Đồ thị trong Hình 3.27 biểu diễn số liệu trong Bảng B.7 và Bảng B.8 của Phụ lục B, thể hiện mức độ sử dụng đường truyền của các cơ chế quản lý hàng đợi tích cực có sử dụng các bộ điều khiển mờ. Khả năng tận dụng đường truyền của các cơ chế đều tăng khi kích thước hàng đợi và số luồng kết nối tăng.
Trong tất cả các trường hợp, hầu hết tất cả các cơ chế đều có mức độ sử dụng đường truyền trên 86%, cơ chế FUZREM luôn có mức độ sử dụng đường truyền thấp nhất và cơ chế FNNREM luôn có mức độ sử dụng đường truyền cao nhất. Điều này cho thấy hiệu quả sử dụng của các cơ chế khi có dùng bộ điều khiển mờ tối ưu FNN,
114
khi hai cơ chế FUZREM và FNNREM cùng cải tiến cơ chế REM nhưng sử dụng các bộ điều khiển mờ khác nhau, trong khi FUZREM dùng điều khiển mờ truyền thống thì FNNREM dùng điều khiển mờ tối ưu.
100 200 300 400 500 600 700 800 900 1000 91 92 93 94 95 96 97 98 99 100
Chiều dài hàng đợi (gói tin)
a) Mức sử dụng đường truyền theo chiều dài hàng đợi
M ứ c đ ộ s ử d ụn g đ ườ ng tr uy ền (% ) FEM FLRED FLREM FNNRED FNNREM FUZREM 0 10 50 100 150 200 250 300 86 88 90 92 94 96 98 100 Số luồng kết nối
b) Mức độ sử dụng đường truyền theo số luồng kết nối
M ứ c đ ộ s ử d ụn g đ ườ ng tr uy ền (% ) FEM FLRED FNNRED FLREM FNNREM FUZREM
Hình 3.27.Mức độ sử dụng đường truyền của các cơ chế dùng điều khiển mờ
Dựa trên đồ thị, nhận thấy sự phân hoạch các cơ chế theo mức độ đường truyền. Trong cả hai đồ thị của Hình 3.27, mức độ sử dụng đường truyền được tăng đần từ nhóm các cơ chế sử dụng bộ điều khiển mờ truyền thống (như FEM, FUZREM), tiếp theo là nhóm các cơ chế sử dụng bộ điều khiển mờ thích nghi AFC (như FLRED, FLREM) cho đến nhóm các cơ chế sử dụng bộ điều khiển mờ tối ưu FNN (như FNNRED, FNNREM). Điều này phù hợp với kết quả phân tích lý thuyết, khi AFC sử dụng hệ mờ Sugeno có cơ chế điều chỉnh tham số đầu ra K và phương pháp xác định các mẫu Gm cho các giá trị mục tiêu, và FNN được xây dựng từ AFC bằng cách huấn luyện để có bộ giá trị cho tham số tối ưu, sao cho sai lệch các giá trị đầu ra của hệ thống so với các giá trị mong muốn là nhỏ nhất.
3.7. Kết luận chương
Chương này đã giải quyết được vấn đề đặt ra ở cuối Chương 2, là làm thế nào để có bộ tham số tốt nhất cho bộ điều khiển mờ thích nghi AFC, và đây cũng là mục tiêu thứ ba của luận án. Để giải quyết vấn đề này, tác giả đã đề xuất kết hợp logic mờ với mạng nơ-ron để xây dựng mô hình mạng nơ-ron mờ FNN cho việc nâng cao hiệu năng của các cơ chế quản lý hàng đợi tích cực. Dựa trên mô hình này, luận án tiếp tục cải tiến các cơ chế quản lý hàng đợi tích cực đã xây dựng trong Chương 2. Kết quả của sự kết hợp được minh họa bằng việc xây dựng hai cơ chế FNNRED và
115
FNNREM bằng cách huấn luyện mạng nơ-ron FNN bởi thuật giải lan truyền ngược cải tiến IBP cho hai cơ chế FLRED và FLREM.
