коммутационной матрицы) устройства. Кроме того, расширенная модель позволяет оценивать стоимость пропуска трафика через транзитные вершины. Данное преобразование, как и приведенное в п. 4.1, нарушает свойство сохранения потока в транзитных вершинах, поэтому требуется модификация методов оптимизации модели, заключающаяся в пересчете потоков в транзитных вершинах по детерминированной линейной функции.

17

Рис. 1. Преобразование узла исходной сети для учета особенностей сетей с коммутацией пакетов Следует отметить, что приведенное преобразование приводит к существенному увеличению

размерности модели: для каждой транзитной вершины добавляется n − 1 вершин и 2n + 1 ребер, где n – число портов устройства, которому соответствует исходная вершина физического графа. Однако в результате данного преобразования новых маршрутов в сети не образуется, то есть усложнения структуры модели не происходит, а появляются дополнительные необходимые ограничения. Моделирование приоритезации трафика Ограничением, характерным для типовой МП-сети, является равнозначность всех тяготеющих пар, что не позволяет применять методы приоритезации трафика QoS [8]. Задача приоритезации трафика в сети ставится в том случае, когда суммарный запрос на поток всех тяготеющих пар не является допустимым. В этом случае некоторые (или, в худшем случае все) потоки начинают конкурировать за ресурсы сети на перегруженных ребрах. В качестве приемлемого распределения потоков в работе [7] предлагается выбирать конкурентный 0 0 поток z и соответствующее ему конкурентное распределение потоков { f ij } – решение оптимизационной задачи:

max min

z∈X ( y ) i∈M где

zi di

,

(1)

X(y) – множество допустимых векторов мультипотока z .

Значение (1) назовем величиной максимальной обеспеченности требований тяготеющих пар МПсети и обозначим

θ

θ . Тогда разность θ − 1 количественно характеризует меру недопустимости сети, а

отношение 1 / показывает величину необходимого увеличения пропускной способности ребер для того, чтобы сеть стала допустимой. Конкурентное распределение потоков максимизирует уровень обеспеченности потоковых требований тяготеющих пар, тем самым реализуется идея справедливого распределения потоков. Недостаток данного решения с аналитической точки зрения заключается в том, что максимизируется суммарный поток без учета свойств конкретных тяготеющих пар, при этом всем тяготеющим парам обеспечивается только доля их требований, в то время как по структуре сети требования многих тяготеющих пар могли бы быть обеспечены полностью. В реальных сетях Интернет-провайдеров трафик, напротив, дифференцируется по классам обслуживания, который определяется свойствами услуги. Авторы работы [7] в качестве меры приоритезации потоков предлагают закладывать приоритеты в их потоковых требованиях при постановке задачи о конкурирующих потоках. Такой способ позволяет аналитически оценить возможности сети, но не указывает на оптимальную конфигурацию оборудования по настройке механизмов QoS. Таким образом, рассмотренная методика позволяет достаточно эффективно оценить производительность сети, но не указывает на дизайн сети, при котором достигается оптимальная производительность. Ниже предложен алгоритм, позволяющий учесть возможность приоритезации различных классов трафика (рис. 2).

18


Q1 ,..., Qs n =1

P=P∪n

Рис. 2. Блок-схема алгоритма приоритезации трафика в МП-сети 1.

В первую очередь потоки всех тяготеющих пар классифицируются и упорядочиваются по приоритету:

2.

3.

4.

Q1 ,..., Qs

.

Далее рекурсивно проверяется допустимость сети при увеличении потоков наиболее приоритетных тяготеющих пар. Если в модели учитывается мера качества (то есть решается задача 2), то распределение приоритетных потоков производится по алгоритму кратчайшего пути в графе (например, по алгоритму Дейкстры). Когда сеть становится недопустимой, для определения полного вектора мультипотока решается задача в постановке (1). Согласно вышесказанному, решение конкурентное распределение потоков является уравнительным для всех тяготеющих пар. В свою очередь, это соответствует справедливой конкуренции потоков в сетях с коммутацией пакетов, при которой потоки перемешиваются в общей очереди коммуникационных устройств без приоритезации. В том случае, если полученное решение является приемлемым, то есть распределение потоков можно считать справедливым исходя из практических критериев реальной сети и полученных классов приоритетов, то задача считается решенной. Пары, попавшие во множество P , могут быть обеспечены методами приоритезации с наилучшим возможным качеством, остальные классы конкурируют между собой на равных условиях и их потоки распределяются в соответствии с (1). В противном случае необходимо перераспределить приоритеты потоков, либо сделать вывод о необходимости увеличения пропускной способности сети. Нехватка пропускной способности для недостаточно обеспеченных потоков характеризуется полученным из решения (1)

θ

значением . Приведенный алгоритм направлен на полное обеспечение требований наиболее приоритетных тяготеющих пар, потоки которых направляются по кратчайшему пути до тех пор, пока сеть остается допустимой. Таким образом, обеспечивается приоритезация качества обслуживания тяготеющих пар. Полученные результаты можно спроецировать на реальную сеть путем настройки механизмов QoS. Заключение Основываясь на рассмотренных в работе преобразованиях типовой модели МП-сети, предложим следующую методику повышения эффективности сети Интернет-провайдера: 19

• Построить (параметризовать) расширенную модель сети. • Свести методы оптимизации расширенной модели к уже исследованным методам оптимизации МП-сетей. • Отобразить полученные результаты на реальную сеть. Предложенная методика позволяет более точно формализовать и решать задачи повышения эффективности реальных сетей Интернет-провайдеров на основании описанных методов расширения модели МП-сети. Литература 1.

2. 3. 4. 5. 6.

7.

8.

9.

Громов Ю.Ю. Синтез и анализ живучести сетевых систем / Ю.Ю. Громов, В.О. Драчев, К.А. Набатов, О.Г. Иванова // Монография. – Москва: Машиностроение-1, 2007. – С. 3– 48. Assad А.А. Multicommodity network flows: А survey // Networks, 1978. – V. 8, N. 1. Kennington J.L. А survey of linear cost multicommodity network flows // Oper. Res., 1978. – V. 26, N. 2. Goldberg A. A New Approach to the Maximum-Flow Problem / A. Goldberg, R. Tarjan // Journal of the Association for Computing Machinery, 1988. – V. 35, N. 4, P. 921–940. Fleisher L. Approximating multicommodity flow independent of the number of commodities // Discrete Math., 2000. – N 13(4), P. 505–520. Castro J. An implementation of linear and nonlinear multicommodity network flows / J. Castro, N. Nabona // European Journal of Operational Research Theory and Methodology, 1996. – P. 37–53. Малашенко Ю.Е. Суперконкурентное распределение потоков в многопродуктовых сетях / Ю.Е. Малашенко, Н.М. Новикова // Дискретный анализ и исследование операций. – Новосибирск: ИМ СО РАН, 1997. – Серия 2, Т. 4, № 2, С. 34–54. Будылгина Н.В. Оптимизация сетей с многопротокольной коммутацией по меткам / Н.В. Будылдина, Д.С. Трибунский, В.П. Шувалов // Монография. – Горячая Линия – Телеком, 2010. Cisco Systems, Inc. VPDN Technology Overview // http://www.cisco.com/en/US/docs/ios/12_2sb/feature/guide/vpdn_config/vpc1insb.pdf – 2006. – P. 23-29.

СИСТЕМА ОРГАНИЗАЦИИ ЭЛЕКТРОННЫХ ЛЕКЦИЙ С ВИДЕОКОНФЕРЕНЦСВЯЗЬЮ И РАЗНОРОДНЫМ ИНТЕРАКТИВНЫМ ДЕМОНСТРАЦИОННЫМ РЯДОМ В.В. Казаков, Г.Д. Безматерных Мультимедиа центр Новосибирского государственного университета, г. Новосибирск E-mail: [email protected] В последнее время часто бывает необходимо организовывать общение людей на расстоянии. Такой подход позволяет сэкономить денежные средства и время в таких случаях, как, например, ежедневные совещания руководителей компании и глав ее филиалов. Кроме того, общение на расстоянии незаменимо в случае, если собрать всех участников в нужном месте в нужное время не возможно, например, если нужна срочная консультация у специалиста. В образовательном процессе также часто приходится отказываться от живого общения, и зачастую было бы удобнее передать учебный материал дистанционно, чем собирать всех слушателей и лектора в одном месте. Это в основном относится к заочным формам обучения, в том числе к дистанционному образованию. Однако такой подход имеет место и в очном образовании, так как в вузе может не оказаться достаточно хорошего лектора по тому или иному предмету или специалиста в какой-либо узкой области. Видеосвязь обеспечивает лучшее восприятие информации по сравнению со всеми другими видами удаленных коммуникаций, даже если их использовать одновременно. Возможность в процессе разговора следить за жестикуляцией и мимикой собеседника резко повышает КПД передачи информации. Еще более эффективной видеосвязь получается при дополнении ее демонстрационными материалами [1]. Из всех способов организации видеосвязи самыми доступными и удобными являются видеоконференции на основе IP-сетей. В настоящее время создано множество таких систем, в том числе и свободно распространяемых, позволяющих решать общие задачи удаленного общения. Однако зачастую в связи со спецификой передаваемой информации общие решения становятся неприемлемыми. Для удаленной консультации врачом пациента нужны средства осмотра и передачи жизненных показателей, для удаленных деловых совещаний необходима возможность совместной работы над документами. 20


Уникальный подход нужен и для дистанционных лекций. Помимо видеосвязи, система чтения удаленных лекций должна обеспечивать возможность представлять демонстрационный ряд. Такая система должна: • Предоставлять различные типы демонстраций – тексты, научную графику, видеозаписи экспериментов, математические формулы, трехмерные модели и т.д. • Предоставлять инструменты управления демонстрациями в процессе чтения лекции, например, позиционирование видеозаписи эксперимента или вращение трехмерного графика. Кроме того, лектору необходима обратная связь с аудиторией: видео-общение со слушателем, задавшим вопрос, интерактивное тестирование, форум и т.п. В настоящее время не существует систем, ориентированных на организацию дистанционного проведения лекций, совмещающих видеоконференцсвязь и возможность сопровождения лекции демонстрацией учебных материалов различных типов и их интерактивным управлением. Цель настоящей работы заключается в исследовании и разработке способов создания средств проведения дистанционных лекций в виде видеоконференций, сопровождаемых сложным интерактивным демонстрационным рядом, с возможностью сохранения и дальнейшего использования. Практическая ценность работы состоит в создании мультимедиа-лектория – системы для ведения лекционного процесса, обладающей набором средств, существенно повышающих эффективность дистанционного чтения лекции. Такая система может быть использована в заочном образовании, лекциях ведущих специалистов узких областей науки для небольшого числа разбросанных по всему миру пользователей и других случаях В процессе работы был проведен анализ существующих систем видеоконференций (Microsoft Netmeeting [2], Microsoft Windows Messenger [3], Microsoft ConferenceXP [4], Skype [5]). Анализ показал, что стандартные системы видеоконференций не могут эффективно выполнять задачу удаленного образования в основном вследствие отсутствия средств эффективной организации и представления учебного демонстрационного материала. В результате проведенного анализа систем, которые могут быть использованы для дистанционного чтения лекций, был выявлен ряд требований к мультимедиа-лекторию. Во-первых, такая система должна предоставлять видеосвязь со стороны лектора. Согласно зарубежным исследованиям, при телефонном разговоре воспринимается только десятая часть транслируемой абонентом информации. Использование телефонной связи в совокупности с факсимильной позволяет увеличить объем эффективно усваиваемой информации примерно до 25%. В случае же, когда есть возможность в процессе разговора следить за жестикуляцией и мимикой собеседника, КПД передачи информации достигает 60%, что уже приближается к эффективности «живого» общения. Дело в том, что помимо речи люди при общении обладают мимикой, жестикуляцией, принимают позы, это происходит не осознанно. Мимика и жесты сосредотачивают собеседника, привлекают его внимание, акцентируют какие-либо детали разговора и передают другую дополнительную информацию [1]. Во-вторых, при чтении лекции лектору необходимо оперировать некоторым демонстрационным рядом. Демонстрационный ряд должен предоставлять широкий спектр типов демонстраций, не ограничивающий лектора в возможности сделать лекцию максимально интересной и эффективной. Демонстрации должны предоставлять различные динамические и интерактивные элементы, удовлетворяя желание лектора управлять демонстрациями во время чтения лекции. Для управления демонстрациями лектору предоставляются специальные инструменты. В-третьих, создание демонстрационного ряда должно осуществляться лектором, который может не иметь особых навыков работы с компьютером. Таким образом, для реализации системы удаленного чтения лекций необходимо разработать систему создания, редактирования и хранения демонстрационного ряда. Такая система должна обладать интуитивно понятным интерфейсом создания и редактирования демонстраций. В-четвертых, для повышения эффективности лекции необходимо реализовать различные пути обратной связи лектора с аудиторией. Лектору необходимо проверять знания слушателей при чтении лекции c помощью различных тестов, чтобы обратить внимание отдельных слушателей на проблемы в понимании материала или вовремя скорректировать курс лекции при плохом усвоении материала значительной части слушателей. Система тестирования должна быть развитой и предоставлять множество различных типов тестов. Слушателям необходима возможность в процессе и после лекции задавать вопрос лектору для уточнения каких-либо деталей материала. Также необходимы инструменты общения слушателей друг с другом во время лекции и после нее. В-пятых, большую ценность будет иметь запись лекции, которая позволит пользователям получать знания без участия лектора. Запись можно просматривать любое количество раз, приостанавливать для дополнительного размышления, перематывать на нужное место и т.д., что является факторами, повышающими удобство пользования материалом. Запись лекции желательно представлять в сети Интернет и в виде локальной копии. Локальная копия удобнее Интернет-версии для пользователей, не обладающих дешевым каналом с большой пропускной способностью, достаточной для передачи видео приемлемого качества. Лектор может распространять лекции на CD-ROM на коммерческой основе. На основе предъявленных требований к системе предлагается оригинальный подход к разработке мультимедиа-лектория. Основная трудоемкость и специфика разрабатываемой системы лежит в области создания, хранения и управления учебными материалами разных типов и их синхронизацией с видеосвязью. 21

Необходимо обеспечить независимость системы от конкретных протоколов и возможность замены протокола сетевой передачи данных, не перестраивая всю систему. Для этого нужно вынести всю логику передачи данных в отдельный модуль и спроектировать систему независимой от него. Эффективным решением будет использование LCMS-системы (Learning Content Management System – Система управления контентом образовательного назначения) со встроенными блоками видеосвязи, управления и передачи по сети команд управления демонстрациями. Для эффективной реализации мультимедиа-лектория используемая CMS-система должна обладать рядом свойств: • Необходим объектный подход к классам демонстраций – полиморфизм слайдов, реализация управления динамическими элементами, в методах класса. • Открытость системы в отношении разработки сложной модели данных, так как структура учебных материалов отличается некоторой сложностью. • Возможность интеграции системы с видеосвязью. Подробнее о системах управления контентом образовательного назначения можно прочитать в работах [6–8]. Управление объектами демонстраций предлагается осуществлять через систему команд, которые могут быть переданы, сохранены и воспроизведены повторно этим объектом. Клиентское приложение на стороне лектора управляет объектами демонстраций и когда лектор совершает какое-либо действие над ними, приложение формирует команду демонстрации, исполняет ее и отправляет копию команды клиентским приложениям слушателей. Клиент слушателя, получив команду, исполняет ее. Таким образом, все действия лектора над демонстрациями дублируются на стороне слушателя.

Рис. 1. Архитектура мультимедиа-лектория для режима онлайн лекции На основе предложенного подхода нами спроектирован мультимедиа-лекторий, в основе которого лежит следующая архитектура. Мультимедиа-лекторий состоит из серверной части, клиента лектора и клиента слушателя. Главная составляющая серверной части – сервер LCMS. Он предназначен для хранения демонстрационного ряда. Демонстрации создаются и редактируются лектором с помощью вебинтерфейса редактирования. Лектору предоставляются демонстрации разных типов, реализованные полиморфными классами. В серверной части также могут быть видеосерверы, используемые для передачи видео с компьютера лектора на множество компьютеров слушателей. Их назначение – рассылка видео всей аудитории с помощью группового вещания по интернет-сети. Клиент лектора, как и клиент слушателя, состоит из модуля управления, модуля коммуникаций и окна демонстраций. 22


В режиме онлайн лекции (рис. 1) лектор с помощью инструментов управления манипулирует демонстрациями, в результате чего клиент лектора получает информацию о манипуляциях для отправки клиенту слушателя. Клиент слушателя, получив информацию, разбирает ее и дублирует действия лектора. Модуль управления управляет модулем коммуникаций и окном демонстраций. Модуль управления получает из окна демонстрации команду на передачу вызова метода, преобразует ее в универсальный протокол, который передает модулю коммуникаций. Кроме того, модуль управления отвечает за инициализацию сеанса чтения и просмотра лекции, сохранение прочитанной лекции, организацию обратной связи и т.д. Модуль коммуникаций лекторского клиента отвечает за передачу видео и команд демонстраций модулю коммуникаций слушателя и видеосерверу, который рассылает входящее видео и команды управления демонстрациями всей аудитории. Заметим, что для обеспечения независимости системы от конкретных протоколов и возможности замены протокола сетевой передачи данных, не перестраивая всю систему, было решено вынести всю логику передачи данных в отдельный модуль коммуникаций и спроектировать систему независимой от него. Окно демонстраций отвечает за отображение и манипулирование демонстрациями. Модуль управления на клиенте лектора получает из окна демонстраций строку, содержащую команду управления демонстрацией. Эта команда содержит метод с параметрами, который необходимо выполнить на стороне слушателя, чтобы продублировать действие лектора. Мультимедиа-лекторий предоставляет лектору широкие возможности для разработки и представления демонстрационного ряда. Так, лектор может создавать текстовые слайды в html-формате с таблицами, изображениями и др. объектами. На таких слайдах лектор в процессе чтения лекции может выделять произвольные части текста, например, жирным шрифтом. Также лектор может рисовать маркером поверх текста или акцентировать внимание специальным указателем. Другой тип слайда – векторная графика предназначен для представления научной графики и позволяет лектору в процессе лекции масштабировать изображение, поворачивать и т.п. На этом типе слайда также можно рисовать маркером и пользоваться указкой. Пометки, нанесенные непосредственно на изображение привязываются к нему, и при масштабировании и позиционировании изменяются синхронно с основным изображением. Слайд с видеоизображением предназначен для демонстраций научных мини-фильмов – физических экспериментов, динамических моделей и т.п. Лектор может в процессе лекции приостанавливать видео, проигрывать по отдельным кадрам, масштабировать. Одним из критически важных условий дистанционного чтения лекции является наличие различных способов обратной связи. В мультимедиа-лектории представлен широкий ряд инструментов обратной связи – видеовопрос, тестирование, чат, форум и т.д. Видеовопрос представляет собой сеанс видеосвязи между лектором и одним слушателем, который видят все остальные слушатели. Видеовопрос является аналогом обычного вопроса слушателя лектору в очной форме проведения лекции и является неотъемлемой частью лекции. Слушатель отправляет запрос на видеосвязь лектору. Лектор, получив запрос, может принять его спустя некоторое время или сразу или отклонить его. Слушатель, задавший вопрос, получит уведомление о том, принял лектор его вопрос или отклонил. Тестирование представляет собой набор разных типов заданий аудитории и передача результатов лектору. Разные типы тестов представлены полиморфными классами. Лектор в реальном времени получает статистику ответов слушателей и может отправить ее аудитории. Тестирование может быть использовано лектором для корректировки курса, или чтобы обратить внимание слушателя на плохую успеваемость, может это использоваться и в других целях. Тестирование может проводиться в любой момент во время лекции. Лектор выбирает необходимый тест из демонстрационного ряда и отправляет слушателям, слушатели получают вопрос и варианты ответа, выбирают правильный ответ, и подтверждают выбор нажатием кнопки «ОК». После этого лектор получает детальную статистику ответов на вопрос, и если сочтет нужным, отправит отчет в аудиторию. Чат в основном предназначен для общения аудитории между собой во время лекции. Общение в чате позволяет решить многие вопросы, не отвлекая лектора. Чат, однако, может просматриваться лектором, и позволяет ему отвечать на вопросы слушателей. Это аналогично бумажкам с вопросами в очной форме чтения лекции. То есть в случае, если слушатель может кратко и четко сформулировать свой вопрос, он может задать его в чате, что занимает меньше времени, чем видеовопрос. Форум предназначен для общения аудитории и лектора вне сеансов чтения лекции. Например, если после прочитанной лекции, слушатель решил поглубже разобраться в материале, и обнаружил непонимание в каком-либо моменте, он может задать лектору или другим слушателям вопрос в специальной ветке форума, прикрепленной к данной лекции. Также в форуме могут задать вопрос пользователи, которые по каким-либо причинам не смогли прослушать онлайн лекцию, но смотрели копию, записанную в Интернет или на локальный носитель. При выполнении работы получены следующие основные результаты: • На основе анализа имеющихся систем и технологий, предназначенных для удаленного чтения лекций, обоснована актуальность разработки мультимедиа-лектория – специализированного продукта для чтения удаленных видеолекций, сопровождаемых сложным интерактивным и динамичным демонстрационным рядом и сформулированы требования к такой системе. 23

• Предложен оригинальный подход для построения мультимедиа-лектория, который основан на трансляции команд управления демонстрациями объектам на стороне слушателя. • Спроектирована архитектура системы на основе LCMS-системы с встроенным заменяемым коммуникационным модулем, что позволяет легко адаптировать систему под новые стандарты видеоконференцсвязи. • Разработаны методы, обеспечивающие расширяемость системы мультимедиа-лектория новыми типами демонстраций, предложен универсальный протокол. Определены и спроектированы наиболее востребованные типы демонстраций (тексты с графикой, видео, лекторская доска) и инструменты работы с ними (выделения текста, масштабирование и позиционирование графики, элементы управления видеозаписями, перо, указатель). • Спроектированы средства обратной связи мультимедиа-лектория – видеовопрос, тестирование, статистика слушателей, чат, форум. Реализована обратная связь в виде тестирования и видеовопросов. Реализованы средства сохранения лекции в Интернете и на локальном носителе. Система представлена Мультимедиа центром НГУ на сайте http://i-portal.nsu.ru и апробирована. В ходе работы было проведено несколько пробных сеансов чтения лекции из НГУ в Лейпцигском университете прикладных наук. Функциональность системы была протестирована в полном объеме и показала свою работоспособность. В результате выполнения проекта было выявлено, что система дистанционного чтения лекций с динамическим и интерактивным демонстрационным рядом – перспективное направление в развитии инструментария для образовательного процесса. Была выявлена принципиальная возможность создания мультимедиа-лектория на основе такой LCMS-системы как Инструментальный портал. Таким образом, в результате работы предложен путь создания эффективной системы дистанционного чтения лекций с видеосвязью и демонстрационным рядом. Работа выполнена при финансовой поддержке РФФИ (грант № 08-07-00229-а), РГНФ (грант №08-0312127в) и ФЦП «Научные и научно-педагогические кадры» госконтракт НК-50-6. Литература 1. 2. 3. 4. 5. 6.

