Overload and traffic management of message sources with different priority of service

• Autorzy: Kozlovskyi Valerii , Kozlovskyi Valerii , Toroshanko Andrii , Toroshanko Oleksandr , Yakymchuk Natalia

Identyfikatory

DOI

10.35784/iapgos.3505

Warianty tytułu

PL

Przeciążenie i zarządzanie ruchem źródeł wiadomości o różnych priorytetach usług

• Języki publikacji: EN

Abstrakty

EN

The scheme of dynamic management of traffic and activity of message sources with different priority of service is considered. The scheme is built on the basis of the neuroprognostic analysis model and the gradient descent method. For prediction and early detection of overload, the apparatus of the general theory of sensitivity with indirect feedback and control of activity of message sources is used. The control algorithm is started at the bottleneck of the network node. It uses a recursive prediction approach where the neural network output is referred to as many steps as defined by a given prediction horizon. Traffic with a higher priority is served without delay using the entire available bandwidth. Low-priority traffic will use the remaining bandwidth not used by higher-priority traffic. An algorithm for estimating the maximum available bandwidth of a communication node for traffic with a low service priority has been developed. This approach makes it possible to improve the efficiency of channel use without affecting the quality of service for high-priority traffic.

PL

Rozważono schemat dynamicznego zarządzania ruchem i aktywnością źródeł komunikatów o różnym priorytecie obsługi. Schemat zbudowany jest w oparciu o model analizy neuroprognostycznej oraz metodę gradientu. Do prognozowania i wczesnego wykrywania przeciążenia wykorzystuje się aparaturę ogólnej teorii wrażliwości z pośrednim sprzężeniem zwrotnym i kontrolą aktywności źródeł komunikatów. Algorytm sterowania jest uruchamiany w wąskim gardle węzła sieci. Wykorzystuje metodę predykcji rekurencyjnej, w której dane wyjściowe sieci neuronowej są odnoszone do tylu kroków, ile określono w danym horyzoncie predykcji. Ruch o wyższym priorytecie jest obsługiwany bez opóźnień z wykorzystaniem całej dostępnej przepustowości. Ruch o niskim priorytecie będzie wykorzystywał pozostałą przepustowość niewykorzystaną przez ruch o wyższym priorytecie. Opracowano algorytm szacowania maksymalnej dostępnej przepustowości węzła komunikacyjnego dla ruchu o niskim priorytecie usługi. Takie podejście umożliwia poprawę efektywności wykorzystania kanałów bez wpływu na jakość obsługi ruchu o wysokim priorytecie.

Słowa kluczowe

EN

telecommunication network; overload prediction; sensitivity function; neural network; gradient descent method, service priority

PL

sieć telekomunikacyjna; predykcja przeciążenia; funkcja czułości; sieć neuronowa; metoda opadania gradientu; priorytet usługi

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 3
• Strony: 33--36
• Opis fizyczny: Bibliogr. 19 poz., wykr.

Twórcy

autor

Kozlovskyi Valerii

• National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Institute of Special Communications and Information Protection, Kyiv, Ukraine

• https://orcid.org/0000-0003-0234-415X

autor

Kozlovskyi Valerii

• National Aviation University, Faculty of Cyber Security and Software Engineering, Department of Information Protection System, Kyiv, Ukraine

• https://orcid.org/0000-0002-8301-5501

autor

Toroshanko Andrii

• National Aviation University, Faculty of Cyber Security and Software Engineering, Department of Information Protection System, Kyiv, Ukraine

• https://orcid.org/0000-0002-0816-657X

autor

Toroshanko Oleksandr

• Taras Shevchenko National University of Kyiv, Department of Cyber Security and Information Protection, Kyiv, Ukraine

• https://orcid.org/0000-0002-2354-0187

autor

Yakymchuk Natalia

• Lutsk National Technical University, Faculty of Computer and Information Technologies, Department of Electronics and Telecommunications, Lutsk, Ukraine

• https://orcid.org/0000-0002-8173-449X

Bibliografia

• [1] Bonaventure O.: Computer Networking: Principles, Protocols and Practices. Release. 2018.
• [2] Golmohammadi A.: Prioritizing Service Quality Dimensions: A Neural Network Approach. World Academy of Science, Engineering & Technology 42, 2010, 602–605.
• [3] Göransson P. et al.: Software Defined Networks: A Comprehensive Approach, 2nd ed. Morgan Kaufmann, 2017.
• [4] Klymash M. M., Strykhaliuk B. M., Kaidan M. V.: Teoreticheskiye osnovy telekommunikatsionnykh setyei. LAP LAMBERT Academic Publishing, Saarbrücken 2014.
• [5] Korolkova A. V., Kulyabov D. S., Tchernoivanov A. I.: On the Classification of RED Algorithms. Bulletin of the Russian Peoples' Friendship University 3, 2009, 34–46.
• [6] Kurose J. F., Keith W. R.: Computer Networking: A Top-Down Approach, 7th Ed. Pearson Education, Inc., 2017.
• [7] Lu Z. et al.: Overload Control for Signaling Congestion of Machine Type Communications in 3GPP Networks. PLOS ONE, 2016. [http://doi.org/10.1371/journal.pone.0167380].
• [8] Maximov V. V., Chmykhun S. O.: Classification of algorithms of controlling networks congestions. Scientific proceeding of Ukrainian Research Institute of Communication 5(33), 2014, 73–79.
• [9] Maxymov V. V., Chmykhun S. O.: Research of the algorithm of controlling congestion TCP Veno. Telecommunication and Information Technologies 4, 2015, 30–36.
• [10] Shooman M. L.: Reliability of Computer Systems and Networks – Fault Tolerance, Analysis, Design. JohnWiley&Sons, Inc., NewYork 2002.
• [11] Snarskyy A. A., Lande D. V.: Modelyrovanye slozhnыkh setey. Kyiv 2015.
• [12] Stallings W.: Foundations of Modern Networking: SDN, NFV, QoE, IoT, and Cloud. Pearson Education, Inc., Old Tappan, New Jersey 2016.
• [13] Tanenbaum A. S., Wetherall D. J.: Computer Networks. Prentice Hall, Cloth, 2011.
• [14] Tasad R., Ruggieri M.: Technology Trends in Wireless Communications. Artech House, Boston – London 2003.
• [15] Tkachuk A. et al.: Basic Stations Work Optimization in Cellular Communication Network. D. Cagánová et al. (eds.), Advances in Industrial Internet of Things, Engineering and Management, EAI. Springer Innovations in Communication and Computing, 2021, 1–19.
• [16] Toroshanko O. S.: Multi-step model for prognostication and detection of telecommunication network overload. Telecommunication and Information Technologies 2(63), 2019, 35–43.
• [17] Toroshanko Ya. I.: Sensitivity analysis of systems of mass service on the base of model of adaptation and regulation of foreign traffic. Herald of Khmelnytskyi national university 6(243), 2016, 171–175.
• [18] Vinogradov N. et al.: Development of the Method to Control Telecommunication Network Congestion Based on a Neural Model. Eastern-European Journal of Enterprise Technologies 2(9), 2019, 67–73.
• [19] Vynohradov N. A., Drovovozov V. Y., Lesnaya N. N., Zembytskaya A. S.: Analyz nahruzky na sety peredachy dannыkh v systemakh krytychnoho prymenenyya. Zvyazok 1(61), 2006, 9–12.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).