Để kiểm chứng hiệu quả của bộ điều khiển mờ tối ưu FNN, luận án thực hiện cài đặt mô phỏng và đánh giá các cơ chế cải tiến có dùng bộ điều khiển mờ truyền thống (FEM, FUZREM), các cơ chế sử dụng điều mờ thích nghi (FLRED, FLREM) và các cơ chế áp dụng bộ điều khiển mờ tối ưu (FNNRED, FNNREM). Việc cài đặt mô phỏng được thực hiện dựa trên các mô hình mạng phổ biến và mô hình mạng tổng quát như đã thực hiện trong Chương 2. Kết quả mô phỏng đã cho thấy: khi cải tiến các cơ chế quản lý hàng đợi tích cực bằng bộ điều khiển mờ truyền thống, bộ điều khiển mờ thích nghi AFC và bộ điều khiển mờ tối ưu FNN thì độ ổn định và hiệu năng của các cơ chế thể hiện theo chiều hướng tốt hơn.
Tuy nhiên, bộ điều khiển mờ trong các cơ chế cải tiến vẫn còn phụ thuộc vào tri thức của chuyên gia nên hiệu năng của các cơ chế này chưa thật sự tốt nhất. Để khắc phục hạn chế này, thì cần có tri thức từ nguồn dữ liệu lớn cho quá trình huấn luyện. Điều này đồng nghĩa với việc cần không gian bộ nhớ và thời gian thực hiện lớn. Mặt khác, dùng mạng nơ-ron huấn luyện để tìm được bộ điều khiển mờ tối ưu trong các bộ điều khiển mờ thích nghi đã có, chứ chưa phải là tìm được bộ điều khiển mờ tốt nhất. Những vấn đề tồn tại này sẽ được tiếp tục cải tiến trong hướng phát triển của luận án.
116
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Kết luận của luận án
Kiểm soát tắc nghẽn là một nhiệm vụ quan trọng trên mạng TCP/IP. Việc chỉ sử dụng các giao thức điều khiển để kiểm soát tắc nghẽn truyền thông trên mạng TCP/IP là chưa đủ đáp ứng chất lượng dịch vụ, do đây chỉ là các giải thuật kiểm soát tắc nghẽn thụ động ở phía đầu cuối. Do đó, cần phải nghiên cứu các cơ chế kiểm soát tắc nghẽn tại các nút mạng để đảm bảo hệ thống ổn định, nhằm cung cấp tốt chất lượng dịch vụ mạng cho người dùng. Một trong các hướng nghiên cứu đó là nhằm phát triển các cơ chế quản lý hàng đợi tích cực tại các nút mạng.
Mục tiêu của quản lý hàng đợi tích cực là duy trì một xác suất chủ động loại bỏ gói hợp lý nhằm hạn chế được tình trạng tắc nghẽn trong khi vẫn đảm bảo được chất lượng của các luồng lưu lượng và tính công bằng trong quan hệ giữa các luồng lưu lượng khi trạng thái động học của mạng thay đổi. Tuy nhiên, các cơ chế quản lý hàng đợi tích cực hiện tại vẫn cần được cải tiến sao cho vừa đơn giản hóa khi thực hiện, vừa nâng cao tính thông minh trong việc duy trì độ dài hàng đợi trung bình. Vì vậy, luận án tập trung nghiên cứu cải tiến cơ chế quản lý hàng đợi tại nút mạng, trên cơ sở áp dụng các thành tựu đạt được của khoa học máy tính mà cụ thể là của lĩnh vực tính toán mềm nhằm bổ sung khả năng thích nghi, khả năng học, khả năng ra quyết định thông minh cho hệ thống quản lý hàng đợi tại nút mạng.
