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.