Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 1 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 1](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-1_0hn34J6pJV.jpg)
Trang 1
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 2 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 2](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-2_jjCQlT1sVa.jpg)
Trang 2
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 3 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 3](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-3_ML1TsoS2Bb.jpg)
Trang 3
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 4 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 4](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-4_poj5ugH4N1.jpg)
Trang 4
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 5 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 5](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-5_vVXq9NyBMd.jpg)
Trang 5
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 6 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 6](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-6_FR7MCiPPTN.jpg)
Trang 6
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 7 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 7](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-7_aWlaM6nPdA.jpg)
Trang 7
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 8 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 8](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-8_eNqZ824pvO.jpg)
Trang 8
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 9 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 9](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-9_GHyoKi1AhH.jpg)
Trang 9
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 10 Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng trang 10](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/229/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma-trang-10_a5WPai2zG8.jpg)
Trang 10
Tải về để xem bản đầy đủ
Bạn đang xem 10 trang mẫu của tài liệu "Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.
Tóm tắt nội dung tài liệu: Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng
![Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng](https://s1.thuvienluanvan.org/d2fndtiye73ondva/thumb/2024/03/02/luan-an-nghien-cuu-cai-tien-co-che-dieu-khien-tai-cac-nut-ma_RRVzrqKNwU.jpg)
ng không được trơn. Các tham 51 số của các hàm thuộc trong bộ điều khiển mờ của FEM không thể tự động thay đổi để FEM thích nghi hơn với điều kiện mạng khác nhau. Do FEM đặt giá trị chiều dài hàng đợi tham chiếu ( 푄퐿) tĩnh, nên giá trị này không thể tự động thay đổi phù hợp với trạng thái của mạng. Mặt khác, FEM cho giá trị đầu ra là xác suất đánh dấu gói tin, do giá trị này không được kiểm soát tự động sau khi được tính, nên FEM chưa có khả năng tự điều chỉnh giá trị của xác suất cho phù hợp với tình trạng mạng. Do hệ luật suy diễn của FEM được cài đặt phụ thuộc rất nhiều vào chuyên gia và hệ luật này không có khả năng cập nhật trong quá trình hoạt động của FEM, nên FEM chưa thích nghi