Размещено на http://www.allbest.ru/

ХАРКІВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ РАДІОЕЛЕКТРОНІКИ

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня кандидата технічних наук

05.12.02 - Телекомунікаційні системи та мережі

МЕТОДИ ТА МОДЕЛІ КЛАСИФІКАЦІЇ ТА ПРОГНОЗУВАННЯ СТАНІВ ТЕЛЕКОМУНІКАЦІЙНИХ СИСТЕМ НА БАЗІ МОДИФІКОВАНИХ НЕЙРОННИХ МЕРЕЖ

Амер Мухсін Салман

Харків-2011

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми дисертаційної роботи. Найбільш суттєвою ознакою сучасного етапу розвитку телекомунікаційної галузі є значне підвищення вимог до якості обслуговування при наданні як традиційних послуг передачі даних, так і мультимедійних послуг. Також спостерігається стрімке розширення переліку послуг, що надаються телекомунікаційними мережами. Забезпечення відповідної якості обслуговування не можливе без володіння повною інформацією про стан мережі, та здатності прогнозувати його у ближчому майбутньому. Сучасні ж системи мережевого управління, що у своєї більшості базуються на протоколі SNMP, не здатні вирішувати задачу збору інформації про стан мережі, та прогнозування стану у повному обсязі.

Таким чином виникає задача вдосконалення існуючих методів та засобів мережевого управління у напрямку підвищення можливостей, що до класифікації поточного стану мережі, та формуванню попереджувальних керуючих впливів, що можливе лише за підсумками рішення задачі прогнозування.

Аналіз архітектури систем мережевого управління показав, що найбільш ефективним напрямком їх вдосконалення є використання розподіленої агентної архітектури та включення до складу агентів моніторингу стану інтелектуальної складової, що має вирішувати задачу класифікації стану елементів мережі, або сегменту телекомунікаційної мережі. Керуючі модулі системи мережевого управління мають бути доповнені елементами, що здатні вирішувати задачу прогнозування стану на базі інформації, про поточний стан як елементів, так и телекомунікаційної мережі загалом.

Отже дисертаційна робота, що присвячена вдосконаленню методів мережевого управління, а саме розробці моделей та методів класифікації та прогнозування станів телекомунікаційних мереж є актуальною.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційні дослідження тісно пов'язані з положеннями «Концепції національної інформаційної політики», «Концепції Національної програми інформатизації», «Основних засад розвитку інформаційного суспільства в Україні на 2007-2015 роки» та «Концепції конвергенції телефонних систем та мереж з пакетною комутацією в Україні». Матеріали дисертації реалізовано в ході виконання науково-дослідної роботи № 235-1 «Методи проектування телекомунікаційних мереж NGN та управління їх мережними ресурсами» (№ ДР 0109U000662), у якій автор був виконавцем.

Мета і задачі дослідження. Метою є вдосконалення методів мережевого управління в телекомунікаційних системах, а саме розробка методів класифікації та прогнозування станів при передаванні різнорідного трафіку.

Для досягнення цієї мети в роботі поставлено та вирішено наступні задачі:

- розробка вимог до систем мережевого управління;

- оцінка ефективності методів класифікації станів телекомунікаційної мережи;

- розробка моделі класифікації та прогнозування станів елементів телекомунікаційної мережі;

- розробити модель класифікації станів телекомунікаційної ІР-мережі;

- розробити метод класифікації станів телекомунікаційної мережі, що базується на статистиці показників якості функціонування;

- розробити метод прогнозування стану телекомунікаційної мережі, що базується на аналізу динаміки зміни значень показників якості функціонування;

- розробити нейрону мережу, що дозволяє вирішувати задачі класифікації та прогнозування станів телекомунікаційної мережі.

Об'єктом дослідження є процес класифікації та прогнозування станів телекомунікаційної системи, що виконується мережевими системами управління.

Предметом дослідження методи та моделі класифікації та прогнозування станів телекомунікаційної системи на основі нейронних мереж.