7.

8.

Россия осваивает видеоконференцсвязь http://info.tatcenter.ru/society/10765.htm. Домашняя страничка продукта Microsoft NetMeeting http://www.microsoft.com/windows/netmeeting/. Домашняя страничка продукта Microsoft Windows Messenger http://join.msn.com/general/home. Домашняя страничка продукта Microsoft ConferenceXP http://www.conferencexp.net/community/default.aspx. Домашняя страничка продукта Skype http://www.skype.com. Е.В. Мозлов. Инструментальный портал создания и поддержки информационных ресурсов научного и образовательного характера / «Новые информационные технологии». Тезисы докладов XII Международной студенческой школы-семинара – М.: МГИЭМ, 2004, С. 338-340. В.Г. Казаков. Создание курсового обеспечения как информационных систем на основе баз данных учебных материалов, функционирующих в интернет/ИОЛ’99. Межд. конф. Тез. докл. Санкт-Петербург, 1999. С. 186-187. З.В. Баяндина, А.М. Задорожный, В.Г. Казаков, Н.В. Каменский, И.А. Лебедев. Организация информации в учебных ресурсах, построенных на базах данных: решение на основе метамодели данных. Вестник НГУ. Серия: Информационные технологии / Новосиб. гос. ун-т. Новосибирск, 2004. Т. 1. Вып. 2. С. 73–90.

АРХИТЕКТУРА ЭЛЕКТРОННОЙ СРЕДЫ ОБУЧЕНИЯ С ПРИМЕНЕНИЕМ ГЕТЕРОГЕННЫХ СЕТЕЙ ДЛЯ ДОСТУПА К ИНФОРМАЦИОННЫМ ОБРАЗОВАТЕЛЬНЫМ РЕСУРСАМ А.Г. Финогеев, В.А. Маслов, А.А. Финогеев Пензенский государственный университет E-mail: [email protected] Введение В настоящее время в связи со значительным прогрессом в развитии современных информационных и телекоммуникационных технологий образовательные учреждения различного профиля все большее внимание уделяют вопросам разработки и эффективного применения инновационных методик и технологий в процессе подготовки специалистов. При этом особую актуальность приобретают задачи, связанные с внедрением беспроводных информационно-телекоммуникационных технологий в вузе. В связи с появлением и развитием технологий электронного (e-learning) и мобильного (m-learning) образования возникает необходимость разработки систем произвольного персонального доступа как к внутренним информационно-образовательным ресурсам вуза, так и к внешним Интернет-ресурсам для поддержки различных форм очного и дистанционного обучения, самообразования студентов. 24


Для построения полнофункционального портала на основе гетерогенной телекоммуникационной среды помимо традиционных методов предлагается внедрить принцип «повсеместного» (ubiquitous) доступа к информационным ресурсам с поддержкой мобильности пользователей (технология u-learning). Концептуальное значение «повсеместная сеть» не ограничивается только географической характеристикой. Фактически это создание всеохватывающей (всепроникающей) телекоммуникационной сети, которая вместе с программным обеспечением позволяет реализовать концепцию получения информации по принципу 4А (“anywhere, anytime, by anyone and anything”). Подобный принцип предполагает широкое использование технологий беспроводной и мобильной связи (Bluetooth, Wi-Fi, Wimax, GPRS, EDGE, UMTS, WAP) [1]. Таким образом, возникает необходимость разработки широкомасштабных корпоративных информационных систем с возможностью беспроводного мобильного доступа пользователей к различным сервисам и ресурсам [2]. Причем подобная система должна предоставлять пользователю возможность обратной связи с информационной системой, Web-презентациями, виртуальными обучающими комплексами . К основным сервисам подобной информационной системы с беспроводным доступом можно отнести следующие: 1. Сервис локализации. Предназначен для обнаружения и идентификации мобильного устройства при его попадании в зоны доступа информационного пространства. 2. Сервис персональной информационной поддержки. Позволяет пользователю получать по запросу необходимую ему информацию. 3. Сервис сбора телеметрической и биометрической информации. Предназначен для мониторинга работы различных технических, энергетических, биологических и прочих систем в различных университетских службах. 4. Сервис дистанционного управления. Предназначен для использования мобильных устройств для управления приборами, объектами расширенной реальности [3] и т.д. 1. Архитектура информационной сети с поддержкой беспроводного доступа Для реализации проекта предложена базовая архитектура гетерогенной сети с объединением сетей трех беспроводных технологий и проводного сетевого сегмента Ethernet со шлюзами во внешнюю Интернет сеть, доступом в сети. В общем случае сетевая архитектура включает следующие кластерные сегменты: • Кластеры сенсорных узлов ZigBee. • Распределенную структуру (scatter net) пикосетей устройств связи с радиомодулями Bluetooth. • Зоны доступа WiFi с расширенным набором базовых служб (ESS-topology). • Совокупность устройств, используемых для беспроводного доступа к ресурсам гетерогенной сети. • Совокупность интерфейсных устройств (маршрутизаторов, координаторов и т.д.), выполняющих функции шлюзования для объединения сегментов и выхода во внешнюю сеть. Для объединения устройств внутри кластера используются координаторы, точки доступа, мастерузлы, маршрутизаторы и коммутаторы. Для объединения кластеров разных технологий используются устройства-шлюзы (мосты) с несколькими беспроводными модулями и программным обеспечением для протокольного преобразования. 2. Идентификация и локализация в информационном пространстве При организации «повсеместного» доступа к информационным ресурсам университета первоочередной задачей является идентификация и аутентификация пользователей, а также локализация (определение местоположения) их устройств с модулями беспроводного доступа в зонах доступа к информационным ресурсам с целью ограничения несанкционированного доступа и выполнения требований политики безопасности университетской сети [6]. Разработка данных методов определения местоположения клиентского оборудования беспроводной связи является одной из важных проблем применения технологий беспроводных сетей. С одной стороны, это позволяет владельцу мобильного устройства с требуемой точностью обнаружить свое местоположение на карте или плане здания или рассчитать положение мобильного устройства относительно других устройств. С другой стороны, позволяет создать точки привязки мобильных устройств с модулями беспроводной связи к координатам местности. 3. Методология позиционирования и локализации мобильных объектов Разработка систем позиционирования мобильных и стационарных узлов с высокой точностью в помещениях с использованием базовых станций и мобильных узлов разных беспроводных сегментов является актуальной научно-исследовательской задачей. Методология, как правило, должна включать совокупность методик и технологий, которые могут применяться как по отдельности, так и в комбинации друг с другом. В частности разработанная методология позиционирования и локализации мобильных объектов в беспроводной гетерогенной сети включает: • Математические модели для решения задачи позиционирования. • Модели и методику калибровки эмпирической модели затухания радиосигнала с учетом особенностей строительных конструкций в зонах позиционирования. 25

• Методику позиционирования в беспроводных сегментах WiFi на основе измерения уровня сигнала RSSI (Received Signal Strength Indication) (рис. 1). • Методику позиционирования в беспроводных сегментах Bluetooth на основе измерения уровня сигнала RSSI. • Методику позиционирования в сенсорных сетевых сегментах ZigBee на основе измерения уровня сигнала RSSI и времени распространения сигнала. • Методику улучшения точности позиционирования на основе привязки к координатам глобальной навигационной системе.

Рис. 1. Локализация в сетях WiFi Конечными результатами работы методов позиционирования является не только определение местоположения мобильного клиента, а его идентификация и реакция различного оборудования при попадании мобильного узла в определенные области. Поэтому в проекте разрабатывается не просто методика определения местоположения, а методология поддержки принятия решения при обнаружении и локализации мобильного узлов, включающая способы активации устройств, сенсорных узлов, программно-информационных систем и виртуальных объектов, а также поддержки методики слежения за передвижениями мобильных узлов (tracking) с реагированием на их перемещения. Методика измерения расстояний на основе уровня принимаемого сигнала применяется с сетевых сегментах беспроводных технологий стандартов IEEE 802.11, IEEE 802.15.1 и IEEE 802.15.4, так как все передатчики данных стандартов аппаратно поддерживают возможность измерения параметра RSS. Оценка расстояния происходит с учетом соотношения: P(d) = P(d0) – 10nlog10(d/d0) [дБм], где P – уровень принимаемого сигнала в децибелах относительно милливатта, дБм, n – коэффициент ослабления сигнала. Для оценки расстояния в процессе локализации в двумерной системе координат необходимо проводить позиционирование, по крайней мере, относительно трех базовых станций [9] методом триангуляции. Наилучшие же измерения можно сделать путем привязки локальной системы координат к глобальной навигационной системе путем установки одной станции в здании с GPS/ГЛОНАСС модулем и выносной приемной антенной, что и предполагается сделать в процессе создания системы глобального позиционирования. В реальных условиях число «видимых» базовых станций в зоне локализации при перемещении мобильного узла представляет собой случайную величину, поэтому необходимо использовать методику улучшения точности позиционирования для преобразования опорных векторов позиционирования относительно точек привязки к координатам глобальной навигационной системы типа NAVSTAR (GPS) или ГЛОНАСС. Для повышения точности позиционирования представляется возможным использовать калиброванную эмпирическую модель затухания радиоволн с учетом особенностей строительных конструкций конкретного здания, калибровка которой производится экспериментальным способом в процессе настройки системы позиционирования. Другой вариант повышения точности – использовать 26


«отпечатки» всего множества измеренных в точке значений RSS для поиска наиболее схожего образца «отпечатка» среди созданных при калибровке системы вместо определения расстояний до базовых станций. 4. Экспериментальная гетерогенная среда с беспроводным доступом к информационным ресурсам Разработка гетерогенного пространства в данном случае предполагает использование беспроводных сетевых устройств, работающих в одном частотном диапазоне, но использующих разные стандарты передачи цифровой информации. В настоящее время на рынке представлены в большинстве устройства, работающие в диапазоне 2,4 ГГц, которые позволяют строить беспроводные сетевые сегменты трех основных категорий: • Локальные офисные сети WiFi стандартов IEEE 802.11 b/g/n. • Персональные сети Bluetooth стандарта IEEE 802.15.1. • Сенсорные сети ZigBee стандарта IEEE 802.15.4. Так как в большинстве российских вузов уже развернуты и эксплуатируются сети технологии Ethernet, то целесообразно объединять беспроводные сетевые сегменты на основе данной Ethernet сети, которая будет выполнять роль магистрали, а беспроводные сегменты – роль подсетей доступа для мобильных абонентов и подсетей мониторинга технических объектов. Тогда для беспроводных сегментов роль интерфейсных шлюзов будут выполнять: • Точки доступа и маршрутизаторы WiFi для ячеек IEEE 802.11 b/g/n. • Точки доступа Bluetooth для пикосетей IEEE 802.15.1. • Координаторы ZigBee для кластеров IEEE 802.15.4. Рассмотрим основное оборудование, которое использовано на кафедре «Системы автоматизированного проектирования» и в центре дистанционного образования (ЦДО) Пензенского государственного университета (близко расположенных) для построения беспроводных сегментов гетерогенной сети с двумя основными функциями: • Поддержка беспроводного доступа с мобильных устройств студентов в кафедральное и университетское информационное пространство и выхода во внешний оптоволоконный Интернет канал посредством технологий WiFi (802.11g/n) и Bluetooth (802.15.1). • Выполнение интегративной функции, т.е. поддержка шлюзования при объединении разных сегментов на базе единой университетской Ethernet сети. При этом оборудование Bluetooth и WiFi является интерфейсом для обеспечения доступа к информационным ресурсам, поддержки технологий идентификации и позиционирования пользователей сети, а оборудование ZigBee – интерфейсом для сбора телеметрической информации с технических, охранных и пожарных систем, систем доступа и радиоидентификации мобильных узлов, систем слежения и т.д. 4.1. Сегмент беспроводного доступа на базе технологии WiFi Для построения беспроводного WiFi сегмента на кафедре САПР и в ЦДО Пензенского государственного университета был выбран маршрутизатор ASUS WL-500W, поддерживающий стандарт IEEE 802.11b/g/n с возможностью передачи данных на скорости до 300 Мбит/с. Маршрутизатор установлен таким образом, чтобы обеспечить покрытие территории всей кафедры и ЦДО университета. Тестирование работы мобильных устройств в зоне доступа маршрутизатора показало, что даже в худшем случае, в отдаленных аудиториях с перекрытиями в три стены мощность достаточна для успешного подключения. Устройство было настроено на режим работы точки доступа без выполнения функций маршрутизации. Кафедральная точка доступа была настроена таким образом, чтобы не создавать помех ближайшим университетским точкам доступа. На точке доступа включен встроенный DHCP-сервер, который позволяет автоматически подключать мобильные устройства пользователей с выделением адресов. 4.2. Сегмент беспроводного доступа на базе технологии Bluetooth Идея организации доступа к информационным ресурсам не только по сети WiFi по и на основе пикосетей Bluetooth обоснована тем, что основные модели мобильных телефонов имеет данный радиомодуль, подавляющее большинство студентов использует такие сотовые телефоны, а не устройства в которых есть WiFi радиомодуль [7]. Для организации зоны Bluetooth доступа для мобильных клиентов было выбрано устройство D-link DBT-900AP. Точка доступа является решением по беспроводному доступу множества студентов к информационным образовательным ресурсам через пикосеть Bluetooth. Преимуществом ее использования являются небольшая цена и «прозрачность» с точки зрения подключения к проводной среде. При ее установке не требуется специальных драйверов и выполнения сложных сетевых настроек. Точка доступа позволяет подключаться к кафедральной и университетской сети для доступа к учебно-методическим ресурсам. Таким образом, позволяя использовать для этого устройства с модулями Bluetooth связи, такие как сотовые телефоны, коммуникаторы, смартфоны и КПК. Система предполагает событийное управление различными сценариями поведения для совершения заранее предопределенных действий в зависимости от определения местоположения мобильного Bluetooth устройства. Эта технология может быть также использована в музеях для предоставления 27

посетителям различной информации о музейных артефактах [8], рядом с которыми посетитель находится в данный момент времени (рис. 2).

Рис. 2. Информационная поддержка посетителей в Ethernet-Bluetooth сети 4.3. Сегмент беспроводного доступа на базе технологии ZigBee Сегодня на рынке присутствует широкий спектр оборудования для построения сетей с использованием технологии Zigbee. Для проведения научных исследований студентами и аспирантами и созданию экспериментальных кластерных сегментов различного назначения на кафедре САПР ПГУ используются сетевые отладочные комплекты от ведущих производителей данного оборудования. В частности с помощью комплектов моделируются и исследуются возможности создания следующих служб, сервисов и систем на основе сенсорных сетей: • Управление мобильными группами оперативно-тактического назначения в автономных самоорганизующихся сетях. • Беспроводные системы оперативного диспетчерского управления, системами ЖКХ и другими системами промышленной автоматики на примере сетей тепло-, водо-, и энергоснабжения в городских условиях. • Службы мониторинга (биологического, медицинского, технического, экологического и т.д.) в информационных инфраструктурах территории. • Создание систем распределенной обработки информации в самоорганизующихся кластерных сегментах с децентрализованным механизмом управления. Для создания экспериментального гетерогенного информационного пространства с элементами «повсеместной» сенсорной сети используются отладочные комплекты сенсорных сетей: • Комплект фирмы JENNIC (JN5139-EK010). • Комплекты фирмы Digi (Xbee-PRO 868). • Комплект фирмы Telegesis (ETRX2). • Комплект фирмы Texas Instrument (EZ430-RF2480). Все названные комплекты предоставляют полную среду для быстрой разработки беспроводных приложений и подключения различных датчиков и приборов. Библиотеки, предусмотренные стандартом IEEE 802.15.4 и спецификацией ZigBee, поддерживают различные топологии сенсорных сегментов (звезда, дерево, шина и ячеистая сеть) с централизованным и децентрализованным механизмом управления информационным трафиком, и обеспечивают самоорганизацию при активации узлов и самовосстановление функциональных возможностей сети для надежной связи при отказе узлов. Заключение На сегодняшний день экспериментальная гетерогенная сеть с поддержкой различных вариантов беспроводного доступа к информационным ресурсам введена в опытную эксплуатацию на кафедре САПР ПГУ и центра дистанционного образования. Информационная система сеть обеспечивает студентов с мобильными средствами связи и компьютерами возможностью бесплатного получения учебно-методических материалов, лицензионных программных дистрибутивов и прочей информации, хранящихся на серверах кафедры и ЦДО с различных мобильных устройств в любое время и в любых аудиториях, находящихся в зонах уверенного приема. Также обеспечивается шлюз для выхода в университетскую сеть для доступа к ресурсам других кафедр и подразделений и выход во внешний 28


Интернет. В зависимости от устройств пользователя сеть обеспечивает возможность подключения по проводному Ethernet соединению, по беспроводным Bluetooth и WiFi каналам, и даже модемное подключение мобильных средств связи к сегментам экспериментальной сенсорной сети в процессе выполнения лабораторных и практических работ. Поддерживается возможность передачи информации между протокольными стеками разных подсетей на основе IP маршрутизации для организации принципа 4А «повсеместного» (ubiquitous) доступа к информационным ресурсами с поддержкой мобильности пользователей. Все оборудование и информационные сервисы предоставляются студентам и преподавателям на бесплатной основе для самообразования, подготовки и проведения учебных занятий, доступа к электронным учебникам и обучающим комплексам, виртуальным лабораториям, образовательным порталам, для оценки знаний обучаемых по технологиям дистанционного тестирования. Даже для ведения лекционных занятий с поддержкой беспроводных технологий используется проекторное оборудование с WiFi модулями радиосвязи, которое предоставляет возможность беспроводного подключения к мобильным устройствам преподавателей и серверам кафедры, для лекционных презентаций и демонстраций новых возможностей образования. Такие занятия уже ведутся по дисциплинам информационно-вычислительного профиля (Computer Science), например, в рамках курсов и телекоммуникации», «Сетевые технологии», «Информационные сети», «Сети ЭВМ «Администрирование информационных систем», «Мультимедийные технологии», и т.д. Основной целью является реализации на практике новых технологий мобильного (m-learning) образования и подготовки к внедрению технологий «повсеместного» (u-learning) образования будущего на основе беспроводных «всепроникающих» сетей следующего поколения. Литература 1. Финогеев А.Г. Беспроводные технологии передачи данных для создания систем управления и персональной информационной поддержки / Обзорно-аналитическая статья по приоритетному направлению "Информационно-телекоммуникационные системы", 2008. – 51 с. URL: http://window.edu.ru/window/ library?p_rid=56177. 2. Финогеев А.Г., Маслов В.А., Финогеев А.А. Перспективные исследования в области создания мобильных систем управления и персональной информационной поддержки // Труды 35 Междунар. конф. Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT+S&E'08) (Майская сессия) // прил. к журн. Открытое образование. – Украина, Крым, Ялта-Гурзуф, 20-30 мая, 2008. – С. 169-172. 3. A. Finogeev «System of the removed management 3D-presentations for virtual museums and galleries» // EVA 2006 Florence; Cappellini,Vito; Hemsley, James (2006) (Eds.): Electronic Imaging & the Visual Arts. Proceedings of the EVA 2006 conference, April 3-7, Florence, Italy. – C. 93-99. 4. Финогеев А.Г. Моделирование исследование системно-синергетических процессов в информационных средах: Монография, Пенза: Изд-во ПГУ, 2004, 223 с. 5. S. Ganu, S. Zhao, L. Raju, B. Anepu, I. Seskar, and D. Raychaudhuri, “Architecture and prototyping of an 802.11-based self-organizing hierarchical ad-hoc wireless network (SOHAN),” International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC 2004), September 2004. 6. Маслов В.А., Финогеев А.Г. Локализация в беспроводных сетях // Надежность и качество // В сб. трудов междунар. симпозиума. – Пенза: Изд. ПГУ, 2009 г., т. 1, – С. 234-237. 7. Финогеев А.Г., Кувшинников Д.А., Маслов В.А., Финогеев А.А. Построение информационного пространства вуза с использованием беспроводной технологии Bluetooth // Прикладная информатика. – Москва: Изд. Маркет DS, 2008. – № 6(18). – С.101-109. 8. Alexey. G. Finogeev, Vladinir A. Maslov, Anton A. Finogeev, Kirill A. Bukin «Interactive system for information support museum visitors on base Bluetooth technologies» // EVA 2008 Florence; Cappellini,Vito; Hemsley, James (2008) (Eds.): Electronic Imaging & the Visual Arts. Proceedings of the EVA 2008 conference, April 16-18, Florence, Italy: Le Officine Grafiche Technoprint, Bologna, 2008, ISBN 88-371-1676-4. – c. 152-157. 9. Резников, М.Б. Геолокация в сотовых сетях с использованием трех базовых станций // Резников М.Б. / Труды Научной конференции по радиофизике. Изд. НГГУБ, Нижний Новгород. 2005. С. 202.

МОДЕЛИРОВАНИЕ МЕХАНИЗМОВ QOS В КОММУТАТОРАХ ETHERNET ЦВЕТНЫМИ СЕТЯМИ ПЕТРИ А.Л. Домнин, Е.А. Кизилов, В.А. Пушкарев Пензенский государственный университет E-mail: [email protected] Механизмы обеспечения качества обслуживания (QoS) занимают одно из важнейших мест в арсенале современных технологий сетей с коммутацией пакетов, так как без их применения невозможна передача мультимедийных данных (потокового видео, звука и др.) [1, 2]. В целях оценки эффективности различных методов QoS предлагается использовать модели телекоммуникационных устройств. В настоящей работе проводится разработка модели коммутатора Ethernet с поддержкой QoS на основе цветных иерархических временных сетей Петри. 29

В настоящей работе основное внимание уделяется моделированию механизмов обеспечения QoS: введение классов обслуживания для различных видов трафика, алгоритмы управления очередями. Идея, лежащая в основе методов обеспечения QoS, – каждый ресурс (процессорное время, размеры буферов и др.) должен быть разделен между разными классами трафика по определенным правилам. Это позволяет по-новому взглянуть на проблему организации сетей передачи данных: не только с точки зрения топологии, но и с точки зрения обеспечения качества обслуживания. Объектом моделирования выступает коммутатор Ethernet, поддерживающий стандарт IEEE 802.1pq, позволяющий реализовывать транспортную среду мультисервисных сетей передачи данных [3]. В качестве инструмента для построения и исследования моделей используется система CPN Tools [4]. Выбор в качестве системы моделирования CPN Tools обусловлен его гибкостью, широкими возможностями. Сети Петри представляют собой универсальную алгоритмическую систему, позволяющую описывать произвольные объекты. Свойства «цвета» позволяют описывать алгоритмы обработки, зависящие от параметров трафика (адреса, размеры, теги и др.). Иерархичность позволяют строить сложные многокомпонентные модели. Свойство времени обеспечивает возможность моделирования динамических характеристик объекта (например, задержку). При разработке моделей использовалась методология нисходящего проектирования: была разработана и исследована иерархическая модель коммутатора, верхний уровень которой представляет традиционную структурную схему коммутатора, состоящую из входных/выходных портов, блока коммутации, буферов [5]. Введение иерархий было вызвано необходимостью в структуризации модели и в создании нескольких уровней детализации различных её компонентов. Модель (рис. 1) представляет собой иерархическую структуру, в которую входят модели входных/выходных портов, буферов, блоков коммутации [6].

