XII Международная студенческая научная конференция Студенческий научный форум - 2020

Статья написана в рамках курсовой работы по дисциплине «Machine Learning». В работе была поставлена задача изучения методов машинного обучения, проектирования нейронной сети, ее обучения и анализа полученных результатов. На кафедре ИСУиА ведется активная работа по исследованию и применению методов интеллектуального анализа данных для управления техническими системами. Опубликованы работы, связанные с интеграцией унаследованных приложений для поддержки высокопроизводительных вычислений [1], применением параллельных алгоритмов в нейронной сети для распознавания жестового языка [2] и интеллектуальными базами данных [3].

В настоящее время, передача данных пользователю во многих случаях осуществляется с использованием беспроводных технологий передачи данных. В 2018 году компания Cisco опубликовала собственное исследование интернет траффика «Visual Networking Index». В нем было спрогнозировано, что к 2021 году траффик, генерируемый мобильными устройствами, в частности смартфонами, вдвое превысит трафик с ПК. Ожидается, что беспроводные и мобильные устройства составят 63% от всего IP трафика [4].

Проблема выбора конфигураций устройств в корпоративной сети, особенно для сетей с множеством конечных устройств, является трудоемкой. Многие организации останавливаются на оптимально подобранной конфигурации для устройств. Несмотря на это, уровень сигнала может по-прежнему быть низким, так как на качество связи влияет большое количество факторов и некоторые из них постоянно изменяются. Например, на качество связи может повлиять ширина стен в помещении; количество устройств, подключенных к одной точке доступа; тип данных, к которым осуществляется доступ и другое.

В качестве основы разработок систем принятия решений находятся нейронные сети. Обучаемость нейронных сетей дает им возможность быстро адаптироваться к изменениям временных интервалов исследуемых систем. Нейронные сети могут использоваться в различных областях, а их использование позволяет добиться конкурентного преимущества для разрабатываемой системы поддержки. Таким образом, нейронные сети востребованы в современном мире для решения проблем в разных областях деятельности человека.

На практике используются некоторые решения, разработанные в области оптимизации беспроводных сетей с помощью методов машинного обучения:

NetInsight

NetInsight автоматически определяет оптимальную конфигурацию Wi-Fi сетей с учетом особенностей среды. Она определяет тип помещения, количество точек доступа, следит за тем, как работает устройство в зависимости от того, передвигается ли конечное устройство или нет. NetInsight может дать рекомендации по настройке сети для оптимизации работы, а также отследить какие изменения привели к наилучшему результату [5]. Топология работы NetInsight изображена на рис. 1.

Рис. 1 – Топология работы NetInsight [6].

OmniEdge

OmniEdge следит за состоянием сети и проактивно управляет ее параметрами, осуществляет быструю и безопасную аутентификацию разнообразных IoT устройств. Для оптимизации WLAN OmniEdge анализирует параметры работы сети за определенное время, производит корректировку конфигураций, оптимизацию, балансировку нагрузки и диагностику [7].

Для исследования влияния параметров сети на уровень сигнала построим и обучим нейроную сеть с архитектурой прецептрон. Такие сети прямолинейны и информация передается от входа к выходу. Для обучения часто используется алгоритм обратного распространения ошибки.

Для обучения нейронной сети необходимо подготовить данные, имеющие несколько значимых признаков в качестве входных данных и соответствующее значение, ожидаемое в результате решения задачи классификации. В качестве ожидаемого после работы алгоритма значения Y выбираем этаж, с которого были произведены измерения. На нейроны первого слоя (х1, х2, х3) принимают соответствующие значения из обучающего набора (значение первого признака присваивается х1 и т.д.).

Поскольку нейронная сеть представляет собой связанные между собой нейроны на разных слоях, в функции активации учитываются значения нейронов предыдущего слоя, связанных с искомым нейроном, и веса их связей. Сеть производит следующие вычисления:

(1)

Для оценки работы нейронной сети используется функция стоимости особого вида.

(2)

Значения на выходных нейронах после работы алгоритма обучения будут равны 0 или 1. Разные комбинации этих чисел будут свидетельствовать о предсказании конкретного класса.

В статье решается задача изучения влияния параметров сети на качество сигнала. На основании выбранных характеристик подключения определяется этаж, с которого производится выход в сеть. Результаты исследования актуальны в области системного администрирования. Для решения этой задачи на открытом ресурсе kaggle.com из файла WiFiData.csv были взяты результаты исследования качества сигнала в зависимости от множества параметров, среди которых, кроме выбранных, были: количество доступных сетей, количество подключенных устройств и т.д [8]. Фрагмент результатов приведен на рис. 2.

В процессе подготовки обучающего набора были исключены некоторые признаки. Оставшиеся данные приведены к стандартному виду для интерпретации алгоритмом, а буквенные – заменены соответствующими кодами. Данные, разделяемые ранее запятой, разнесены в отдельные ячейки.

Рис. 2 – Фрагмент набора обучающих данных

Формат представления может быть объяснен на примере первой строки из рис. 2. Строку можно интерпретировать так: 1 числа были измерены параметры, измерения проводились в 11 часов, скорость скачивания составила 46 Мб/с, измерения проводились с устройства Android, скорость загрузки равна 71 Мб/с, максимальный уровень сигнала – 42 Дбм, измерения проводились на 1-м этаже.

