Kommunikációs hálózatok idősorainak analízise neuronhálózatokkal Máté György Diplomamunka Témavezető: Csabai István.

Az előadások a következő témára: "Kommunikációs hálózatok idősorainak analízise neuronhálózatokkal Máté György Diplomamunka Témavezető: Csabai István."— Előadás másolata:

1 Kommunikációs hálózatok idősorainak analízise neuronhálózatokkal Máté György Diplomamunka Témavezető: Csabai István

2 A mesterséges neuronhálózatok alkalmazási lehetőségei  Idegrendszerünk működésének modellezése  Komputációs feladatok  Információ tárolás, előhívás (memória)  Szekvencia reprodukálás  Szekvencia folytatás  …

3 A hálózatok felépítése, neuronok működése  Neuronok  Valós szám: x, neuron állapota (értéke)  Kapcsolatok vagy súlyok  Átviteli függvény ( f ), pl. lineáris vagy előjel szerű Hálózat tanítása a súlyok megfelelő változtatását jelenti. Lehet online és offline. Itt csak online tanulási folyamatok szerepelnek.  ~ Kimenet (érték) Bemenetek Neuron

4 Neuronok működése A neuron értékének kiszámítása  Alapeset x = f ( hozzá érkező súlyozott összeg )  Információt őriz előző állapotáról (szivárgó integrátor), különböző lehetőségek pl. x(t) = r x(t-1) + f ( … )

5 Előrecsatolt (feed-forward) hálózatok

6 Előrecsatolt hálózatok jellemzői  Neuronok rétegekben  Bemeneti, kimeneti és rejtett rétegek  Rétegeken belül a neuronok nem hatnak egymásra  Az n-ik rétegre csak az n-1-ik réteg hat  A neuronok értékét a bemenetek egyértelműen meghatározzák (függvény tulajdonság)  1 rejtett réteggel bármely folytonos függvény előállítására alkalmasak  2 rejtett réteggel gyakorlatilag minden függvény megvalósítható  Triviálisan taníthatók

7 Rekurrens hálózatok

8 Rekurrens hálózatok jellemzői  Bemeneti, rejtett és kimeneti réteg  Bemeneti réteg kapcsolatban van a rejtett réteggel és esetleg a kimenettel is  Rejtett réteg (reservoir) neuronjai (belső neuronok) kapcsolatban vannak egymással  Kimeneti réteg visszahathat a rejtett rétegre (visszacsatolás)  Kimenetek között is lehet kapcsolat  Taníthatatlanként voltak elkönyvelve

9 Rekurrens hálózatok jellemzői  A rejtett és a kimeneti neuronok értéke mindenképpen függ a hálózat előző állapotától  Belső dinamika megléte  A reservoir szűri a bemenő jeleket  Késlelteti, simítja  Van frekvencia karakterisztikája

10 Az „Echo State” megközelítés  Csak a kimenő súlyok változtatása(H. Jaeger) Ezzel a tanítás  Bemenő jelek transzformációja  Jelszintézis Így taníthatóvá válnak a rekurrens hálózatok!

11 Az RLS algoritmus

12 Előrecsatolt és rekurrens hálózatok  Előrecsatolt hálózatok  Neuronok rétegekben  Kimenetek a bemenetek függvényei  Zajos jelek előrejelzésére nem jók  Rekurrens hálózatok  Neuronok között tetszőleges kapcsolatok  Belső dinamika  Ráadott jel korrelációi megjelennek a dinamikában  Zajos jeleknél is használhatók

13 Az Internet felépítése  Egyik legnagyobb kommunikációs hálózat  Makroszkopikusan egyszerű elemekből épül fel  Host  Router (adatok irányítása)  Link (kapcsolatok)  Kapcsolatok adottak  Nem központilag vezérelt, küldő gépek maguk döntenek a csomagküldésről

14 Internet és alhálózatok

15 A TCP algoritmus  90%-ban vezérli a kommunikációt  Nincsenek aktív elemek  RTT-k folyamatos mérése  Csomagvesztés észlelése  Egy idő után torlódást okoz  Torlódást megszüntet

16 A TCP üzemmódjai  Lassú kezdés  Kommunikáció megkezdése  Inincializáció  Torlódáskerülő üzemmód  Fő üzemmód  Nagy rátával hosszú távú adatküldés  Torlódási ablak (CWND)  Visszafogott üzemmód

17 A TCP torlódáskerülő üzemmódban  18. ábra – TCP algoritmus 1 router + konstans háttér mellett. A router telítettsége és a torlódási ablak. Az algoritmus periodikusan működik, csomagvesztéskor lefeleződik a hálózatba kiküldött csomagok száma (torlódási ablak lefeleződése)

18 Rekurrens hálózatok alkalmazása idősor előrejelzésre

19 Cél és tanítás menete Egy időben változó jel jövőbeli viselkedését szeretnénk a hálózatokkal jósoltatni. 1. Súlyok inicializálása 2. Bemenetekre a tanulandó jel legutolsó értékeit írjuk (lépésenként a bemenetek tolódnak) 3. Kimeneten a jel soron következő vagy későbbi értékét szeretnénk kapni → hibajel 4. Súlyok megfelelő változtatása

