Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK Levendovszky János, BME Híradástechnikai Tanszék.

Hasonló előadás


Az előadások a következő témára: "INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK Levendovszky János, BME Híradástechnikai Tanszék."— Előadás másolata:

1 INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK Levendovszky János, BME Híradástechnikai Tanszék

2 Célok és motivációk A távközlési hálózatok teljesítőképességének növelése hozzáadott, „algoritmikus intelligencia” segítségével Kommunikációs hálózatok Szolgáltatások Erőforrások (infrastruktúra) Algoritmusok (protokollok) Alacsony anyagi megtérülés, gazdaságtalan ! Olcsók, nagysebességű számítási platformok és új paradigmák rendelkezésre állnak ! „e-world” (e-business,e-learning, e-administration) Szélessávú, összetett szolgáltatások, magas hálózatkihasználtság mellett A dolgozat hozzájárulása Sávszélesség Új algoritmusok Jó kihasználtság, összetett szolgáltatások

3 Kutatási módszerek Csomagkapcsol t hálózat (komplex, véletlen rendszer) Algoritmikus modell Optimalizálás Polinomiális megoldás + real-time implementáció Bonyolult feladat (tradicionálisan nehezen kezelhető) Új számítási paradigmák: neurális hálózatok, tanuló algoritmusok „soft” optimalizálás Magas hálózatkihasználtság Előírt minőségű szolgáltatások Rossz kihaszn. Alacsonyszintű szolg. Info-kommunikációs szolgáltatások csomagkapcsolt platformon !!!

4 Konkrét hozzájárulások

5 I. TÉZIS - adaptív jelfeldolgozás a spektrális hatékonyság növelésére Nyitott kérdés : Hogyan lehet aspektrálishatékonyságot a jelenlegi 0.52 bit/sec/Hz -rőltovább növelni ?

6 Motiváció CSATORNA (fading + zaj) 1. felh 2. felh n. felh Zajos és torzított vett jel vett jelleadott jel zaj Spektrális hatékonyság [bit/sec/Hz]: Spektrális hatékonyság [bit/sec/Hz]: adott adatátviteli sebességű szolgáltatáshoz mekkora fizikai sávszélességre van szükség ? Jelenleg SE=0.52 bit/sec/Hz szemben az elméleti 5bit/sec/Hz-el Nem gazdaságos a szélessávú szolgáltatások bevezetése !!! Hogyan lehet ezen adaptív detekciós és kiegyenlítési algoritmusokkal javítani ?

7 Optimális detekció Csatorna (interferenciák: H) Információs sorozat y Opt. detektor x Zaj: Következmény: Exponenciális komplexitás (nincs real-time detekció) Hogyan lehet polinomiális komplexitásban detektálni ? Új módszerek - Hyst NN detektor - Sztoch NN detektor - FFNNdetektor

8 Új eredmények I: detekció polinomiális komplexitással (Altézis I.1, I.2, I.3) Hiszterézises HN Hibavalószínűség: Sztochasztikus HN Stac.eloszlás FFNN detektor Minimális komplexitású kód, amelyre FFNN = Bayes Neurális dektorok Torzított zajos vett jel Jó minőségű detekció nagy torzítású csatorna esetén is

9 Numerikus eredmények

10 A spektrális hatékonyság növelése új kiegyenlítő algoritmusokkal (Altézis I.4, I.5, I.6) CsatornaKiegyenlítő Küszöb- detektor Zaj „vak” algoritmusok Új kiegyenlítés Tradicionális stratégiák (MMSE, ZF): nincs direkt kapcsolat a BER-el gradiens polinomiális komplexitásban A gradiens statisztikus becslése csak a vételi oldalon megfigyelhető jelekből Új vak kiegyenlítő algoritmusok Ismeretlen csatorna jó minőségű kiegyenlítése, sztoch. approximációval !!!