Рис. 1. Структура 4-х портового коммутатора. Верхняя иерархия Трафик моделируется последовательностью маркеров, поступающих во входные порты и исходящих из выходных портов, цвета которых образуют кортеж полей, соответствующих формату кадров Ethernet 802.1pq: mac-адреса источника и приемника, поле типа/размера, контрольная сумма, поле тега с информации о принадлежности VLAN и определенному уровню приоритета. Также было добавлено служебное поле delay, хранящее время обработки кадра в коммутаторе, которое используется для сбора статистики и анализа работы модели. Кроме того, вводятся маркеры, цвета которых отражают 30


служебные характеристики модели. Для описания цветов, переменных и функций используется язык CPN ML [4]: • INT – стандартный цвет, представляющий целое число; • MAC=INT with 1..10 timed – цвет, который представляет MAC адрес, является целым числом из диапазона; • col=INT timed – цвет, представляющий целое число с параметром времени; • QoS=int with 1..4 – цвет, представляющий уровень качества обслуживания, является целым числом из диапазона; • frm=product MAC*MAC*QoS*INT*INT timed – сложный цвет, представляющий содержание передаваемого кадра; • frame=union f:frm + avail timed – сложный цвет, представляющий наличие или отсутствия кадра; • Size=INT with 80..1500 – цвет, представляющий размер данных в кадре; • TIMED=INT timed – цвет, представляющий целое число с параметром времени; • Lbuffer=list frm – цвет, который представляет собой список маркеров цвета frm. Переменные, используемые в модели: • var szfrm: Size – переменная цвета Size, содержащая размер данных, содержащихся в поле данных кадра; • var sz1, sz2, sz3, sz4: INT – переменные цвета INT, которые содержат размер информации, находящейся в буфере очереди; • var i, j, k: INT – служебные переменные цвета INT; • var delay: INT – переменная цвета INT, содержащая значение задержки; • var src: MAC – переменная цвета MAC, содержащая адрес источника; • var dst: MAC – переменная цвета MAC, содержащая адрес назначения; • var qos: QoS – переменная цвета QoS, которая содержит требуемый уровень качества обслуживания; • var fr: frm – переменная цвета frm, содержащая кадр, используемая для работы со списком маркеров цвета frm; • var mtime: TIMED – переменная цвета TIMED; • var lbuf: LBuffer – переменная цвета LBuffer, которая содержит список маркеров цвета frm, находящихся в очереди; • var lbuf2: LBuffer – переменная цвета LBuffer, содержащая список маркеров цвета frm, которые отбрасываются, если очередь переполнена; • var f1, f2 ,f3, f4: frame – переменные цвета frame, используемые при формировании выходного трафика. Функции, используемые в модели: • fun SetMAC() = MAC.ran() – функция, которая выбирает случайное число из диапазона, описанного цветом MAC. Используется в генераторе трафика для задания mac-адреса при создании кадра; • fun SetQoS() = QoS.ran() – функция, выбирающая случайное число из диапазона, описанного цветом QoS. Используется в генераторе трафика для задания значения поля QoS при создании кадра; • fun SetSize() = Size.ran() – функция, которая выбирающая случайное число из диапазона, описанного цветом Size. Используется в генераторе трафика для задания значения поля szfrm при создании кадра; • fun GetTime() = IntInf.toInt(time()) – функция для получения текущего модельного времени; • fun GetDelay_NoiseTraf() = poisson(20000) – функция, определяющая длительность межкадрового интервала «шумового» трафика. • fun GetDelay_UsefulTraf() = poisson(50000) – функция, определяющая длительность межкадрового интервала трафика, который подмешивается к исследуемому трафику. Входные и выходные порты представляют собой сети Петри, моделирующие прием/передачу маркеров через полнодуплексный интерфейс. В качестве модели коммутационного блока, передающего кадры с входного порта на определенный выходной порт, была использована сеть Петри, предложенная в [7, 8], в которой выполняется перенаправление маркера (кадра) в соответствии с таблицей коммутации. Алгоритмы управления очередями реализуются в буферах выходных портов. Они используются для минимизации потерь пакетов в периоды временных перегрузок, когда сетевое устройство не справляется с передачей пакетов на выходной интерфейс в темпе их поступления. Какие пакеты будут переданы на выходной порт, это зависит от конкретного алгоритма и от класса трафика, к которому принадлежит пакет. Реализация заключается в разделении буфера на несколько очередей, каждая из которых предназначена для трафика определенного класса, генерируемых приложениями с определенной чувствительностью к задержкам и потерям пакетов (асинхронный, изохронный, реального времени). Сеть Buf (рис. 1) является моделью буфера выходного порта и включает в себя подсети, реализующие основные механизмы QoS:

31

• Classifier – классификатор типа пакета, который выделяет из последовательности пакетов, поступающих в буфер, пакеты, имеющие общие требования к качеству обслуживания. Классификация выполняется на основе содержимого поля qos (соответствует полю Quality кадра Ethernet 802.1pq). • Queue – очередь типа FIFO, буферизирующая кадры одного класса. В этой подсети также реализованы подсчет размера текущего содержимого буфера и отбрасывание поступивших кадров при переполнении буфера. Эти данные используются по окончании моделирования для анализа работы модели. • MUX – сеть, реализующая один из алгоритмов обслуживания очередей различных классов и управление полосой пропускания, выделяемой для каждого из классов трафика. На рис. 2 изображен «срез» модели буфера – сети, через которые проходит маркер цвета frm (кадр Ethernet) перед тем как попасть в выходной порт коммутатора. Классификатор (сеть Classifier) на основании содержимого поля qos кадра, направляет его в определенную очередь (сеть Queue). Перед тем, как поместить кадр в очередь, производится проверка на наличие свободного места (переход Insert). Если места достаточно, то кадр помещается в очередь типа FIFO (переход в позицию Queue), в противном случае – отбрасывается (переход в позицию Garbage). В позиции Queue находится маркер с цветом list frm, с помощью которого формируется список маркеров (кадров), подходящий для реализации модели очереди типа FIFO. В позиции Size находится маркер, в котором хранится суммарный размер фреймов на текущий момент времени. После перехода маркера (кадра) в позицию Queue его размер (значение поля szfrm) прибавляется к значению маркера в позиции Size. Кадры, помещенные в очередь, в порядке поступления освобождают её и отправляются в блок регулирования полосы (сеть LineReg). Назначение данной сети заключается в том, что необходимо выделить для трафика каждого уровня приоритета определенную часть от общей полосы пропускания. И не имеет значения, какой алгоритм обслуживания очередей при этом используется. Регулирование полосы пропускания реализуется по алгоритму «дырявого ведра». В позиции Limit хранится значение, описывающее ограничение пропускной способности полосы для трафика данного приоритета. В позиции Bits_Passed, которая связана также с сетью, реализующей алгоритм обслуживания очередей и формирование выходного трафика (сеть MUX), хранится значение объема трафика, пропущенного на выходной порт в конкретный момент времени. Сброс в ноль значения, хранящегося в позиции Bits_Passed, производится по внешнему таймеру (на рисунке не показан). При поступлении кадра на вход блока регулирования полосы (сеть LineReg), происходит сравнение объема пропущенных кадров (значение маркера в позиции Bits_Passed) и лимита полосы (значение маркера в позиции Limit). Кадр поступает в блок формирования выходного трафика (сеть MUX) при условии, что значение переданного на текущий момент трафика не превышает значение лимита, выделенного для этого приоритета. Модели блоков обслуживания очередей и формирования выходного трафика отличаются в зависимости от алгоритма обслуживания очередей. Были разработаны сети, реализующие наиболее распространенные алгоритмы обслуживания очередей: приоритетное обслуживание, взвешенное обслуживание, справедливое (комбинированное) обслуживание. На рис. 2 изображены блок приоритетного обслуживания очередей и формирования выходного трафика (переход Priority) и блок взвешенного обслуживания очередей и формирования выходного трафика (переходы Frame Valve и Avail Valve). Блок справедливого (комбинированного) обслуживания на рис. 2 не показан. Он формируется комбинацией приоритетного обслуживания для определенных классов трафика с взвешенным обслуживанием для остальных классов. В случае приоритетного обслуживания, перед отправкой кадра в выходной порт выполняется проверка (переход Priority) доступности выходного порта (маркер avail в позиции out), а также отсутствие кадров в очередях с более высоким приоритетом (f1…fi-1). После того, как кадр перешел в выходной порт значение в позиции Bits_Passed увеличивается на размер только что пропущенного кадра (значение поля szfrm). Также освобождается место в очереди (уменьшается на значение szfrm текущий размер очереди в позиции Size). Иначе работает блок обслуживания очередей и формирования выходного трафика в случае взвешенного обслуживания. При работе взвешенных очередей используется механизм сканирования, то есть последовательный опрос всех очередей на наличие фреймов. Номер опрашиваемой очереди хранится в состоянии Next Scan. Для обеспечения работы механизма сканирования используются два перехода, первый (переход Frame Valve) отвечает за передачу кадра, второй (переход Avail Valve) – обеспечивает переключение на сканирование следующей очереди. При отправке кадра в выходной порт (переход Frame Valve) выполняется проверка доступности выходного порта и соответствия порядкового номера текущей очереди значению, хранящемуся в состоянии Next Scan. После того, как кадр перешел в выходной порт значение в позиции Bits_Passed увеличивается на размер только что пропущенного кадра (значение поля szfrm). Также освобождается место в очереди (уменьшается на значение szfrm текущий размер очереди в позиции Size). Кроме того, в состояние Next Scan заносится порядковый номер следующей очереди, которая будет просканирована следующей. Если очередь не содержит кадров, то при доступности выходного порта и наличии кадра в любой другой очереди (f1…fi-1) срабатывает переход Avail Valve, задавая номер следующей сканируемой очереди.

32


33

Справедливое (комбинированное) обслуживание является широко распространенной группой алгоритмов обслуживания очередей. В наиболее популярном алгоритме подобного рода имеется одна приоритетная очередь для чувствительного к задержкам трафика и несколько очередей для эластичного трафика нескольких классов, которые обслуживаются по взвешенному алгоритму. В ходе работы была разработана модель, реализующая комбинированное обслуживание очередей по описанному выше алгоритму. Временная характеристика коммутатора моделируется задержкой прохождения маркера (кадра) при срабатывании выходного перехода в сети Петри выходного порта. Задержка задается суммой составляющих: • коммутации – длительность зависит от скорости срабатывания микросхем в блоке коммутации и обычно имеет постоянное значение ( TC ); • в очереди – длительность зависит от времени нахождения кадра в очередях коммутатора ( TQ ); • в выходном порту (сериализации) – длительность зависит от переменной составляющей (размера фрейма) ( TF ) и постоянных составляющих (преамбула и межкадровый интервал) ( TO ). Для испытания и анализа модели коммутатора были разработаны модели, которые реализуют генерацию трафика с определенными характеристиками и необходимым законом распределения интервалов задержек между кадрами. В модели предусмотрены измерительные фрагменты, обеспечивающие накопление статистики сброса кадров при переполнении очереди, текущей длины очереди, а также задержек при обработке кадров в коммутаторе. Отдельно разработаны: • генератор трафика (сеть Петри, генерирующая маркеры (кадры) с заданными характеристиками для имитации входного трафика); • программа сбора статистических данных по лог-файлу работы модели. Статистическая обработка данных выполняется с помощью пакета MS Excel или OpenOffice.org Calc. Некоторые результаты моделирования сети приведены в таблице 1. Приоритетный трафик (qos = 1) является композицией двух потоков: регулярного (с периодом следования в 3 мс) и пуассоновского (со средним временем – 6 мс). Трафик остальных классов QoS (qos = 2..4) формировался разделением на 3 потока из кадров со средним периодом следования в 2 мс. Длина кадров пуассоновских потоков задавалась с полезной нагрузкой равномерно распределенной в интервале от 80 до 1500 байт, размер полезной нагрузки кадров регулярного трафика – 200 байт. Таблица 1. Класс QoS

Полоса, %

Коэффициент загрузки полосы

Среднее время задержки в очереди (мс)

Потерянные пакеты (%)

1

20

0,87

2,51

0

2

40

0,30

1,15

0

3

30

0,36

0,55

0

4

10

1,03

77,82

4,2

Общий трафик

100

0,56

13,79

0,6

Из таблицы видно, что выделенной приоритетное обслуживание трафика класса 1 неэффективно ввиду очень высокой загрузки выделенной полосы, поэтому приоритет не дает каких-либо преимуществ с точки зрения сокращения задержек и их вариаций (джиттера). Трафик класса 4 перегружает выделенную полосу пропускания (эффект некоторого превышения заданной полосы пропускания объясняется тем, что реализуемый алгоритм управления полосой позволяет использовать незанятые полосы других классов). Большую информацию о трафике можно получить с помощью анализа графиков профилей трафика, гистограмм задержек и длительности очередей. Выводы по работе: • отработана методика моделирования механизмов QoS цветными иерархическими сетями Петри; • разработана модель коммутатора, позволяющая оценить вероятностно-временные характеристики трафика и динамику использования буферов; • разработанные модели можно использовать в качестве компонентов модели локальной сети передачи данных со сложной топологией; • отдельные подсети модели могут быть применены для моделирования работы протоколов других уровней (например, IP-маршрутизаторов). Литература 1. 2. 34

Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы: учебник для вузов. 3-е изд. – СПб.: Питер, 2008. Гугель Ю.В. Характеристики параметров "Качество обслуживания" опорной инфраструктуры научно-образовательной сети // Информатизация образования и науки, 2009, Вып. 4.


3. 4. 5.

6. 7. 8.

Филимонов А.Ю. Построение мультисервисных сетей Ethernet. – М.: BHV, 2007. Kurt Jensen, Lars M. Kristensen. Coloured Petri Nets: modelling and validation of concurrent systems. – Springer, 2009. Механов В.Б. Применение сетей Петри для моделирования механизмов обеспечения QoS в компьютерных сетях // Материалы международного симпозиума “Новые информационные технологии и менеджмент качества (NIT&MQ’2010)” ФГУ ГНИИ ИТТ “Информика”.- М.: ЭГРИ, 2010 Домнин А.Л., Кизилов Е.А., Пушкарев В.А. Моделирование интеллектуальных коммутаторов Ethernet сетями Петри // Микроэлектроника и информатика -2010. – М.: МИЭТ, 2010. Zaitsev D.A. Switched LAN Simulation by Colored Petri Nets // Mathematics and Computers in Simulation. – 2004. – Vol. 65, № 3. Зайцев Д.А., Шмелёва Т.Р. Моделирование коммутируемой локальной сети раскрашенными сетями Петри // Зв'язок, 2004, № 2(46).

РАЗРАБОТКА СИСТЕМЫ МОНИТОРИНГА КОМПЬЮТЕРНОЙ СЕТИ RUNNet Г.А. Карапетян Санкт-Петербургский государственный университет информационных технологий механики и оптики E-mail: [email protected] Сегодня фактически любая отрасль информационных технологий в значительной степени опирается на использование компьютерных сетей. Компьютеров, как и информации, необходимой для передачи, с каждым годом становится все больше, что заставляет постоянно развиваться и модернизироваться компьютерные сети. Сети активно развиваются и расширяются, их масштабы и объемы передаваемого трафика постоянно растут, что, в свою очередь, обуславливает необходимость разработки надежных и удобных в использовании систем мониторинга и управления компьютерными сетями. Основной задачей таких систем является постоянное наблюдение за состоянием сети, выявление сбоев и неполадок в ее работе и незамедлительное сообщение об обнаруженных ошибках обслуживающему персоналу сети. Кроме этой основной цели любой системы мониторинга, в разных сетях встает необходимость решать и другие задачи, которые могут заметно отличаться по функциональности, а иногда и вовсе быть взаимоисключающими. На сегодняшний день существует достаточно большое количество систем и приложений, осуществляющих мониторинг как локальных, так и глобальных компьютерных сетей. Каждая из таких систем имеет свои достоинства и недостатки, причем в большинстве случаев этими недостатками являются слишком большие ресурсные затраты на их внедрение, освоение и использование, а также возможные проблемы в работе системы, возникающие при изменениях структуры компьютерной сети. В настоящей статье рассматривается реализованная автором собственная система мониторинга глобальной компьютерной сети, которая, при относительно малых ресурсных затратах, позволяет создать полноценную, наглядную модель сети, полностью отображающую ее структуру и состояние в режиме реального времени. В задачи данной системы входит также проверка работоспособности всех узлов сети, с сообщением системному администратору об обнаруженных сбоях и ошибках в ее работе. На начальном этапе разработки системы мониторинга необходимо было определиться со способом визуализации работы компьютерной сети. Учитывая специфику глобальных компьютерных сетей (в частности, большое расстояние между узлами) и желание создать максимально наглядную и полную модель, в качестве основного компонента системы визуализации использовалась географическая карта Google Map (http://maps.google.com). Этот весьма популярный веб-сервис компании Google был выбран не случайно – данные географические карты предлагают большое количество полезных функций и возможностей. Немаловажную роль при выборе геосистемы для визуализации работы компьютерной сети сыграла и открытость кода данного приложения, что позволяет относительно легко вносить в него изменения путем интегрирования собственных JavaScript-сценариев. Компьютерная сеть в разработанной системе представляется в виде набора узлов и соединений между ними. Эти наборы, в свою очередь, могут делиться на какие-либо подмножества, в зависимости от структуры конкретной сети. Элемент компьютерной сети (узел или соединение между узлами) характеризуется заданным набором параметров, при помощи которых система однозначно идентифицирует данный элемент и организует его связь с другими элементами сети. Система полностью ориентирована на использование свободно распространяемого программного обеспечения. В частности, для хранения и обработки информации об элементах сети используется база данных MySQL. Разработанная и используемая в системе база данных включает в себя три взаимосвязанных таблицы, в которых находится вся необходимая информация для создания модели сети. Первая таблица, служащая для хранения данных об узлах сети, состоит из 9 полей, в каждом из которых хранится тот или иной параметр узла: тип, имя, географические координаты, адрес веб-страницы, IP-адрес, дополнительная информация, состояние узла и его идентификатор. Вторая таблица хранит данные о соединениях между узлами и содержит 4 поля: идентификаторы двух соединяемых узлов, ссылка на веб-ресурс с информацией о данном соединении и идентификатор соединения. Третья таблица базы данных 35

является «связующим звеном» между первыми двумя: в ней хранится дополнительная информация, необходимая для корректной работы системы. На втором этапе разработки системы, после определения структуры хранения данных об элементах сети, решалась задача занесения имеющейся информации о сети в базу данных. Для этих целей был разработан простой в использовании и интуитивно понятный пользовательский веб-интерфейс, предоставляющий возможность путем заполнения специальных веб-форм и отправки их на сервер, записывать информацию в базу данных. Для добавления нового узла пользователю, после авторизации и проверки полномочий по работе системы, необходимо ввести в соответствующие поля веб-формы необходимую информацию и подтвердить отправку данных на сервер. Кроме добавления нового элемента, имеется возможность удаления и изменения информации об уже существующем элементе сети. Для удаления узла из базы данных необходимо в выпадающем списке веб-формы выбрать его имя и подтвердить операцию удаления. Для изменения информации о каком-либо узле (также после выбора узла из выпадающего списка) следует внести необходимые правки в соответствующие поля предоставленной веб-формы и подтвердить операцию изменения (рис. 1).

Рис. 1. Веб-форма для изменения информации об узле компьютерной сети Взаимодействие с веб-сервером в системе происходит через CGI-интерфейс на основе специальных скриптовых программ, написанных на языке Perl. Вся информация из веб-форм перед занесением в базу данных проходит автоматическую проверку (в основном, в целях безопасности), после чего происходит ее добавление в базу данных. Выполненное на данном этапе разработки занесение в базу данных информации об узлах сети и соединениях между ними позволяет системе производить визуализацию работы компьютерной сети. Важная задача проверки узлов компьютерной сети на корректную работу решается в системе путем периодического отправления каждому узлу сети ICMP-запроса и ожидания от узла ответа. При получении отклика от конкретного узла в описывающее состояние узла поле базы данных (с названием «статус») записывается значение "1" (это означает нормальную работу узла). В случае, если заданный узел не отвечает (сервер не дожидается ответа на запрос в течение некоторого промежутка времени), в поле «статус» записывается "0", тем самым, сообщая системе о том, что узел перестал работать в штатном режиме. Система повторяет отправку запроса для проверки достижимости узлов сети каждые 5 секунд, таким образом, в базе данных постоянно хранится актуальная информация о состоянии узлов компьютерной сети. После добавления информации об элементах сети в базу данных и проверки работы всех узлов, система, используя эти данные, автоматически генерирует два XML-файла, в которых в упорядоченном виде содержатся данные об узлах и соединениях сети. Информация из этих файлов используются JavaScript-приложением в качестве входных данных для добавления на географическую карту Google Map всех элементов компьютерной сети (рис. 2). Элементы различных групп обозначаются на карте различными цветами и пиктограммами, при этом отображение нерабочих узлов отличается от отображения рабочих, даже если они принадлежат к одной и той же группе узлов (рис. 3). Таким образом система сигнализирует обслуживающему персоналу сети о сбоях, произошедших в ее работе. Для просмотра модели сети пользователю достаточно иметь браузер и выход в Интернет. Полученная 36


модель сети имеет определенный URL, поскольку, фактически, элементы сети «накладываются» на карту Google Map. На карте в удобном виде отображается структура компьютерной сети, причем по изображению конкретного элемента сети можно определить, работает он ли в нормальном режиме.

Рис. 2. Визуализация компьютерной сети RUNNet на геосистеме Google Maps

Рис. 3. Изображение функционирования узлов (работает корректно/не корректно) В итоге, реализованная и описанная выше система мониторинга создала полную и наглядную модель компьютерной сети, отображающую ее структуру и текущее состояние в режиме реального времени, то есть выполняющая поставленные задачи визуализации и проверки всех узлов на корректную работу. При этом система относительно легка в освоении, а большинство процессов в ней полностью автоматизированы. Кроме того, следует отметить, что система является легко масштабируемой и может быть использована для практически любой компьютерной сети. Разработанная система была обстоятельно протестирована и внедрена в практическую эксплуатацию для мониторинга (http://noc.runnet.ru/map) работы Федеральной университетской компьютерной сети России RUNNet (http://www.runnet.ru), поддержку и развитие которой осуществляет 37

Государственный научно-исследовательский институт информационных технологий и телекоммуникаций (ФГУ ГНИИ ИТТ «Информика»). В настоящее время система активно используется обслуживающим персоналом сети и, по мере необходимости, производится ее доработка и модернизация.

