Глава 1. Анализ возможностей использования нечеткой логики в сетях Интернета Вещей

ГЛАВА 1. АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ НЕЧЕТКОЙ ЛОГИКИ В СЕТЯХ ИНТЕРНЕТА ВЕЩЕЙ

Концепция Интернета Вещей

Развитие сетей связи общего пользования (ССОП) в первом десятилетии XXI века осуществлялось на базе концепции сетей связи следующего поколения (NGN – Next Generation Network). Концепция NGN предусматривает эволюционный переход от сетей с коммутацией каналов к сетям с коммутацией пакетов, что сегодня реализовано в виде фрагментов сетей или крупномасштабных сетей с коммутацией пакетов практически всеми ведущими операторами мира. Параллельно с этим процессом начало XXI века ознаменовалось конверсией сенсорных сетей, созданием теории и практической реализацией, так называемых всепроникающих сенсорных сетей (USN – Ubiquitous Sensor Networks).

C одной стороны, клиентская база в виде человека с его терминалами исчерпала себя, с другой, появление возможности взаимодействия устройств между собой без участия человека поставили вопрос о необходимости разработки новой концепции развития ССОП. Замечательно оправдавшая себя концепция NGN вместе с тем была рассчитана на обслуживание единиц и нескольких десятков миллиардов пользователей. Взаимодействие же устройств между собой заставляет задуматься о построении триллионной сети, т.е. сети, в которой число пользователей будет измеряться единицами и десятками триллионов. Такая концепция получила название Интернета Вещей (ИВ). [14,38]

Идея Интернета Вещей сама по себе очень проста. Представим, что все окружающие нас предметы и устройства (домашние приборы и утварь, одежда, продукты, автомобили, промышленное оборудование и др.) снабжены миниатюрными сенсорными (чувствительными) устройствами. Тогда при наличии необходимых каналов связи с ними можно не только отслеживать эти объекты и их параметры в пространстве и во времени, но и управлять ими, а также включать информацию о них в общую «умную планету». В самом общем виде с инфокоммуникационной точки зрения Интернет Вещей можно записать в виде следующей символической формулы:

ИВ = Сенсоры (датчики) + Данные + Сети + Услуги

Проще говоря, Интернет вещей — это глобальная сеть компьютеров, датчиков (сенсоров) и/или исполнительных устройств (актуаторов), связывающихся между собой с использованием интернет протокола IP (Internet Protocol) или специальных протоколов типа ZigBee. [39]

Анализ развития концепции Интернета Вещей

И основных ее сетей

Концепция Интернета Вещей (IoT – Internet of Things), предложенная и стандартизованная МСЭ-Т в рекомендациях серии Y.206x [102,103], принципиально изменила представление научного и инженерного сообщества о сетях связи, как в количественном, так и в качественном отношении. В соответствии с рекомендацией Y.2060 вещи могут быть физическими и виртуальными. При этом подразумевается, что виртуальные вещи существуют в информационном мире, в то время как физические, естественно, – в физическом. Для того чтобы объект физического или информационного мира мог быть отнесен к Интернету Вещей необходимо, чтобы этот объект можно было идентифицировать и интегрировать в сети связи.

Такое определение вещей приводит к оценкам числа пользователей в сетях Интернета Вещей в триллионы единиц: к 2017-2020 годам прогнозируется 7 триллионов вещей [109], а уровень насыщения оценивается в 50 триллионов вещей [110]. Ранее существующие инфраструктурные сети строились в расчете на несколько миллиардов, в крайнем случае, на несколько десятков миллиардов пользователей.

С реализацией концепции Интернета Вещей речь пойдет о принципиально ином масштабе сети связи, которая уже получила название триллионной сети [25]. Принципы построения триллионной сети существенным образом отличаются от принципов построения традиционных инфраструктурных сетей связи. Триллионные сети являются самоорганизующимися, т.е. сетями, в которых и число узлов, и взаимосвязи между ними являются случайными величинами, изменяющимися во времени [24,29]. Следует заметить, что столь большое число узлов в триллионных сетях приводит к широкому распространению кластерной организации сетей, когда одной из важных задач является выбор головного узла кластера [1,5,6,30,78,112]. Еще одной важной особенностью таких сетей является их возможный когнитивный характер [36].