Методи досліджень: теорія класифікації, теорія нейронних мереж, теорія моделювання складних систем, теорія ймовірності та математична статистика.

Наукова новизна отриманих результатів.

1. Отримав подальший розвиток метод класифікації станів телекомунікаційної системи, що базується на використанні нейронних мереж, а саме запропоновані до використання модифіковані нейроні мережі, для яких розроблено методи розрахунку об'єму вибірки для навчання, типу та параметрів функції активації, параметрів шару прогнозування, що дозволяє підвищити ефективність систем мережевого управління.

2. Вперше розроблена модель класифікації та прогнозування станів маршрутизатору, на базі модифікованих нейронних мереж, у якості елемента, що приймає рішення, це дозволило вирішити задачу класифікації в умовах передачі різнорідного трафіку, а також вирішити задачу прогнозування станів маршрутизатору.

3. Вперше розроблена модель класифікації та прогнозування станів сегменту телекомунікаційної системи, на базі модифікованої нейронної мережі, що дозволила вирішити задачі класифікації та прогнозування станів з урахуванням взаємозв'язку показників якості обслуговування, що дозволяє більш ефективно вирішувати задачі управління телекомунікаційною системою.

Практичне значення отриманих результатів.

Практичне значення результатів досліджень полягає в тому, що запропоновані математичні моделі і методи можуть бути використані як при створенні нових систем мережевого управління, так і при вдосконалені існуючих.

Результати дисертації використані:

- в ході виконання науково-дослідної роботи № 235-1 «Методи проектування телекомунікаційних мереж NGN та управління їх ресурсами» (№ ДР 0109U000662), в якій дисертант виступав співвиконавцем;

- у проектах фірми «СіЕс Консалтинг», зокрема проекті СВС при розробці системи управлніння трафіком.

Розроблені моделі та методи також можуть застосовуватися:

- як елементи систем мережевого управління, які дозволяють розширити їх функціональні можливості;

- як елементи систем діагностування елементів телекомунікаційних систем, та систем взагалі.

Особистий внесок здобувача. Усі результати дисертаційної роботи отримані автором самостійно. У [1] автором проведено аналіз систем мережевого управління телекомунікаційною системою, сформульовані загальні вимоги та узагальнена архітектура подібних систем. В [2] розроблено метод відбору найбільш інформативних ознак, що визначають як стан елементів телекомунікаційної системи, заснований на методі імітаційного моделювання й факторному аналізі отриманих у процесі імітаційного моделювання даних. У [3] проведено аналіз показників якості, що використовуються для оцінки станів телекомунікаційної системи, формалізовано та класифіковано стани системи, а також проведено аналіз вимог різного виду трафіку до ресурсів мережі. В [4] проведено порівняльний аналіз моделей нейронних мереж для вирішення задачі класифікації станів телекомунікаційної системи. В [5] запропоновано розширення існуючого апарату імовірнісних нейронних мереж для підвищення ефективності класифікації та прогнозування станів телекомунікаційної системи, а також розроблено модель системи моніторингу інформаційно-обчислювальної мережі. В [6] автором запропонований метод оцінки якості обслуговування користувачів у мультисервісній мережі.

Апробація результатів дисертації

Основні результати дослідження доповідалися та отримали високу оцінку на 4 міжнародних наукових конференціях:

­ науково-практична конференція "Сучасні проблеми телекомунікацій - 2010". - Львів: НУ "Львівська політехніка", 2010;

­ науково-технічній конференції з міжнародною участю «Комп'ютерне моделювання в наукомістких технологіях - 2010», 18-21 травня 2010, Україна - Харків: ХНУ імені В.Н. Каразіна;

­ міжнародний молодіжний форум «Радиоэлектроника и молодежь в XXI веке» - Харьков: ХНУРЭ;

­ науково-практична конференція «Перспективные технологии в средствах передачи информации - ПТСПИґ2011» - Владимир: ВлГУ, 2011.

Публікації. За результатами наукових досліджень опубліковано 6 наукових робіт, тези доповідей на 4-х науково-технічних конференціях, 2 звіти про НДР. Усі публікації у виданнях, які входять до переліку видань, затверджених ВАК України.