РАЗРАБОТКА АЛГОРИТМА И ПРОГРАММНЫХ СРЕДСТВ СИСТЕМЫ ПОСТРОЕНИЯ ТРЕХМЕРНОЙ ЦИФРОВОЙ КАРТЫ ВЫСОТ ПО НЕСКОЛЬКИМ ИЗОБРАЖЕНИЯМ А.А. Скляров, С.А. Скляров Технологический институт Южного федерального университета, г. Таганрог E-mail: [email protected] В настоящее время существует все больший спрос на системы построения трехмерной цифровой карты высот. Это связано с постоянным ростом развития беспилотных летательных аппаратов, зондов, сканирующих поверхность планеты. Информация, поступающая из таких летательных аппаратов, является двумерной, и её представление является менее удобной для человеческого восприятия, чем трехмерная модель, которая обладает большей информативностью. Так же системы построения трехмерных поверхностей широко используются для компьютерной графики или создания виртуальной модели мира. Качеству визуализации в подобных задачах уделяется особое внимание, поэтому геометрия поверхности должна быть достаточно точной. Системы построения трехмерной цифровой карты высот часто используются в комплексе со специализированными аппаратными средства. Примером таких аппаратных средств является лидар (транслитерация LIDAR англ. Light Identification, Detection and Ranging) – активный дальномер оптического диапазона, работающий по принципу радара: направленный луч источника излучения отражается от целей, возвращается к источнику и улавливается высокочувствительным приёмником (в случае лидара – светочувствительным полупроводниковым прибором); время отклика прямо пропорционально расстоянию до цели. Использование данного оборудования приводит к высокой стоимости системы построения трехмерной карты высот. Однако благодаря разработке новых алгоритмов обработки графической информации, можно выполнять построение трехмерных поверхностей с использованием не дорогостоящего фото или видео оборудования. В связи с постоянным ростом потребности в подобных системах, был разработан новый метод построения трехмерных карт высот. Суть метода состоит в том, чтобы построить трехмерную модель поверхности реального объекта, на основании двумерной информации моделируемой поверхности.

Рис. 1. Простейшая стереоскопическая система В теории алгоритм построения карты высот местности работает, когда две камеры, находящиеся в разных точках, регистрируют одну и ту же сцену. Пара изображений, получаемых при этом, называется стереопарой. Предположим частный случай, при котором одинаковые камеры расположены так, что их оптические оси параллельны, а прямая (базовая линия), проходящая через оптические центры, перпендикулярна оптическим осям. Предположим что длина отрезка (базы) расположенного на базовой линии и заключенного между оптическими центрами равна b. Выберем такую глобальную систему координат, начало которой O расположено на базовой линии посредине между оптическими центрами камер, ось OZ параллельна оптическим осям, а ось OX направлена вдоль базовой линии (рис. 1). Пусть начало координат в плоскостях изображений камер совпадают с главными точками (u0 = v0 = 0), а 38


единицы измерения координат в глобальной системе и в плоскостях изображения камер одинаковы (w = h = l). Выберем точку M с глобальными координатами (X, Y, Z). Координаты ее проекции в плоскости изображения первой камеры обозначим через (x’, y’), а в плоскости изображения второй камеры – через (x’’,y’’). Проекции одной и тоже точки в разных плоскостях называются сопряженными точками. Нетрудно доказать, что

x’ = f(X+b/2)/Z, x’’ = f(X-b/2)/Z, y’ = y’’ = fY/Z.

(1) (2) (3)

Z = fb/(x’ – x’’).

(4)

Откуда можно вычислить глубину:

Полученные соотношения позволяют вычислить полностью трехмерные координаты точки:

,

(5)

(6)

Разность d = x'-x" называется диспарантноcтъю. Ошибки в координатах проекций сильнее сказываются при малой диспарантности и, следовательно, расстояния до далеких объектов измеряются менее точно, чем до близких. С другой стороны, при фиксированной дальности диспарантность пропорциональна размеру базы, поэтому точность измерений повышается с увеличением базы [1]. На практике, в разрабатываемой системе существует одна камера, однако она регистрирует один и тот же участок земной поверхности подобно рассмотренному случаю, осуществляя движение вдоль оси OX. Для системы построения трехмерной поверхности был разработан алгоритм, состоящий из комплекса алгоритмов обработки изображений. Алгоритм построения трехмерной поверхности на основе нескольких изображений состоит из следующих этапов: 1. Получение кадра содержащего изображение моделируемой поверхности из устройств фотоили видеосъемки. 2. Получение следующего кадра из устройств фото- или видеосъемки. 3. Формирование стереопары. 4. Применение алгоритмов восстановления изображения к полученной стереопаре. 5. Бинаризация восстановленной стереопары. 6. Нахождение сопряженных точек. 7. Построение трехмерной карты высот. Раскроем содержание каждого этапа алгоритма построения трехмерной поверхности. 1-й и 2-й этапы алгоритма предназначены для получения стереопары моделируемой поверхности. Данный пункт предполагает, что система построения трехмерных поверхностей имеет возможность работать с устройствами видеонаблюдения. При определенных настройках разработанная система может работать в режиме реального времени. В данном режиме система успевает обрабатывать стереопару до прихода новой. Однако данный режим накладывает определенные ограничения к вычислительной мощности системы, так как для достижения заданной точности определения высоты необходимо произвести немало вычислительных операций в секунду. На 3-ем этапе алгоритма из полученных на этапе 1 и 2 изображений формируется стереопара необходимая для определения карты высот. Процесс формирования стереопары представляет собой создание определенной структуры содержащей в себе два изображения и их характеристики. Во время этого процесса проверяются характеристики изображений на сопоставимость, т.е. необходимо чтобы формат пикселя первого изображения соответствовал формату пикселя второго, это же касается и размеров изображений, они должны быть одинаковыми иначе данная стереопара изображений будет игнорирована. Сформированная стереопара состоит из изображений, полученных в результате фото- или видеосъемки при которых неизбежно появится аддитивный шум или несоответствие обшей яркости и контрастности. Для восстановления изображения от аддитивного шума на 4-ом этапе алгоритма применяется алгоритм медианной фильтрации. Алгоритм медианной фильтрации в данной работе служит для подавления лишней информации или шума в исходной двумерной информации. Изображения в процессе формирования их системами фото- или видеосъемки обычно подвергаются воздействию различных случайных помех или шумов. Фундаментальной проблемой в области обработки изображений является эффективное удаление шума при сохранении важных для последующего распознавания деталей изображения. Сложность решения данной задачи существенно зависит от характера шумов. В отличие от детерминированных искажений, которые описываются функциональными преобразованиями исходного изображения, для описания случайных воздействий используют модели аддитивного, импульсного и мультипликативного шумов [2]. 39

Наиболее распространенным видом помех является случайный аддитивный шум, статистически независимый от сигнала. Модель аддитивного шума используется тогда, когда сигнал на выходе системы или на каком-либо этапе преобразования может рассматриваться как сумма полезного сигнала и некоторого случайного сигнала. Медианная фильтрация изображений наиболее эффективна, если шум на изображении имеет импульсный характер и представляет собой ограниченный набор пиковых значений на фоне нулей. В результате применения медианного фильтра наклонные участки и резкие перепады значений яркости на изображениях не изменяются. Это очень полезное свойство именно для изображений, на которых, как известно, контуры несут основную информацию [2]. При медианной фильтрации зашумленных изображений степень сглаживания контуров объектов напрямую зависит от размеров апертуры фильтра и формы маски. При малых размерах апертуры лучше сохраняются контрастные детали изображения, но в меньшей степени подавляется импульсные шумы. При больших размерах апертуры наблюдается обратная картина. Оптимальный выбор формы сглаживающей апертуры зависит от специфики решаемой задачи и формы объектов. Особое значение это имеет для задачи сохранения перепадов (резких границ яркости) в изображениях [2]. Наряду с медианной фильтрацией в разработанной системе есть возможность использовать линейные фильтры для сглаживания изображения от белого аддитивного шума. В частности, гауссовский фильтр с ядром:

Образом точки при гауссовой фильтрации будет симметричное размытое пятно, с убыванием яркости от середины к краям, что гораздо ближе к реальному размытию от расфокусированных линз. Влияние пикселей друг на друга при гауссовой фильтрации обратно пропорционально квадрату расстояния между ними. Коэффициент пропорциональности, следовательно, и степень размытия, определяются параметром σ [2]. При осуществлении фото- или видеосъемки существует вероятность получения изображения с низкими яркостными характеристиками. Для повышения контрастности и яркости изображения на 4-ом этапе алгоритма применяется гистограммная эквализация. Результатом этого процесса будет увеличение динамического диапазона уровней яркости, что обычно означает большую контрастность выходного изображения. В общем случае гистограмма обрабатываемого изображения не будет равномерной в силу самой природы дискретных величин. Величины нормированной гистограммы являются приближениями вероятностей появления каждого уровня яркости на изображении. Преобразование эквализации имеет следующий вид:

при k = 1,…,L, где Sk – величина яркости выходного изображения, соответствующая значению яркости rk входного изображения, pr (rj), j = 1,…, L – гистограмма уровней яркости некоторого исходного изображения, rk – это k-ый уровень яркости из интервала [0, G], nk – число пикселей изображения, уровень яркости которых равен rk. n – общее число пикселей изображения. Значение G равно 255 для 32 полутонового изображения и 2 -1 для цветного изображения формата True Color [2]. После удаления шумов и выравнивания яркостных характеристик стереопары, её необходимо преобразовать в двоичный вид для упрощения процесса распознавания при нахождении сопряженных точек моделируемой поверхности. Данный процесс называется бинаризацией изображения и для его осуществления на 5-ом этапе алгоритма построения трехмерной модели поверхности используются линейные фильтры, задаваемые дискретными аппроксимациями дифференциальных операторов (по методу конечных разностей), в комплексе с пороговой фильтрацией. Простейшим дифференциальным оператором является взятие производной по x-координате

.

Данный оператор определен для непрерывных функций. Существует множество способов определить аналогичный оператор для дискретных изображений при помощи линейного фильтра. В частности, распространенными вариантами являются фильтры Прюита (Prewitt) и Собеля (Sobel). В результате применения разностных операторов получается, как правило, изображение со средним значением пикселя близким к нулю (сумма элементов ядра равна нулю). Вертикальным перепадам (границам) исходного изображения соответствуют пиксели с большими по модулю значениями на результирующем изображении. Поэтому разностные фильтры называют также фильтрами, находящими границы [2]. Для представления границ в бинарном виде после применения разностных фильтров к стереопаре, применяется алгоритм пороговой фильтрации. Результатом пороговой фильтрации служит бинарное изображение, определяемое следующим образом:

(9) 40


где A(x,y) – значение интенсивности пикселя в точке с координатами (x,y) исходного изображения, B(x,y) - значение интенсивности пикселя в точке с координатами (x,y) преобразованного в бинарный вид изображения, – порог фильтрации. После применения всех преобразований получается стереопара с бинарным представлением границ изображений. Для дальнейшего построения трехмерной карты высот необходимо найти местоположение сопряженных точек. Очевидно, что при решении этой задачи речь идет об отождествлении не отдельных точек, а фрагментов изображений, лежащих в окрестностях этих точек. Для отождествления фрагментов изображений, образующих стереопару, применяется алгоритм, основанный на вычислении корреляции между признаками фрагментов изображений [2]. Будем считать, что изображение эталонного фрагмента (области вокруг точки находящейся на первом снимке A и представляемого матрицей U0 размером nxn), сравнивается с изображениями фрагментов второго снимка B в «зоне поиска» Ω размером LxL, L = n + m . Перекрытие между 2 2 фрагментами определяется шагом h дискретной решетки hZ (в плоскости Р ), на которой заданы наблюдаемые переменные {u0(х), х = (х,у)} на А или {u(х)} на В. В процессе скользящего поиска (когда каждый очередной фрагмент получается из предыдущего простым сдвигом на один шаг) вычисляется «функция сходства» между изображением эталонного фрагмента {u0(х), ГА} и изображениями текущих (контролируемых) фрагментов {u(х),

ГВ}. Здесь требуется найти функцию сходства, которая

бы с максимально возможной точностью и достоверностью позволяла локализовать фрагмент, соответствующий изображению эталонного фрагмента, фиксируя, таким образом, сопряженные точки на снимках. Взаимно соответствующие элементы изображений одного объекта на снимках должны, очевидно, удовлетворять соотношению

(10) где а и b – параметры контраста и средней освещенности; k, l – параметры относительного сдвига образца и его аналога на контролируемом снимке; – шум;

В такой формулировке процедура селекции образца должна найти параметры k и l, характеризующие сдвиг реперных фрагментов. Ради простоты будем считать, что параметр b не меняется по полю снимков, что позволяет перейти к центрированным переменным

В качестве меры различия в точке (k,l) будем брать среднеквадратическую ошибку

которая минимизируется перебором всех допускаемых сдвигов эталона по заданной области контролируемого снимка. Считается, что в точке экстремума реализуется сходство, если где λ – некоторый установленный порог. Из требования минимума ошибки

находим

оценку а, подставляем ее в формулу (13) и приходим к выражению

Первый член выражения 14) – «энергия» эталонного сигнала – является величиной постоянной, не зависящей от параметров сдвига (к,l). Поэтому точка экстремума не изменится, если мы будем нормировать среднеквадратическую ошибку к энергии эталона 41

и вместо минимума нормированной среднеквадратической ошибки будем искать максимум коэффициента корреляции текущего фрагмента с эталоном

Соблюдение условий достоверности обнаружения также приводит к необходимости устанавливать порог для величины взаимной корреляции max : если max , то с заданной вероятностью гарантируется действительное сходство найденной пары фрагментов. Величина порога определяется функцией распределения коэффициента корреляции (при случайных выборках) и задаваемой доверительной вероятностью принятия решения о действительном сходстве фрагментов [1]. После нахождения тождественных областей вокруг сопряженных точек можно вычислить координаты трехмерной проекции сопряженных точек по формулам (4) (5) (6). На 7-ом этапе алгоритма построения трехмерной карты высот происходит вычисление глубины трехмерных проекций сопряженных точек и сохранение результат в виде карты высот. Так как полученные высоты поверхности являются относительными, то для определения точных значений необходимо иметь информацию о начальной высоте объекта осуществляющего фото- или видеосъемку. Существуют ограничения по применению алгоритма построения трехмерной карты высот, в частности высота объекта осуществляющего фото- или видеосъемку должна иметь малый коэффициент изменения на протяжении всего времени работы алгоритма. Также частота кадров должна прямо пропорционально зависеть от скорости передвижения объекта осуществляющего фото- или видеосъемку. Следует отметить, что точность алгоритма построения трехмерной карты высот зависит от качества изображения полученного из устройства фото- или видеонаблюдения. На основе алгоритма построения трехмерной модели поверхности было разработано программное обеспечение, осуществляющее построение трехмерной карты высот по нескольким изображениям рассматриваемой местности. Пользователь разработанной системы имеет следующие возможности: 1. Выбирать последовательность снимков из устройства хранения информации или устанавливать режим работы системы в реальном времени. 2. Изменять параметры алгоритма для вариации степени детализации трехмерной модели поверхности. 3. Осуществлять предварительный просмотр построенной трехмерной модели: изменение масштаба; изменение угла обзора. 4. Сохранять построенную трехмерную модель рассматриваемой поверхности. Разработанная система отличается от своих аналогов, работающих на основе применения специализированных аппаратных средств, низкой себестоимостью, тем самым имеет практическую значимость для предприятий, работающих в сфере геоинформационных систем (ГИС). Литература 1. 2.

И.С. Грузман, B.C. Киричук. Цифровая обработка изображений в информационных системах, НГТУ, Новосибирск, 2002. Р. Гонсалес и Р. Вудс Цифровая обработка изображений, Техносфера, Москва, 2006.

СИСТЕМА ОЦЕНКИ И ПРОГНОЗИРОВАНИЯ УРОВНЯ КАЧЕСТВА ОБСЛУЖИВАНИЯ В IP-СЕТЯХ С ПРИМЕНЕНИЕМ АППАРАТА ТЕОРИИ СЛОЖНОСТИ В.Е. Подольский, С.С. Толстых, М.М. Дружинин Тамбовский государственный технический университет E-mail: [email protected], [email protected], [email protected] Современные компьютерные сети стремительно развиваются, на их основе формируются современные системы цифрового телевидения, сетевые информационные системы большой размерности, распределенные вычисления. Совокупность поставщиков и потребителей информации представляет собой единое информационное пространство. Перед разработчиками новых компьютерных сетей и перед специалистами, занимающимися вопросами модернизации уже существующих систем, возникают задачи оценки и прогнозирования уровня качества обслуживания. В компьютерных сетях большой размерности, функционирующих на 42


уровне крупных городов и регионов, принятие решений по реконструкции существующих телекоммуникаций и перераспределению потоков информации усложняется тем, что общее число параметров, которые можно, в принципе, принять к рассмотрению, чрезвычайно велико. Это, прежде всего, данные о трафике в многочисленных узлах сети. Однако, качество обслуживания клиентов сети нельзя оценить лишь объемом трафика. Необходимо принимать во внимание такие факторы, как пропускная способность каналов, задержки в прохождении пакетов, количество пакетов, переданных с недопустимыми задержками и др. Для сети большой размерности суммарный объем данных, которые необходимо переработать и принять решения, исчисляется гигабайтами. С учетом того, что число системных администраторов весьма ограничено, мощности компьютеров в узлах сети отнюдь не безграничны, большая часть статистики работы сети оказывается невостребованной. Значительную роль в развитии современных телекоммуникационных услуг играет все возрастающая конкуренция поставщиков. Немалую роль в успехе работы провайдеров играет человеческий фактор, мнение пользователей, у которых зачастую есть выбор, к какому именно провайдеру следует подключиться. В этой связи вопросы качества обслуживания становятся первостепенными. С позиции конечного пользователя, выбор провайдера следует производить по двум кардинальным признакам: • Безотказность работы сети – определяется временем простоев, связанных с ремонтом и устранением неисправностей, в отношении к тому или иному стандартному промежутку, например, месяцу. • Соответствие реального и обещанного быстродействия канала клиент-сервер по совокупности тех услуг, на получение которых пользователь рассчитывал, заключая контракт, в том числе и на услуги в сфере мультимедиа. Нельзя не отметить, что на политику развития компьютерных сетей, проводимую поставщиками информационных услуг, первостепенное влияние оказывает динамика прибыли. Типичная политика многих провайдеров подразумевает расширение ареала пользователей, прокладку новых коммуникаций, увеличение быстродействия каналов. Однако, решить задачу прогнозирования в сфере предоставления услуг телекоммуникаций порой не удается без тщательного анализа существующего положения и имитационного моделирования развития ситуации в будущем. И то, и другое невозможно без комплексного моделирования работы компьютерной сети большой размерности (КСБС). При оценке состояния компьютерной сети можно выделить две основные цели и модели анализа, соответствующие им: • Статическая модель – получение численных значений, показывающих соотношение различных проектных решений с последующим выбором одного из них. • Динамическая модель – оценка действующей сети на предмет её работоспособности, отказоустойчивости, стабильности и других показателей качества для выявления проблемных участков и для прогнозирования мероприятий по реконструкции. Вполне естественным представляется желание найти некоторый обобщенный показатель, характеризующий состояние компьютерной сети. При этом важно определить цель, преследуемую при формировании критерия состояния сети. В условиях, когда маркетинговый анализ показывает, что предприятие-провайдер успешно функционирует на рынке телекоммуникационных услуг, важно знать насколько стабильно это положение. Таким образом, в качестве цели формирования критерия выдвигается стабильность компьютерной сети как сетевой информационной системы. Главное отличие сетевых информационных систем, основанных на компьютерных взаимодействиях в сетях общего пользования, от распределенных информационных систем – многомерность целевого пространства, невозможность определить диаметр целевой сферы. В таких случаях традиционные схемотехнические подходы к оценке состояния технических систем, подразумевающие оценку диаметра целевой сферы, к КСБС неприменимы. Выбор методической основы для формирования критерия состояния компьютерной сети ограничен альтернативой: либо использовать статистику работы сети для нахождения информационной энтропии, либо оценивать структурно-параметрическую сложность. В первом случае необходимо привлекать максимальное количество данных, при этом число состояний, чьи вероятностные характеристики следует учитывать в формулах информационной энтропии, в КСБС нереально велико. Под стабильностью технической системы понимается способность системы удерживать структуру в неизменном виде. В КСБС можно рассматривать отдельно два вида структур: 1) структура информационных потоков и 2) структура информационных каналов. Вполне очевидно, что первый вид структур слишком изменчив во времени, в процессе работы любой современной сети огромную работу проводят маршрутизаторы, работающие в автоматическом режиме. Учесть все возможные перенаправления потоков и их раздачу в узлах сети нереально: большая размерность сети, ее нетривиальная топология вступают в противодействие с детерминизмом орграфа. Именно это явилось причиной выбора в качестве основы для построения орграфа КСБС структуру информационных каналов. Ориентация дуг отражает асимметричность трафика. Задача взвешивания элементов орграфа сводится к определению набора параметров, характеризующих элементы, с последующей консолидацией в значение веса дуги или вершины. Для оценки отдельных частей сети передачи данных (веса структурных элементов орграфа) могут использоваться различные подходы. Некоторые оценки справедливы для сетей любого масштаба, другие характерны именно для КСБС. В сети можно выделить две сущности разного свойства: • Каналы передачи данных, им соответствуют дуги орграфа; 43

• Узлы передачи данных (маршрутизаторы, коммутаторы), им соответствуют вершины орграфа. Параметры, применяемые для их оценки, можно разделить на категории, в зависимости от их свойств: • Постоянные – значение параметра не меняется с течением времени (либо его изменением на рассматриваемом периоде можно пренебречь). • Периодические – параметр меняется, но подчиняется известным, как правило, колебательным законам. Для сети передачи данных различаются колебания дневные, недельные и месячные. Оценка периодических параметров подразумевает обработку статистики по всем трём указанным периодам. • Непериодические – параметр меняется во времени, но не подчиняется периодическим законам (монотонное поведение). • Случайные – не поддаются систематической оценке, появляющиеся из-за случайных изменений условий использования трафика отдельными потребителями. Большинство реальных параметров сети имеют все эти составляющие в какой-либо пропорции, но, при стабильной работе сети, одна из них является преобладающей. Каналы передачи данных можно разделить на 3 уровня: • Каналы к оконечным потребителям (последняя миля). Максимальная скорость от 10 до 100 Мбит/с, возможна скорость 1 Гбит/с при подключении серверов. • Магистральные каналы между пользователем и ядром сети. Скорости магистральных каналов составляют, как правило, 1 Гбит/c. Суммарная загрузка канала состоит из суммы потребления трафика всеми пользователями, подключенными с помощью данного канала к ядру сети, за вычетом суммы трафика между пользователями. Для каналов характерно двойное резервирование: маршрут к точке доступа может проходить через два канала, и, при отказе одного из них, может включаться вспомогательный канал. • Каналы ядра сети. Скорость 1 Гбит/c. Для каналов данного типа в большей степени характерно резервирование, чем для магистральных каналов. Все узлы, входящие в ядро сети, имеют каналы для связи со всеми остальными узлами сети. В результате проведенного анализа были выявлены параметры (табл. 1), характеризующие компьютерную сеть большой размерности (КСБС). Таблица 1. Параметры элементов КСБС Единица измерения

Тип

бит/с

постоянный

Задержки в канале, свойственные конкретике передачи TCP пакета. В качестве значения параметра принимается усреднённая по серии замеров величина.