Концепция Интернета Вещей [74] существенно расширяет область применения сетей связи и предоставляемые ими услуги. Появляются новые сети, такие как всепроникающие сенсорные сети USN (Ubiquitous Sensor Networks) [14,29,35,104], целевые сети для транспортных средств VANET (Vehicular Ad Hoc Networks) [14,29,80], медицинские нательные сети MBAN (Medical Body Area Networks) [3,4,79,82,111] и т.д. При этом сети для физических Интернета Вещей опережают развитие сетей для Интернета Вещей информационного мира в силу того, что концептуально, например, USN и VANET были проработаны ранее, чем возникла всеобъемлющая концепция Интернета Вещей, и находятся уже на стадии внедрения. Поэтому, для подобных сетей широкое распространение получило название сети машина-машина M2M (Machine-to-Machine) [7,47,59,94,106], которое как раз и охватывает объекты физического мира концепции Интернета Вещей.

Планы и прогнозы внедрения Интернета Вещей

Возможности Интернета вещей в области генерирования, сбора, передачи, анализа и распределения огромного объема данных в мировом масштабе позволят человечеству, в конечном счете, получить новые знания, которые необходимы ему не только лишь для выживания, но и для настоящего процветания на протяжении многих веков. Подтверждение этому — включение Интернета вещей в перечень прорывных технологий в США и в число семи формирующихся национальных стратегических отраслей промышленности в Китае. [39]

Единые стандарты только зарождаются, но масштабные проекты в данном направлении — своего рода «Интранеты Вещей» — энергично развиваются уже сейчас. Так, американское агентство NASA при поддержке компании Cisco создает систему глобального сбора данных о Земле «Кожа планеты» (Planetary skin). Про «умные» дома наверняка многие слышали, в Японии уже не редкость «умные» заводы.

В разных странах существуют конкретные программы и планы практического внедрения Интернета Вещей. Так, Евросоюз развивает Интернет Вещей по специальной программе, включающей 14 направлений.

Согласно китайской государственной программе до 2015 г (Яхья, обрати внимание на 2015 год). планируется реализовать 149 проектов. Не менее активно ведутся разработки в Российской Федерации, Великобритании, Австралии, Японии, Р. Корея и других странах. Прогноз развития мирового Интернета Вещей в 2010-2020 гг (также, обрати внимание на годы!). приведен на рисунке 1.5. [17,49]

Рисунок 1.5 – Прогноз развития мирового рынка Интернета Вещей в 2010-2020 гг.

(Источник: J'son & Partners Consulting, 2013)

Определить размер рынка Интернета Вещей сложно, так как существует множество определений Интернета Вещей, каждое из которых претендует на большую системность и полноту. В рамках исследования, проведенного J'son & Partners, под рынком Интернета Вещей понимается совокупность рынков оборудования, технологий и услуг, обеспечивающих межмашинную связь: RFID, датчики (сенсоры), шлюзы, облачные услуги, NFС-сенсоры, системы для обработки сложных событий (СЕР, Соmрleх Еvent Processing), SСАDА-приложения, ZigBee-устройства, системы обнаружения вторжений (IDS) (и системы обнаружения вторжений (IDS)).

Эксперты J'son & Partners использовали оценки, полученные на основе анализа и компиляции прогнозов ряда агентств, таких как GSMA, Harbor Research, ABI Research и т.д. По оценкам J'son & Partners, в 2013-м объем мирового рынка Интернета Вещей составил 98 млрд. долл. и 14,3 млрд. устройств, а к 2020-му вырастет до 359 млрд. долл. и 34,2 млрд. устройств. При этом основную долю в объеме мирового рынка Интернета Вещей занимают технологии RFID (27%), сенсоры/датчики (18%) и NFC- сенсоры (13%) (рисунок 1.6) [18].