11 Numerikus eredmények

12 Összefoglaló és az I. Tézis eredményeinek súlyozása Neurális alapú detektorok (Altézis I.1.,I.2,I.3) Adaptív csatornakiegyenlítők (Altézis I.4.,I.5,I.6) Hogyan lehet a spektrális hatékonyság értékét növelni ? 0.52 bit/sec/Hz0.9 bit/sec/Hz A terület már meglévő eredményeivel való összehasonlítás: Eredeti Hopfield háló alkalmazása rossz hatásfokkal (Aazhang, Varanasi), Boltzman Machine, és „mean field theory” (Kirkpatrick, Aarts, van den Berg) általános komb. opt. csak logisztikai eloszlású zajjal Kaotikus nurális hálózatok (Nakamura, Hayakawa) csak kombinatorikus optimalizálásra (TSP, vagy n- királynő probléma) teljesítőképesség analízis szintjén

13 II. TÉZIS - Új útvonalkereső algoritmusok csomagkapcsolt hálózatokban Nyitott kérdés: Hogyan lehet a kommunikációs hálózatok „áteresztőképességét” növelni új útvonalkereső algoritmusokkal, véletlen linkleírók esetén ?

14 Technológiai motiváció determinisztikus gráfokon való polinomiális időben Tradicionális algoritmusok determinisztikus gráfokon való útvonalkeresésre polinomiális időben (Dijkstra, Bellman-Ford, Floyd Warshall) véletlen gráfokon polinomiális időben Új útvonalkereső algoritmusok kifejlesztése véletlen gráfokon, amelyek jó minőségű megoldást garantálnak polinomiális időben ? ? ? véletlen mennyiségek OSPF, PNNI protokollokban „információ-aggregáció” miatt, illetve a sorállások következtében a link-leírók véletlen mennyiségek véletlen linkleíróka linkleírók sűrűsége Hálózat:

15 Optimális útvonalkeresés véletlen gráfon Adott: „end-to-end QoS paraméterek” T,W Opt. útvonal additív leírók szerint Opt. útvonal bottleneck leírók szerint Nem additív célfüggvények ??? Új linkmértékek BF algoritmus polinomiális komplexitással

16 Új eredmények I: Opt. útvonal mértéktranszformációval (Altézis II.1, II.2, II.3) Opt. útvonal bottleneck típusú leírók esetén Opt. útvonal késl. típusú leírók esetén Opt. útvonal „large deviation theory”-val s optimalizálása Belman-Ford algoritmus lépésben Additív célfüggvény: Polinomiális algoritmusok egy tradicionális útvonalkeresésnél általánosabb problémára

17 Teljesítőképesség Sávszélességi linkmérték Késleltetési linkmérték (normális appr.) Késleltetési linkmérték (Chernoff)

18 Új eredmények II: Véletlen útvonal keresés diszkrét kvadratikus optimalizálással (Altézis II.4.) Kvadratikus programozás Útvonalkeresési probléma HystHNN SHN Opt. megold. polin. komp. ???

19 Tejesítőképesség Hyst. HopfieldStoch. Hopfield

20 Új eredmények III: kiterjesztés több folyamra(Altézis II.5, II.6) KOMMUNIKÁCIÓS HÁLÓZAT felh1 felh n... alternatív útvonalak + terhelésmegosztás ??? NP hard Load entrópia = f(elvezetések, terh. megosztás) Optimális terhelésmegosztás analítikus módszerekkel determinisztikus és véletlen gráfokra

21 Összefoglaló és II. Tézis eredményeinek súlyozása 63 %94 % Hogyan lehet véletlen gráfokon opt. útvonalakat találni a kommunikációs hálózatok áteresztőképességének a növelése érdekében? Polinomiális úvonalkeresés mértéktranszformációval (Tézis II.1,II.2., II.3) Opt. Terhelésmegosztás ( Tézis II.5,II.6.) Polinomiális útvonalkeresés neurális hálóval (Tézis II.4.) Fontos hozzájárulás új megközelítés alapján Heurisztikus módszer Csak terh. megosztás optimalizálás A terület már meglévő eredményeivel való összehasonlítás: Gráfoptimalizálás polinomiális komplexitással determinisztikus gráfokon Lagrange relaxációval, (multicommodity flow, constrained path problem - Feng, Eppstein, Günlük) Kognitív csomagkapcsolt hálózatok útvonalkeresése – intelligencia a csomagokban (Gelenbe, Kocak) Hálózatok küszöbmegbízhatósága – homogén link val. & összekötöttség vizsgálata (Krivelevich, Sudakov)

22 III. TÉZIS - Hívásengedélyezés csomagkapcsolt hálózatokban Nyitott kérdés: Hogyan lehet a hálózatkihasz- náltságot a jelenlegi 68% fölé növelni előírt minőségi paraméterek megtartása mellett ?