Структура й обсяг дисертації. Дисертаційна робота складається зі вступу, 4-х розділів, висновків, переліку використаних джерел та додатків. Повний обсяг дисертації складає 170 сторінок. Вона містить 68 рисунків, 8 таблиць, список використаних джерел із 120 найменувань на 10 сторінках.

ОСНОВНИЙ ЗМІСТ РОБОТИ

телекомунікаційний мережа нейронний моніторинг

У вступі обґрунтована актуальність теми дисертаційної роботи, показаний її зв'язок з науковими темами, які виконуються в Харківському національному університеті радіоелектроніки, визначені мета та задачі дослідження, сформульовані наукова новизна та практичне значення отриманих результатів.

У першому розділі проведено аналіз технологій побудови систем мережевого управління та прикладів їх реалізації у сучасних засобах, що дало змогу виділити основні архітектурні елементи таких систем та задачі, що вирішуються ними. Проведено аналіз вимог до телекомунікаційних мереж з боку систем надання сервісів. На підставі проведеного аналізу сформульовані вимоги до сучасних систем мережевого управління:

­ зменшення впливу людського фактору на процеси моніторингу та управління;

­ процеси моніторингу та управління мають носити безперервний характер;

­ керуючі впливи мають базуватися не тільки на поточному стані мережі, але й на прогнозі стану у близькому майбутньому;

­ архітектура має бути розподіленою, що забезпечує найбільш повний збір статистичної інформації про стан мережі;

­ об'єм сервісного трафіку має бути мінімально можливим.

Аналіз сучасних засобів мережевого управління, показав, що у своєї більшості вони реалізують протоколи SNMP та RMON. На сьогоднішній день подібні системи здатні лише видати користувачеві статистику по обмеженому набору параметрів мережі, без урахування їхнього взаємозв'язку, та не здатні прогнозувати стан системи в майбутньому. Тому для більш повного аналізу стану телекомунікаційної мережі до складу таких систем необхідно включати додаткові модулі обробки статистичної інформації, що також реалізують функції прогнозування. У зв'язку із цим для підвищення ефективності систем мережевого управління необхідно вирішити наступні задачі:

· задачу класифікації станів мережі, яка вирішується на основі статистичної інформації та враховує взаємозв'язок між різними параметрами мережі;

· задачу прогнозування станів мережі на основі динаміки зміни значень основних показників якості мережі.

Поставлено задачу на дослідження. У рамках загальної постановки поставлено математичну задачу класифікації станів телекомунікаційної мережі, суть якої полягає у формуванні матриці навчання по кожному із станів системи на основі інформації про поточний стан кожного елемента. Поточний стан кожного елемента представлений набором векторів значень показників якості. На основі таблиці навчання на першому етапі по набору показників якості визначається стан елемента мережі, а на другому етапі - стан всієї мережі, на підставі набору станів її елементів. Також поставлено математичну задачу прогнозування станів телекомунікаційної мережі.

Проведено порівняльний аналіз основних методів класифікації за наступними критеріями:

­ помилки першого й другого роду на контрольних вибірках;

­ стійкість до шуму;

­ схильність до перенавчання;

­ обчислювальна складність і швидкість.

За результатами аналізу зроблено висновок про те, що нейромережеві методи є найбільш ефективними при рішенні даного типу завдань.

У другому розділі виконана оцінка ефективності класів нейронних мереж в умовах рішення задачі класифікації станів телекомунікаційної мережі. В роботі були досліджені основні типи нейронних структур, результати аналізу яких показали, що при рішенні задачі класифікації та прогнозування станів телекомунікаційної мережі можливе використання, як мереж прямого поширення, так і радіально-базисних мереж. Проте такі види мереж мають певні недоліки: необхідно багато обчислювальних ресурсів при навчанні багатошарового персептрону, а в радіально-базисних мережах зі зростанням розмірності вхідного простору експоненційно росте кількість базисних функцій. В зв'язку з цим для рішення задачі класифікації та прогнозування станів телекомунікаційної мережі були обрані імовірнісні нейронні мережі. Їх основною особливістю являється те, що вони відносяться до мереж прямого поширення, а відносно архітектури є найбільш близькими до радіально-базисних мереж. Якщо порівнювати їх з багатошаровими персептронами, то швидкість навчання у них більш висока, крім цього вони не мають проблеми експоненційного росту, що обмежує можливості радіально-базисних мереж.