Рисунок 1.6 – Структура мирового рынка приложений ИВ

(Источник: J'son & Partners, 2013)

Основные понятия нечеткой логики

Нечеткая логика появилась в 1965 году, когда американский математик и логик Лотфи Заде опубликовал свой фундаментальный труд «Fuzzy sets» [113]. Заде является не просто основателем научной теории, он практически сразу проработал многие варианты ее практического применения. Он описал свой подход в 1973 году в тексте «Outline of a New Approach to the Analysis of Complex Systems and Decision Processes» (опубликованном в журнале IEEE Transactions on Systems) [114]. Примечательно, что сразу после его выхода одна предприимчивая датская фирма весьма успешно применила изложенные в нем принципы для усовершенствования своей системы управления сложным производственным процессом.

Основная идея нечеткой логики состоит в том, что интеллектуальный способ рассуждений, опирающийся на естественный язык общения человека, не может быть описан традиционными математическими формулами. Формальному подходу присуща строгая однозначность интерпретации, а всё, что связано с применением естественного языка, имеет многозначную интерпретацию.

Наряду с понятием нечеткого множества, Л. Заде предложил обобщить классическую логику на основе рассмотрения бесконечного множества значений истинности. В нечеткой логике истинные значения высказываний могут принимать любое значение истинности из интервала действительных чисел [0;1]. Это позволяет построить логическую систему, в которой можно выполнить рассуждения с неопределенностью и оценить степень истинности высказываний.

Важным понятием нечеткой логики является понятие элементарного нечеткого высказывания. Оно представляет собой повествовательное предложение, выражающее законченную мысль, относительно которой мы можем судить об ее истинности или ложности только с некоторой степенью уверенности.

Этапы формирования теории нечетких множеств можно представить в следующей хронологии:

1. Этап формирования основных теоретических постулатов (1965 – начало 80-х гг.):

· Zadeh L.A. (1965, 1973);

· Dubois D., Prade H. (1979, 1980) – операции над нечеткими числами.

2. Этап практических разработок в различных областях жизни, основанных на нечеткой логике; рождение нового научного направления в рамках нечеткой логики «Fuzzy Economics» (1973 – начало 90-х гг.):

· Buckley, J. (1987,1992) - «Решение нечетких уравнений в экономике и финансах» и «Нечеткая математика в финансах» [62];

· Kosko, Bart. (1993) - доказана основополагающая FAT-теорема (Fuzzy Approximation Theorem), подтвердившая полноту нечеткой логики;

3. Этап массового использования продукции, в основе работы которых лежит нечеткая логика (1995 – наше время):

· 48 японских компаний образовали совместную лабораторию LIFE (Laboratory for International Fuzzy Engineering – Международная лаборатория разработок, основанных на нечеткой логике).

4. Огромный вклад в развитие направления FL (Fuzzy Logic) в России в последние годы: Недосекин А.О., Воронов К.И., Максимов О.Б., Павлов Г.С., Фролов С.Н.

Основные понятия теории нечетких множеств

Рассмотрим ряд понятий, являющихся базовыми для теории нечетких множеств. [54,91,92]

Нечетким множеством называется совокупность упорядоченных пар или кортежей:

где – элемент некоторого универсального множества или универсума , – функция принадлежности, которая ставит в соответствие каждому некоторое действительное число из замкнутого интервала [0;1], т.е. данная функция определяется в форме отображения:

Нечеткая переменнаяопределяется как кортеж:

где – наименование нечеткой переменной;

– область ее определения (универсум);

– нечеткое множество , описывающее возможные значения, которые может принимать нечеткая переменная .