20 Jóslás menete A tanítás befejezése után: 1. A hálózatot magára hagyjuk (csak ha a soron következő értékkel tanítottunk!!):  a bemenetre minden lépésben a valódi jel helyett a saját kimenetét adjuk  a kimenetet a valódi jel aktuális értékével összehasonlítva nézzük a jóslás milyenségét 2. Nem hagyjuk magára  a bemenetre továbbra is a valódi jelet adjuk  a kimenetet itt is a valódi jel aktuális értékével hasonlítjuk össze  ez 1 (vagy több) lépéses jóslások sorozatának felel meg

21 Időbeli RTT mérés  RTT mérés az ELTE és a Semmelweis Egyetem között  Bemenetek: 117  Rejtett neuronok: 46  Spektrálsugár: 0,9  Tanítási idő: 2390

22 Jóslás – magára hagyott hálózat  ~200 lépés  10-es szekvencia jóslása jó  100-as szekvencia jóslása elfogadható  Amplitúdó jóslása nem különösebben jó  Korrelációs együttható 10 realizációra: 0,6564

23 Jóslás – 20 lépéses előrejelzések  Szekvencia elsajátítása jó  Amplitúdó jóslása nem különösebben jó  Tanulás befejeztével nem romlik

24 Másik RTT mérés  Bemenetek: 117  Rejtett neuronok: 96  Spektrálsugár: 0,5  Tanítás: 3200  100 lépéses spektrum  A jel lecseng, zajszűrés  Amplitúdóban nem jó  Amplitúdók aránya jó

25 Rendelkezésre álló sávszélesség mérése  Elrendezés:  Küldő  Fogadó  Routeren keresztül kommunikáció  Fizikai BW: c(t)  Háttér: c b (t)  Rendelkezésre álló BW: C(t) = c(t) – c b (t)

26 Rendelkezésre álló sávszélesség mérése  Késleltetés: d(t)  Küldési ráta: S(t)  Késleltetés következő időpontban: d(t+dt)=d(t)+(S(t)–C(t))*dt  Szabad sávszélesség: C(t)=S(t)–(d(t+dt)–d(t))/dtProblémák  Teli router: túlküldésre nem nő a késleltetés  Üres router: alulküldésre nem csökken a késleltetés

27 Rendelkezésre álló sávszélesség mérése  Teli router + túlküldés  csomagvesztés L[t,t+dt]  Üres router + alulküldés  változatlan késleltetés csomagvesztés nélkül Additív tag: P  Köztes állapot + tökéletes küldés  tévesen üres router + alulküldés jelzése Nem kiküszöbölhető probléma, túlküldési hajlam lehet.

28 A rendelkezésre álló sávszélesség becslése C(t) = S(t) – (d(t + dt) – d(t)) / dt – k L[t, t + dt] + P P = p > 0ha   0ha   < d(t + dt) – d(t) <   és L[t, t + dt] = 0 P = 0egyébként ahol   0 (|   | >= |   |)[1] k > 0 és p > 0 előre meghatározott [1] számok. k = 0,4 p = 0,5   = –1,5   = 1,5 [1][1] A szimulációban egyenlőség van, de ha |e1| > |e2|, azzal tovább csökkenthető a telítési hajlam, viszont gyakrabban történhetnek kiürülések. Az egyenlőséget igen közelinek találtam az optimális beállításhoz. [1]

29 A csomagküldő algoritmus 1. Adatgyűjtés (C(t)) tanítás nélkül 2. RNN tanítása jóslás nélkül 3. Jósolt szabad sávszélesség alkalmazása küldési rátának  Adatgyűjtés és tanítás folyamatosan  Jelen pillanat: t  Legutolsó információ (becsült C érték): t 0  Kimenet és bemenet távolsága időben:  t Kell: t 0 +  t >= t  Bemenetre: C(t 1 )  Kimenet legyen: C(t 2 ) Tanítás (C(t 1 ), C(t 2 )) -vel Kell: t 1 +  t = t 2 <= t 0

30 A csomagküldő algoritmus  Tanítás csak akkor, ha megerősítés érkezik  t – 1 –ben t 0 ’-ről az utolsó információ t 0 ’ < t 0 1. Tanítás (C(t 1 ),C(t 2 )) = (C(t 0 ’ + 1 – T),C(t 0 ’ + 1)) párral 2. t 1 ++; t 2 ++amíg t 2 < t 0 ; tanítás (C(t 1 ),C(t 2 )) párral (t 2 = t 0 –ban (C(t 0 – T),C(t 0 ) pár) 3. Jóslás: hálózat bemenetére C(t 0 – T + 1), C(t 0 – T + 2), …, C(t – T) hálózat jósol: C’(t 0 + 1), C’(t 0 + 2), …, C’(t) 4. Hálózat jóslását csomagküldési rátának beállítjuk: S(t) = C’(t) ha 0,01 <= C’(t) <= 1,0 ha C’(t) < 0,01S(t) = 0,01(leállás elleni védelem!!) ha C’(t) > 1,0S(t) = 1,0(mivel fizikai BW = 1)