23 Technológiai motiváció For rá sok Az erőforrások jó kihasználtsága Statisztikus MUX y CACCAC y n Előírt késlelt. és cella- vesztés QoS csat. Infokom. Szolgáltatás Cellavesztési valószínűség Forgalmi állapot Accept/Reject ??

24 Új eredmények I (Altézis III.1, III.2)– CAC a Chernoff határ optimalizálásával CAC: CAC univerzális s paraméterrelCAC többszörös Chernoff határral CAC forg. állapottól független s paraméterrel az eredeti Chernoff határt megközelítő kihasználtság forgalmi állapotvektor

25 Numerikus eredmények Nem megvalósítható Real-time CAC

26 Neurális alapú CAC - a hívásengedélyezés mint halmazszeparálás Elveszett forgalom Optimális súlyok ? : min. elveszett forgalom nem engedhető be a QoS-t nem kielégítő forgalom az eredeti szeparáló felület ismeretlen Tanulás kényszeres optimalizálással a minták alapján (tradicionális BP algoritmus nem alklamazható) Kihívás:

27 Új eredmények II – Altézis III.3. 1.Tanulás irányított gradienssel 2. Tanulás büntetőfüggvényekkel 3. Tanulás prototípusok alapján forgalmi leírók Neurális CAC új tanuló algoritmusokkal Magas hálózatkihasználtság + garantált QoS 96 %

28 Kiterjesztések CAC CNN hálózattal: halmazszeparálás a legközlebbi társszabály alapján, triggerelt hullámokkal (Altézis III.4); CAC ismeretlen forgalmi leírókkal (parametrikus és nem- parametrikus döntéselmélet) (Altézis III.5); CAC többszörös QoS paraméterekre sorállási modellek alapján (Altézis III.6); CAC kétirányú forgalomra és hozzáférési hálózatokra (Altézis III.7) Az eredmények validálása mérésekkel: EU EXPERT testbed, Basel Switzerland, Ericsson Traffic Laboratory (Altézis III.8);

29 Numerikus eredmények HoeffdingCsernovFFNN (büntetőfv.-es tanulás) CNN (nulladrendű interpoláció) CNN (lineáris interpoláció)

30 Rangsor (EU COP579 SPR12 report)

31 Összefoglaló és a III. Tézis eredményeinek súlyozása Lehetséges-e a hálózatkihasználtságot növelő új CAC algoritmusokat bevezetni ? A Chernoff határ továbbfejlesztése CAC-re (Altézis III.1., III.2, III.7) Neurális CAC előrecsatolt hálóval és CNN-el (Altézis III.3, III.4.) Kiterjesztés ismeretlen forgalmi lerókra és többszörös QoS-re (Altézis III.5.,III.6) Validálás mérésekkel az EU baseli testbed- jén (Altézis III.8.) Fontos hozzájárulások a csomagkapcsolt hálózatokhoz Mérésekkel is kipróbált eredmények a mérnöki implementációhoz A terület már meglévő eredményeivel való összehasonlítás: Regularizáció büntetőfüggvényekkel – opt. neurális hálózat méret, nem a másodfajú hiba elkerülése (Setiono, Larsen, Tikhonov) Mérésalapú CAC – centrális határeloszlási tétel, szórás becslése (Grossgaluser, Tse) Döntéselméleti CAC – csak homogén esetre, csak parametrikus algoritmus (Gibbens, Kelly)

32 IV. TÉZIS - Megbízhatóságanalízis kommunikációs hálózatokban Nyitott kérdés: Hogyan lehet real-time megbízhatóságanalízist végrehajtani a mintaszám csökkentésével (hatékony becslés az állapottér egy töredéke alapján) ?

