,Redes
INTRODUCCIN
El acelerado crecimiento de Internet, en cuanto a
servicios, aplicaciones, cobertura y usuarios, ha cambiado de
enfoque tradicional de uso de las redes de comunicaciones;
hasta hace algunos aos consideradas nicamente como un
medio restringido por el cual circulaban datos. Hoy en da,
debido a, la apertura, flexibilidad y facilidad de acceso a
Internet se ha incrementado la exigencia de los
requerimientos de las aplicaciones: mayor calidad de
servicio, mayor ancho de banda, menor latencia en la red,
mayor calidad en la transmisin, entre otros. Esto implica
la bsqueda y aplicacin de soluciones ms ingeniosas para
1
2
Nelson Piedra, Universidad Tcnica Particular de Loja, Escuela de Ciencias de la Computacin, nopiedra@utpl.edu.ec
Jorge Lpez, Universidad Tcnica Particular de Loja, Unidad de Proyectos y Sistemas Informticos, jalopez2@utpl.edu.ec
INGENIERA DE TRFICO
La Ingeniera de Trfico, trata de resolver, uno de los
mayores problemas de las redes IP actuales: ajustar el trfico
IP para hacer un mejor uso del ancho de banda, as como
enviar flujos especficos por caminos especficos [Alcober,
2001].
IETF, ha propuesto varias tcnicas para proveer calidad
de servicio -QoS- en Internet. Las redes como Internet,
tienen tres caractersticas significativas: 1) proporcionan
servicios en tiempo real, 2) son de misin crtica, y 3) sus
entornos operativos son muy dinmicos [RFC-3272,
Awduche], desde este punto de vista, resulta complejo
modelar, analizar y resolver los problemas asociados al
mantenimiento, gestin y afinamiento de las redes.
En las siguientes secciones se presentan los conceptos,
objetivos y tareas de la Ingeniera de Trfico; adems se
hace una breve revisin de los eventos o tecnologas que le
precedieron y que en algunos casos han servido de base para
la Ingenier de Trfico TE Traffic Enfineering y los
trabajos actuales; finalmente, se enlistan algunas
recomendaciones para TE definidas por entidades como la
International Telecommunication Union- ITU y la Internet
Engineering Task Force, IEFT.
Conceptos de Ingeniera de Trfico
Segn [Garca, 2002], la Ingeniera de Trfico se define
como el proceso de controlar los flujos de datos a travs de
una red, es decir, es el proceso de optimizar la utilizacin de
los recursos disponibles por parte de los distintos flujos y
por tanto, optimizar el uso global de los recursos y las
prestaciones de la red [XIAO, 1999] y [XIAO, 2000] en
[Garca, 2002].
La Ingeniera de Trfico tiene que ver con la
planificacin, control y optimizacin de red con el fin de
cumplir su propsito: adaptar el flujo de trfico a los
recursos fsicos de la red, de manera que no haya recursos
congestionados mientras que otros son subutilizados.
En el RFC 3272 de la IETF (Internet Engineering Task
Force), se describen los principios de la Ingeniera de
Trfico en Internet (ITE, Internet Traffic Engineering);
incluyendo una perspectiva de algunos de los aspectos
bsicos relacionados, como: contexto, modelo y taxonoma
de Ingeniera de Trfico; adems de una revisin histrica,
tcnicas de Ingeniera de Trfico contemporneas y
recomendaciones, entre otros aspectos fundamentales.
Segn se define en el [RFC-2702, Awduche] en [RFC3272, Awduche], Internet Traffic Engineering, ITE, es la
disciplina encargada de gestionar la capacidad de
distribucin de trfico de red, considerando aspectos como:
ARN, antecedentes
Walter Pitts y Warren McCulloch intentaron explicar en
1943 el funcionamiento del cerebro humano, por medio de
una red de clulas conectadas entre s podan ejecutar
operaciones lgicas.
