540f65333f57f89e2b954bc4_top_coatofarms_v2.png
540f65135b848513272c60bb_top_ornament_v2.png
2011
543aaffd1b4ea3f7344afcba_1st_prize.png
informatika
László Endre
Csomagkapcsolt hálózatok hívásengedélyezési algoritmusának megvalósítása neurális hálózattal
Témavezető:
Dr. Levendovszky János
Összefoglaló
A mai infokommunikációs technológiák lehetővé teszik a felhasználók számára, hogy csomagkapcsolt hálózatokon keresztül részesüljenek hálózati szolgáltatásban. Ilyen hálózat például egy ATM (Asynchronous Transmission Protocoll) vagy MPLS (MultiProtocol Label Switching) hálózat. Egyre nagyobb az igény olyan szolgáltatásokra, mint amit a VoIP (Voice over Internet Protocol), a teleconference vagy más video stream alapú tartalomközlés nyújt. Ezen technológiák megszorítást adnak az alattuk működő csomagkapcsolt hálózatok - esetünkben ATM/MPLS hálózat -, működésére. A csomagveszteség valószínűsége (CLP - Cell Loss Probability), a késleltetés (MCD - Mean Cell Delay) és a jitter paraméterek, mint QoS (Quality of Service - Szolgáltatás Minőség) paraméterek, írják le ezeket a megszorításokat.

CAC (Call Admission Control - Hívásengedélyezési Felügyelet) egyszerű értelmezésben annak eldöntése, hogy a hálózatra jelentkező fél forgalmát elfogadjuk-e vagy sem. Pontosabb definíció szerint: olyan események sorozatának kivitelezése a hálózat által, melyek egy hívás felállítás folyamán a virtuális csatorna (ATM) kialakításának elfogadását eredményezi. A CAC a torlódási control (Congestion Control) stratégia egyik fő eleme, valamint az áramkör kapcsolás és CBR forgalmi szerződés betartásának egyetlen módja. A CAC feladata annak eldöntése, hogy egy új, csatlakozó hívó fél beengedésére van-e elég szabad sávszélessége (adatátviteli sebesség) a hálózatnak, vagyis a beengedése esetén előfordulhat-e a forgalmi szerződés megszegése. Ha ilyen egy adott valószínűséggel előfordulhat, akkor a potenciális hívó felet nem szabad beengedni a hálózatra. A döntés után a hálózat értesíti a hívó felet, az elutasító vagy elfogadó válaszról.

A CAC algoritmusokkal tehát a hálózat sávszélességét igénybe vevő felhasználók számát igyekszünk megfelelően korlátozni, mely így a QoS kritériumok betartása mellett szavatolja a hálózat optimális kihasználtságát is. Így a CAC egy preventív jellegű Congestion Control.

Ebben a munkában egy ilyen CAC algoritmus megvalósítását végeztem el neurális hálózat segítségével. Ez magában foglalja a szükséges függvénykönyvtárakat és az algoritmus teljesítőképességének mérését a modell alapján. A neurális hálózat tanítását egy statisztikus forgalmi modellből nyert tanuló halmazzal végeztem. Ezen algoritmus alapjai publikált cikkekben taglaltak. A szimulációs eredm ényeket valamint egyéb részeredményeket és részfeladatokat jelen dokumentumban bemutatom. Megismertem egy a napjainkban igen elterjedt hálózati szimulációs eszközt, az NS2-t és felmértem képességeit. Megismertem egy hatékony előrecsatolt neurális hálózat implementációt, a Fast Artificial Neural Network Library-t (FANN). Valamint e kettő ötvözésének céljából beágyaztam egy, az FANN-en alapú neurális hálózatot az NS2 hálózati szimulátor keretrendszerébe.
László Endre
László Endre
Egy TDK munka elkészítése folyamán sok olyan tudásra tesz szert a hallgató, amit a gyakorlatban és a későbbi doktoranduszi munkájában is kamatoztatni tud. Egy jó TDK dolgozat emellett jó indikátora annak, hogy az illető érett arra, hogy a tudományos életben vagy versenyszférában megállja a helyét. Minden lelkes hallgatónak ezért azt javaslom, hogy energiát nem sajnálva, bátran vágjon bele egy TDK dolgozat elkészítésébe.
Curriculum Vitae
László Endre – PhD hallgató. 1986-ban született Zentán. Egyetemi tanulmányai megkezdését megelőzően az adai Műszaki Iskola tanulója volt. Mérnök-informatikus MSc diplomáját 2010-ben szerezte meg a Pázmány Péter Katolikus Egyetem (PPKE) Információs Technológiai Karán (ITK) műszaki informatika szak, robotika és infokommunikáció szakirányon, „Neurális algoritmusok az erőforrás menedzsmentben” című szakdolgozattal. 2009-ben - Erasmus ösztöndíjjal - félévet a Leuveni Katolikus Egyetem Mérnöki Karának Villamosmérnöki tanszékén (ESAT) tanult, ahol mesterséges intelligencia, gépi tanulás, mesterséges neurális hálózatok és Support Vector Machine témakörben végezte tanulmányait. 2011-ben, a XXX. OTDK (Országos Tudományos Diákköri Konferencia) második helyet szerzett „Csomagkapcsolt hálózatok hívásengedélyezési algoritmusának megvalósítása neurális hálozattal” című dolgozatával. 2010-2011 között a Magyar Tudományos Akadémia Műszaki Fizikai és Anyagtudományi kutatóintézetében kutatási asszisztensként „Si alapú THz detektor kutatás-fejlesztése képalkotási célra” témával kutatott. 2011-ben a Finalyse Budapest Kft.-nél statisztikai modellezéssel foglalkozott. 2012-ben szakmérnöki diplomát szerzett a PPKE Bionikus számítástechnika szakirányú továbbképzésén. 2011-ben kezdte meg PhD tanulmányait a PPKE-ITK doktori iskolájában párhuzamos számítások témakörben, prof. Szolgay Péter vezetésével. 2014-ben a Schlumberger olajipari szolgáltató vállalt nyári gyakornoka volt. 2012-2014 között a University of Oxford, Oxford e-Research Centerben végzte doktorijához tartozó kutatásait prof. Michael B. Giles vezetésével, ahol numerikus problémák párhuzamosításával foglalkozott.
Dr. Levendovszky János
Dr. Levendovszky János
Adatok feltöltés alatt