Luận án đã có một số đóng góp mới trong việc cải tiến cơ chế quản lý hàng đợi tích cực tại các nút mạng. Đó là, xây dựng bộ điều khiển mờ thích nghi AFC cải tiến các cơ chế AQM và xây dựng bộ điều khiển nơ-ron mờ FNN để tìm ra bộ tham số tối ưu cho bộ điều khiển mờ thích nghi AFC. Các đóng góp mới được cụ thể như sau:
Phân tích, đánh giá và phân lớp ứng dụng cho các cơ chế quản lý hàng đợi tích cực hiện có, bao gồm cả các giải pháp áp dụng bộ điều khiển mờ truyền thống để cải tiến các cơ chế quản lý hàng đợi tích cực tiêu biểu nhằm nâng cao hiệu quả kiểm soát tắc nghẽn trong mạng TCP/IP.
Đề xuất mô hình điều khiển mờ thích nghi AFC để cải tiến các cơ chế quản lý hàng đợi tích cực. Dựa trên mô hình lý thuyết, luận án đã xây dựng các cơ chế cải
117
tiến FLRED và FLREM. Kết quả cài đặt mô phỏng đã chứng minh tính hiệu quả của việc sử dụng điều khiển mờ thích nghi AFC để cải tiến các cơ chế quản lý hàng đợi.
Đề xuất mô hình kết hợp lập luận mờ với mạng nơ-ron để xây dựng bộ điều khiển mờ tối ưu FNN nhằm nâng cao hiệu quả của các cơ chế quản lý hàng đợi tích cực. Dựa trên mô hình lý thuyết, luận án đã xây dựng các cơ chế cải tiến FNNRED, FNNREM. Hai cơ chế này có được bằng cách sử dụng mạng nơ-ron mờ FNN huấn luyện cho các cơ chế FLRED và FLREM. Kết quả cài đăt mô phỏng cho thấy hiệu năng của các cơ chế được nâng lên khi sử dụng điều khiển mờ tối ưu FNN.
Từ kết quả nghiên cứu lý thuyết và kiểm chứng bằng cài đặt mô phỏng, cho thấy hiệu năng của các cơ chế quản lý hàng đợi tích cực tại các nút mạng được tăng dần khi lần lượt áp dụng các bộ điều khiển mờ truyền thống, bộ điều khiển mờ thích nghi AFC và điều khiển mơ tối ưu FNN để cải tiến các cơ chế này.
Hướng phát triển của luận án (adsbygoogle = window.adsbygoogle || []).push({});
Để khắc phục những vấn đề đã được nêu ra ở cuối Chương 3 của luận án, chúng tôi sẽ tiếp tục cải tiến bộ điều khiển mờ tối ưu FNN nhằm đem lại hiệu năng cho các cơ chế quản lý hàng đợi tích cực tốt hơn. Ngoài ra, chúng tôi sẽ xem xét khả năng kết hợp logic mờ, mạng nơ-ron với các công cụ khác của kỹ thuật tính toán mềm (như tính toán tiến hóa, lập luận xác suất) để xây dựng các cơ chế quản lý hàng đợi tích cực mới.
Việc tìm kiếm bộ điều khiển mờ tối ưu toàn cục cần có kỹ thuật tìm kiếm tối ưu trên nguồn dữ liệu lớn. Với điểm mạnh là tìm kiếm khu vực tối ưu trong toàn cục thì kỹ thuật tiến hóa sẽ có thể là sự lựa chọn khả thi để kết hợp với mạng nơ-ron nhằm xây dựng các kỹ thuật tìm kiếm tối ưu trong tương lai. Vì vậy, chúng tôi sẽ tiếp tục hướng đến việc xây dựng kiến trúc FNNE (Fuzzy Neural Network Evolution), là sự phát triển của FNN bằng cách bổ sung công cụ tính toán tiến hóa, để tìm được bộ điều khiển mờ tối ưu toàn cục cho hệ thống cải tiến cơ chế quản lý hàng đợi tích cực.