Эффективностью обучения нейронной сети можно управлять с помощью следующих параметров: количеством эпох (КЭ) - сколько раз алгоритм проходит через все обучающие наборы и скоростью обучения (СО) - насколько сильно значения изменяются на каждой итерации обучения. Эффективность измеряется с помощью нахождения точности обучения и среквадратической ошибки (СКО).

За основу принимается архитектура, приведенная на рис. 2.

Рис. 2 – Базовая архитектура обучаемой нейронной сети.

Для исследования влияния параметров сети на беспроводной сигнал количество нейронов во входном и скрытом слое будет изменяться.

Результаты обучения при разных параметрах нейронной сети:

Архитектура сети: 5 входных, 8 скрытых, 3 выходных нейронов

	КЭ = 2000 СО = 0,07	КЭ = 1500 СО = 0,08	КЭ = 150 СО = 0,09-0,12	КЭ = 2000 СО = 0,13
Точность обучения	48,97	51,02	53,06	36.73
СКО	0,267	0,254	0,257	0,281

Причем, как можно заметить из рис. 3 и 4, точность обучения при выбранной скорости обучения 0.09 – 0.11, достигает своего максимума гораздо раньше, чем с другими значениями.

Рис. 3 – Зависимость точности обучения от количества эпох при скорости обучения равной 0,09 – 0,11

Рис. 4 – Зависимость точности обучения от количества эпох при скорости обучения равной 0,08

Архитектура сети: 6 входных, 8 скрытых, 3 выходных нейронов

	КЭ = 2000 СО = 0,07	КЭ = 2000 СО = 0,08	КЭ = 2000 СО = 0,09	КЭ = 2000 СО = 0,1
Точность обучения	53,06	46,93	57,14	51,02
СКО	0,252	0,281	0,251	0,267

Архитектура сети: 6 входных, 6 скрытых, 3 выходных нейронов

	КЭ = 2000 СО = 0,07	КЭ = 2000 СО = 0,09	КЭ = 2000 СО = 0,1 - …
Точность обучения	40,81	51,02	53,06
СКО	0,262	0,270	0,255

Архитектура сети: 4 входных (исключены признаки устройство и уровень сигнала), 5 скрытых, 3 выходных нейронов

	КЭ = 2000 СО = 0,1	КЭ = 2000 СО = 0,09	КЭ = 2000 СО = 0,03 - …
Точность обучения	48,97	51,02	53,06
СКО	0,268	0,256	0,252

Заключение

Современные методы интеллектуального анализа данных дают возможность выявлять закономерности и делать выводы на основании набора данных.

В задаче исследования влияния параметров беспроводной корпоративной сети на качество сигнала при обучении нейронной сети было выявлено, что уменьшение количества признаков понизило точность обучения и наилучшие результаты при решении этой задачи показала сеть с архитектурой 6 входных, 8 скрытых, 3 выходных нейронов. Изменение параметров количества эпох и скорости обучения также оказало влияние на результат и оптимальными значениями являются КЭ = 2000, СО = 0,09.

Список литературы

Трунов А.С. ПРОГРАММА ИНТЕГРАЦИИ УНАСЛЕДОВАННЫХ ПРИЛОЖЕНИЙ ДЛЯ ПОДДЕРЖКИ ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ ВЫЧИСЛЕНИЙ / Трунов А.С., Сухачев Д.И., Воронова Л.И // Научная Электронная Библиотека [Электронный ресурс]. – Электрон. журн. – 2019. – Режим доступа: https://elibrary.ru/item.asp?id=39308441

Воронов В.И. ПРИМЕНЕНИЕ ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ В НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ЖЕСТОВОГО ЯЗЫКА / Воронов В.И., Воронова Л.И, Генчель К.В. // Научная Электронная Библиотека [Электронный ресурс]. – Электрон. журн. – 2018. – Режим доступа: https://elibrary.ru/item.asp?id=35428285

Воронова Л.И. ИНТЕЛЛЕКТУАЛЬНЫЕ БАЗЫ ДАННЫХ / Воронова Л.И // Научная Электронная Библиотека [Электронный ресурс]. – Электрон. журн. – 2013. – Режим доступа: https://elibrary.ru/item.asp?id=29994677

Cisco. Visual Networking Index [Электронныйресурс]. – М. cisco.com, 2019.– Режим доступа: https://www.cisco.com/c/en/us/solutions/service-provider/vni-network-traffic-forecast/vni-forecast-info.html

Patrick LaPorte. Four Ways Machine Learning Makes the Wi-Fi User Experience Better [Электронныйресурс]. – М. arubanetworks.com, 2018.– Режим доступа: https://blogs.arubanetworks.com/solutions/four-ways-machine-learning-makes-the-wi-fi-user-experience-better/

Aruba. Aruba NetInsight [Электронный ресурс]. – М. arubanetworks.com, 2019.– Режим доступа: https://www.arubanetworks.com/assets/ds/DS_NetInsight.pdf

Extreme. ExtremeAI for Smart OmniEdge [Электронныйресурс]. – М. extremenetworks.com, 2018.– Режим доступа: https://www.extremenetworks.com/resources/white-paper/extremeai-for-smart-omniedge/

Michael Lomuscio. WiFi Study [Электронный ресурс]. – М. kaggle, 2019.– Режим доступа: https://www.kaggle.com/mlomuscio/wifi-study

Код для цитирования: Скопировать