Метод маршрутизации трафика в трехмерной сети Интернета вещей высокой плотности с применением серого реляционного анализа

Обложка

Цитировать

Полный текст

Аннотация

Постановка задачи: эволюция инфокоммуникационной системы сопровождается развитием технологий и услуг связи. Общие тенденции этого процесса выражаются в трех основных направлениях: повышении пропускной способности, уменьшении задержки доставки данных и массовых коммуникациях. Последнее характеризуется развитием Интернета вещей (ИВ). Сети ИВ строятся с использованием различных технологий. Большое количество подключенных устройств требует применения новых подходов к моделированию и методов построения и управления такими сетями. Для моделирования сетей с высокой плотностью устройств часто недостаточно применения плоских моделей, а приходится прибегать к построению моделей в трехмерном пространстве. Для функционирования сетей с большим количеством узлов необходимы эффективные методы выбора их структуры, такие как выбор головных узлов, кластеризация и выбор маршрутов доставки трафика. Задача маршрутизации является классической задачей построения логической структуры сети связи, однако в условиях сетей высокой плотности необходимо использовать дополнительные возможности повышения эффективности ее решения. Классические методы и алгоритмы маршрутизации оперируют, как правило, одним критерием выбора, что может оказаться не эффективным решением в таких условиях. В беспроводных сетях ИВ высокой плотности необходимо учитывать большее количество параметров, так как качество маршрута в них зависит от многих факторов. Таким образом, для повышения эффективности сетей ИВ актуальна разработка метода маршрутизации по ряду критериев. Этой задаче и посвящена настоящая работа. Целью работы является разработка метода многокритериальной маршрутизации трафика в сети ИВ высокой плотности. Для достижения цели в работе предлагается подход к использованию серого реляционного анализа, позволяющего эффективно решать задачу многокритериальной оптимизации маршрута, в том числе при малом объеме исходных данных. Объектом исследования является сеть Интернета вещей высокой плотности. Предметом исследования является метод многокритериальной маршрутизации, реализованный с использованием серого реляционного анализа. Результаты имитационного моделирования показали эффективность предложенного метода по сравнению с методами однокритериального выбора маршрутов. Используемым методом является метод серого реляционного анализа, позволяющего решать задачи многокритериальной оптимизации. Новизна работы заключается в предложенном методе применения серого реляционного анализа для решения многокритериальной задачи маршрутизации в сети ИВ высокой плотности. Результатом работы является метод применения серого реляционного анализа в задаче многокритериальной маршрутизации трафика в сети ИВ высокой плотности. Теоретическая/Практическая значимость. Теоретическая значимость полученных результатов состоит в описании нового метода применения серого реляционного анализа в задаче маршрутизации и подтверждении результатами имитационного моделирования его эффективности. Практическая значимость состоит в том, что данный метод может быть использован в протоколах маршрутизации трафика в сетях ИВ высокой плотности.

Об авторах

А. В. Марочкина

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: anastasiy1996@mail.ru
ORCID iD: 0000-0001-6446-2237

А. И. Парамонов

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: alex-in-spb@yandex.ru
ORCID iD: 0000-0002-4104-3504

Список литературы

  1. Кучерявый А.Е. Интернет вещей // Электросвязь. 2013. № 1. С. 21‒24.
  2. Кучерявый А.Е., Парамонов А.И., Маколкина М.А., Мутханна А.С.А., Выборнова А.И., Дунайцев Р.А. и др. Трехмерные многослойные гетерогенные сверхплотные сети // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1‒12. doi: 10.31854/2307-1303-2021-10- 3-1-12
  3. Марочкина А.В. Моделирование и кластеризация трехмерной сети интернета вещей с применением метода оценки фрактальной размерности // Электросвязь. 2023. № 6. С. 60‒66. doi: 10.34832/ELSV.2023.43.6.008
  4. Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы. СПб.: Питер, 2016. 992 с.
  5. RFC 3626. Optimized Link State Routing Protocol (OLSR). Network Working Group. October, 2003.
  6. RFC 3561. Ad hoc On-Demand Distance Vector (AODV) Routing. Network Working Group. July, 2003.
  7. Бушеленков С.Н., Парамонов А.И. Анализ и формирование структуры сети интернета вещей на основе моделей решеток // Электросвязь. 2021. № 7. С. 23‒28. doi: 10.34832/ELSV.2021.20.7.002
  8. Jacquet P., Muhlethaler P., Clausen T., Laouiti A., Qayyum A., Viennot L. Optimized link state routing protocol for ad hoc networks // Proceedings of the IEEE International Multi Topic Conference on Technology for the 21st Century (IEEE INMIC 2001, Lahore, Pakistan, 30 December 2001). IEEE Press, 2001. PP. 62‒68. doi: 10.1109/INMIC.2001.995315
  9. Zhiwei Y., Michael E., Thomas B., Joost K. Multicriteria Inventory Routing by Cooperative Swarms and Evolutionary Algorithms // Proceedings of the International Work-Conference on the Interplay Between Natural and Artificial Computation (IWINAC 2015, Elche, Spain, 1‒5 June 2015). Lecture Notes in Computer Science. Vol. 9108. Cham: Springer, 2015. PP. 127‒137. doi: 10.1007/978-3-319-18833-1_14
  10. Tilwari V., Maheswar R., Jayarajan P., Sundararajan T.V.P., Hindia M.H.D.N., Dimyati K., et al. MCLMR: A Multicriteria Based Multipath Routing in the Mobile Ad Hoc Networks // Wireless Personal Communications. 2020. Vol. 112. Iss. 1. PP. 2461–2483. doi: 10.1007/s11277-020-07159-8
  11. Берж К. Теория графов и ее приложения. М.: ИЛ, 1962. 320 c.
  12. Кристофидес Н. Теория графов. Алгоритмический подход. М.: Мир, 1978. 432 с.
  13. Liu S., Yang Y., Forrest J.Y.-L.·Grey Systems Analysis: Methods, Models and Applications. Singapore: Springer, 2022. doi: 10.1007/978-981-19-6160-1
  14. Patil A.N., Walke G., Mahesh G. Grey Relation Analysis Methodology and its Application // Research Review. 2019. Vol. 4. Iss. 2. PP. 409‒411. doi: 10.5281/zenodo.2578088
  15. Yang W., Wu Y. A Novel TOPSIS Method Based on Improved Grey Relational Analysis for Multiattribute Decision-Making Problem // Mathematical Problems in Engineering. 2019. Vol. 2019. Article ID 8761681. doi: 10.1155/2019/8761681
  16. Hsiao S.-W., Lin H.-H., Ko Y.-C. Application of Grey Relational Analysis to Decision-Making during Product Development // Eurasia Journal of Mathematics, Science and Technology Education. 2017. Vol. 13. Iss. 6. PP. 2581‒2600. doi: 10.12973/eurasia.2017.01242a
  17. Кремер Н.Ш. Теория вероятностей и математическая статистика. М.: Издательство Юрайт, 2023. 538 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

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».