cao với những điều kiện thực tế khác nhau. Vì vậy, luận án đưa ra một số cải tiến cơ chế RED theo mô hình điều khiển mờ thích nghi AFC để phần nào khắc phục các hạn chế trên. Cơ chế mới này có tên gọi là FLRED được xây dựng trong mục 2.4 của chương này. 2.2.2. Phân tích cơ chế FUZREM Năm 2008, Xu Changbiao và cộng sự đã đề xuất cơ chế quản lý hàng đợi tích cực FUZREM [74] dựa trên sự cải tiến cơ chế REM bằng công cụ điều khiển mờ. FUZREM sử dụng hàm giá (biến 푙) đo lường tắc nghẽn tức thời của cơ chế REM, và xác định độ lệch của chiều dài hàng đợi so với chiều dài hàng đợi mong muốn (biến 푒 ) để tính xác suất đánh dấu gói. Hình 2.8 trình bày mô hình hoạt động của cơ chế FUZREM. x(t)-c(t) qref price pl SG update i Bộ điều khiển error SG plant mờ o SGi FUZREM perr Hình 2.8. Mô hình hoạt động của cơ chế FUZREM Biến đầu vào 푙 của bộ điều khiển mờ FUZREM được mờ hóa bởi hàm thuộc hình tam giác với 7 miền giá trị (tương tự như Hình 2.7) như sau: Z (Zero: Bằng không); T (Too Small: Rất rất nhỏ); VS (Very Small: Rất nhỏ); S (Small: Nhỏ); B 52 (Big: Lớn); VB (Very Big: Rất lớn); H (Huge: cao). Tương tự, biến đầu vào 푒 của bộ điều khiển mờ FUZREM được mờ hóa bằng hàm thuộc dạng tam giác với 5 miền giá trị và hàm thuộc hình thang với 2 miền giá trị đặt ở cận đầu và cận cuối. Hình dạng các hàm thuộc của 푒 tương tự như Hình 2.6, các giá trị của biến ngôn ngữ được chọn để biểu thị các trường hợp xảy ra đối với 푒 là: NB (Negative Big: Âm lớn); NM (Negative Medium: Âm lớn); NS (Negative Small: Âm nhỏ); Z (Zero: Gần không); PS (Positive Small: Dương nhỏ); PM (Positive Medium: Dương vừa); PB (Positive Big: Dương lớn). Đầu ra bộ điều khiển mờ của FUZREM là xác suất đánh dấu gói tin ( 표 ) được mờ hóa theo hàm thuộc hình tam giác với 7 giá trị khác nhau trong đoạn [0,1]. Hình dạng các hàm thuộc ( 표 ) tương tự Hình 2.7. Dựa trên biến đầu vào và đầu ra, bộ điều khiển mờ FUZREM được xây dựng gồm 49 luật trong Bảng 2.2 như sau: Bảng 2.2. Hệ thống luật suy diễn của cơ chế FUZREM 푃푒 ( ) 표 ( ) NB NM NS Z PS PM PB Z Z Z Z Z Z Z Z T Z Z Z Z Z Z T VS Z Z Z T T T VS 푙( ) S Z Z T T VS S B B VS S S S B VB VB VB B B VB VB H H H H H H H H H H H Theo đánh giá, thì FUZREM hoạt động rất hiệu quả khi ổn định được chiều dài hàng đợi theo giá trị mong muốn và giảm độ trễ của gói tin trong hàng đợi. Tuy nhiên, cũng như FEM, cơ chế FUZREM còn một số tồn tại làm ảnh hưởng đến quá trình hoạt động của nó. Chẳng hạn, bộ mờ hóa của FUZREM chưa trơn do sử dụng hàm thuộc tam giác, bộ tham số mờ của FUZREM chưa thể tự động cập nhật, và FUZREM chưa có cơ chế tự điều chỉnh giá trị mục tiêu cũng như cơ chế thích nghi cho xác suất đánh dấu gói tin tại đầu ra. Do vậy, để khắc phục các tồn tại trên, luận án đưa ra cơ chế FLREM là một cải 53 tiến cơ chế REM theo mô hình điều khiển mờ thích nghi AFC, được xây dựng trong mục 2.5 của chương này. 2.2.3. Một số vấn đề còn tồn tại của cơ chế AQM dùng điều khiển mờ Nhìn chung, các cơ chế cải tiến AQM có sử dụng logic mờ đã sử dụng hệ mờ Mamdani với hàm thuộc dạng tam giác, có các biến đầu vào là độ sai lệch giữa chiều dài hàng đợi tức thời với chiều dài hàng đợi tham