В роботі розроблено метод класифікації та прогнозування станів телекомунікаційної мережі на основі модифікованої ймовірнісної нейронної мережі.

Запропоновано метод розрахунку розміру навчальної множини для навчання імовірнісної нейронної мережі:

(1)

де - середньоквадратичне значення помилки оцінювання,

- розмір вхідного шару,

- розмір шару підсумовування,

- розмір шару прогнозування.

Замість стандартної дзвіноподібної функції активації пропонується застосування більш простого перетворення, що спростило чисельну реалізацію:

(2)

де ? значення синаптичних коефіцієнтів,

? невідомий вхідний зразок,

? параметр, що задає ширину функції активації.

Запропоновано метод розрахунку параметра ширини функції активації:

(3)

де - початкове значення параметру ;

N - розмір навчальної множини;

- деяка часова константа.

Додано зворотній зв'язок та шар прогнозування для здійснення можливості прогнозування станів мережі в імовірнісну нейронну мережу. У шарі прогнозування виконується прогнозування ймовірності знаходження телекомунікаційної мережі в i-ому стані на k+1 кроці. Прогнозування проводиться на основі регресійного аналізу.

Запропоновано метод оцінювання ступеню полінома, який використовується при прогнозуванні станів телекомунікаційної мережі.

У третьому розділі наведено модель станів маршрутизатора в залежності від ступеню використання ресурсів. До числа таких ресурсів відносять завантаженість процесора, пам'яті, необхідної для таблиці маршрутизації, середню завантаженість вхідного та вихідного буферів (Таблиця 1).

В роботі був представлений метод відбору найбільш інформативних ознак, які встановлюють як стан елементів, так і телекомунікаційної мережі в цілому. Метод базується на застосуванні імітаційного моделювання та факторного аналізу даних, що були отримані в процесі імітаційного моделювання даних.

Таблиця 1. Відповідність станів маршрутизатора ступеням використання ресурсів

№	Стан маршрутизатора	Ступінь використання ресурсів, %
0	Не завантажений	30
1	Завантажений	60
2	Критичне навантаження	90
3	Втрати	100

Розроблено імітаційну модель фрагменту телекомунікаційної мережі, використання якої дозволяє відібрати найбільш інформативні ознаки, які забезпечують рішення задачі класифікації та прогнозування станів маршрутизатора. За допомогою даної моделі був проведений аналіз чутливості даних показників якості на стан пристрою. Проведено експеримент на реальному обладнанні для перевірки адекватності побудованої моделі. Таким обладнанням являлися два маршрутизатора компанії Cisco та програма генерування трафіка xChariot. В ході експерименту моделювалися різні види навантаження, а за допомогою SNMP-клієнта знімалися значення показників бази даних MIB. Шляхом застосування методу довірчих інтервалів була проведена оцінка адекватності розробленої імітаційної моделі. Згідно з результатами аналізу зроблено висновок що дані, отримані за допомогою імітаційної моделі збігаються з даними, отриманими за допомогою натурного експерименту, з довірчою ймовірністю 0.9 при коефіцієнті надійності довірчого інтервалу, рівному 0.1

Отримані результати експерименту з імітаційною моделлю показали, що середня завантаженість вхідного буфера маршрутизатора являється найбільш чутливим показником стану маршрутизатора, крім цього динаміка заповнення буфера залежить від різних показників інформаційно-обчислювальної мережі, і ці залежності мають різний характер. Було одержано два види залежностей - лінійна при постійному та нелінійна при змінному потоці. Побудовано поліноміальну модель станів маршрутизатора. Проведено оцінку адекватності побудованої поліноміальної моделі та зроблено висновок про те, що модель близько відтворює динаміку реального процесу.