Song song với việc đánh giá kết quả nghiên cứu dựa trên mô phỏng, việc triển khai thử nghiệm chúng trong môi trường mạng thực cũng sẽ được đặc biệt quan tâm nhằm kiểm chứng kết quả mô phỏng và tìm cơ hội áp dụng kết quả nghiên cứu vào thực tiễn./.
118
DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ CỦA LUẬN ÁN
[CT1]. Nguyễn Kim Quốc, Võ Thanh Tú (2012) “Đánh giá hiệu năng của một số cơ chế quản lý hàng đợi tích cực dựa trên kích thước hàng đợi và tải nạp”, Tạp chí khoa học Đại học Huế, Tập 74A, Số 5, tr 109-119.
[CT2]. Nguyễn Kim Quốc, Võ Thanh Tú, Nguyễn Thúc Hải (2013), “Đề xuất cơ chế quản lý hàng đợi tích cực trên môi trường mạng tốc độ cao”, Kỷ yếu Hội nghị khoa học quốc gia lần thứ VI - FAIR “Nghiên cứu cơ bản và ứng dụng công nghệ thông tin”, Thừa Thiên Huế,Việt Nam, tr 108-115.
[CT3]. Nguyen Kim Quoc, Vo Thanh Tu, Nguyen Thuc Hai (2013), “Fuzzy Logic
Control for SFB Active Queue Management Mechanism”, Proceedings of
the International Conference on Context-Aware Systems and Applications (ICCASA),
Vol. 128, No. 3, pp. 97-104.
[CT4]. Nguyen Kim Quoc, Vo Thanh Tu, Nguyen Thuc Hai (2014), “Improving control mechanism at routers in TCP/IP networks”, Scientific Journal of EAI (European Alliance for Innovation), ISSN 2409-0026, Vol. 1, pp. 52-66.
[CT5]. Nguyễn Kim Quốc, Võ Thanh Tú, Nguyễn Thúc Hải (2014), “Cải tiến cơ chế quản lý hàng đợi tại nút mạng”, Tạp chí khoa học và công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam, Tập 52, Số 4D, tr 77-92.
[CT6]. Nguyen Kim Quoc, Vo Thanh Tu, Nguyen Thuc Hai (2014), “Proposed improvements control mechanism at network node in high-speed network environment”, Kỷ yếu Hội nghị khoa học quốc gia lần thứ VII - FAIR “Nghiên cứu cơ bản và ứng dụng công nghệ thông tin”, Thai Nguyen, Viet Nam, pp. 545-556. [CT7]. Nguyen Kim Quoc, Vo Thanh Tu, Nguyen Thuc Hai (2015), “Model Integrating Fuzzy Argument with Neural Network Enhancing the Performance of Active Queue Management”, Scientific Journal of EAI (European Alliance for Innovation), ISSN 2409-0026, vol. 2, issue 4, pp. 12-22.
[CT8]. Nguyen Kim Quoc, Vo Thanh Tu, Nguyen Thuc Hai (2015), “Some Improvements on Active Queue Management Mechanism Based on Adaptive Fuzzy Control”, Scientific Journal of EAI (European Alliance for Innovation), ISSN 2409- 0026, vol. 2, issue 5 [Accepted]
119
TÀI LIỆU THAM KHẢO
Tài liệu tiếng Việt
[1]. Nguyễn Thúc Hải (2009), Mạng máy tính và các hệ thống mở (tái bản lần thứ nhất), NXB Giáo Dục.
[2]. Nguyễn Kim Quốc, Võ Thanh Tú (2011), "Nâng cao chất lượng dịch vụ mạng Internet tại bộ định tuyến", Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông(@ 2011), pp. 322-342.
[3]. Võ Thanh Tú (2012), Mạng và truyền dữ liệu nâng cao, NXB Đại học Huế.