Лингвистическая переменнаяопределяется как кортеж:

где – наименование лингвистической переменной;

– базовое терм-множество лингвистической переменной или множество ее значений (термов), каждое из которых представляет собой наименование отдельной нечеткой переменной ;

– область определения (универсум) нечетких переменных, которые входят в определение лингвистической переменной ;

– некоторая синтаксическая процедура, которая описывает процесс образования из множества новых, осмысленных в рассматриваемом контексте значений для данной лингвистической переменной;

– семантическая процедура, которая позволяет поставить в соответствие каждому новому значению данной лингвистической переменной, получаемому с помощью процедуры , некоторое осмысленное содержание посредством формирования соответствующего нечеткого множества.

Множество допустимых значений лингвистической переменной называется терм-множеством. Термомназывается любой элемент терм–множества. В теории нечетких множеств терм формализуется нечетким множеством с помощью функции принадлежности.

Основным инструментом аппарата нечеткой логики является функция принадлежности. Это инструмент перевода лингвистических переменных на математический язык для дальнейшего применения метода нечетких множеств. Функцией принадлежности является некая математическая функция, задающая степень или уверенность, с которой элементы некоторого множества принадлежат заданному нечеткому множеству . Чем больше аргумент соответствует нечеткому множеству , тем больше значение , т.е. тем ближе значение аргумента к 1.

Функция принадлежности показывает степень принадлежности каждого элемента классического множества к данному нечеткому множеству. Для данного пространства рассуждения и данной функции принадлежности , нечеткое множество определяется как:

Значение , говорит о том, что элемент не включен в нечеткое множество, значение означает, что элемент множества абсолютно принадлежит ему. Промежуточные значения характеризуют степень принадлежности элементов, нечетко включенных в рассматриваемое множество. Основные типы функций принадлежности: кусочно-линейные (треугольная, трапециевидная), Z-образная и S-образная (к ним относятся также сигмоидальная, линейные Z-образная и S-образная), П-образная (кривые, которые напоминают по форме колокол, сглаженную трапецию, букву “П”).[21,33]

Выводы по главе 1

1. Исследованы базовые принципы, фундаментальные характеристики и направления практического применения концепции Интернета Вещей, проведен анализ развития концепции Интернета Вещей и основных ее сетей.

2. Создание и внедрение концепции Интернета Вещей обеспечит общество новыми, ранее недоступными услугами сетей связи по контролю и управлению за любыми вещами. Реализация концепции Интернета Вещей требует создания самоорганизующихся сетей, которые, в отличие от существующих инфраструктурных, имеют триллионную клиентскую базу и более подобны живому миру, чем этим сетям.

3. Проанализированы основные понятия нечеткой логики понятия, теории нечетких множеств и алгоритмы нечеткого логического вывода. При использовании теории нечетких множеств и нечеткой логики в области концепции Интернета Вещей и основных ее сетей наиболее предпочтительным представляется использование алгоритма Мамдани, преимуществом которого является то, что созданные на его основе базы знаний являются прозрачными и интуитивно понятными, тогда как при использовании других алгоритмов возникает сложность при выборе линейных зависимостей между исследуемыми параметрами.

 

На основе нечеткой логики

В настоящее время существует большое количество программного обеспечения, использующего теорию нечеткой логики при решении задач в различных областях [37]. При моделировании сложных технических систем наибольшей универсальностью обладают FuzzyTECH и Fuzzy Logic Toolbox для MatLab [33]. Большинство рассмотренных программных продуктов ориентированы на построение нечетких систем, когда параметры функций принадлежности и правила задаются экспертом, так только в одном пакете используются генетические алгоритмы для формирования нечеткой модели. Методы построения (обучения) адаптивных нечетких моделей являются более сложными и трудоемкими, чем методы других интеллектуальных моделей.

Основные трудности связаны с генерацией базы нечетких правил и корректировкой формы функций принадлежности [20]. В настоящий момент не существует какого-либо одного общепризнанного метода обучения нечетких моделей, поэтому актуальной задачей является разработка и поиск новых, эффективных методов. Таким образом, скорее всего, наиболее перспективное направление исследований лежит в использовании генетических алгоритмов для обучения нечетких моделей [8, 33].