Відповідно другому розділу розроблено модель класифікації та прогнозування станів маршрутизатора на базі апарату модифікованих імовірнісних нейронних мереж (рис. 1):

­ виконана оцінка розміру навчальної множини, обрано 320 навчальних зразків;

­ вибрано параметр ширини функції активації = 0,3;

­ вибрано ступінь полінома. Для прогнозування станів маршрутизатора використається поліном третього ступеня.

Розроблена модель використана для класифікації та прогнозування станів маршрутизатору при передаванні різних типів трафіку. На рис. 2 наведено графік зміни стану маршрутизатору при передаванні трафіку постійної інтенсивності, а на рис. 3 - при інтенсивності що, зростає.

Ефективність розробленої моделі, відповідно до отриманих результатів, становить 98%. Це пов'язано з тим, що при класифікації та прогнозуванні станів маршрутизатора з 50 станів некоректно класифіковано й прогнозовано 1 стан. Поява помилка пояснюється різким переходом з одного із станів маршрутизатора в інший, в подальшому процес коректної класифікації та прогнозування було швидко відновлено.



Рис. 1. Модель класифікації та прогнозування станів маршрутизатора на базі апарату модифікованих імовірнісних нейронних мереж

Рис. 2. Стани маршрутизатора при постійній інтенсивності вхідного потоку

Рис. 3. Стани маршрутизатора при інтенсивності вхідного потоку, що зростає

У четвертому розділі були проаналізовані основні показники якості роботи телекомунікаційної мережі, які є основними при наданні послуг. До таких показників відносять кількість загублених IP-пакетів, кількість пакетів з помилками, затримка та джиттер.

Розглянуті основні типи трафіку, які можуть зустрічатися у телекомунікаційних мережах. Проведений аналіз вимог різного виду трафіку до ресурсів мережі. Виділено шість класів обслуговування відповідно до рекомендацій ITU-T Y.1540 Міжнародного комітету з електрозв'язку (Таблиця 2).

Таблиця 2. Відповідність класів обслуговування параметрам продуктивності інформаційно-обчислювальної мережі

Параметр	Клас 0	Клас 1	Клас 2	Клас 3	Клас 4	Клас 5
Затримка	100мс	400мс	100мс	400мс	1с	-
Джиттер	50мс	50мс	-	-	-	-
Кількість загублених IP-пакетів	0,001	0,001	0,001	0,001	0,001	-
Кількість пакетів з помилками	0,0001	0,0001	0,0001	0,0001	0,0001	-

На підставі одержаної інформації розроблено модель станів телекомунікаційної мережі, при яких можливе гарантування необхідної якості обслуговування для різних видів трафіку (Таблиця 3).

Таблиця 3. Відповідність телекомунікаційної мережі різним видам трафіка

Стан інформаційно-обчислювальної мережі	Приклад використання
0	Трафік реального часу, дуже інтерактивний, чутливий до джитеру
1	Трафік реального часу, інтерактивний, чутливий до джитеру
2	Передача даних, дуже інтерактивний трафік (сигнальна інформація)
3	Передача даних, інтерактивний трафик
4	Трафик з низькими втратами (дрібні пересилання, великий трафик, відео потоки)
5	Традиційні додатки IP мереж

Розроблено імітаційну модель сегмента телекомунікаційної мережі для формування навчальної вибірки. Дана модель була розроблена за допомогою спеціалізованої системи моделювання OMNe++ 4.0. На реальному обладнанні проведено експеримент з метою перевірки адекватності побудованої імітаційної моделі. Експеримент проведено за допомогою маршрутизаторів Cisco та програми xChariot, що генерує трафік. Згідно з результатами експерименту зроблено висновок про адекватність побудованої імітаційної моделі. Дана оцінка адекватності проводилася за допомогою методу довірчих інтервалів. Відповідно до результатів обчислення зроблено висновок про те, що дані, отримані за допомогою імітаційної моделі, збігаються з даними, отриманими за допомогою натурного експерименту, з довірчою ймовірністю 0.9 при коефіцієнті надійності довірчого інтервалу, рівному 0.1

Відповідно другому розділу розроблено модель класифікації та прогнозування станів телекомунікаційної мережі на базі апарату модифікованих нейронних мереж (рис. 4):

­ виконано оцінку розміру навчальної множини, обрано 1440 навчальних зразків;

­ вибрано параметр ширини функції активації = 0,2;

­ вибрано ступені поліномів.