chiếu, lấy trên hai thời điểm liên tiếp và biến đầu ra là xác suất đánh dấu gói. Các cơ chế này đã hoạt động rất hiệu quả khi ổn định được chiều dài hàng đợi theo giá trị mong muốn và giảm độ trễ của gói tin trong hàng đợi. Tuy nhiên, các cơ chế này còn một số tồn tại sau: Thứ nhất, việc sử dụng hàm thuộc dạng tam giác để tính toán đơn giản nhưng điều này làm cho việc điều khiển không được trơn [56][66]. Để khắc phục nhược điểm này, luận án đưa ra giải pháp dùng hàm thuộc dạng hình chuông để biểu diễn giá trị các biến mờ ở đầu vào và đầu ra của bộ điều khiển mờ. Thứ hai, giá trị biến xác suất đánh dấu gói tin ở đầu ra của bộ điều khiển mờ là sự thể hiện yếu tố định tính của con người khi tham gia điều khiển hệ thống, giá trị này đã được một số cơ chế chuẩn hóa trong đoạn [0,1]. Tuy nhiên, trong FEM và FUZREM thì hệ số này đều được điều chỉnh tĩnh, cần có cơ chế tự điều chỉnh hệ số ở đầu ra để tinh chỉnh giá trị xác suất đánh dấu gói tin theo định lượng của hệ thống, sao cho có giá trị xác suất phù hợp với tình trạng của mạng. Thứ ba, chiều dài hàng đợi tham chiếu (푞 푒 ) được sử dụng trong các cơ chế được thiết lập giá trị cố định, thông thường thì ngưỡng này là 80% năng lực của hệ thống (như kích thước vùng đệm). Tuy nhiên, cần có chiến lược xây dựng mô hình mẫu để thay đổi giá trị tham chiếu này một cách tự động cho phù hợp với trạng thái của mạng. Chẳng hạn, khi đường truyền rỗi thì đặt giá trị tham chiếu thấp để độ trễ tại hàng đợi nhỏ, ngược lại thì đặt giá trị tham chiếu cao để hạn chế mất gói. Thứ tư, tham số của các bộ điều khiển mờ (số hàm thuộc, giá trị các hàm thuộc, số luật, trọng số các luật) bị cố định từ khi thiết kế và không tự thay đổi được để phù hợp với tình trạng mạng. Thứ năm, nguyên nhân chính làm cho các cơ chế AQM sử dụng điều khiển mờ có hiệu quả hoạt động chưa cao là do các cơ chế này dùng hệ mờ Mamdani cho 54 bộ điều khiển mờ truyền thống của mình. Theo đánh giá của các nhà nghiên cứu trong lĩnh vực điều khiển tự động thì hệ mờ Mamdani hoạt động không hiệu quả bằng hệ mờ Sugeno, đặc biệt là trong các hệ thống điều khiển MISO như trên [5][8][66]. Để khắc phục hạn chế này của các cơ chế, luận án đề xuất mô hình bộ điều khiển mờ thích nghi AFC sử dụng hệ mờ Sugeno với các hàm thuộc hình chuông có các cơ chế điều chỉnh giá trị mục tiêu và cơ chế tự kiểm soát xác suất đầu ra. Bộ điều khiển mờ thích nghi AFC được xây dựng và ứng dụng trong phần còn lại của chương này. 2.3. Xây dựng mô hình điều khiển mờ thích nghi AFC cải tiến AQM Dựa trên những tồn tại của các cơ chế ứng dụng logic mờ vào quản lý hàng đợi tích cực trước đây đã được trình bày ở trên, luận án đề xuất mô hình quản lý hàng đợi tích cực dựa trên điều khiển mờ thích nghi AFC. 2.3.1. Đề xuất bộ điều khiển mờ thích nghi AFC cải tiến AQM 2.3.1.1. Mô hình điều khiển mờ thích nghi AFC Điều khiển mờ thích nghi AFC được cải tiến từ các mô hình điều khiển mờ của các cơ chế FEM và FUZREM, có bộ xử lý trung tâm là bộ điều khiển mờ Sugeno, có cơ cấu tự điều chỉnh tham số vào và tham số ra, sao cho đầu ra của mô hình giống mô hình mẫu nhất. Hình 2.9 mô hình mờ thích nghi đề