мс


Приоритетность канала (эмпирическая важность канала, метрика канала, 0 – наименее важный канал), степень важности данного канала.

–


Надёжность канала (его отказоустойчивость)

%


Процент полной загрузки – процент времени, в течение которое канал имеет загруженность сверх установленного порога (80%). Измеряется для определённого промежутка времени.

%

периодический

Загруженность канала (процент от пропускной способности канала).

%


руб.


%


Суммарный трафик узла.

байт


Скорость обработки трафика узлом.

бит/c


Стоимость узла (за период эксплуатации).

руб.


Описание Параметры каналов Пропускная способность канала.

Стоимость канала (сколько средств необходимо потратить в единицу времени на поддержание канала в рабочем состоянии). Параметры узлов Загруженность процессорного блока.

В задачах имитационного моделирования периодичностью величин можно пренебречь и использовать их средние значения (возможно также использование таких статистических характеристик, как, например, дисперсия). Стоимость узла или канала включает в себя единовременную стоимость покупки и стоимость владения (арендные платы, стоимость потребляемой электроэнергии и стоимость обслуживания, в том числе зарплату работников). Надёжность канала оценивается по статистическим данным. Приоритетность канала устанавливается аналитиком и назначается, исходя из конкретных задач, возложенных на данный канал передачи данных. Так, например, тот или иной канал может 44


оказаться более приоритетным, если он участвует в распределенных вычислениях, телеконференциях, телемедицинских мероприятиях. Такие величины, как процент полной загрузки, загруженность процессорного блока и суммарное количество трафика являются сугубо статистическими и могут быть получены либо с помощью замеров, либо быть заданными посредством обращения к генераторам псевдослучайных чисел. Предусматривается возможность косвенного вычисления параметров сети. Например, общий трафик коммутатора уровня агрегации можно вычислить, сложив весь трафик тех коммутаторов уровня распределения, которые к нему подключены. Загруженность процессорного блока сервера – важный параметр, оказывающий непосредственное значение на стабильность работы КСБС. Он оценивается путем непосредственных замеров или назначается, исходя из аналогий (при имитационном моделировании). Для вычисления веса элементов КСБС предложены следующие формулы:

Вес дуги Vд = k1/S + k2d+ k3P+ k4Mд,, Вес вершины Vв = k5T + k6C+ k7Mв, где Mд – стоимость канала;

Mв – стоимость узла; S – пропускная способность канала; d – задержки P – приоритетность канала; T – трафика узла; С – загруженность процессорного блока узла. Весовые коэффициенты k1-7 зависят от решаемых задач. Для каналов они зависят от типа канала: для

в канале;

отдельных каналов возможно преобладание задач скорости или надёжности над ценой самого канала. В процессе структуризации КСБС необходимо учитывать взаимодействия каналов связи и узлов, которые могут вносить изменения в структуру распределения трафика по сети, причем в разные периоды функционирования эти взаимодействия могут меняться. В данном случае речь идет о принудительных мерах маршрутизации, например, разделение трафика между несколькими маршрутами. Необходимо учитывать также процедуры «сужения канала», к примеру, со 1 Гбит до 100 Мбит, при котором часть пакетов будет отбрасываться. В период эксплуатации ведется сбор статистики с узлов связи. В настоящий момент подавляющее большинство устройств сети (коммутаторы, маршрутизаторы, персональные компьютеры) позволяют отдавать различные параметры их работы через протокол SNMP, либо через соединение с ними по протоколам telnet, SSH. Для получения статистики КСБС создано программное обеспечение, осуществляющее сбора всех параметров из табл. 1. Параметры записываются в реляционную базу данных для последующего анализа. Анализ статистики проводится с использованием аппарата теории сложности. При оценке эффекта модернизации строится орграф сети до проведения работы и предполагаемый орграф после их проведения. Для новых каналов связи устанавливаются усреднённые параметры, которые специалист может оценить по параметрам других элементов сети. Для всех имеющихся вариантов вычисляют величину структурно-параметрической сложности системы, и выбирается тот вариант, который имеет наименьшее значение оценки сложности [1]. Для оценки качества обслуживания клиентов КСБС проводится статистический анализ структурнопараметрической сложности как случайной величины. Мерой качества обслуживания является дисперсия оценок. Чем ниже величина дисперсии, тем выше качество обслуживания. Стабильность работы КСБС определяется положительными отклонениями оценки структурно-параметрической сложности от среднего значения. Чем больше сумма отклонений за некоторый период функционирования КСБС, тем стабильность системы хуже. Периодически решается задача прогнозной маршрутизации: выбирается тот или иной канал, называемый кардинальным (наиболее влиятелен), и решается задача оптимального управления, результатом решения которой является тренд управления пропускной способности канала. Минимальное значение функционала отклонений от среднего значения структурно-параметрической сложности соответствует наиболее стабильному состоянию КСБС на периоде прогнозирования. Разработанная система оценки и прогнозирования уровня качества КСБС на основе аппарата теории сложности является реализацией комплексного подхода к оценке состояния IP-сетей, позволяет заблаговременно предотвращать возможные негативные последствия роста размерности и всплесков активности потребления трафика. Литература 1.

2.

Подольский В.Е., Толстых С.С. Повышение эффективности региональных образовательных компьютерных сетей с использованием элементов структурного анализа и теории сложности. М.: Машиностроение, 2006. – 174 с. Особенности математического моделирования современных компьютерных сетей в образовательной сфере / А.Н. Тихонов, С.В. Мищенко, В.Е. Подольский, С.С. Толстых // Телематика’2003, СПб., 2004. Т.1. С. 78–79.

45

ИЗМЕРЕНИЯ СЕТЕВОЙ ПОЛОСЫ ПРОПУСКАНИЯ ПО ДАННЫМ О ЗАДЕРЖКЕ ПАКЕТОВ Т.Г. Султанов1, А.М. Сухов1, Д.Ю. Полукаров2 1) Самарский государственный аэрокосмический университет, 2) Поволжский государственный университет телекоммуникаций и информатики, г. Самара E-mail: [email protected] Введение Различные приложения реального времени в Интернет, прежде всего, передача звука и изображения, становятся все более и более популярны и для их качественной работы приложениям требуются высокоскоростные сети. Среди факторов, определяющих качество предоставляемого мультимедийного сервиса: качество оборудования (кодек и видеосервер) и доступная пропускная способность канала. Провайдеры должны обеспечить требуемую пропускную способность для голосовых и видео приложений для гарантированного представления подобных сервисов в глобальной сети. В данной работе сетевой маршрут определяется как последовательность соединений (hop), по которым проходят пакеты от отправителя к получателю. Есть различные определения для метрик пропускной способности, но здесь мы будем следовать подходам, принятым в работах [5, 9, 10]. Две метрики, обычно связываемые с маршрутом, это доступная (available bandwidth) и полная (capacity) пропускная способность. Полная пропускная способность (C – capacity) – это максимальная полоса пропускания уровня IP, которую может предоставить данный маршрут потоку при отсутствии конкурирующего потока. С другой стороны, доступная пропускная способность Bav – это максимальная пропускная способность уровня IP, которую данный маршрут может предоставить потоку в конкретной ситуации загруженности маршрута конкурирующим трафиком. Соединение с минимальной пропускной способностью определяет полную пропускную способность всего маршрута, также и соединение с минимальной свободной от конкурирующего трафика пропускной способностью – определяет доступную полосу пропускания всего маршрута. Измерение доступной пропускной способности необходимо не только для определения состояния сети, но и для предоставления информации сетевым приложениям, необходимой для контроля исходящего сетевого трафика и правильного разделения пропускной способности сети. Для того чтобы составить правильное представление о глобальной сети (для мониторинга и предотвращения узких мест) и разработки новых дополнений стандартов, следует использовать современную измерительную инфраструктуру. В данной работе описывается и используется широко распространенная система измерения RIPE Test Box [7]. Однако данная система не измеряет доступную пропускную способность. Но она записывает данные, характеризующие ключевые сетевые параметры, такие как задержка, вариация задержки (джиттер), путь маршрутизации (маршрут) и т.п. Эти данные позволяют изучить взаимозависимости между доступной пропускной способностью и основными сетевыми параметрами. Наша цель – оценить доступную пропускную способность по значениям задержки пакетов. 1. Модель и область её применимости Простейшее выражение для оценки доступной пропускной способности, описывающее соотношение между временем обработки пакета в сети (задержкой) и размером пакета, следует из формулы Литтла [13]:

Bav =

W , D

(1)

где Bav – доступная пропускная способность [бит/с], W – размер передаваемого пакета [байт], а D – время передачи данного пакета [с] (One Way Delay). Данная формула подходит для расчета доступной пропускной способности между двумя точками сети при отсутствии маршрутизирующих устройств. В реальных условиях величина задержки пакета зависит от таких факторов, как время распространения сигнала, задержка передачи, время обработки пакета маршрутизатором и др. В работе [1] было показано, что в общем виде преобразование Литтла с оценкой доступной пропускной способности может быть записано как:

Bav =

W , D − D fixed

(2)

где Dfixed – минимальная задержка пакета [с] размера W. Разность между задержками D и Dfixed есть величина переменной части задержки dvar. В работе [3] было показано, что эта величина распределена экспоненциально. В 1999 году Downey [6] обнаружил линейную зависимость двухсторонней задержки пакетов в сети (Round Trip Time) от их размера. В 2004 уточняющие эксперименты групп во главе Choi [2] и Hohn [12] показали, что минимальная задержка Dfixed(W) для пакета размера W является аффинной функцией его размера: 46

Труды конференции Телематика’2010 h

h

i =1

i =1

D fixed (W ) = W ⋅ ∑ 1 / C i + ∑ δ i ,

(3)

где Ci – пропускная способность канала на соответствующем участке маршрута [бит/с], δi – физическая задержка прохождения пакета [с]. Для подтверждения этого предположения экспериментально находилась минимальная задержка пакетов одинакового размера для трех разных маршрутов и строилась функция в зависимости задержки от размера пакета W. Для того чтобы устранить минимальную задержку Dfixed(W) из уравнения (2) было предложено тестировать сеть пакетами разного размера [1], так чтобы размер пакета различался на максимально возможную величину. Тогда уравнение (2) может быть преобразовано к виду, пригодному для измерения доступной пропускной способности:

Bav =

W 2 − W1 D2 − D1

(4)

Данный метод позволяет найти способ для устранения ограничений, связанных c переменной частью задержки dvar. Переменная часть задержки является причиной довольно большой погрешности измерений других методов, что будет продемонстрировано в последнем разделе данной статьи. Предложенная модель достаточно простая, тем не менее, при разработке механизма измерений требуется ответить на ряд вопросов. Первая проблема касается области применимости модели, то есть, какой диапазон пропускных способностей каналов связи можно измерять при помощи данного метода. Второй вопрос связан с количеством измерений (пар пакетов), необходимых для достижения заданной точности. Для решения вопроса о применимости модели найдем ошибку в измерении доступной пропускной способности в зависимости от точности измерения задержки:

η=

∆B 2∆D = , B D2 − D1

(5)

где η – относительная погрешность измерения доступной пропускной способности [%], ∆B – абсолютная погрешность измерения доступной пропускной способности [бит/с], а ∆D – точность метода измерения задержки пакета [с]. Из этого выражения легко найти верхнюю границу

B =

B

W2 −W1 η 2∆D

для измеряемой пропускной способности:

(6)

Таким образом, с помощью системы RIPE Test Box, позволяющей находить задержку с точностью в 2 микросекунды ∆D=2·10-6 с, можно измерять пропускную способность до верхней границы B = 300 Мбит/с с погрешностью η = 10%. А с помощью стандартной утилиты ping, при относительной -3 погрешности η = 25% и точности в 1 миллисекунду ∆D = 10 с можно измерять пропускную способность каналов до 1,5 Мбит/с. 2. Экспериментальное сравнение различных методов измерений доступной пропускной способности В настоящем разделе статьи будет проведено сравнение различных методов измерений доступной пропускной способности и результатов, полученных при их помощи. Эксперимент проводился в три этапа, первый из них – это прецизионное тестирование большим количеством пакетов разного размера с помощью измерительной системы RIPE Test Box. Количество измерительных узлов этой системы достигает 80, эти узлы покрывают основные мировые интернетцентры, достигая наибольшей плотности в Европе. Погрешность измерений задержки пакетов составляет 2-12 мкс [14]. Три точки RIPE Test Box были установлены в Москве, Самаре и Ростове-наДону в течение 2006-2008 гг. по гранту РФФИ 06-07-89074. Нами для последующего анализа были собраны несколько наборов данных, содержащих до 3000 измерений на различных направлениях, прежде всего, на участке Самара – Амстердам (tt01.ripe.net – tt143.ripe.net). На основании этих данных нами рассчитана доступная пропускная способность и исследована зависимость ошибки измерений от количества проведенных измерений (рис. 2). На втором этапе было проведено сравнение данных, полученных нашим методом, с результатами уже существующих методик измерения. В качестве инструмента, реализующего альтернативный метод измерений, был выбран программный продукт pathload [10]. Данный программный продукт считается одним из лучших инструментов для оценки доступной пропускной способности канала. Pathload использует технологию Самозагружающихся Периодических Потоков (Self-Loading Periodic Streams, SLoPS). В его основе лежит клиент-серверная архитектура, которая является его недостатком, поскольку требуется установить утилиту на оба хоста. Достоинством является тот факт, что для запуска pathload не требуется привилегий суперпользователя, так как он посылает только UDP-пакеты. 47

На третьем этапе проводится сравнение данных, полученных на втором этапе, с данными, снятыми напрямую с маршрутизатора СГАУ, который обслуживает самый узкий участок сети.

Рис. 1. Схема проведения эксперимента Этапы эксперимента проводились между точками tt143.ripe.net (Самара, СГАУ) и tt146.ripe.net (FREENet, ИОХ РАН, Москва). Таким образом, эксперимент состоит из трех частей: • измерение доступной пропускной способности методом тестирования парами пакетов разных размеров с помощью измерительной системы RIPE Test Box (размер пакетов 100 и 1100 байт); • измерения доступной пропускной способности с помощью утилиты pathload • измерение доступной пропускной способности на маршрутизаторе СГАУ, который обслуживает самый узкий участок (рис. 1). Стоит отметить, что все три проверки должны проводиться одновременно с целью обеспечения максимальной достоверности получаемой статистики. Структура измерительной системы RIPE Test Box отвечает всем требованиям, предъявляемым нашим методом – она позволяет менять размер тестирующего пакета и находить с высокой точностью задержку. По умолчанию тестирование ведётся пакетами размером 100 байт, но существует специальные настройки, с помощью которых можно добавить тестирование любой точки RIPE Test Box пакетами размером до 1500 байт с требуемой частотой. В нашем случае разумно добавить пакеты размером 1100 байт. Следует отметить, что тестирование указанными пакетами начинается только через сутки после отправки специальной заявки. Чтобы получить доступ к результатам тестирования необходимо обратиться по удаленному доступу (telnet) к RIPE Test Box по порту 9142. Полученные данные будут содержать сведения об искомой задержке пакетов разных размеров. Отметим, что исследуемая модель предполагает оперирование со средней величиной W2 − W1 , поэтому необходимо усреднить несколько значений, идущих последовательно. В рассматриваемом эксперименте

усредненная

разность

Dav (1100) − Dav (100)

составила

0,000815

секунды

в

направлении tt143->tt146. Тогда доступная пропускная способность может быть рассчитана как:

B av ( tt 143 − > tt 146 ) =

8 × 1000 0 . 000815

= 9 . 8 Mbps

Усредненная разность в направлении tt146->tt143 составила 0,001869 с. Тогда доступная пропускная способность составит:

B av ( tt 146 − > tt 143 ) =

8 × 1000 0 . 001869

= 4 . 28 Mbps

Работа программного продукта pathload отличалась попеременными сбоями, несмотря на то, что были открыты все необходимые порты. В направлении измерения tt146->tt143 программа вообще не выдавала результат, простаивая и попусту загружая канал цепочками пакетов. Результаты, которые выдавала программа, отличались большим разбросом значений, явно выходящих за рамки пропускной способности внешнего канала СГАУ. Были сделаны попытки сравнить результаты с такими программными продуктами, как pathChirp и IGI, но они не увенчались успехом. Программы выдавали ошибки и отказывались измерять доступную пропускную способность. Поэтому было принято решение сравнить результаты, полученные различными методами, с данными, полученными напрямую с маршрутизатора. С помощь утилиты traceroute было определено 48


«узкое место» маршрута пакетов между СГАУ и ИОХ РАН, им оказался внешний маршрутизатор СГАУ, пропускная способность канала на котором была ограничена 30 Мбит/с. При помощи SNMP-агента была снята статистика с граничного маршрутизатора СГАУ. Все данные приведены в таблице 1 с указанием времени проведения эксперимента. Таблица 1. Сравнительный анализ результатов измерений № пп

Время проведения эксперимента

Направление измерений

1 2 3 4 5 6

13.01.2010 13.01.2010 23.01.2010 23.01.2010 06.02.2010 06.02.2010

tt143->tt146 tt146->tt143 tt143->tt146 tt146->tt143 tt143->tt146 tt146->tt143

Доступная пропускная способность канала по данным RIPE Test Box 10.0±2.2 Mbps 4.4±1.2 Mbps 20.3±5.1 Mbps 9.3±2.7 Mbps 9.2±1.4 Mbps 3.5±1.2 Mbps

Доступная пропускная способность канала по данным pathload

Данные с маршрутизатора

21.9±14.2 Mbps

12.1±2.5 Mbps 7.8±3.8 Mbps 18.7±1.1 Mbps 11.3±2.6 Mbps 12.0±2.0 Mbps 4.5±2.0 Mbps

41.2±14.0 Mbps 67±14 Mbps

Из таблицы 1 видно, что результаты, полученные нашим методом, и данные, собранные утилитой MRTG с маршрутизатора, хорошо согласуются, в то время как результаты pathload сильно отличаются. Работы по исследованию типа переменной части задержки [3] дают ответ на вопрос, почему так происходит. Разброс результатов измерений объясняется наличием переменной части задержки dvar. Это и является причиной фантастических результатов pathload в 90 Мбит/с на канале с максимальной пропускной способностью в 30 Мбит/с. 3. Условие устойчивой работы утилит, измеряющих доступную пропускную способность Чтобы понять, как влияет переменная часть на результаты измерений, обратимся к следующему эксперименту. Между точками RIPE Test Box tt01.ripe.net (Амстердам, Голландия) и tt143.ripe.net (СГАУ, Самара) был проведён ряд измерений и получено около 3000 значений задержек пакетов размером 100 и 1024 байта в обоих направлениях. С помощью представленного метода были рассчитаны величины доступной пропускной способности канала, для случаев, когда усреднение ведется по 20, 50 и 100 парам значений задержек пакетов. На рис. 2 представлен график, отображающий изменения рассчитанной пропускной способности в зависимости от выбранного для усреднения количества пар пакетов.

Рис. 2. Зависимость доступной пропускной способности от количества измерений Как видно из графика, биения рассчитанной пропускной способности являются критичными при 20 значениях задержек, при 50 они менее заметны, а при 100 значениях линия графика практически выравнивается. Прослеживается явная зависимость между количеством измерений и вариацией рассчитанной пропускной способности. Наличие биений обусловлено переменной частью задержки. Отметим, что её роль снижается при увеличении количества измерений. На основании данных, полученных в ходе эксперимента между точками tt01 и tt143, нами были вычислены среднеквадратические отклонения (СКО) σn(B) для доступной пропускной способности для пакетов разных размеров (табл. 2).

49

Таблица 2. Зависимость СКО от числа измерений Число измерений, n Среднеквадратическое отклонение, σn(B) (Мбит/с)

5

10

20

30

40

50

70

100

200

300

22.2

14.9

10.2

8.3

7.3

6.7

5.7

4.9

2.9

2.3

Среднее значение доступной пропускной способности сети, Bav (Мбит/с)

13.1

Из таблицы 2 очевидно, что необходимо брать как минимум 50 измерений (разность для 50-ти пар пакетов), в этом случае рассчитанное значение пропускной способности в 2 раза превышает СКО, то есть:

B ≥ 2 ⋅ σ n ( B) .

Более аккуратный результат можно получить при помощи обобщенной генерирующей функции для описания задержек пакетов. В работе [3] было установлено, что распределение задержки подчиняется экспоненциальному закону, а для длительности задержки можно использовать следующую генерирующую функцию:

D = Dmin + W / B − (1 / λ ) ln(1 − F ( D,W )) , где

λ = 1 /( Dav − Dmin ) ,

(7)

а функция F(W,D) эмулируется стандартным генератором случайных

чисел на интервале [0; 1). Знание формы генерирующей функции дает возможность рассчитать табличные значения функции

η nT из уравнения (5). Для этого при помощи генерирующей функции (7) рассчитаем значения СКО σ nT ( D2 − D1 ) для усредненной разности от задержек пакетов разных размеров [мс], приняв

λT = 1000

с-1.

T -1 Таблица 3. Эмуляция зависимости СКО от количества измерений (λ = 1000 с )

Число измерений, n

5

10

20

30

50

100

200

Среднеквадратическое отклонение, (мc)

0.661

0.489

0.354

0.284

0.195

0.111

0.075

Для полученных значений СКО из таблицы 3 произведем расчет табличных значений функции Расчеты будем проводить для следующих величин: соответствует

η nT .

∆W T = W2 − W1 = 1000 байт, BT = 10 Мбит/с, что

D2T − D1T = 8·10-4 c.