33 Technológiai motiváció Igény: Igény: a forgalom elvezetése adott megbízhatóság gal Kihívás Kihívás: Real-time megbízhatóságanalízis egy hatalmas hálózaton sokezer komponenssel A megízhatósági függvény „átlagolása a teljes” tér felett A megbízhatósági mérték pontos értéke Mintavételezési technika Mintatér (kis számú mintával) A megbízhatósági mérték becslése ?? Állapottér (sok milliárd hibakonfiguráció)

34 A feladat leírása Állapottér Hálózati funkcionalitás: Telj. képesség csökkenés egy adott hiba hatására Megbízhatósági mértékek: Átlagos veszteség: Kiesési valószínűség: Asztronómikus méretű szummák !!! Elemi statisztikák Real-time megbízhat. analízis ?? Mintavételezési technikák

35 Új megközelítés - Adaptív approximáció Minta generálás: Adott: a mintaszám K Tanulóhalmaz előállítása Approximáció: A megbízhatósági mérték kiszámolása tanulási komplexitás << kis komplexitású jó approximátor

36 Új eredmények I: Adaptív approximátorok megbízhatóság- analízisre (Altézis IV1., IV.2, IV.3) Szakaszonként lineáris approximátor: Multidimenzionális polinomok: Radiális bázis függvények: Adott mintaszám esetén bizonyítottan jobb mint az eddigi módszerek (Li-Sylvester, Fontosság szerinti mintavételezés) Real-time megbízhatóság- analízis kis mintaszám alapján (az RBF becslési hibája 0.1%-a a tradicionális módszereknek)

37 Kiterjesztések Kiterjesztés függő meghibásodásokra (Altézis IV.4); Kiesési valószínűség becslése „large deviation theory”-val lineáris approximáció esetén (Altézis IV.5); Jó minőségű véletlenszámgenerátorok periodicitás vizsgálata Rey algoritmusa alapján (Altézis IV.6).

38 Összefoglaló és a IV. Tézis eredményeinek súlyozása Lehetséges-e távközlési hálózatok real-time megbízhatóságanalízise? Az RBF approximáció ami igazán fontos Marginális jelentőségű Gyors és jó eredmények Elvi eredmény a kipróbálás még hátra van Adaptív approximációs technikák (Tézis IV.1., IV.2, IV.3) Chernoff technikák a kiesési valószínűség becslésére (Tézis III.3, III.4.) Kiterjesztés függő mintákra (Tézis IV.5.) RNG peridocitása a alapján stat. szimulációkhoz (Tézis IV.6.) A terület már meglévő eredményeivel való összehasonlítás: Ritka események szimulációja sorállás során - csak buffertúlcsordulás becslésre (Nicola, de Boer, Rubinstein) Fontosság szerinti mintavételezés – heurisztika a mintavevő eloszlás meghatározásában (Melcher, Carlier) Struktúrált mintavételezés – heurisztika az optimális minta-allokáció meghatározásban (Lutton, Jereb)

39 Összefoglaló A vizsgált kérdések egysége Fizikai rétegAdatkapcsolati rétegHálózati réteg Erőforrások minimalizálása algoritmusokkal A vizsgálati módszerek egysége Halmaz szeparalás Nagy eltérések elmélete Multidim. optimalizálás Tanulás, alul- reprezentált rendszerek Neurális modellek

40 A tézisek főbb állításai 1. Neurális detekcióval és kiegyenlítéssel a spektrális hatékonyság növelhető (i) neurális detektorok; (ii) kiegyenlítés új célfüggvény szerint; (iii) „vak” algoritmusok 2. Új polinomiális komplexitású útvonalkeresési algoritmusokkal véletlen leírókra a hálózat áteresztő képessége növelhető (i) linkmérték tarnszformáció; (ii) kvadratikus programozás ; (iii) load-entrópia 3. Új hívásengedélyezési algoritmusokkal a hálózat kihasználtsága növelhető (i) módosított Chernoff ; (ii) FNN CAC; (iii) CNN CAC; (iv) döntéselméleti CAC; (v) CAC hozzáférési hálózatokra; (vi) validálás mérésekkel 4. Adaptív approximációs technikákkal a hálózat megbízhatóságanalízise kis mintaszám mellett elvégezhető (i) MA RBF approximációval ; (ii) KV becslése Chernoff technikákkal; (iii) kiterjesztés függő mintákra ; (iv) RNG periodicitás vizsgálata véletlen szimulációkhoz;


Letölteni ppt "INTELLIGENS KOMMUNIKÁCIÓS ALGORITMUSOK Levendovszky János, BME Híradástechnikai Tanszék."

Hasonló előadás


Google Hirdetések