xuất, kết quả này được công bố trong [CT8]. Trong đó, có các thành phần được bổ sung và cải tiến như sau: Mô hình ym mẫu G m + e - Cơ cấu thích nghi x e(t) Điều khiển mờ p(t) pk(t) TCP/IP y K1 K + F G - Trễ T K2 e(t-T) Điều khiển mờ thích nghi AFC Hình 2.9. Mô hình điều khiển mờ thích nghi AFC 55 Bộ điều khiển mờ Mamdani có các hàm thuộc hình tam giác được thay thế bằng bộ điều khiển mờ Sugeno với các hàm thuộc hình chuông để việc điều khiển được “trơn” và tính toán nhanh hơn do hệ mờ Sugeno không phải giải mờ ở đầu ra. Bổ sung mô hình mẫu , thành phần này tự động định ra các giá trị tham chiếu (giá trị mong muốn) dựa trên năng lực của nút mạng (kích thước vùng đệm, băng thông đường truyền tại ngõ ra) và trạng thái của mạng (mục 2.3.4). Cải tiến công thức tính toán cho các hệ số đầu vào 퐾푖 để bộ điều khiển mờ có thể nhận được các đầu vào khác nhau về tiêu chí kiểm soát, như: độ sai lệch về chiều dài hàng đợi, độ sai lệch về băng thông đường truyền hay độ sai lệch tài nguyên tại nút mạng (sai lệch về chiều dài hàng đợi và băng thông đường truyền) (mục 2.3.3.1). Thành phần cuối cùng được bổ sung trong AFC là Cơ cấu thích nghi để điều chỉnh hệ số đầu ra 퐾 nhằm tăng giảm xác suất đánh dấu gói tin phù hợp với tình trạng mạng luôn thay đổi (mục 2.3.5). 2.3.1.2. Hoạt động của bộ điều khiển mờ thích nghi AFC Bước 1: Dựa trên sự thay đổi của ngõ vào theo số chu kỳ mà Mô hình mẫu xác định ngõ ra tham chiếu (chiều dài hàng đợi tham chiếu, băng thông đường truyền mong muốn hoặc kết hợp cả hai yếu tố này) cho mạng. Giá trị được thiết lập phù hợp năng lực tài nguyên của hệ thống và trạng thái của mạng. Bước 2: Hệ thống điều khiển vòng kín, các giá trị ngõ vào 푒(푡), 푒(푡 − ) là độ sai lệch của ngõ ra so với giá trị tham chiếu sẽ được chuẩn hóa nhờ vào các hệ số 퐾1 và 퐾2 trước khi đi vào bộ điều khiển mờ. Bước 3: Sau khi các số liệu ở ngõ vào đã được chuẩn hóa, dữ liệu sẽ được đưa đến bộ điều khiển mờ. Tại đây, hệ thống điều khiển mờ với các thành phần: bộ mờ hóa, hệ luật, động cơ suy diễn và bộ giải mờ như trình bày trong mục 2.3.3.4 sẽ hoạt động và tính giá trị xác suất đánh dấu gói (푡). Bước 4: Dựa trên độ sai lệch e cho phép giữa giá trị tham chiếu với giá trị đầu ra và độ sai lệch thực tế 푒(푡) của hệ thống mà bộ Cơ cấu thích nghi sẽ điều chỉnh hệ số 퐾 ở đầu ra của bộ điều khiển mờ thích nghi AFC cho thích hợp điều kiện mạng thay đổi. 56 2.3.2. Xác định các biến đầu vào và đầu ra cho AFC Để hệ thống hoạt động tốt thì cần thiết lập phạm vi của các giá trị cho các biến đầu vào sao cho phù hợp với hệ thống. Phạm vi của các giá trị này có thể được xác định bằng cách thử nghiệm với các giá trị đầu vào khác nhau cho các hệ thống điều khiển nhằm xác định phạm vi biến thiên của lỗi trong trong một khoảng thời gian lấy mẫu. Luận án chọn giá trị lỗi 푒(푡) và tốc độ thay đổi của lỗi dựa thêm vào giá trị lỗi tại thời điểm trước 푒(푡 − ) làm đầu vào trên bộ điều khiển mờ. Tức là, đầu vào là sự sai lệch của giá trị đầu ra tức thời ( ) so với giá trị đầu ra tham chiếu (ym) tại hai thời điểm liên tiếp là (푡) và (푡 − ). Biểu thức 푒(푡) = − (푡) xác định lỗi thời điểm hiện tại và 푒(푡 − ) = − (푡 − ) là xác định lỗi thời điểm sau khi trễ một thời gian (ở chu kỳ lấy mẫu trước đó). Tương tự, ta cần xem xét đến việc lựa chọn xác suất đánh dấu/loại bỏ gói tin (푡) làm đầu ra của bộ điều khiển mờ. 2.3.3. Xây dựng bộ điều khiển mờ cho AFC Bộ điều khiển mờ cho AFC được xây dựng dựa trên hệ mờ Sugeno có các thành phần: hệ số đầu vào, bộ mờ hóa đầu vào, hệ luật cơ sở và bộ giải mờ đầu ra. 2.3.3.1. Hệ số đầu vào Giá trị của các biến đầu vào 푒(푡) và 푒(푡 − ) cần được chuẩn hóa về miền giá trị thích hợp cho việc mờ hóa và huấn luyện sau này bằng hàm sigmoid. Do đó, tất cả các giá trị này phải được chuẩn hóa thuộc đoạn [-1,1]. Vì vậy, các hệ số đầu vào 퐾1, 퐾2 được xác định, sao cho −1 ≤ 푒(푡). 퐾1 ≤ 1; −1 ≤ 푒(푡 − ). 퐾2 ≤ 1 và được tính theo công thức (2.33): 1/ymm ; y y Kii ; 1,2 (2.33) 1/ (ymax y m ) ; y y m trong đó, là giá trị lớn nhất của mô hình mẫu, là giá trị hàm tham chiếu (mô hình mẫu hiện tại của hệ thống). Khi < (giá trị đầu ra dưới mức tham chiếu) thì 0 < 푒(푡). 퐾푖 = ( − )/ < 1 (푖 = 1̅̅,̅2̅). Ngược lại, khi ≥ (giá trị đầu ra trên mức tham chiếu) thì −1 < 푒(푡). 퐾푖 = ( − )/( − ) ≤ 0 ( 푖 = 1̅̅,̅2̅). 2.3.3.2. Mờ hóa đầu vào Để xác định các luật cho hệ suy luận, ta cần thiết phải đặc tả các biến ngôn 57 ngữ để đưa vào bộ điều khiển mờ nhằm mô tả đối tượng một cách tốt nhất. Các biến ngôn ngữ đầu vào được chọn là “sai lệch chiều dài hàng đợi”, “sai lệch tải nạp” ở hai thời điểm liên tiếp là (푡) và (푡 − ). Sai lệch chiều dài hàng đợi là sai số giữa chiều dài hàng đợi tham chiếu ( 푄퐿) với chiều dài hàng đợi tức thời. Sai lệch tải nạp là sai số giữa băng thông đường truyền định mức ( 푊) với thông lượng thực. Các giá trị của biến ngôn ngữ được chọn để biểu thị các trường hợp xảy ra đối với hai đầu vào 푒(푡) và 푒(푡 − ) tương ứng với hai thời điểm liên tiếp và được mờ hóa bởi hàm thuộc dạng hình chuông trong công thúc (2.4). Để đơn giản trong tính toán, thông thường hàm thuộc dạng hình tam giác, hình thang được sử dụng cho các biến ngôn ngữ. Tuy nhiên, các hàm thuộc này cho giá trị điều khiển không trơn. Vì vậy trong luận án sử dụng hàm thuộc hình chuông để mờ hóa cho các biến đầu vào. Trong bộ điều khiển mờ, ta sử dụng phương pháp với các hàm thuộc đối xứng và cách đều, tổng hợp của các độ thuộc của một giá trị ngôn ngữ đầu vào luôn là bằng 1. 2.3.3.3. Hệ luật cơ sở suy diễn mờ Tập các luật mờ được thiết kế một cách chi tiết bằng việc chọn lựa mô hình MISO đơn giản nhất (tránh được sự gia tăng theo hàm mũ của tập các luật mờ và do đó giảm được độ phức tạp của hệ điều khiển) dựa trên mục tiêu sự toàn diện của hệ luật, có nghĩa là tất cả các tình huống về hành vi của hệ thống đều phải được xem xét. Điều này có nghĩa là tổ hợp sự thay đổi các biến đầu vào sẽ dẫn đến một đầu ra tương ứng. Các luật trong bộ điều khiển mờ thích nghi AFC được xây dựng dựa trên công thức (2.32) của hệ mờ Sugeno. 