Таблица 4. Зависимость погрешности от количества измерений Число измерений, n Погрешность измерений,

(%)

5

10

20

30

50

100

200

82.6

61.1

44.2

35.5

24.4

13.9

9.4

В ходе реального эксперимента измеряемые значения λ , D2 − D1 или B принимают произвольные значения, но поправочные коэффициенты позволяют легко рассчитать требуемое количество измерений для оценки экспериментальной погрешности измерений из табличных значений: exp

exp

ηnT = k ( D2 − D1 ) ⋅ k (λ ) ⋅ η exp , где

k (λ ) = λexp / λT

а

η exp

сравним полученные значения с

требующихся для достижения заданной погрешности. 50

exp

(8)

k ( D2 − D1 ) = ( D2exp − D1exp ) /( D2T − D1T ) .

k ( D2 − D1 ) , k (λ ) и требуемую погрешность T табличными η n и найдем число измерений n,

Подставляя в уравнение (8) значения коэффициентов измерений

exp


Выводы В данной работе проведена экспериментальная проверка нового метода с использованием измерительной инфраструктуры RIPE Test Box. Это позволило обеспечить высокую точность результатов эксперимента. Было произведено сравнение данных, полученных описанным в работе методом, с результатами уже существующих технологий измерений доступной пропускной способности. В качестве сравнительного инструмента была выбрана утилита pathload. В результате проверки выяснилось, что разработанный метод обладает преимуществами по сравнению с другими технологиями измерения, так как последние в достаточной мере не учитывают влияние переменной части задержки. Показано, что для точного измерения доступной пропускной способности канала, необходимо нивелировать влияние dvar, путем увеличения количества проводимых измерений. Были найдены границы применимости модели на основе точности измерений, проведено компьютерное симулирование и найдена связь между ошибкой измерения доступной пропускной способности и количеством измерений. Литература 1.

2. 3. 4.

5.

6. 7. 8. 9. 10. 11.

12. 13. 14.

Платонов А.П., Сидельников Д.И., Стрижов М.В., Сухов А.М., Измерительная инфpастpуктуpа для изучения качества соединений в российском сегменте Интернет, Телекоммуникации, 2009, № 1, С. 11-16. Choi, B.-Y., Moon, S., Zhang, Z.-L., Papagiannaki, K. and Diot, C.: Analysis of Point-To-Point Packet Delay In an Operational Network. In: Infocom 2004, Hong Kong, pp. 1797-1807 (2004). A.M. Sukhov, N Kuznetsova, What type of distribution for packet delay in a global network should be used in the control theory? 2009; arXiv: 0907.4468. Padhye, J., Firoiu, V., Towsley, D., Kurose, J.: Modeling TCP Throughput: A Simple Model and its Empirical Validation. In: Proc. SIGCOMM Symp. Communications Architectures and Protocols, pp. 304-314 (1998). Dovrolis C., Ramanathan P., and Moore D., Packet-Dispersion Techniques and a CapacityEstimation Methodology, IEEE/ACM Transactions on Networking, v.12, n. 6, December 2004, p. 963-977. Downey A.B., Using Pathchar to estimate internet link characteristics, in Proc. ACM SICCOMM, Sept. 1999, pp. 222-223. Ripe Test Box, http://ripe.net/projects/ttm/. Jacobson, V. Congestion avoidance and control. In Proceedings of SIGCOMM 88 (Stanford, CA, Aug. 1988), ACM. Prasad R.S., Dovrolis C., and B. A. Mah B.A., The effect of layer-2 store-and-forward devices on per-hop capacity estimation, in Proc. IEEE INFOCOM, Mar. 2003, pp. 2090-2100. Jain, M., Dovrolis, K.: End-to-end Estimation of the Available Bandwidth Variation Range. In: SIGMETRICS'05, Ban_, Alberta, Canada (2005). Crovella, M.E. and Carter, R.L.: Dynamic Server Selection in the Internet. In: Proc. of the Third IEEE Workshop on the Architecture and Implementation of High Performance Communication Subsystems (1995). N. Hohn, D. Veitch, K. Papagiannaki and C. Diot, Bridging Router Performance And Queuing Theory, Proc. ACM SIGMETRICS, New York, USA, Jun 2004. Kleinrock, L. Queueing Systems, vol. II. John Wiley & Sons, 1976. Georgatos, F., Gruber, F., Karrenberg, D., Santcroos, M., Susanj, A., Uijterwaal, H. and Wilhelm R., Providing active measurements as a regular service for ISP's. In: PAM2001.

ВЛИЯНИЕ ИСКАЖЕНИЙ КЛЮЧЕВЫХ КАДРОВ НА ПЕРЕДАЧУ ВИДЕО В БЕСПРОВОДНЫХ СЕТЯХ Е.С. Сагатов, А.А. Семенов, Т.Н. Устенкова, А.М. Сухов Самарский государственный аэрокосмический университет имени академика С.П. Королева E-mail: [email protected] Введение Мобильные решения в области телекоммуникаций все более настойчиво входят в повседневную жизнь. Современные сотовые телефоны уже позволяют выполнять те же задачи, что и обычные компьютеры. Ноутбуки и нетбуки дают невероятную степень мобильности. Благодаря их компактности и наличию встроенных 3G, WiFi, а зачастую и WiMAX сетевых адаптеров можно быть на связи где угодно и когда угодно. Согласно данным Cisco VNI [1] ежегодный прирост Интернет-трафика на беспроводных устройствах составляет более 250%. К 2013 году количество данного трафика увеличится в 66 раз по сравнению с 2008 годом и составит 5,4% от всего IP-трафика в Интернет. К 2013 году различный видеоконтент будет составлять 64% всего трафика беспроводных сетей в мире. 51

Существует серьезное препятствие для повседневного использования видеосервисов в беспроводных сетях: соответствующее качество связи оставляет желать лучшего. Большой процент потерь пакетов и вариация задержки (сетевой джиттер) делают беспроводные сети малопригодными для передачи данных в режиме реального времени, так как мультимедийный трафик чрезвычайно чувствителен к подобным искажениям. Пакеты потокового видео теряются при передаче по сети, изменяют порядок следования из-за значительной вариации задержек пакетов. На получаемом видеоизображении появляются множественные артефакты, происходит рассинхронизация потока, что приводит к искажениям изображения, а иногда и к полной остановке воспроизведения видео. Методика паспортизации пакетных сетей в рекомендации RFC-2544 [3] определяет следующие основные параметры качества сети: пропускная способность, задержка при передаче пакета, пакетный джиттер, количество потерянных пакетов, количество пакетов с ошибками. Идея субъективного тестирования (MOS) состоит в том, что видео, закодированное одним из кодеков MPEG-2, MPEG-4 или Windows Media Video 9, передается через сеть Интернет и беспроводную сеть стандартов WiFi, 3G или WiMAX. Полученное после передачи видео, демонстрируется группе экспертов, которые выставляют оценки, основываясь на своих впечатлениях от качества. Существует много методов демонстрации последовательностей и сбора оценок, некоторые из них описаны в рекомендациях ITU [5]. К сожалению, в основном они рассчитаны на сравнение видео в телевизионном формате, и не очень удобны для проведения тестирования на PC. В настоящей работе рассматривается проблема адаптации современных алгоритмов кодирования и передачи видео для беспроводных сетей, таких как 3G, WiFi и WiMAX, а также для других сетей с плохими характеристиками качества. В работах [6, 7] было показано, что субъективная оценка качества видео, равно как и сетевых параметров, имеет градацию "хорошо" (Good), "приемлемо" (Acceptable) и "плохо" (Poor) (GAP). Такое описание помогает понять качественные зависимости, возникающие при сетевой трансляции видео и сделать первичные численные приближения. В настоящей работе сделана попытка найти численную зависимость качества видеоизображения от сетевых параметров. Отличительной особенностью нашего подхода является то, что указанная зависимость описывается простой математической моделью, что позволяет нам сравнить численные значения коэффициентов. На основании подобного сравнения возможно найти не только наиболее существенные факторы, влияющие на качество видео, но также и сопоставить между собой различные кодеки. В работе учитывается различие между искажениями, которые вносят повреждения ключевых и обычных кадров. Ключевым называется кадр, который несет в себе полную информацию о видеоизображении и может быть восстановлен без привлечения дополнительных данных, а обычным – кадр, который кодирует разницу между предыдущим кадром и текущим. Степень сжатия ключевого кадра меньше, чем обычного, а размер в несколько раз больше. В настоящей работе будет дано численное сравнение влияния ошибок, произошедших на ключевых кадрах, для кодеков MPEG-2 и MPEG-4. Настоящая работа организована следующим образом: Раздел 1 рассказывает о предпосылках для математического моделирования зависимости качества видео по шкале MOS от характеристик сетевого соединения, в Разделе 2 проводится планирование экспериментов, результаты обработки экспериментов приводятся в Разделе 3, Раздел 4 рассказывает о численных результатах эксперимента и параметрах математической модели, в заключении делаются выводы. 1. Предпосылки для моделирования При передаче видео по сети качество связи ухудшается в зависимости от характеристик сетевого соединения. Для того чтобы описать качество передаваемого видео в зависимости от сетевых , описывающая качество видео параметров была рассмотрена универсальная функция по шкале MOS. Эта функция может быть разложена в степенной ряд по сетевым параметрам, при этом можно ограничиться линейными членами и только одним вкладом второго порядка, описывающим передачу видео с различными скоростями потока. На конференции TERENA 2005 [4] было показано, что для фиксированной скорости видео потока достаточно рассмотреть только члены разложения, описывающие линейную зависимость от потерь пакетов и сетевого джиттера: (1) где • •

– максимальное качество видео для данного кодека, баллы от одного до пяти;

•

p – процент потерь пакетов, %; j – сетевой джиттер (вариация задержки) в момент ошибки, сек; Q MOS – качество видео на приемной стороне, баллы от одного до пяти;

•

α, β

•

– коэффициенты модели, которые могут быть найдены экспериментально.

Для проведения исследований была разработана единая видеопоследовательность, которая обрабатывалась кодеками MPEG-4 (DivX), MPEG-2 и Windows Media video 9 с постоянным битрейтом 256 кбит/с. Основная задача, поставленная в настоящей работе, это выявление влияния ключевых кадров на качество получаемого видеоизображения. Поэтому отдельно вычисляются коэффициенты 52

и

для


потока с повреждением ключевых кадров, а также

и

для последовательностей без повреждения

ключевых кадров. Например, будет обозначать усредненный коэффициент, который характеризует ухудшение качества видео, закодированного кодеком MPEG-4 (DivX), если повреждение пришлось на ключевой кадр. Далее в работе будут найдены и сопоставлены и

и

, а также

, чтобы определить в численном виде меру ухудшения качества видеоизображения.

2. Планирование эксперимента Для нахождения коэффициентов уравнения (1) нами был разработан и проведен ряд экспериментов. Закодированные кодеками MPEG-4 (DivX), MPEG-2 и Windows Media Video 9 видеофайлы пересылались на ноутбук, подключенный к беспроводной сети WiFi, WiMAX или 3G. На ноутбуке проводилась запись получаемого видео в файл, параллельно записывался сетевой трафик на уровне пакетов при помощи сетевого сниффера Wireshark. Таким образом, по полученному видеоизображению можно установить качество видео по шкале MOS, а по сетевым логам – параметры сетевого соединения. Для проведения и анализа экспериментов (рис. 1) применялось программное обеспечение: • VLC media player [8] – использовался в качестве программного видеосервера и видеоплеера с возможностью записи получаемого по сети видео в файл на ноутбуке. • The Wireshark Network Protocol Analyzer [9] – с его помощью на ноутбуке записывался весь сетевой трафик, а затем анализировался. • VirtualDub [10] – с помощью данной программы производился покадровый анализ видеоизображения для вычисления MOS. • AviSynth 2.5 [11] – с его помощью в программе VirtualDub анализировалось видео, закодированное WMV кодеком. Данный кодек работает, используя технологию DirectShow, а не VFW (Video For Windows), и не может быть напрямую открыт в VirtualDub. Все записанные в ходе экспериментов видеофрагменты и сетевые логи опубликованы на сайте компании НПЦ «Интернет ТВ» [2]. Для сетей Wi-Fi, WiMAX и 3G эксперименты будут выглядеть одинаково, меняется лишь сетевое оборудование. На рисунке 1 представлена схема проведения эксперимента.

Рис. 1. Схема проведения эксперимента Для эксперимента был подготовлен один видеоряд с различными типами изображения: статичное, со слабым движением, с быстрым движением, с изменением яркости. Затем видеоряд был закодирован с использованием кодеков MPEG-4 (DivX), MPEG-2 и Windows Media Video 9. При этом установлены следующие параметры видео: • разрешение картинки – 320 x 240; • частота кадров – 24 кадр/с; • битрейт 256 кбит/с; • качество – максимальное. Файлы исходного видео также опубликованы на сайте компании НПЦ «Интернет ТВ» [2]. В качестве программы для трансляции видео по сети использовался программный продукт VideoLan VLC. Данная программа запускалась с сервера, подключенного к сети Интернет с реальным IP-адресом. На компьютере, который принимал видео, был установлен VLC media player, а также сетевой сниффер Wireshark, записывающий весь получаемый по сети трафик в момент передачи видео. VLC media player был настроен на одновременное отображение принимаемого видео на экран и сохранение его в видеофайл. Таким образом, при проведении каждого опыта записываются два файла для дальнейшего анализа: видеофайл и файл сетевых логов. 53

Для проведения экспериментов использовались – локальная сеть СГАУ (WiFi), самарские сегменты сети операторов связи: Мегафон (3G), Билайн (3G) и Метромакс (WiMAX), которые бесплатно предоставили оборудование и технические возможности для тестовых испытаний. 3. Обработка результатов экспериментов Для сети стандарта Wi-Fi характерно периодическое ухудшение характеристик сети, соответственно изображение ухудшается именно в определенные моменты. Порядок анализа всех полученных видеофрагментов и сетевых логов одинаков. Далее описан процесс анализа одного из видеофайлов и соответствующего ему файла сетевых логов в моменты ухудшения качества видео: 1) Программой VirtualDub открывается видеофайл (http://stream.ip4tv.ru/wireless/WiFi/test1/1divx.mp4), полученный в результате опыта. Ищется кадр, предшествующий искаженному кадру, на рисунке 2 видно, что это кадр 143, который отображается на 5923 мс видеоряда. Аналогично находится последний искаженный кадр, в описываемом случае это 171 кадр, показываемый на 7083 миллисекунде. Таким образом, вычитая из времени начала искажения видео время окончания, получится длительность искажения, составляющая 28 кадров или 1160 мс.

Рис. 2. Поиск искаженных кадров в VirtualDub 2) В сетевой сниффер Wireshark загружаются соответствующие логи сети (http://stream.ip4tv.ru/wireless/WiFi/test1/1divx.pcap), записанные в момент трансляции данного видео. Необходимо конкретизировать тип пакетов, выбрав пункт RTP. Во встроенном анализаторе приведен список всех пакетов и красным помечены места, где были потеряны пакеты. Также указаны статистические данные по межпакетному интервалу и джиттеру. Из столбца Sequence видно, что приняты пакет с номером 30195 и пакет с номером 30198, а между ними два пакета были потеряны. 3) Основная проблема анализа – как соотнести файл сетевых логов с видеозаписью. Для этого в логе пакетов ищется пакет (226), после которого произошла ошибка. По отношению к началу записи логов этот пакет поступил на 10,878914 секунде. В пункте 1 было найдено, что в видеоряде искажение произошло на 143 кадре, который отображался на 5923 мс видеоряда. Таким образом, искомое соотношение определено. 4) В пункте 1 установлено, что длительность искажений в видеоизображении 1160 мс. Соответственно от 226 кадра, пришедшего на 10,878914 секунде, отсчитывается 1160 мс. Получаем 12,038914 с. По сетевому логу Wireshark видно, что последний пакет, который пришел до 12,038914 секунды это пакет 253. 5) В Анализаторе RTP пакетов также указан межпакетный интервал и джиттер для каждого пришедшего пакета. Другая важнейшая задача, возникающая при обработке результатов экспериментов, это оценка качества видео по шкале MOS. Алгоритм оценки следующий: • На первом искаженном кадре видео и последнем устанавливаются метки в программе VirtualDub (рис. 2). • Искаженное изображение можно просматривать несколько раз и сравнить его с оригиналом. • Визуально оценивается качество видеоизображения в момент ошибки по шкале MOS от 1 до 5. 54


В настоящей работе для каждой ошибки свою оценку от 2 до 4 выставляли 4 эксперта. Затем по их оценкам вычислялось среднеарифметическое значение. При обработке файлов, закодированных при помощи кодека WMV9, возникли сложности. К сожалению, программа VirtualDub не отображает ключевых и неключевых кадров для видео, закодированного кодеком Windows Media Video 9. Поэтому эксперименты с ним не были нами обработаны. 4. Результаты экспериментов Полученные в результате проведения экспериментов данные были обработаны по описанной в предыдущем разделе методике. Найдено субъективное качество видео в зависимости от процента потерь пакетов таблицу 1.

и сетевого джиттера

. Полученные значения коэффициентов сведены в

Таблица 1. Значения коэффициентов модели для кодеков MPEG2, DivX в сети WiFi № пп 1 2

Кодек MPEG2 DivX

4,2±0,2 4,7±0,2

0,15±0,03 0,27±0,05

0,011±0,002 0,013±0,003

0,04±0,01 0,13±0,02

0,003±0,001 0,01±0,002

Было установлено, что качество видеоизображения зависит не только от процента потерь пакетов и сетевого джиттера, но и от типа кадра, на котором произошла ошибка. Поэтому в таблице 1 нами специально выделено два типа коэффициентов – с потерями на ключевых кадрах и без них. В таблице 1 и – коэффициенты модели с потерями пакетов на ключевых кадрах, и – коэффициенты для неповрежденных ключевых кадров, а – оценка по шкале MOS для исходного файла (до пересылки по сети). Изначально у видеоизображения, закодированного кодеком MPEG-4 (DivX), качество выше, чем у видео, закодированного MPEG-2, но при ухудшении характеристик сети качество снижается ощутимее и при больших сетевых помехах становится схожим с качеством MPEG-2. В случае повреждения ключевого кадра качество изображения, закодированного MPEG-4 (DivX) упадет более чем в 2 раза при тех же характеристиках сети, а MPEG-2 в 3,75 раза. Таким образом, для значительного повышения качества видеоизображения при передаче в беспроводной сети необходимо выполнить два обязательных пункта по модернизации схемы связи: • Модернизировать видеоплейер на приемной стороне с тем, чтобы автоматически откидывать дублирующиеся RTP пакеты. • Сервер потокового видео должен дублировать пакеты, содержащие информацию ключевых кадров. • Период между ключевыми кадрами не может превышать 2 секунд (оптимально 1 секунда). Эти простые меры приведут к тому, что даже плохие по оценке GAP сети будут транслировать видео с оценкой MOS большей 3,5. Стоит отметить, что для кодеков MPEG-4 (DivX) и MPEG-2 передаваемый объем трафика увеличится в среднем на 7%, а качество видео не менее чем в 2 раза. Некоторые исследованные видеоплееры при воспроизведении MPEG-TS MPEG-4 потоков уже автоматически отбрасывают повторяющиеся кадры, что дает принципиальную возможность повышения визуального качества передаваемого видео путем незначительной модификации алгоритма MPEG-TS инкапсуляции на сервере трансляций. К сожалению, на данный момент эксперименты в беспроводных сетях третьего и четвертого поколений еще не обработаны. Эксперименты, проведенные на сети WiMAX, показали очень хорошую устойчивость данной сети к ухудшению качества связи. Сети WiMAX по своим характеристикам сопоставимы с фиксированными сетями Ethernet. 3G сети очень чувствительны к внешним помехам и даже при хорошем уровне сигнала присутствуют значительные потери пакетов (Poor) и вариация задержки порядка 40 мс (Acceptable). Также было установлено, что у одного из 3G провайдеров оборудование зачастую дублировало исходящие пакеты, что само по себе создавало на видео очень сильные артефакты. Устранить данные помехи поможет наше решение с дублированием, а значит и отсеиванием дублированных кадров. Решение с дублированием ключевых кадров должно значительно повысить качество видео при передаче его в ненадежных из-за расстояния и шумов сетях, таких как WiFi и 3G. Также данное решение может быть применено в беспилотных разведывательных самолетах и спутниках, так как организовать для них надежный беспроводной канал связи для передачи видео очень сложно. Выводы В данной работе было проанализировано качество передачи видео в беспроводных сетях стандартов WiFi, 3G и WiMAX и исследовано влияние искажения ключевых кадров на качество видео. Оказалось, что сеть WiMAX достаточно надежна и по характеристикам соответствует проводной локальной сети. На сетях WiFi и 3G качество видео изображения значительно снижается при передаче. Для повышения качества видео в этих сетях нами предложен метод дублирования ключевых кадров сервером потокового видео при использовании кодека MPEG-4 (DivX). Это увеличит качество видео на сетях WiFi и 3G минимум в 2 раза при незначительном увеличении размера потока на 7%. Кроме того 55

данный метод может повысить качество видео за счет модернизации воспроизводящего плейера функцией отсеивания дублирующихся кадров. В работе были найдены коэффициенты математической модели, описывающей качество передачи видео [4] для случая беспроводной сети WiFi и кодеков MPEG-2 и MPEG-4 (DivX). Для расчета значений коэффициентов была разработана специальная экспериментальная методика, которая позволила собрать и обработать данные. В наши ближайшие планы входит изучение возможности подачи патента на сформулированные нами пункты по улучшению кодеков. Также мы планируем связаться с разработчиками свободно распространяемого программного обеспечения – VideoLan, чтобы внести изменения в исходные коды плейера и сервера потокового видео. В заключение хотелось бы выразить благодарность самарским отделениям операторов связи: Мегафон, Билайн и Метромакс, которые бесплатно предоставили оборудование и технические возможности для проведения экспериментов. Литература 1. Cisco Systems, Cisco Visual Networking Index: Forecast and Methodology, 2008–2013”, 9 июня 2009. (http://www.cisco.com/en/US/ solutions/collateral/ns341/ns525/ns537/ns705/ns827/white_paper_c11481360.pdf) 2. “Traces of video stream in wireless networks (WiMAX, 3G, WiFi)”. (http://www.ip4tv.ru/stati/aaa.html) 3. S. Bradner, J. McQuaid, RFC2544 - Benchmarking Methodology for Network Interconnect Devices, March 1999. 4. A. Sukhov, P. Calyam, W. Daly, A. Ilin, Towards an analytical model for characterizing behavior of highspeed VVoIP applications, Computational Methods in Science and Technology, 11(2), 161-167 (2005). 5. International Telecommunication Union, “Methodology for the subjective assessment of the quality of television pictures (ITU-R BT.500-11)” (2002). 6. M. Claypool and J. Tanner, “The Effects of Jitter on the Perceptual Quality of Video,” in ACM Multimedia, 1999. 7. P. Calyam, M. Sridharan and et. al., “Performance Measurement and Analysis of H.323 Traffic,” in PAM Workshop, 2004. 8. VideoLAN team, “VideoLAN, Free streaming and multimedia solutions for all OS!”. (http://www.videolan.org/) 9. Wireshark Foundation, “Wireshark. Go deep”. (http://www.wireshark.org/) 10. Avery Lee, “Welcome to virtualdub.org! - virtualdub.org”. (http://www.virtualdub.org/) 11. “Main Page - Avisynth”. (http://avisynth.org/mediawiki/Main_Page)

ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ ЗАДЕРЖКИ ПАКЕТОВ В ГЛОБАЛЬНОЙ СЕТИ Н.Ю. Кузнецова, А.К. Первицкий, А.М. Сухов Самарский государственный аэрокосмический университет им. С.П. Королева, г. Тольятти E-mail: [email protected], [email protected], [email protected] В работе показано, что для описания процесса передачи пакетов в сети следует использовать экспоненциальное распределение. Статистическая проверка гипотезы показала, что параметры распределения остаются постоянными в течение минимум 500-секундного интервала. В работе в явном виде записаны функция распределения и генерирующая функция для задержки пакетов сети, приведен алгоритм поиска параметров распределения. Введение Специальная область теории управления, названная сетевые системы управления (networked control system), где в качестве среды, переносящей управляющие сигналы, служат компьютерные сети, возникла во второй половине 90-х годов [15]. Первоначально в качестве сетевой среды использовались локальные сети, которые характеризуются высокой скоростью передачи данных и минимальными сетевыми искажениями [6]. Позже, в качестве управляющей среды стала рассматриваться и глобальная сеть Интернет [7, 12, 14], однако в этом случае необходимо учитывать как случайных характер пакетной задержки, так и достаточно большие (десятки и даже сотни миллисекунд) средние величины. Кроме классических задач теории управления, существует потребность управления и мониторинга сетевых процессов. Например, для передачи видео в сетях TCP/IP важным параметром является доступная полоса между двумя хостами [3], а для задач определения маршрутизации необходимо знать пропускную способность между маршрутизаторами. Для моделирования большинства сетевых процессов применяются специальные сетевые эмуляторы, например, INET/OMNET++ [13]. Все вышеперечисленные задачи управления требуют знания типа распределения задержки пакетов. В 1999 году Elteto и Molnar [5] провели исследования двухсторонней задержки в сети оператора Эриксон. 56


Это распределение соответствовало усеченному нормальному распределению с некоторыми нарушениями в виде «тяжелых хвостов». Наши собственные эксперименты по измерению доступной полосы [11] показали, что существует минимальная неустранимая часть и переменная часть пакетной задержки. Предпосылки для моделирования В 1999 Downey [4] обнаружил линейную зависимость двухсторонней задержки пакетов в сети (Round Trip Time) от их размера. В 2004 уточняющие эксперименты групп во главе Choi [2] и Hohn [8] показали, что минимальная задержка размера:

D где

для пакета размера fixed

h

h

i =1

i =1

(W ) = W ∑ 1 / Ci + ∑ δ i

является аффинной функцией его

,

(1)

Ci – пропускная способность канала на соответствующем участке маршрута, δ i – физическая

задержка прохождения пакета. Для подтверждения этого предположения экспериментально находилась минимальная задержка пакетов одинакового размера для трех разных маршрутов и строилась функция в зависимости задержки от размера пакета Пусть

D(W )

W.