Проведенный обзор известных пакетов программ для нечеткого моделирования показывает, что для построения системы оценки качества предоставления услуги физиологического мониторинга целесообразно использовать пакет Fuzzy Logic Toolbox для MatLab. Преимуществом использования пакета является наличие достаточного количества документации и информационных источников по его применению в различных областях, в том числе в области телекоммуникаций и управления качеством обслуживания. На рисунке 2.5. представлена модель оценки качества предоставления услуги физиологического мониторинга с использованием пакетов Fuzzy Logic Toolbox программного комплекса MatLab.

Рисунок 2.5. Модель оценки качества предоставления услуги

физиологического мониторинга

На рисунке 2.6. представлены этапы оценки качества предоставления услуги физиологического мониторинга на основе нечеткой логики для всех 18 правил системы нечеткого логического вывода.

Рисунок 2.6. Этапы оценки этапы оценки качества предоставления услуги физиологического мониторинга на основе нечеткой логики

Входная лингвистическая переменная «Скорость передачи информации» принимает значение 76.6 кбит/c, входная лингвистическая переменная «Задержка» – 40 мс и входная лингвистическая переменная «Доля потери пакетов» – 10^-7. При данных значениях выходная лингвистическая переменная принимает значение 85%, что соответствует высокой оценки (оценке) качества предоставления услуги физиологического мониторинга.

Система оценки качества предоставления услуги физиологического мониторинга в сети M2M для электронного здоровья (рисунок 2.7), реализована также с использованием пакетов Simulink и Fuzzy Logic Toolbox программного комплекса MatLab. Значения трех входных переменных поступают на вход мультиплексора, в котором происходит объединение данных. Далее производится оценка качества предоставления услуги физиологического мониторинга с использование аппарата нечеткой логики на основе разработанных нечетких правил. Значение оценки выводится на виртуальный дисплей.

Рисунок 2.7. Система оценки качества предоставления услуги физиологического мониторинга с использованием пакетов Simulink и Fuzzy Logic Toolbox программного комплекса MatLab

На рисунке 2.8. приведена зависимость качества предоставления сетью связи услуги физиологического мониторинга в процентах от (а) скорости передачи информации и задержки, (б) задержки и доли потери пакетов и (в) скорости передачи информации и доли потерянных пакетов.

(а)

(б)

(в)

Рисунок 2.8. Зависимость, отображающая влияния входных лингвистических переменных на значение выходной лингвистической переменной

Гигабитные сети доступа

Как видим, внедрение новых услуг, таких как игры, в реальном времени и услуги системы e-health, требует существенно меньших задержек, чем при передаче речи поверх IP. Рассмотрим далее, какие новые требования могут быть предъявлены к сетям связи с малым задержками и как эти требования поддерживаются технологически уже в настоящее время.

На рисунке 2.9. изображена гипотетическая сеть, состоящая из восьми узлов, что соответствует рекомендации Y.1541, причем узлы со второго по седьмой соединены линиями связи с пропускной способностью 10 Гб/с, а первый со вторым и седьмой с восьмым – линиями связи с пропускной способностью 4 Мб/с (сети доступа). В качестве модели узла используем Систему Массового Обслуживания (СМО) с ожиданием и постоянным временем обслуживания[19, 45]. На узлы подается фоновый трафик, определяющий использование (загрузку) соответствующего узла (рисунок 2.9).

Рисунок 2.9. Гипотетическая сеть из 8 узлов

Этот трафик обслуживается соответствующим узлом и выводится из системы (завершается). Наряду с фоновым трафиком, на вход первого узла поступает испытательный трафик, который после обслуживания передается на вход последующего узла. Интенсивность испытательного трафика много меньше интенсивности фонового трафика. Значения параметров функционирования оцениваются для испытательного трафика.