2.3.3.4. Giải mờ đầu ra Để ra được quyết định điều khiển cuối cùng, tập mờ đầu ra này cần phải được chuyển thành một giá trị đầu ra rõ thông qua phép giải mờ. Ở đây, giải mờ được tính theo phương pháp trọng tâm của miền mờ, theo công thức (2.34) như sau: m yy () y () y dy j c j c j 1 (a) p Y (b) pk m (2.34) k ()y dy c cj()y Y j 1 58 trong đó 휇 ( ) = max (휇1( ), 휇2( ), , 휇 ( )) là độ phụ thuộc của trong tập mờ kết hợp và là số luật suy luận. Giới hạn của phép tích phân trong công thức (2.34a) tương ứng với không gian nền 푌 của giá trị xác suất đánh dấu/loại bỏ mà chứa . Để giảm bớt quá trình tính toán, ta rời rạc hóa không gian 푌 thành giá trị và thu được giá trị trọng tâm như công thức (2.34b). 2.3.4. Xây dựng mô hình mẫu cho AFC Mục tiêu thiết kế các thuật toán AQM là xác định giới hạn của biến động hàng đợi hay biến động tải nạp, để điều chỉnh hàng đợi hay tải nạp ở một mức độ phù hợp nhằm ổn định hệ thống và duy trì mức độ đáp ứng dịch vụ mạng. Điều này dẫn đến cần phải có một đầu vào tham chiếu là chiều dài hàng đợi, hoặc thông lượng tham chiếu phù hợp được xây dựng từ mô hình mẫu Gm. Dựa trên khả năng tối đa (kích thước vùng đệm, băng thông đường truyền) trong mô hình mẫu để thiết lập các giá trị tham chiếu tương ứng, và giá trị được xác định như sau: ( ) = ( − 1) + 훼y (2.35) Trong đó, hệ số 훼 là hệ số tỉ lệ để tăng hoặc giảm giá trị mong muốn . Sau chu kỳ cập nhật , nếu trung bình độ sai lệch của giá trị đầu ra so với giá trị mong muốn tăng thì tăng giá trị , ngược lại thì giảm . Điều này giúp cho sự thay đổi các giá trị mục tiêu phù hợp với tình trạng mạng. Tham số này có thể được thiết lập sao cho đạt được trễ trung bình và biến thiên độ trễ thấp. Với mục đích giữ kích thước hàng đợi tức thời ở một mức cố định, kiểm soát thông lượng không thay đổi. Thuật toán điều khiển mờ cho phép kiểm soát chặt chẽ hơn, tránh tổn thất và các biến động không thể chấp nhận được xung quanh điểm tham chiếu. Điều này trái ngược với các thuật toán AQM truyền thống, kiểm soát các hành vi vĩ mô của chiều dài hàng đợi và lưu lượng gói tin đến, nên chúng thường dẫn đến phản ứng chậm chạp và biến động trong chiều dài hàng đợi/lưu lượng tải tức thời, dẫn đến biến thiên độ trễ lớn. 2.3.5. Xây dựng cơ chế thích nghi cho AFC Cơ chế thích nghi để điều chỉnh hệ số K ở ngõ ra sao cho giá trị xác suất đánh dấu thích hợp. Khi giá trị ngõ ra vượt quá giá trị tham chiếu thì cần tăng 퐾 để tăng 59 xác suất đánh dấu và ngược lại. Áp dụng phương pháp giảm Gradient để chỉnh định thích nghi hệ số đầu ra 퐾 của bộ điều khiển mờ. Quá trình điều chỉnh được thực hiện theo cấu trúc chính được gọi chung là điều khiển thích nghi mờ theo mô hình mẫu. Đối tượng điều khiển TCP/IP có hàm truyền G, mô hình mẫu có hàm truyền Gm và bộ điều khiển mờ có hàm truyền F. Cần phải tìm ra quy luật chỉnh định hệ số K sao cho sai lệch giữa giá trị thực đầu ra và với giá trị tham chiếu tiến đến 0 (ε →0). Dựa trên mô hình trong Hình 2.9 thì hệ số đầu ra được xác định như sau: KFG yy m (2.36) 1 KFG eey KFGym KFG 2 (2.37) K K(1 KFG ) K 1 KFG K y với m e , giả thiết rằng khi tiến đến thì 퐾퐹 /(1 + 퐾퐹 ) 1. 