представляет собой время передачи пакета (задержка, One Way Delay) между двумя есть минимальное задержка для пакета размером W.

хостами в глобальной сети. Следовательно,

D fixed (W ) = min D(W )

(2)

Для того чтобы определить переменную компоненту задержки часть

из задержки текущего пакета

d var (W )

вычтем фиксированную

D(W ) :

d var (W ) = D (W ) − D fixed (W ) (3) Для минимальной задержки пакета размером W справедливо следующее выражение: D fixed (W ) = Dmin + W / C , (4) где C = (W2 − W1 ) /( D2 − D1 ) – пропускная способность канала. Она находится, сравнивая среднее время задержки для пакетов разных размеров W 2 и W1 [11]. Dmin = lim D fixed (W )

(5)

W →0

Наличие

Dmin

объясняется распространением сигнала с конечной скоростью, ограниченной

D

сверху скоростью света, временем обработки пакетов на маршрутизаторах и т.д. Величина min показывает минимальную задержку для пакетов заданного размера, с которой тот может быть передан по сети из пункта отправки в пункт назначения. В ходе эксперимента данная величина может быть рассчитана по следующей формуле: fixed fixed 2 2 1 1 min 2 1 (6)

D

=

WD

(W ) − W D W −W

(W )

Эта величина, так же как методы ее измерения используется в прикладных задачах теории управления трафиком [1], например, для расчета временного буфера для видеопотока на приемной стороне. Важнейший вопрос теории управления является тип распределения для переменной части задержки из уравнения (3), который и будет исследоваться в оставшейся части статьи. Планирование эксперимента Для определения типа распределения переменной компоненты задержки

d var (W )

необходимо

провести значительное количество измерений (от 100 до 5000) с высокой точностью. Основной проблемой получения таких данных является необходимость максимально точного измерения задержки. 57

Подобные измерения требуют, как минимум, микросекундной точности, достигнуть такой точности стало возможным благодаря использованию механизма RIPE Test Box [10]. RIPE Test Box – это измерительная система, разработанная организацией RIPE (Réseaux IP Européens). RIPE ведет распределение IP-адресов, регистрацию LIR (Local IP Registry) и автономных систем, определяет общие для Европы правила регистрации доменов. В период 2006-2008 нами были установлены три измерительные точки в Москве, Самаре и Ростове-на-Дону. Установка происходила в рамках Гранта РФФИ 06-07-89074. Всего к настоящему времени на территории России развернуто 4 точки [1], в Самаре точка RIPE Test Box была смонтирована в начале 2007 года в межвузовском медиацентре г. Самара. Три другие точки: управляющий узел FREENet в Институте органической химии Российской Академии Наук в Москве, Институт теоретической физики РАН в Черноголовке Московской области и региональная точка обмена трафиком Rostov-IX. В ходе эксперимента между серверами в Амстердаме (Голландия, tt01.ripe.net), Самаре (Россия, tt143.ripe.net), Москве (Россия, tt146.ripe.net), Болонье (Голландия, tt17.ripe.net) и Мельбурне (Австралия, tt74.ripe.net) были собраны соответствующие данные, точность измерений составила не менее 10 мкс [10]. Результаты этих экспериментов получены на RIPE Test Box при помощи удаленного доступа по порту 9142 и доступны для использования на сайте www.ip4tv.ru [9]. При проведении эксперимента важно зафиксировать информацию одновременно на обеих сторонах исследуемого маршрута. На основе полученных от RIPE Test Box данных легко построить функцию распределения для сетевой задержки

D(W ) : F ( D) = P ( x ≤ D)

(7)

Для первоначальной проверки были выбраны усеченное нормальное и экспоненциальное распределения. Для усеченного нормального распределения будет использоваться следующая функция распределения:

0, D ≤ Dmin ;

F (D) =

(8)

2/π

σ

где

σ

⎧ ( x − Dmin ) ⎫ exp ∫ ⎨⎩− 2σ 2 ⎬⎭dx, D > Dmin , D min D

2

σ = Dav − Dmin ,

(9)

– разница между усредненной величиной сетевой задержки

задержкой

Dav (W )

и минимальной

Dmin (W ) .

Важно отметить, что все статистические данные были собраны нами для фиксированной длины пакета

W.

По умолчанию RIPE Test Box использует пакеты размером 100 байт. В дальнейшем

F (W , D)

функцию распределения будет усовершенствована таким образом, чтобы она включала зависимость от длины пакетов. Альтернативный тип распределения – экспоненциальное, выражение для него представлено ниже:

F (D) = где

0, D ≤ 0; 1 − exp{− λ ( D − Dmin )}, D > Dmin ,

λ = 1 /( Dav − Dmin )

(10)

(11)

величина обратно пропорциональная разнице между усредненной величиной сетевой задержки

Dav (W )

и минимальной задержкой

Dmin (W ) .

Первоначальная проверка Для первоначальной проверки типа распределения были использованы два метода: вычисление коэффициента корреляции Пирсона и графический метод. Корреляционный коэффициент между 58


экспериментальным

и

нормальным

распределением

обозначим

как

K nor ,

корреляционный

коэффициент между экспериментальным и экспоненциальным распределением обозначим как

K exp .

Собранная с серверов статистика была обработана, полученные данные представлены в таблице 1. В столбце Маршрут отображается информация о том, между какими точками RIPE Test Box были проведены измерения,

W

обозначает размер посланных пакетов.

Таблица 1. Значения коэффициентов корреляции Пирсона для нормального и экспоненциального распределения №

Маршрут

, байт

1

Амстердам – Болонья, tt01→ tt17

100

0.76

0.97

2

Амстердам – Самара, tt01→ tt143

100

0.87

0.98

3

Амстердам – Самара, tt01→ tt143

1024

0.99

0.99

4

Амстердам – Мельбурн, tt01→ tt74

100

0.66

0.97

Графический метод предусматривает сравнение полученных графических представлений функций распределения (cumulative distribution functions, CDF). Изобразим все три функции на одном графике, выделив цветом каждое из распределений. Синий цвет отображает экспериментальную кривую, черный цвет нормальное распределение, а красный экспоненциальную зависимость.

Рис. 1. Зависимость функции распределения задержки пакетов размером 100 байт (tt01 → tt143)

Рис. 2. Зависимость функции распределения задержки пакетов размером 1024 байта (tt01 → tt143) Графики, представленные на рисунках 1 и 2, показывают функцию распределения задержки между измерительными точками в Амстердаме и Самаре (tt01 -> tt143). Первый график описывает эксперимент, 59

проводимый со 100-байтными пакетами, а второй с пакетами размером 1024 байта. Время на оси времени отложено в миллисекундах. Полученные предварительные результаты дали возможность предположить, что распределение, описывающее задержку пакетов в глобальной сети, описывается экспоненциальной функцией. Однако не каждый исследователь или инженер имеет такие механизмы точного измерения, как RIPE Test Box. В этой работе описан метод, позволяющий провести похожие эксперименты по определению параметров распределения, используя стандартную утилиту ping. Эта утилита является наиболее распространенной и доступной для проверки сетевых соединений в TCP/IP сетях. Отметим, что эта утилита измеряет двухстороннюю задержку пакета (Round-trip Time, RTT), наша модель описывает задержку только в одном направлении. В качестве предельного случая можно считать, что

D(W ) = RTT (W ) / 2

(12)

Однако следует помнить о несимметричном характере двухсторонней задержки. При помощи утилиты ping были протестированы соединения между точками Аист – Новая Зеландия (tt47.ripe.net), Волгателеком – Мельбурн (tt74.ripe.net) и СГАУ – Мельбурн (tt74.ripe.net). Аист, Волгателеком, Инфолада и СГАУ это локальные самарские провайдеры, сети которых использовались при тестировании. Полученные результаты представлены в таблице 2. Таблица 2. Результаты тестирования сетевых каналов с помощью утилиты ping №

Маршрут

1

Аист – Новая Зеландия

32

0.94

0.95

2

Волгателеком – Мельбурн

32

0.96

0.98

3

СГАУ – Мельбурн

64

0.66

0.97

4

Инфолада – Афины

32

0.98

0.98

, байт

Важной особенностью утилиты ping является то, что она автоматически определяет значения переменных

Dav (W )

и

Dmin (W )

из уравнений (9, 11). Таким образом, полностью определяются

параметры распределений как нормального, так и экспоненциального вида. Для того чтобы получить требуемые величины с достаточной точностью, устраняющей влияние переменной части задержки и приемлемой для описания процессов теории управления, необходимо послать последовательность не мене чем из 30 пакетов. Проверка гипотезы о законе распределения Проведенные в предыдущем разделе проверка о соответствии типа распределения носит предварительный характер и не является строгой. В этом разделе для проверки типа распределения используем критерий согласия

χ 2 Пирсона.

Для обработки были использованы несколько наборов данных от 2000 до 2500 значений задержки, собранные с интервалом в 2 секунды. Эти данные разбивались на интервалы в 50, 100, 250, 500, 1000 и 2000 значений и тестировались по Пирсону. Результаты тестирования занесены в Таблицы 3,4. При построении этих Таблиц использовались следующие обозначения: – размерность выборки (число измерений), – число интервалов группировки выборки

, по правилу Стургерса

N = [1 + 3,22 lg n] + 1 ,

– значение статистики по Пирсону, 2 0.95, N −1 – значение порога принятия гипотезы.

χ

Если

t < χ 20.95; N −1 , то гипотеза о соответствующем типе распределения принимается, иначе

гипотеза отвергается. Вначале проверим на соответствие экспоненциальному распределению данные, получение при помощи RIPE Test Box, см. таблицу 3.

60


Таблица 3. Самара – Амстердам (tt143→ tt01), размер пакета 100 байт Размер выборки, Число интервалов группировки, Порог, χ 0.95, N −1 2

Значение статистики, Принятие гипотезы

50

100

200

250

500

1000

2000

14

17

19

20

22

24

27

22.36

26.30

28.87

30.14

32.67

35.17

38.89

21.29

25.35

22.77

23.10

134.31

547.16

978.98

Да

Да

Да

Да

Нет

Нет

Нет

Из таблицы 3 следует, что в пределах 500 секундных интервалов (250 измерений) задержка пакетов распределена по экспоненциальному закону. Данные, полученные с RIPE Test Box, проверялись также на соответствие усеченному нормальному распределению, см. табл. 4.

Таблица 4. Самара – Амстердам (tt143→ tt01) размер пакета 1024 байт 50

100

200

250

500

1000

2000

14

17

19

20

22

24

27

Порог, χ 0.95, N −1

22.36

26.30

28.87

30.14

32.67

35.17

38.89

Значение статистики, Принятие гипотезы

43.32 Нет

217.46 Нет

2906.47 Нет

6077.07 Нет

∞ Нет

∞ Нет

∞ Нет

Размер выборки, Число интервалов группировки, 2

Критерий согласия Пирсона позволяет отвергнуть гипотезу об усеченном нормальном типе распределения для описания процесса задержки пакетов. Функция распределения и генерирующая функция для описания задержки пакетов В реальных Интернет процессах данные передаются пакетами разных размеров, поэтому функция итого распределения нуждается в модернизации для учета данного эффекта. Каждой длине пакета , определяемая уравнением (3). соответствует собственная минимальная задержка Следовательно, итоговая функция распределения

F (D) =

будет выглядеть следующим образом:

0 , D ≤ D min + W / C ;

1 − exp {− λ ( D − D min − W / C ) }, D > D min + W / C , (13)

а определено в уравнении (11). Важно отметить, что данные по задержке, полученные с использованием пакетов различной длины, содержит в себе дополнительную переменную составляющую, обусловленную сетевым джиттером (вариацией задержки). При использовании утилиты ping для определения параметров распределения, необходимо запускать ее с ключами, позволяющими фиксировать размер пересылаемых пакетов (-l в Windows и -s в Linux). Представленная в этой работе модель имеет еще одно применение. Результаты могут быть применены для написания эмуляторов трафика в глобальной сети, например для INET/OMNET++[13]. Основываясь на итоговом типе распределения задержки, найденном выше (уравнение 10), можно найти генерирующую функцию для описания задержки:

D = Dmin + W / C − (1 / λ ) ln(1 − F ( D, W )) (14) В этой формуле, значение функции распределения F ( D, W ) может быть задано генератором случайных чисел. Полученные значения будут описывать величину задержки для сетевых пакетов различного размера. Еще раз стоит отметить, что в реальных сетях параметры распределения могут быть найдены с использованием утилиты ping или утилит, измеряющих задержку

.

61

Выводы В настоящей работе показано, что для описания процессов задержки пакетов в глобальных сетях, следует выбирать экспоненциальное распределение. В отличие от усеченного нормального распределения оно проходит проверку статистическими методами. Следует отметить, что время, в течении которого параметры распределения остаются неизменными не превышает 10 минут. Экспериментальные данные были собраны с помощью измерительной системы RIPE (с точностью до микросекунд, механизм NTP – протокол точного времени). В целях поиска параметров распределения возможно использование стандартной утилиты ping с точность до миллисекунды. В работе найдена генерирующая функция для пакетной задержки в сетях протокола TCP/IP, которая может быть использована в эмуляторах трафика глобальных сетей. Литература 1. Платонов А.П., Сидельников Д.И., Стрижов М.В., Сухов А.М., Измеpительная инфpастpуктуpа для изучения качества соединений в pоссийском сегменте Интеpнет, Телекоммуникации, 2009, № 1, с.11-16. 2. Choi, B.-Y., Moon, S., Zhang, Z.-L., Papagiannaki, K. and Diot, C.: Analysis of Point-To-Point Packet Delay In an Operational Network. In: Infocom 2004, Hong Kong, pp. 1797-1807 (2004). 3. Dovrolis C., Ramanathan P., and Moore D., Packet-Dispersion Techniques and a Capacity-Estimation Methodology, IEEE/ACM TRANSACTIONS ON NETWORKING, Vol. 12, No. 6, DECEMBER 2004, p. 963-977. 4. Downey A.B., Using Pathchar to estimate internet link characteristics, in Proc. ACM SICCOMM, Sept. 1999, p. 222-223. 5. Elteto, T., Molnar, S., On the distribution of round-trip delays in TCP/IP networks, in The Proceedings of the Local Computer Networks (LCN ’99) Conference, IEEE, 1999, pp. 172–181. 6. Georges J.-P., Divoux T., Rondeau E., Confronting the performances of a switched ethernet network with industrial constraints by using the network calculus, International Journal of Communication Systems(IJCS), 2005, vol. 18, no. 9, pp. 877-903. 7. Hespanha J.P., Naghshtabrizi P., Xu Y., A survey of recent results in networked control systems, Proceedings of the IEEE, 2007, vol. 95, pp. 138-162. 8. N. Hohn, D. Veitch, K. Papagiannaki and C. Diot, Bridging Router Performance And Queuing Theory, Proc. ACM SIGMETRICS, New York, USA, Jun 2004. 9. http://www.ip4tv.ru/a1.html. 10. Ripe Test Box, http://ripe.net/projects/ttm/. 11. A.M. Sukhov, T.G. Sultanov, M.V. Strizhov, A.P. Platonov, Throughput metrics and packet delay in TCP/IP networks, RIPE59 Meeting, Lisbon, 2009; arXiv:0907.3710. 12. Y. Tipsuwan, M.-Y. Chow, Control methodologies in networked control systems, Control Engineering Practice, 2003, vol. 11, pp. 1099-1111. 13. A. Varga. The OMNeT++ distrete event simulation system, Software on-line: http://whale.hit.bme.hu/omnetpp/, 1999. 14. Zampieri S., Trends in networked control systems, Proceedings of the 17th World Congress, The International federation of Automatic Control, July 2008. 15. W. Zhang, M.S. Branicky, S.M. Phillips, Stability of Networked Control Systems, IEEE Control System Magazine, 2001, v. 21, no 2, p. 84-99.

МОДИФИКАЦИЯ, МОДЕЛИРОВАНИЕ, АНАЛИЗ И ВЕРИФИКАЦИЯ ПРОТОКОЛА СЕМЕЙСТВА WIRELESS ACCESS PROTOCOL М.М. Алексеева, Е.А. Дашкова, Д.Ю. Чалый Ярославский государственный университет им. П.Г. Демидова E-mail: [email protected] Аннотация Важность сетей передачи данных и мультимедиа информации невозможно переоценить сегодня, в начале информационной эпохи развития человечества. Системы сбора, обработки и распределения информации являются важнейшей точкой приложения научного знания. Наиболее актуальной задачей в коммуникации стала спецификация и верификация коммуникационных протоколов, а также повышение их эффективности. В связи с развитием мобильных систем беспроводные сети передачи данных пользуются спросом. Благодаря развитию технологий беспроводной передачи данных разработчики аппаратного и программного обеспечения предлагают широкий спектр новых сервисов, например, мобильный интернет. Нововведения должны быть полезными, удобными, гибкими в использовании, быстрыми, предоставляющие безопасность и с минимальным количеством ошибок при исполнении. Одной из технологий, обеспечивающих доступ к мобильному интернету, является стек протокола WAP. Аббревиатура WAP расшифровывается как Wireless Application Protocol, т.е. протокол 62


беспроводного приложения, или Wireless Access Protocol – протокол беспроводного доступа. Второй вариант точнее отражает сущность технологии WAP, назначение которой – обеспечить доступ к информации, находящейся непосредственно в Интернете. Авторы предлагают модификацию транспортного уровня протокола WAP (Wireless Transaction Protocol – WTP), улучшение алгоритма управления потоком. Работа включает в себя новые идеи разработки и совершенствования WAP, как одной из важных технологий. Мы используем симулятор сети NS2, который предоставляет возможность построения сетевых протоколов и моделирования их поведения. I. Введение В начале 21-го века компьютерные сети стали важнейшим средством общения. Беспроводные сети являются одним из самых популярных методов общения, распространяясь по всему миру и помогая людям общаться. Существует несколько протоколов, которые обеспечивают доступ к беспроводному интернету. Одним из наиболее популярных протоколов является протокол WAP (Wireless Access Protocol) [6]. Наиболее точное определение технологии WAP – обеспечить доступ к информации из интернета для мобильных устройств, имеющих следующие характеристики: • небольшой объем памяти устройств; • небольшой размер экрана телефона, а также ограниченные условия ввода; • низкая скорость работы процессора; • низкая пропускная способность канала связи; • возможность появления продолжительных таймаутов. WAP был разработан для решения этих проблем, в этом состоит его основное отличие от HTTP и TCP/IP. Заметим, что пользователь не использует дополнительные устройства, такие как модем. WAP – это протокол, который описывает, каким образом информация из интернета отображается на небольшом экране мобильного телефона. Стек протокола WAP содержит несколько уровней. Согласно модели OSI (Open Systems Interconnection) [8] WAP содержит шесть уровней: уровень приложений (Application Layer), сеансовый уровень (Session Layer), уровень транзакций (Transaction Layer), уровень безопасности (Secure Layer), транспортный уровень (Wireless Transaction Protocol) и физический уровень (Bearers). Каждый уровень предназначен для выполнения строго определенных функций. В данной работе мы ориентируемся на транспортный уровень, модифицируя алгоритм управления потоком в WAP с использованием идей, лежащих в основе алгоритма ARTCP [1]. Этот протокол предлагает новый метод управления потоком на основе управления скоростью передачи сегментов в сеть. Протокол ARTCP (Adaptive Rate Transmission Control Protocol) заимствует некоторые механизмы протокола TCP, который является основным транспортным протоколом интернета. Протокол ARTCP отличается от стандартного TCP тем, что сегменты отправляются в сеть не в виде всплеска в пределах окна, а разделенные временными промежутками, длительность которых определяется текущим значением скорости. Скорость потока регулируется не размером переменного окна, а значением скорости, изменением которой осуществляется адаптация алгоритма в соответствии с условиями сети. Проверка свойств нового алгоритма производится с помощью симулятора сети. Существует два подхода к моделированию: аналитический подход и симуляционный. Сейчас идет заключительная стадия построения модели модифицированного протокола WTP с использованием NS2, который дает возможность построения сетевых протоколов и моделирования их поведения. II. Основная часть A. Системное моделирование. NS2 Симуляция широко используется в моделировании систем для приложений, начиная от инженерных исследований, бизнес-анализа, планирования производства и научных экспериментов в области биологии [5]. При построении подобной модели сети связи могут использоваться как статические, так и динамические модели. При этом под статическими понимаются модели, используемые для исследования состояния сети в заданные моменты времени, например, аналитические методы расчета из теории массового обслуживания, а под динамическими – дискретные стохастические модели, например, процессы генерации заявок или процессы их обслуживания. Сегодня для решения задач имитационного моделирования сетей связи существует достаточно широкий спектр программных средств: от библиотек функций для стандартных компиляторов до специализированных языков программирования [7]. Имеется некоторое множество примеров, которые показывают, что различные показатели производительности можно снимать с модели в терминах раскрашенных сетей Петри. CPN/Tools – это инструмент, который позволяет визуально редактировать, выполнять и анализировать раскрашенные сети Петри (CPN – Colored Petri Nets). Однако в CPN/Tools используются не классические раскрашенные сети Петри – добавлено время и используется встроенный язык программирования CPN ML (на основе Standard ML). Поэтому, на наш взгляд, наиболее перспективным специализированным пакетом для исследования различных характеристик производительности протоколов является пакет Network Simulator. NS2 позволяет строить модели коммуникационных протоколов практически любой сложности, построено ряд моделей протоколов, созданных непосредственными разработчиками протоколов, что говорит о высоком уровне моделей, построенных с помощью данного симулятора [2]. 63

Симулятор сети Network Simulator (версия 2), широко известный как NS2, является событийно-управляемым инструментом моделирования, весьма полезным при изучении динамического характера коммуникационных сетей. NS2 предоставляет пользователям способ задания таких сетевых протоколов и моделирования их поведения. NS2 позволяет создавать различные виды трафика: от простейших, подчиняющихся пуассоновскому закону, до самоподобных. Несомненным достоинством данного симулятора для случая беспроводной сети является его возможность при помощи генератора сценариев определить передвижение узлов. Также стоит отметить встроенную возможность анимации результатов проведения различных сценариев. Полная и упрощенная версии NS2 содержат средство анимации результатов моделирования nam (Network Animator) реализованное на Tcl/Tk, и только полная версия NS2 содержит программное средство Xgraph, позволяющее графически отображать результаты моделирования. Что существенно упрощает работу по визуализации результатов (не требуется установка дополнительных программных приложений специально для обеспечения наглядности работы). Работа в NS2 предполагает два этапа. Первым шагом является построение модели с использованием программирования на C++, и 2-й шаг – использование TCL для анализа модели и моделирования условий работы сети, что позволяет нам включить программный код на С++ в среду NS2 (рис. 1) [3]. Мы считаем, что NS2 - наиболее удобное средство для моделирования протоколов и поведения сети.