В качестве фонового трафика были выбраны два типа потоков: простейший поток и самоподобный поток с коэффициентом Хёрста H=0,8. В результате эксперимента получены зависимости средней величины задержки от нагрузки в Эрлангах. При моделировании загрузки всех узлов принимались равными. На рисунке 2.10. приведены результаты моделирования для сети доступа со скоростью 4 Мб/с.

Рисунок 2.10. Результаты моделирования для участка гипотетической сети

со скоростью 4 Мб/с

Как видим, при достаточно больших нагрузках значения задержек измеряются в десятках миллисекунд, как для простейшего, так и для самоподобного потоков. Последнее свидетельствует о том, что сети доступа с таким параметрами вряд ли могут обеспечить требования по качеству обслуживания не только для услуг системы e-health, но и для услуги игр реального времени.

На рисунке 2.11. представлены результаты моделирования для участка гипотетической сети со скоростью 10 Гб/c. В этом случае задержки измеряются в долях миллисекунд, что позволяет говорить о готовности такой сети к предоставлению услуг e-health, а тем более и услуги игр реального времени. Остается только проанализировать технологические достижения в области сетей доступа, что сделаем применительно к беспроводным сетям доступа.

Рисунок 2.11. Результаты моделирования для участка гипотетической сети

со скоростью 10 Гб/с

В рамках работ по 12 версии систем длительной эволюции предусмотрено достижение пиковых скоростей в 3 Гб/с [71]. В новых стандартах рабочей группы IEEE 802.11, которые именуются как IEEE 802.11ac и IEEE 802.11 ad, предусматриваются скорости доступа в 3,6 Гб/с и 7 Гб/с соответственно. Таким образом, технологически внедрение сетей с малыми задержками поддержано уже сегодня.

В сетях с малыми задержками

Выше отмечено, что появлению сетей с малыми задержками во многом способствовало развитие медицинских сетей. При этом одной из важных особенностей эволюции сетей связи сегодня и на перспективу является так называемая конвергенция отраслей, когда сеть связи общего пользования начинает оказывать услуги для специализированных провайдеров из любых отраслей народного хозяйства: медицины, жилищно-коммунального комплекса, промышленности и т.д. Важнейшим элементом оценки качества обслуживания в сетях, предоставляющих услуги для провайдеров других отраслей, является разделение ответственности между сетью и провайдером за конечное качество предоставления услуги.

Рассмотрим методы оценки качества обслуживания в таких сетях на примере оказания услуг системы e-health. Принципиальным решением по оценке качества обслуживания в сетях при конвергенции отраслей является использование методов нечеткой логики, которые представляют оценки качества обслуживания не в задержках или джиттере, а в хорошо понятных для специалистов любой отрасли оценках “хорошо”, “плохо”, “удовлетворительно” и их модификациях.

Методы нечеткой логики в 21 веке находят применение в сетях связи для выбора головного узла в сенсорных сетях [108], оценке качества предоставления услуги IPTV [86], алгоритмах маршрутизации для мобильных Ad Hoc сетей [41].

Рассмотрим далее использование методов нечеткой логики для оценки качества обслуживания в сетях с малыми задержками при предоставлении услуги “Аудио и видео системы, в том числе для оперативного вмешательства”. Подобные решения для предоставления услуги “Физиологический мониторинг в реальном времени” приведены в работе [59]. В качестве входных параметров для оценки качества предоставления сетью связи услуги “Аудио и видео системы, в том числе для оперативного вмешательства” примем в соответствии с таблицей 2.1. скорость передачи данных, задержку и долю потерь пакетов. На выходе контроллера нечеткой логики при этом будем формировать комплексную оценку качества предоставления сетью связи услуги в процентах.

В таблице 2.6. приводятся параметры системы нечеткого логического вывода. В качестве нечеткого логического контроллера будем использовать контроллер Мамдани.