Tài liệu tiếng Anh
[4]. Alexander Afanasyev, Neil Tilley, Peter Reiher, and Leonard Kleinrock (2010), “Host-to-Host Congestion Control for TCP”, IEEE Communications Surveys & Tutorials, Accepted For Publication, pp. 1-39.
[5]. Alshalaa A. Shleeg, Issmail M. Ellabib (2013), "Comparison of Mamdani and Sugeno Fuzzy Interference Systems for the Breast Cancer Risk", International Journal of Computer, Control, Quantum and Information Engineering, Vol:7, No.10, pp. 695-699.
[6]. Apu Kapadia, Wu-chun Feng and Roy H. Campbell (2011), “GREEN: A TCP
Equation-Based Approach to Active Queue Management”, U.S Department of Energy through Los Alamos National Laboratory W-7045-ENG-36, pp. 64-76. [7]. Arash Dana1 and Ahmad Malekloo (2010), “Performance Comparison between Active and Passive Queue Management”, JCSI International Journal of Computer Science Issues, Vol. 7, Issue 3, No. 5, pp. 13-17.
[8]. Arshdeep Kaur, Amrit Kaur (2012), "Comparison of Mamdani-Type and Sugeno-Type Fuzzy Inference Systems for Air Conditioning System",
International Journal of Soft Computing and Engineering (IJSCE), Vol. 2, Issue-2, pp. 322-325.
[9]. Athuraliya S., Lapsley D. E., Low S. H. (2001), “Random early marking for Internet congestion control”. IEEE/ACM Transactions on Networking, Vol. 15, No. 3, pp. 48-53.
120 (adsbygoogle = window.adsbygoogle || []).push({});
[10].Bartek Peter Wydrowski (2003), Techniques in Internet Congestion Control, Electrical and Electronic Engineering Department The University of Melbourne.
[11].Bartek Wydrowski and Moshe Zukerman (2010), “GREEN: An Active Queue
Management Algorithm for a Self”, ARC Special Research Centre for Ultra- Broadband Information Networks, EEE Department, The University of Melbourne, Parkville, Vic. 3010, Australia.
[12].C. Chryostomou (2006), “Fuzzy logic based AQM congestion control in TCP/IP network”, Department of Computer of Science, University of Cyprus.
[13].C. Chryostomou, A. Pitsillides, G. Hadjipollas and others (2007), “Fuzzy Logic Congrestion Control in TCP/IP Best-Effort Networks”. University of Cyprus, Monash University Melbourne, Australia, pp. 2-5.
[14].C. Chrysostomou, A. Pitsillides, G. Hadjipollas, M. Polycarpou, A. Sekercioglu (2004), “Fuzzy Logic Control for Active Queue Management in TCP/IP Networks”, 12th IEEE Mediterranean Conference on Control and Automation Kusadasi, Aydin, Turkey, (IEEE MED'04), pp. 2-8.
[15].C. Chrysostomou, C. & Pitsillides (2005), “Using Fuzzy Logic Control to Address Challenges in AQM Congestion Control in TCP/IP Networks”,
Workshop on Modeling and Control of Complex Systems (MCCS‟05).
[16].C. P. Fu and S. C. Liew (2003), “TCP Veno: Tcp Enhancement For Transmission Over Wireless Access Networks”, IEEE J. Sel. Areas Communication, Vol. 21, No. 2.
[17].C. V. Hollot, V. Misra, D. Towsley, and W. Gong (2002), “Analysis and design of controllers for AQM routers supporting TCP flows”, IEEE Trans. on Automat. Control, No. 47, pp. 945–959.
[18].Cao Diep Thang, Nguyen Thuc Hai, and Nguyen Linh Giang (2013), “Improving the video transmission qualityover ip network”, The fifth International Conference on Ubquitous and Future Networks, pp. 570-575. [19].Chhabra Kiran, Manali Kshirsagar, A. S. Zadgaonkar (2013), “Effective
121
Detection”, International Journal of Innovative Technology and Exploring Engineering (IJITEE), Vol. 3, pp. 35-38.