Поліном п'ятого ступеня використовується для телекомунікаційної мережі, що не припускає передачу мультимедійної інформації. В тому випадку, коли телекомунікаційна мережа передбачає передачу мультимедійної інформації, використається поліном четвертого ступеня. Це пов'язано з тим, що в мережах такого роду часто виникає флуктуації параметрів залежно від навантаження.

Відповідно до результатів, отриманих у ході проведення експерименту з імітаційною моделлю, здійснено оцінку ефективності розробленої моделі при класифікації та прогнозуванні станів телекомунікаційної мережі (рис 5).

Рис. 4. Модель модифікованої імовірнісної нейронної мережі, призначеної для класифікації та прогнозування станів телекомунікаційної мережі

В ході проведення експерименту при класифікації й прогнозуванні станів телекомунікаційної мережі виявлено, що з 18 станів коректно класифіковано та прогнозовано 16 станів. Відповідно до отриманих результатів зроблено висновок про те, що ефективність розробленої моделі становить 90%. Появу помилки класифікації й прогнозування можна пояснити різким переходом з одного із телекомунікаційної мережі в інший, в подальшому процес коректної класифікації та прогнозування було швидко відновлено.

Рис. 5. Результати класифікації та прогнозування станів телекомунікаційної мережі

ВИСНОВКИ ПО РОБОТІ

В роботі вирішена актуальна науково-прикладана задача, що заклечається в розробці методів та моделей класифікації та прогнозування станів як елементів, так і телекомунікаційної системи загалом, що дозволяє підвищити ефективність систем мережевого управління.

1. Визначено загальні вимоги до систем моніторингу сучасними телекомунікаційної мережами.

2. Розроблено імітаційну модель сегменту телекомунікаційної мереж, яка позволяє відбирати найбільш інформативні ознаки, що забезпечують рішення завдання класифікації й прогнозування станів маршрутизатора. Проведено аналіз чутливості даних показників якості на стан пристрою. Проведено експеримент на реальному обладнанні для перевірки адекватності побудованої імітаційної моделі.

3. Проаналізовано показники якості, які використовуються для оцінки станів телекомунікаційної мережі. Із них виділено чотири базові показники при наданні послуг: кількість загублених IP-пакетів, кількість пакетів з помилками, затримка та джитер. Розроблено модель станів інформаційно-обчислювальної мережі.

4. Розроблено імітаційну модель сегменту телекомунікаційної мережі, за допомогою якої проводиться формування навчальної вибірки. Модель розроблено за допомогою спеціалізованої системи моделювання OMNet++ 4.0. Проведено експеримент на реальному обладнанні для перевірки адекватності побудованої імітаційної моделі

5. Виконано порівняльний аналіз основних методів класифікації. Згідно з результатами, отриманими при аналізі, зроблено висновок про те, що при рішенні завдань даного типу нейромережеві методи є найбільш ефективними.

6. Проведено оцінку ефективності класів нейронних мереж при рішенні задачі класифікації станів телекомунікаційної мережі. Обрано імовірнісні нейронні мережі для рішення задач даного типу.

7. На основі модифікованої ймовірнісної нейронної мережі розроблено метод класифікації та прогнозування телекомунікаційної мережі.

­ Для здійснення можливості прогнозування в імовірнісну нейронну мережу додано шар прогнозування та зворотній зв'язок. У шарі прогнозування виконується прогнозування ймовірності знаходження інформаційно-обчислювальної мережі в i-ому стані на k+1 кроці. Дане прогнозування проводиться на основі регресійного аналізу.