На основе таблицы 2.6. для нечетких множеств этих входных параметров, используя программное обеспечение MatLab, можно найти функции принадлежности для параметров услуги “Аудио и видео системы, в том числе для оперативного вмешательства”, а затем и сформировать правила нечеткого вывода (таблица 2.7).

Таблица 2.6 – Параметры системы нечеткого логического вывода

Переменные системы	Лингвистические переменные	Лингвистические значения	Нечеткие интервалы
входные переменные	x1	Скорость передачи информации [10; 1000] кбит/с	Низкая	[0; 300]
Средняя	[200; 800]
Высокая	[700; 1000]
x2	Задержка [10; 250] мс	Маленькая	[0; 50]
Средняя	[50; 100]
Большая	[100; 250]
x3	Потери пакетов [10^-10; 10^-1]	Приемлемые	[10^-10; 10^-4]
Неприемлемые	[10^-4; 10^-1]
выходные переменные	y	Качество предоставления сетью связи услуги “Аудио и видео системы, в том числе для оперативного вмешательства” [0; 100] %	Очень низкое	[0; 20]
Низкое	[20; 40]
Среднее	[40; 60]
Высокое	[60; 80]
Очень Высокое	[80; 100]

Совокупность правил, приведенных в таблице 2.7, представляет собой достаточно точный набор решений, инвариантных по отношению к специализации провайдеров. Проводя далее дефаззификацию выходных значений правил нечеткого вывода, можно получить и оценку качества обслуживания в процентах. Дефаззификацию в нашем конкретном случае проводим по методу центра тяжести. После дефаззификации можно построить поверхность нечеткого вывода, позволяющую в нашем случае сформировать трехмерную поверхность как зависимость качества услуги “Аудио и видео системы, в том числе для оперативного вмешательства” от любых двух входных параметров.

На рисунке 2.12. для примера приведена такая зависимость для задержки и скорости передачи. Как видим, использование методов нечеткой логики для оценки качества обслуживания в сетях связи с малыми задержками позволяет и операторам сети связи общего пользования, и специализированным провайдерам получить единый и понятный обеим сторонам инструментарий. В условиях приближающейся конвергенции отраслей целесообразно разработать правила применения нечеткой логики для оценки качества обслуживания в таких сложных системах.

Таблица. 2.7 – Правила нечеткого вывода для оценки качества предоставления услуги “Аудио и видео системы, в том числе для оперативного вмешательства”

№ правила	Если Скорость передачи информации	И Задержка	И Потери пакетов	Тогда Качество предоставления услуги “Аудио и видео системы, в том числе для оперативного вмешательства”
	Низкая	Маленькая	Приемлемые	Высокое
	Низкая	Маленькая	Невыносимые	Очень низкое
	Низкая	Средняя	Приемлемые	Среднее
	Низкая	Средняя	Невыносимые	Очень низкое
	Низкая	Большая	Приемлемые	Низкое
	Низкая	Большая	Невыносимые	Очень низкое
	Средняя	Маленькая	Приемлемые	Очень высокое
	Средняя	Маленькая	Невыносимые	Низкое
	Средняя	Средняя	Приемлемые	Среднее
	Средняя	Средняя	Невыносимые	Низкое
	Средняя	Большая	Приемлемые	Среднее
	Средняя	Большая	Невыносимые	Очень низкое
	Высокая	Маленькая	Приемлемые	Очень высокое
	Высокая	Маленькая	Невыносимые	Среднее
	Высокая	Средняя	Приемлемые	Очень высокое
	Высокая	Средняя	Невыносимые	Низкое
	Высокая	Большая	Приемлемые	Высокое
	Высокая	Большая	Невыносимые	Очень низкое

Рисунок 2.12. Зависимость оценки качества предоставления услуги

“Аудио и видео системы, в том числе для оперативного вмешательства”

от задержки и скорости передачи информации

Выводы по главе 2

1. Разработана модель и метод оценки качества предоставленияуслуги физиологического мониторинга (мониторинга, которая используется) в сети M2M для электронного здоровья на основе нечеткой логики. Введены лингвистические переменные, которые определяют параметры для оценки (скорость передачи информации, задержка и доля потерянных пакетов). При оценке качества предоставления услуги физиологического мониторинга используется алгоритм нечеткого логического вывода Мамдани. При агрегировании подусловий применяются логические операции min-конъюнкции и max-дизъюнкции, при аккумуляции заключений правил проводится объединение нечетких множеств по формуле max-дизъюнкции, при дефаззификации используется наиболее распространенный метод – метод центра тяжести.

