СРАВНИТЕЛЬНЫЙ АНАЛИЗ СТРАТЕГИЙ УПРАВЛЕНИЯ ПОТОКАМИ В МНОГОПОЛЬЗОВАТЕЛЬСКОЙ ТЕЛЕКОММУНИКАЦИОННОЙ СЕТИ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В рамках многопродуктовой сетевой модели рассматриваются стратегии управления распределением потоков по различным маршрутам передачи. Оценки допустимых загрузок сети формируются на основе вектора совместно допустимых межузловых потоков. Изучаются две стратегии управления. При реализации первой передаваемые межузловые потоки равны друг другу. Вторая стратегия предполагает поиск недискриминирующего распределения потоков, при передаче которых достигаются равные нагрузки. Под нагрузкой, создаваемой некоторой парой узлов, понимается суммарная величина пропускных способностей, необходимая для обеспечения свзи данного вида. Для оценки минимальных удельных затрат на передачу потока определенного вида строятся все кратчайшие пути между соответствующей парой узлов. Для получения верхней оценки затрат ресурсов при соединении корреспондентов для каждой пары узлов вычисляется максимальный однопродуктовый поток по всем ребрам сети. Вычислительные эксперименты проводились для сетей с различной структурой и позволили провести сранительный анализ уравнительных стратегий управления при расщеплении межузловых потоков для передачи по различным маршрутам.

Об авторах

Ю. Е. Малашенко

ФИЦ ИУ РАН

Email: irina-nazar@yandex.ru
Россия, Москва

И. А. Назарова

ФИЦ ИУ РАН

Автор, ответственный за переписку.
Email: irina-nazar@yandex.ru
Россия, Москва

Список литературы

  1. Малашенко Ю.Е., Назарова И.А. Оценки распределения ресурсов в многопользовательской сети при равных межузловых нагрузках // Информатика и ее применения. 2023. Т. 33. № 1. С. 21–26.
  2. Малашенко Ю.Е., Назарова И.А. Оценки распределения потоков при предельной загрузке многопользовательской сети // Системы и средства информатики. 2022. Т. 32. № 3. С. 71–80.
  3. Малашенко Ю.Е. Максимальные межузловые потоки при предельной загрузке многопользовательской сети // Информатика и ее применения, 2021. Т. 15. № 3. С. 24–28.
  4. Salimifard K., Bigharaz S. The Multicommodity Network Flow Problem: State of the Art Classification, Applications, and Solution Methods // J. Oper. Res. Int. 2020. V. 22. Iss. 2. P. 1–47.
  5. Ogryczak W., Luss H., Pioro M. et al. Fair Optimization and Networks: A Survey // J. Appl. Math. 2014. V. 3. P. 1–25.
  6. Luss H. Equitable Resource Allocation: Models, Algorithms, and Applications. Hoboken: John Wiley & Sons, 2012.
  7. Balakrishnan A., Li G., Mirchandani P. Optimal Network Design with End-to-End Service Requirements // Oper. Res. 2017. V. 65. Iss. 3. P. 729–750.
  8. Radunovic B., Le Boudec J.-Y. A Unified Framework for Max-Min and Min-Max Fairness With Applications // IEEE/ACM Transactions on Networking. 2007. V. 15. Iss. 5. P. 1073–1083.
  9. Nace D., Doan L.N., Klopfenstein O. et al. Max-min Fairness in Multicommodity Flows // Comput. Oper. Res. 2008. V. 35. Iss. 2. P. 557–573.
  10. Baier G., Kohler E., Skutella M. The k-Splittable Flow Problem // Algorithmica. 2005. V. 42. Iss. 3–4. P. 231–248.
  11. Kabadurmus O., Smith A.E. Multicommodity k-Splittable Survivable Network Design Problems with Relays // Telecommun. Syst. 2016. V. 62. Iss. 1. P. 123–133.
  12. Bialon P. A Randomized Rounding Approach to a k-Splittable Multicommodity Flow Problem with Lower Path Flow Bounds Affording Solution Quality Guarantees // Telecommun. Syst. 2017. V. 64. Iss. 3. P. 525–542.
  13. Ramaswamy R., Orlin J.B., Chakravarti N. Sensitivity Analysis for Shortest Path Problems and Maximum Capacity Path Problems in Undirected Graphs // Math. Prog. 2005. V. 102. Iss. 2. P. 355–369.
  14. Hajjem M., Bouziri H., Talbi E.-G. A Metaheuristic Framework for Dynamic Network Flow Problems // Recent Developments in Metaheuristics. Operations Research/Computer Science Interfaces Series. V. 62. Cham: Springer, 2018. P. 285–304.
  15. Йенсен П., Барнес Д. Потоковое программирование. М.: Радио и связь, 1984.
  16. Кормен Т.Х., Лейзерсон Ч.И., Ривест Р.Л. и др. Алгоритмы: построение и анализ. М.: Вильямс, 2005.
  17. Берж К. Теория графов и ее применения. М.: Изд-во иностр. лит., 1962.

Дополнительные файлы


© Ю.Е. Малашенко, И.А. Назарова, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».