[20].Dah-Ming Chiu and Raij JAIN (1989),"Analysis of the Increase and Decrease Algorithms for Congestion Avoidance in Computer Networks”, pp. 1-13. [21].Dong Lin and Robert Morris (1997), “Dynamics of random early detection”, In
SIGCOMM 97: Proceedings of the ACM SIGCOMM ‟97 conference on Applications, technologies, architectures, and protocols for computer communication, New York, NY, USA, ACM Press., pp.127–137.
[22].E. Park, H. Lim, K. Park, and C. Choi (2004), “Analysis and design of the virtual rate control algorithm for stabilizing queues in TCP networks”, Computer Networks, Vol. 44, No. 1, pp. 17–41.
[23].Essam Natsheh, Adznan B. Jantan, Sabira Khatun, and Shamala Subramaniam (2007), “Fuzzy Active Queue Management for Congestion Control in Wireless Ad-Hoc”, The International Arab Journal of Information Technology, Vol. 4, No. 1, pp. 50-59.
[24].Feng W., Kandlur D., Saha D., Shin K. (1999), A Self-Configuring RED Gateway. In Proc. IEEE INFOCOM, pp. 1320–1328.
[25].Floyd S., Jacobson V. (1993), “Random early detection gateways for congestion avoidance”, IEEE/ACM Trans. On Networking, Vol. 1, No. 4, pp. 397–413. [26].Floyd, S., Gummadi, R., & Shenker, S. (2001), “Adaptive RED: An Algorithm
for Increasing the Robustness of RED Active Queue Management”, Technical report, ICSI, AT&T Center for Internet Research at ICSI, pp.1-12.
[27].G. Hasegawa, K. Kurata, and M. Murata (2000), “Analysis and improvement of fairness between TCP Reno and Vegas for deployment of TCP Vegas to the Internet”, in Proc. IEEE ICNP, pp. 177–186.
[28].G.F.Ali Ahammed, Reshma Banu (2010), “Analyzing the Performance of Active Queue Management Algorithms”, International journal of Computer Networks & Communications (IJCNC), Vol.2 No.2, pp. 1-12.
[29].G.Thiruchelvi1 and J.Raja (2008), “A Survey On Active Queue Management Mechanisms”, IJCSNS International Journal of Computer Science and Network
122
Security, VOL.8 No.12, 130-145.
[30].George J. Klir, Ute St. Clair, Bo Yuan (1997), Fuzzy Set Theory: Foundations and Applications, Prentice Hall, New Jersey, USA.
[31].Hao Kun, Wang Beibei, Luo Yongmei (2013), “Study of AQM Congestion Control Algorithm Based on Control Theory”, Journal of Convergence Information Technology(JCIT), Vol. 8, No. 8, pp. 600-607.
[32].I. K. Tabash, M. A. A. Mamun, and A. Negi (2010), “A Fuzzy Logic Based Network Congestion Control Using Active Queue Management Techniques”, J. Sci. Res. 2 (2), pp. 273-284.
[33].J. Postel, “RFC793 - Transmission Control Protocol”, RFC, 1981.
[34].J. Sun, M. Zukerman, and M. Palaniswami (2007), “Stabilizing RED using a fuzzy controller,” in Proceedings of the IEEE International Conference on Communications (ICC ’07), pp. 266–271. (adsbygoogle = window.adsbygoogle || []).push({});
[35].Jasem, H.N., Z.A. Zukarnain, M. Othman and S. Subramaniam (2011), “Efficiency and Fairness of New-Additive Increase Multiplicative Decrease Congestion Avoidance And Control Algorithm”, J. Applied Sci, No. 11, pp. 438-449.
[36].Jyh Shing Roger Jang, Chuen Tsai Sun, Eiji Mizutani (2002), Neuro fuzzy and Soft Computing, Prientice Hall International, Inc.
[37].K. Ramakrishnan, S. Floyd, and D. Black (2001), “The Addition of Explicit