2. Сеть связи обеспечивает удовлетворительные оценки качества предоставления услуги физиологического мониторинга при задержках до 300 мс и скоростях передачи выше 80 кб/с, а также при скоростях передачи выше 50 кб/с и задержках до 100 мс и при доле потерянных пакетов – не более 10^-6.

3. Сети связи следующего поколения создавались с учетом требований по обеспечению гарантированного уровня качества обслуживания, наиболее сложным из которых является обеспечение задержки в 100 мс для услуги VoIP. В настоящее время появляются новые услуги, требующие существенно (в несколько раз) меньшего значения задержки. В главе анализируются услуги игр в реальном времени, для которых критичным является значение задержки в 50 мс, и услуги системы e-health, одна из которых требует обеспечения задержки в 10 мс, для этого предлагается ввести новый класс сетей – сети с малыми задержками.

4. Результаты моделирования гипотетической сети, выполненной в соответствии с рекомендацией Y.1541, доказывают, что в сетях связи с малыми задержками сети доступа должны быть выполнены на гигабитных технологиях.

5. Внедрение сетей связи с малыми задержками, создаваемыми, как правило, для предоставления услуг специализированных провайдеров, например, медицинских, требует изменения подхода к оценке качества обслуживания. На примере услуги “Аудио и видео системы, в том числе для оперативного вмешательства” предлагается использовать для этой цели методы нечеткой логики.

ГЛАВА 1. АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ НЕЧЕТКОЙ ЛОГИКИ В СЕТЯХ ИНТЕРНЕТА ВЕЩЕЙ

Концепция Интернета Вещей

Развитие сетей связи общего пользования (ССОП) в первом десятилетии XXI века осуществлялось на базе концепции сетей связи следующего поколения (NGN – Next Generation Network). Концепция NGN предусматривает эволюционный переход от сетей с коммутацией каналов к сетям с коммутацией пакетов, что сегодня реализовано в виде фрагментов сетей или крупномасштабных сетей с коммутацией пакетов практически всеми ведущими операторами мира. Параллельно с этим процессом начало XXI века ознаменовалось конверсией сенсорных сетей, созданием теории и практической реализацией, так называемых всепроникающих сенсорных сетей (USN – Ubiquitous Sensor Networks).

C одной стороны, клиентская база в виде человека с его терминалами исчерпала себя, с другой, появление возможности взаимодействия устройств между собой без участия человека поставили вопрос о необходимости разработки новой концепции развития ССОП. Замечательно оправдавшая себя концепция NGN вместе с тем была рассчитана на обслуживание единиц и нескольких десятков миллиардов пользователей. Взаимодействие же устройств между собой заставляет задуматься о построении триллионной сети, т.е. сети, в которой число пользователей будет измеряться единицами и десятками триллионов. Такая концепция получила название Интернета Вещей (ИВ). [14,38]

Идея Интернета Вещей сама по себе очень проста. Представим, что все окружающие нас предметы и устройства (домашние приборы и утварь, одежда, продукты, автомобили, промышленное оборудование и др.) снабжены миниатюрными сенсорными (чувствительными) устройствами. Тогда при наличии необходимых каналов связи с ними можно не только отслеживать эти объекты и их параметры в пространстве и во времени, но и управлять ими, а также включать информацию о них в общую «умную планету». В самом общем виде с инфокоммуникационной точки зрения Интернет Вещей можно записать в