1 KFG ee Vì vậy, ta có: và giá trị 퐾 được tính theo công thức (2.38) như sau: KK 퐾(푡 + 1) = 퐾(푡) − 휀( − (푡)) (2.38) Dựa vào công thức (2.38), khi giá trị ngõ ra vượt quá ngưỡng tham chiếu ( (푡) > ) thì tăng giá trị của hệ số 퐾 để tăng giá trị xác suất đánh dấu gói tin. Ngược lại, khi giá trị ngõ ra dưới ngưỡng tham chiếu ( (푡) < ) thì giảm giá trị của hệ số 퐾 để giảm giá trị xác suất đánh dấu gói tin. Khi đạt trạng thái ổn định, giá trị ngõ ra bằng giá trị tham chiếu ( (푡) = ) thì giữ giá trị 퐾 không đổi. 2.4. Cải tiến cơ chế RED bằng điều khiển mờ thích nghi AFC Theo phân tích đánh giá về các cơ chế AQM truyền thống trong Chương 1, cũng như phân tích đánh giá về các cơ chế AQM có sử dụng logic mờ trong Chương 2, thì các công trình cải tiến cơ chế AQM dựa trên chiều dài hàng đợi xoay quanh việc sửa đổi RED. Vì vậy, trong phần xây dựng cơ chế cải tiến AQM bằng điều khiển mờ thích nghi AFC, luận án tiếp tục chọn việc cải tiến RED đại diện cho các cơ chế AQM dựa trên chiều dài hàng đợi. Sự tích hợp điều khiển mờ thích nghi AFC vào cơ chế RED hình thành cơ chế cải tiến có tên gọi là FLRED dựa trên mô hình AFC tổng quát đã trình bày trong mục 2.3.1 được mô tả chi tiết như sau. 60 2.4.1. Mờ hóa biến đầu vào của FLRED Sử dụng mô hình cải tiến tổng quát như trong Hình 2.9, với là chu kỳ lấy mẫu. Với 푄푒(푡) = 푄퐿 − 푞(푡), 푄푒(푡 − ) = 푄퐿 − 푞(푡 − ) là sai lệch của chiều dài hàng đợi tức thời so với hàng đợi tham chiếu ( 푄퐿) tại chu kỳ lấy mẫu và ở chu kỳ lấy mẫu trước đó. Độ sai lệch này được chuẩn hóa giá trị trong đoạn [-1,1] trước khi đưa vào bộ điều khiển mờ nhờ vào hệ số 퐾1 và 퐾2 xác định theo công thức (2.33). Các giá trị của biến ngôn ngữ được chọn để biểu thị các trường hợp xảy ra đối với hai đầu vào 푄푒(푡), 푄푒(푡 − ) được chia làm bảy miền giá trị (bằng số miền giá trị của FEM và FUZREM) là {NB, NM, NS, ZE, PS, PM, PB}. Các miền giá trị được thể hiện trong Bảng 2.3 sau: Bảng 2.3. Mờ hóa các biến đầu vào của FLRED Miền Tiếng Anh Tiếng Việt Ý nghĩa NB Negative Big Âm lớn 푞(푡) ⋙ 푄퐿 NM Negative Medium Âm vừa 푞(푡) ≫ 푄퐿 NS Negative Small Âm nhỏ 푞(푡) > 푄퐿 ZE Zero Gần không 푞(푡) ≈ 푄퐿 PS Positive Small Dương nhỏ 푞(푡) < 푄퐿 PM Positive Medium Dương vừa 푞(푡) ≪ 푄퐿 PB Positive Big Dương lớn 푞(푡) ⋘ 푄퐿 Ngữ cảnh mô tả cách thể hiện các giá trị biến ngôn ngữ như sau: Phát biểu “sai lệch hàng đợi là dương lớn” (PB) mô tả tình huống mà khi đó hàng đợi tức thời dưới nhiều so với giá trị tham chiếu ( 푄퐿). Phát biểu “Sai lệch hàng đợi trước là âm nhỏ và sai lệch hàng đợi là dương lớn” mô tả tình huống mà khi đó chiều dài hàng đợi trong chu kỷ trước hơi vượt quá chiều dài hàng đợi tham chiếu và chiều dài hàng đợi tức thời dưới nhiều so với chiều dài hàng đợi tham chiếu. Điều này có nghĩa là chiều dài hàng đợi có xu hướng đi xa theo chiều xuống so với giá trị hàng đợi tham chiếu. 61 Hình 2.10 và Hình 2.11 thể hiện hình ảnh hàm thuộc cho các biến đầu vào 푄푒(푡), 푄푒(푡 − ) của bộ điều khiển mờ FLRED. Hình 2.10. Hàm thuộc cho biến đầu vào 푄푒(푡) Hình 2.11. Hàm thuộc cho biến đầu vào 푄푒(푡 − ) Bảng 2.4 và Bảng 2.5 trình bày giá trị của các tham số cho các hàm thuộc 푄푒(푡), 푄푒(푡 − ) của bộ điều khiển mờ FLRED. Bảng 2.4. Giá trị tham số các hàm thuộc của 푄푒(푡) 푄푒(푡) NB NM NS ZE PS PM PB a 0.2570 0.1667 0.1667 0.1667 0.1667 0.
File đính kèm:
luan_an_nghien_cuu_cai_tien_co_che_dieu_khien_tai_cac_nut_ma.pdf
Dong gop moi (Anh - Viet).pdf
Tom tat (Anh).pdf
Tom tat (Viet).pdf