­ Запропоновано метод розрахунку розміру навчальної множини;

­ Запропоновано метод розрахунку значення параметра ширини функції активації;

­ Запропоновано метод оцінювання ступеню полінома, який використовується при прогнозуванні станів телекомунікаційної мережі.

8. На базі апарату модифікованих імовірнісних нейронних мереж розроблено модель класифікації та прогнозування станів маршрутизатора. Ефективність розробленої моделі становить 98%. При проведенні класифікації та прогнозуванні станів маршрутизатора з 50 станів некоректно класифіковано й спрогнозовано 1 стан.

9. На базі апарату модифікованих імовірнісних нейронних мереж розроблено модель класифікації та прогнозування станів інформаційно-обчислювальної мережі. Ефективність розробленої моделі становить 90%. В ході проведення експерименту при класифікації й прогнозуванні станів телекомунікаційної мережі з 18 станів коректно класифіковано та спрогнозовано 16. Появу помилки класифікації й прогнозування, які допустили розроблені моделі, можна пояснити різким переходом з одного із станів в інший, в подальшому процес коректної класифікації та прогнозування було швидко відновлено.

ПУБЛІКАЦІЇ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Салман Амер Мухсин Анализ систем мониторинга телекоммуникационных сетей / О.С. Высочина, С.И. Шматков, А.М. Салман // Радіоелектроніка, інформатика, управління. ? З., 2010. ? №. 2 ? С. 139?142.

2. Салман Амер Мухсин Метод классификации состояний телекоммуникационной сети / О.С. Высочина, С.И. Шматков, А.М. Салман // Системи управління, навігації та зв'язку. ? К.: ЦНИИ НУ, 2010. ? №. 3 (15) ? С. 112?116.

3. Салман Амер Мухсин Модель системы мониторинга телекоммуникационной сети на базе модифицированной вероятностной нейронной сети / О.С. Высочина, С.И. Шматков, А.М. Салман // Восточно-Европейский журнал передовых технологий. ? Х., 2010. ? №. 5 ? С. 67?71.

4. Салман Амер Мухсин Оценка эффективности методов классификации состояний телекоммункационной сети / О.С. Высочина, С.И. Шматков, А.М. Салман // Сбірник наукових праць ХУПС. ? X.: ХУПС, 2010. ? №. 2 (24) ? С. 98?101.

5. Салман Амер Мусхин Применение формальных грамматик как метода анализа моделей ТКС, построенных на основе Е-сетей / Е.Б. Коровченко, Салман Амер Мусхин // Радиотехника: Всеукр. межвед. научн. техн. сб. -2009. - Вып 159. - С.104-109.

6. Салман Амер Мусхин Методы оценки качества обслуживания в IP-сетях // Радиотехника. -2010. - № 163. - С.61-65.

7. Салман Амер Мусхин Оценка эффективности методов классификации состояний телекоммуникационной сети / О.С. Высочина, С.И. Шматков, А.М. Салман // Научно-техническая конференция с международным участием "Компьютерное моделирование в наукоемких технологиях - 2010", 18-21 мая 2010, Украина - Харьков: ХНУ имени В.Н. Каразина - 2009 - С. 72-76.

8. Салман Амер Мусхин, О.С. Высочина Використання імовірнісних нейронних мереж для діагностування та прогнозування станів маршрутизатору. Матеріали науково-практичної конференції "Сучасні проблеми телекомунікацій - 2010". - Львів: НУ "Львівська політехніка", 2010.

9. Салман Амер Мусхин Метод прогнозирования состояний телекоммуникационной системы // Материалы 15-го Международного молодежного форума «Радиоэлектроника и молодежь в XXI веке». -Том 4. -Харьков: ХНУРЭ, 2011 - С. 64-65.

10. Салман Амер Мусхин Модель классификации состояний телекоммуникационной системы на базе классов обслуживания // IX Международная научно-техническая конференция «Перспективные технологии в средствах передачи информации - ПТСПИґ2011». - 29 мая - 1 июня - Владимир: ВлГУ, 2011 - Том.1 - С. 183-185

Размещено на Allbest.ru

...