Рис. 1. Архитектура NS2 B. WTP Уровень WTP (Wireless Transaction Protocol) стека протокола WAP отвечает за надежную доставку сообщений. Maximum Transfer Unit (MTU) – максимальный размер пакета в сети. Если имеется сообщение большего размера, чем MTU, тогда WTP фрагментирует это сообщение. Существует три класса работы по этому протоколу. В данной работе мы ориентируемся только на второй класс операций (class-2) для Wireless Transaction Protocol [5]. Управление потоком в случаях фрагментированных сообщений осуществляется отправкой фрагментов в группах. В каждой группе пакетов требуется только одно подтверждение для группы. Последний пакет каждой группы содержит специальный флаг. Этот флаг указывает на конец группы и получатель знает, когда нужно отправить подтверждение. Размер каждой группы зависит от характеристик связи и памяти устройства. Необходимо избегать дополнительной отправки пакетов и потери данных. Получатель отправляет «негативное» подтверждение (NAK), если конечный пакет группы получен, в то время как промежуточные пакеты отсутствуют. Эта операция повторяется до тех пор, пока вся группа не будет получена и не отправится «позитивное» подтверждение (ACK). Если время ожидания подтверждения истекло, только последний пакет группы посылается повторно, и отправитель знает, какие пакеты были утрачены. Wireless Transaction Protocol пытается свести к минимуму количество ненужных повторов передачи пакетов [4]. C. Модель протокола Расширенная сегментация и сборка протокола WTP используют как алгоритм скользящего окна, так и механизм stop and wait [6]. Идеи алгоритмов скользящего окна и stop and wait являются стандартными решениями для транспортных протоколов, но возможно улучшение стандартов или разработка более эффективных аналогов. Алгоритм управления потоком протокола ARTCP использует схему скользящего окна наряду с оригинальным механизмом ARTCP. Основным достоинством алгоритма ARTCP является то, что он не интерпретирует потерю данных только как перегрузку сети и тем самым позволяет избежать нежелательного снижения эффективности работы сети. В модели основной акцент делается на три параметра, которые мы будем увеличивать или уменьшать в зависимости от работы сети. Пусть ts – это временной интервал между последовательно 64


отправляемыми пакетами одной группы, которые отправляются от отправителя (sender) к получателю (receiver); tr – интервал между последовательно принимаемыми пакетами одной группы, которые принимаются получателем: tr = tr-1*alfa+(1-alfa)*t', где alfa =1/( Amp -1), t' = (now - trl), now – текущий момент времени, trl – время прибытия последнего пакета; Amp – число пакетов в группе. В модели имеется два типа подтверждений: «позитивное» (ACK) и «негативное» (NAK) (рис. 2). Когда получатель отправляет подтверждение, он передает tr с помощью этого подтверждения. Отправитель вычисляет отношение ts/tr. В зависимости от результата этого отношения имеется несколько ситуаций для анализа и дальнейших действий. Первая ситуация ts/tr =1 отражает идеальные условия сети. Вторая ситуация 0.85< ts/tr <doc name = "Инструменты интеллектуального анализа данных"> В файле категории существует два раздела: Links – содержащий связи данной категории с другими, и Docs – содержащий список документов, принадлежащих этой категории. Приведенные в примере XML-теги содержат информацию о связи понятия «Интеллектуальная система» с понятием «Нейронные сети» (имя отношения – механизм) и о принадлежности документа «Инструменты интеллектуального анализа данных» к категории «Интеллектуальная система» (имя отношения не задано). Ожидаемые результаты. На базе предложенной технологии разрабатывается информационная система управления научными документами. В информационной системе планируется реализовать следующие возможности: 1. Два типа поиска документов: полнотекстовый и ассоциативный (поиск документов, близких по смыслу). Ассоциативный поиск осуществляется следующим образом: в первую очередь ведется поиск по парам «название категории» – «имя связи». Например, при запросе «функции управления» наиболее релевантным результатом будут считаться категории, связанные с категорией «управление» связью с именем «функция». Следующий по релевантности результат – совпадение только в названиях категорий, затем – совпадения в тексте документа и наконец – в именах отношений. При обнаружении искомого слова в названии категории пользователь увидит все документы, входящие в эту категорию, даже если в самом документе и не встречается искомое слово. 2. Работа с визуальной картой понятий (категорий), позволяющей вручную находить связанные понятия и документы. Зачастую пользователь, особенно если он не специалист в предметной области, лишь в общих чертах представляет себе что искать, не может достаточно конкретизировать запрос и потому не находит нужных документов. Карта категорий позволяет увидеть связи между понятиями, «вручную» дойти до нужной категории и просмотреть ее содержимое. 3. Фильтрация документов по атрибутам: по автору, дате, типу публикации с использованием метаданных. 4. Автоматический подбор списка научных публикаций по заданной тематике; 5. Автоматическое формирование единого документа из отдельных частей, помещенных в базу (например, сбор книги из отдельных опубликованных глав, соединение серии статей в одну) и др. На данном этапе реализованы следующие модули: 105

• редактор категорий, позволяющий создавать/редактировать категории и устанавливать связи между ними; • редактор метаданных, позволяющих включать документы в нужные категории; • визуализатор семантической карты категорий; • и прототип семантического браузера, позволяющего извлекать метаинформацию и автоматически находить документы, близкие по смыслу. Таким образом, в данной работе рассмотрены основные достоинства и недостатки семантической сети как метода представления связанных понятий, проанализировано использование семантических технологий в сети Интернет, показано, что интеграция информационной сети связанных документов (например, сети Интернет) и семантической сети понятий позволит получить синергетический эффект. Предложена технология организации семантической сети документов на базе языков разметки HTML и XML. Представлен проект информационной системы работы с научной информацией с возможностью ассоциативного поиска. Опытную эксплуатацию и тестирование системы планируется осуществить на базе кафедры общего, стратегического, информационного менеджмента и бизнес-процессов КубГУ в начале 2011 г. Литература 1. Егоров А. Искусственное сознание (Сети: нейронные или семантические?). URL: http://www.robohomo.ru/robo-lenta/robo-debates/136.html. 2. Бернерс-Ли Т., Хендлер Дж., Лассила О. Семантическая Сеть: пер. с англ. URL: http://ezolin.pisem.net/logic/semantic_web_rus.html. 3. Volkel M., Krotzsch M., Vrandecic D., Haller H., Studer R. Semantic Wikipedia. URL: http://www2006.org/programme/files/xhtml/4039/xhtml/fp4039-voelkel.html.

СИСТЕМА СОПРОВОЖДЕНИЯ ИГРОВОГО ОБУЧЕНИЯ И.С. Игнатьев Московский государственный институт электроники и математики (технический университет) E-mail: [email protected] Общая концепция системы Даже при наличии возможности использования аппаратных и программных средств, прежде доступных только на производстве, многие студенты ею не пользуются в силу сложности реальных и более высокой ответственности за их выполнение. Данные проблемы решаются современными методами обучения: активными методами и игровыми методами [1, 2]. На базе этих методов для решения этой проблемы было решено создать компьютерную систему сопровождения игрового обучения для обучения ИКТ (СИО). Для выполнения задания при использовании инструментария проектирования игровых проектов была разработана методика игрового обучения ИКТ на инженерных специальностях. В ходе обучения студенты развиваются в рамках своих ролей – будущих профессий – на основе постоянной автоматической – при использовании анализа поступающих в систему данных о прогрессе студента в определенной игре – оценки различных действий студентов. В системе возможны, как компьютерные игры – в этом случае данные собираются также автоматически при помощи клиентского программного обеспечения системы, так и другие виды игровой деятельности – в этом случае требуется ввод данных в систему ручным путем. Благодаря постоянной оценке и развитию студент чувствует себя постоянно задействованным и стремится максимально раскрыть свой потенциал [3]. Гибкость методике придает ориентация не на непосредственно на оценку студента в качестве актора какой-либо профессии, а оценку навыков студента, которые в совокупности показывают общий уровень развития студента, что оценивается в уровне развития в профессии как в агрегированном параметре. Также разработанная методика позволяет на основе навыков студента автоматизированно составлять его резюме, что повышает ее полезность для студента. Система позволяет наблюдать обучение (прежде всего, в группе) и выявлять неявные его закономерности. Общий алгоритм работы системы следующий: пользующиеся системой в обучении используют специально модифицированные для системы игры, которые периодически отправляют отчеты о прогрессе обучающегося в единую базу данных, по материалам которой и отслеживается различными интеллектуальными методами анализа данных общий прогресс обучения, и строятся и проверяются различные предположения об их обучении. Архитектура СИО С архитектурной точки зрения СИО представляет собой систему с многозвенной (трехзвенной) клиент-серверной архитектурой. Серверами системы являются: • сервера сбора результатов обучающих игр Sg; • сервера анализа результата обучающих игр Sa; 106


• сервера хранения результатов обучающих игр Sm; • сервера представления результатов анализа Sw. Сервера хранения результатов обучающих игр Sm являются серверами баз данных, остальные сервера являются серверами приложений, так как несут различную функциональную нагрузку в рамках СИО. Клиентами СИО являются клиент на машине пользователя C, который обеспечивает сбор результатов игрового обучения, и интернет-браузер, с помощью которого пользователь получает доступ к аналитической информации, полученной по результатам игрового обучения. Серверная часть системы Сервер получает данные, расшифровывает их и упорядоченно помещает в соответствующие таблицы базы данных. По мере накопления данных появляется возможность их анализировать, для этого сервер предоставляет свои инструменты анализа данных. Результат анализа должен быть представлен пользователю. Получение и проверка данных Данные в целях ускорения передаются по ненадежным каналам и могут исказиться, и соответственно требуется не только их принять, но и как можно быстрее сохранить. Для этого после получения пакета требуется как можно скорее его проверить на соответствие формальным требованиям со стороны протокола и, опять же с наименьшими затратами по возможности, далее сохранить в постоянное хранилище данных. Для того чтобы реализовать проверки, которые позволят отбрасывать поврежденные пакеты, следует предусмотреть нужный механизм. Так, для этого можно использовать проверяющие парсеры xml-кода. Также это позволит прозрачно перейти от представления данных в передаваемом через сеть пакете к представлению данных в их хранилище [4]. Для устранения возможности блокировки приема информации прием является максимально асинхронным. Для этого для каждого пакета следует не обрабатывать его в основной программе приема, а порождать дочернюю программу, которая уже будет обрабатывать пакет, проверять его корректность и сохранять в базе данных [5]. Также для того, чтобы сохранение в базу данных не стало узким местом, используется асинхронное сохранение. Сервер сбора результатов обучающих игр Sg реализован при помощи фреймворка Twisted, который позволяет организовать асинхронную обработку пакетов с сохранением их в СУБД [6]. Был создан запускающийся независимо от основного комплекса демон. Созданы скрипты для его запуска в ОС Debian Linux, подготовлен установочный файл. Конфигурация демона производится при помощи файла конфигурации, находящегося в специально выделенном для этого каталоге. Хранение данных Данные необходимо хранить таким образом, чтобы их можно было достаточно легко считать, и в то же время они не занимали на диске много места. В связи с этим следует отойти от традиционного хранения данных в достаточно быстрых, но неэкономных в смысле места хранения типов хранилищ, таких как MyISAM и InnoDB, в пользу специализированного хранилища, которое предназначено для долговременного хранения больших объемов данных – Archive [7]. Сервер хранения данных представляет собой структуру таблиц, основанную на нескольких различных типах хранилищ. В хранилищах типа InnoDB хранятся данные, которые требуют оперативного доступа и работы с ними: конечные данные анализа, исходные данные для визуализации, учетные данные пользователей, различного вида описания для игр, алгоритмов и т.п., которые в основном обслуживают сервер представления результатов анализа Sw. В хранилище типа Archive хранятся исходные данные (результаты игр), предназначенные для анализа. Их выборка происходит сразу большим объемом, что позволяет пренебречь оперативностью в пользу массовости. Анализ данных Анализ данных – это требовательный к таким ресурсам, как оперативная память и вычислительная мощность, процесс. Он должен запускаться над выбранными данными отдельно от всех остальных процессов, чтобы не вызвать никаких перегрузок системы. Более того, это сложный и долго выполняющийся процесс, а потому его запуск как веб-скрипта сопряжен с большими сложностями. В силу этих причин анализ данных физически выделен из общего функционала серверов в качестве отдельного сервиса, тем более что вполне можно выделить как входные, так и выходные данные для этого сервиса. В качестве входных данных выступают данные о том, какой алгоритм, с какими параметрами и ограничениями и над какими данными следует выполнить. В качестве выходных данных – запись в таблице результатов анализа игр и визуальное представление результата в виде диаграмм Вена и других визуальных средств. Общая схема работы сервера анализа заключается в следующем: • Получив задание на анализ от пользователя системы через сервер представления результатов анализа, сервер анализа проверяет его корректность и достаточность представленных в нем данных. • После этого сервер запускает на основании полученного задания долговременный процесс, который будет осуществлять сам анализ данных непосредственно. 107

• В том случае, если для выполнения процесса анализа данных не хватает ресурсов или превышен интервал ожидания ответа, сервер анализа данных возвращает ошибку серверу представления результата. • По завершении процесса анализа данных сервер анализа данных сохраняет представленные конкретными алгоритмами результаты анализа в стандартизованном виде в БД сервера представления результатов анализа. В результате работы сервер создает в БД сервера представления результатов анализа структуру, на основании которой сам сервер представления отображает результаты анализа данных. Для анализа данных предусмотрено несколько методов анализа. Байесовский классификатор [8] позволяет определять вероятность принадлежности наблюдения или объекта к одному из классов. При этом выдвигается предположение о независимости влияния на эту вероятность различных атрибутов объектов – так называемое предположение об условной независимости классов, которое существенно упрощает сопутствующие вычисления. Простой байесовский классификатор относит объект х к определенному классу Сi тогда и только тогда, когда выполняется условие:

P(Сi|х)>P(Сj|х), где: P(Сi|х) – апостериорная вероятность принадлежности объекта х к классу Сi, P(Cj|х) – апостериорная вероятность принадлежности объекта х к произвольному классу Сj, отличному от Сi. Байесовский классификатор относит объект к определенному классу тогда и только тогда, когда апостериорная вероятность принадлежности объекта к этому классу больше апостериорной вероятности принадлежности объекта к любому другому классу. Классификация деревьями решений – это способ представления совокупности правил в иерархической, последовательностной структуре, пройдя по которому от корня к листу каждому объекту можно сопоставить один единственный узел, соотносящий этот объект и класс, к которому он принадлежит. Алгоритмы построения дерева решений стремятся построить дерево, начиная с корня и далее вниз по узлам дерева до листа, который непосредственно определяет класс, к которому должен принадлежать объект. В частности, так как лист определяет, к какому классу принадлежит объект, зачастую построение делается на основании подсчета наибольшего убывания энтропии обучающей выборки (алгоритм ID3 и его различные модификации) [9]: k

Gain ( x ) = max T (∑ r =1

Freq (Cr , I ) Freq (Cr , I ) k Freq (Cr , T ) Freq (Cr , T ) log 2 −∑ log 2 ) I I T T r =1

где: Freq(Cr, I) – количество объектов определенного класса Cr в исходной выборке I, Freq(Cr,T) – количество объектов определенного класса Сr в выборке после разбиения (и образования нового узла) T. Подсчет производится по всем возможным разбиениям и всем классам, а затем выбирается максимальный выигрыш энтропии и на основании этого выбирается наилучшее разбиение на текущем шаге алгоритма. Кластеризация отличается от классификации тем, что алгоритм не использует обучающую выборку, а делает выводы от принадлежности объектов к определенным классам на основании непосредственно анализируемых данных. Кластеризация позволяет создавать разбиения заданной выборки объектов на непересекающиеся подмножества (кластеры) так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались. Схожесть и различия определяются при помощи специальной метрики, называемой расстоянием. Расстояние может считаться различными способами, но основные его свойства таковы, что чем более схожи объекты друг с другом, тем меньше должна быть эта метрика. Также эта метрика должна быть строго положительной. Иерархическая кластеризация отличается тем, что строит иерархию кластеров по мере своего выполнения. Непосредственно разбиение исходной выборки на кластеры получают из среза этой иерархии в любой момент работы алгоритма. Обычно критерием останова алгоритма для получения правдоподобной картины распределения объектов по кластерам ставят достижение определенного расстояния между объектами или кластерами, которые на следующем шаге должны быть обработаны[10]:

| D ( xj , xi ) |< ε

, где

• хi, xj – n-мерные объекты, которые предложены алгоритмом к объединению в один кластер на данном шаге, • D(хi, xj) – функция расстояния между ними, • е – предварительно выбранное максимальное расстояние, при котором объединения еще будут происходить. Кластеризация методом k-среднего является быстрым методом кластеризации, не относящимся к иерархическим, хотя схожесть элементов и здесь определяется на основании метрики расстояния. 108


Основным недостатком данного метода является то, что для его запуска необходимо выдвинуть гипотезу о числе кластеров, содержащихся в исходных данных. На основании этой гипотезы алгоритм образует заданное число кластеров и начнет итеративно перераспределять между ними до тех пор, пока не будет подобрано такое распределение, которое минимизирует расстояние между воображаемыми центрами кластеров (центроидами) и объектами в кластерах. Фактически, данный алгоритм является алгоритмом поиска минимума функции J [11]:

N

K

J = ∑∑ u ij * d ( xi , c j ), где i =1 j =1

• • • • • •

N – число объектов в выборке, K – число кластеров, xi – i-ый объект в выборке, cj – центроид кластера Cj, uij = 1, если xi принадлежит кластеру Cj, иначе uij = 0, d(xi, cj) – метрика расстояния между объектом в выборке и центроидом соответствующего кластера. После выбора на основе метрики расстояния наиболее близкой к объекту центроиды для всех объектов выборки центроиды перевычисляются на основании метода нахождения центра масс, после чего процесс соотнесения повторяется. Этот метод создает плотные кластеры, однако останов алгоритма на любом этапе до его конца не дает верной картины распределения объектов по кластерам. Критерием окончания здесь чаще всего ставится отсутствие достаточно большого сдвига между центроидами на текущем и предыдущем шаге или достижение определенного достаточно большого числа шагов алгоритма (это ограничение необходимо для того, чтобы избежать зацикливания в том случае, когда какой-либо объект находится на границе двух кластеров):

K

∑c i =1

i

t

− ci

t −1

Сборник статей участников Всероссийского конкурса научных работ студентов и аспирантов «Телематика'2010: телекоммуникации, веб-технологии, суперкомпьютинг»

Whitaker's Almanack 2010 2010

2010

2010

2010

2010

2010

Torino 2010

2010 (301)

2010 (298)

2010 (302)

Access 2010

Access 2010

Outlook 2010

месяц: 2010

Access 2010

2010 (303)

Word 2010

Иордания 2010

2010 (300)

Winterverhalen 2010

Bash.org.ru 2010

2010 (297)

Winterverhalen 2010

URGENCIAS 2010

Excel 2010

SharePoint 2010 Development with Visual Studio 2010

Der Spiegel 2010 51 (20. Dezember 2010)

Der Spiegel 2010-52 (27. Dezember 2010)

Winterverhalen 2010

ДМБ-2010

Сборник статей участников Всероссийского конкурса научных работ студентов и аспирантов «Телематика'2010: телекоммуникации, веб-технологии, суперкомпьютинг»

Whitaker's Almanack 2010 2010

2010

2010

2010

2010

2010

Torino 2010

2010 (301)

2010 (298)

2010 (302)

Access 2010

Access 2010

Outlook 2010

месяц: 2010

Access 2010

2010 (303)

Word 2010

Иордания 2010

2010 (300)

Winterverhalen 2010

Bash.org.ru 2010

2010 (297)

Winterverhalen 2010

URGENCIAS 2010

Excel 2010

SharePoint 2010 Development with Visual Studio 2010

Der Spiegel 2010 51 (20. Dezember 2010)

Der Spiegel 2010-52 (27. Dezember 2010)

Winterverhalen 2010

ДМБ-2010

Recommend Documents