31 1 gép + szinuszos háttér  c b (t) = 0,5 + 0,2 sin(0,04 t)  Nagyon jó adaptáció: lokálisan jó sávszélesség kihasználás, hosszú távon nagyon jó  Fázis jóslása pontatlan  Globális sávszélesség kihasználás 100% körüli  Egyes realizációk között nem jelentős eltérések

32 1 gép + szinuszos háttér  Sávszélesség kihasználtság lokálisan szinuszos  Router telítettsége: globálisan kis alulküldés ebben a realizációban

33 Szinusz + zaj háttér  Előző szinusz + zaj  Optimális ráta: 1 / 3  Kis mértékű alulküldés, BW kihasználtság ~90%  Realizációk között nagyobb eltérések

34 Poisson háttér  Minden időpontban q = 0,65 valószínűséggel háttércsomag  Optimális ráta: 0,35  Tökéletes sávszélesség kihasználás

35 Konstans háttér  Háttér rátája: 0,4  Optimális ráta: 0,6  Túlküldés: ~2%  Router megtelése után szabályoz vissza  Sok téves „üres router” jelzés, mivel szabályos a háttér

36 Az algoritmus kiterjesztése két gépre  1 gépnél kiváló sávszélesség kihasználás  2 gépnél összes kihasználás jó lehet  Egyenlőtlen osztozás a sávszélességen?

37 Szinuszos háttér  Háttér: 0,4 + 0,2 sin(0,04 t)  Egyenlőtlen sávszélesség elosztás  Összes sávszélesség kihasználás: ~100%

38  Poisson háttér: egyenlőtlen sávszélesség elosztás, gyakori alul- vagy túlküldés  Konstans háttér = két gép egy szabad csatornán:  Összkihasználás jó  Valamelyik gép kiválasztódása jelentős  Ábrán: konstans háttér

39 Gépek számának növelése  Instabilitások, oszcilláló küldési ráták  Valamely gép(ek) kiválasztódása  Alul- vagy túlküldések  5 gép esete: 1. és 2. számú gép rátái és router telítettsége

40 Összefoglalás  Kommunikációs hálózatok idősorai – lehetőségek szerint – előre jelezhetők  Korrelációk, spektrum megtanulhatók egy RNN számára  Szabad sávszélesség kihasználása sávszélesség előrejelzéssel  1 géppel kiváló  2 géppel összességében jó, igazságtalan osztozás  Sok géppel nem jó + igazságtalan osztozás

41 Kitekintés  Az algoritmus csak fix háttér mellett jó. Ez a gyakorlatban nem teljesül  Fix háttérnél TCP leváltható lenne  Egymás ellen dolgozó algoritmusok nem működnek megfelelően  TCP egyenlőre marad!  Aktív elemek alkalmazása?

42 Hivatkozások  J. Hertz, A. Krogh, R. G. Palmer: Introduction to the Theory of Neural Computation  Bronstein, Szemengyajev, Musiol, Mühlig: Matematikai Kézikönyv  Benkő T., Benkő L., Tóth B.: Programozzunk C nyelven!  H. Jaeger, „The echo state approach to analysing and training recurrent neural networks” ftp://borneo.gmd.de/pub/indy/publications_herbert/EchoStatesTechRep.pdf  H. Jaeger, H. Haas, „Harnessing nonlinearity: predicting chaotic systems and saving energy in wireless telecommunication” http://www.faculty.iu- bremen.de/hjaeger/pubs/ScienceArticlePlusSOMPreprint.pdf http://www.faculty.iu- bremen.de/hjaeger/pubs/ScienceArticlePlusSOMPreprint.pdfhttp://www.faculty.iu- bremen.de/hjaeger/pubs/ScienceArticlePlusSOMPreprint.pdf  J. Chen: Adaptive filters (kurzus anyaga) www.engin.brown.edu/courses/en164/files/lab3_files/sharc_application_manual/chap6.pdf www.engin.brown.edu/courses/en164/files/lab3_files/sharc_application_manual/chap6.pdf  M. Makula, M. Čerňanský: Echo state networks  Vattay Gábor: Kommunikációs hálózatok forgalmának modellezése (előadás jegyzet)  Kourosh Rahnamai, Payman Arabshahi, Andrew Gray: Model Predictive Neural Control of TCP Flow in AQM Networks http://dsp.jpl.nasa.gov/members/payman/ http://dsp.jpl.nasa.gov/members/payman/   K. Fukuda, L. A. Nunes Amaral and H. E. Stanley: Similarities between communication dynamics in the Internet and the autonomic nervous system   X. Liu, K. Ravindran, B. Liu, D. Loguinov: SingleHop Probing Asymptotics in Available Bandwidth Estimation: SamplePath Analysis   X. Liu, K. Ravindran, D. Loguinov: What Signals Do Packet-pair Dispersions Carry?