Las neuronas, al igual que las dems clulas del cuerpo,
funcionan a travs de impulsos elctricos y reacciones
qumicas. Los impulsos elctricos que utiliza una neurona
para intercambiar informacin con otras neuronas de una
red, viajan por el axn que hace contacto con las dendritas
de la neurona vecina mediante las sinpsis. La intensidad de
la corriente transmitida depende de la eficiencia de la
transmisin sinptica. La seal que se transmite a la neurona
podr ser adems ya sea inhibitoria o excitatoria. La neurona
dispara, esto es, manda el impulso por su axn, si la
excitacin excede su inhibicin por un valor crtico, el
umbral de la neurona.[TREC, 2005]
En 1949, el fisilogo Donald Hebb expuso en su libro
The Organitation of Behavior la conocida regla de
aprendizaje. Su propuesta tenia que ver con la conductividad
de la sinapsis, es decir, con las conexiones entre neuronas.
Hebb expuso que la repetida activacin de una neurona por
otra a travs de una sinapsis determinada, aumenta su
conductividad, y la haca ms propensa a ser activada
sucesivamente, induciendo a la formacin de un circuito de
neuronas estrechamente conectadas entre s.
Durante el verano de 1951, Minsky
y Edmons
montaron la primera mquina de redes neuronales,
compuesta bsicamente de 300 tubos de vaco y un piloto
automtico de un bombardero B-24 (en desuso por
supuesto). Llamaron a su creacin "Sharc", se trataba nada
menos que de una red de 40 neuronas artificiales que
imitaban el cerebro de una rata.
En 1957, Frank Rosenblatt present al Perceptrn, una
red neuronal con aprendizaje supervisado cuya regla de
aprendizaje era una modificacin de la propuesta por Hebb.
En 1969, Marvin Minsky y Seymour Paper escribieron un
libro llamado Perceptrons, en donde definan a estos como
caminos sin salida. Tambin es verdad que indagaron en
ellos y sacaron conclusiones muy curiosas e interesantes,
pero dado que ambos eran dos personalidades de peso en el
mundo de la IA, en cuanto se public el libro, todas las
investigaciones a cerca de Perceptrones se paralizaron y
anularon.
En los aos 60 se propusieron otros dos modelos,
tambin supervisados, basados en el Perceptrn de
Rosenblatt denominados Adaline y Madaline. En estos, la
adaptacin de los pesos se realiza teniendo en cuenta el
error, calculado como la diferencia entre la salida deseada y
la dada por la red, al igual que en el Perceptrn. Sin
embargo, la regla de aprendizaje empleada es distinta.
La era moderna de las redes neuronales artificiales
surge con la tcnica de aprendizaje de propagacin hacia
atrs o Backpropagation. En 1977, James Anderson
desarroll un modelo lineal, llamado Asociador Lineal, que
Entradas j a la neurona.
Los pesos son coeficientes que pueden adaptarse dentro
de la red que determinan la intensidad de la seal de entrada
registrada por la neurona artificial. Ellos son la medida de la
fuerza de una conexin de entrada. Estas fuerzas pueden ser
modificadas en respuesta de los ejemplos de entrenamiento
de acuerdo a la topologa especfica o debido a las reglas de
entrenamiento.
Funcin De Propagacin
Esta regla permite obtener, a partir de las entradas y los
pesos el valor del potencial postsinptico hi de la neurona:
hi (t ) = !i wij , x j
(1)
La funcin ms habitual es la suma ponderada de todas
las entradas. Podemos agrupar las entradas y pesos en dos
vectores (X1;X2; ::: Xn) y (W1j ;W2j ; :::Wnj) podemos
calcular esta suma realizando el producto escalar sobre estos
dos vectores.
hi (t ) =
wij . x j
(2)
La funcin de propagacin puede ser ms compleja que
simplemente una suma de productos. Las entradas y los
pesos pueden ser combinados de diferentes maneras antes de
pasarse el valor a la funcin de activacin. Por ejemplo
podemos usar como funcin de propagacin, el mnimo,
mximo, la mayora, producto, o diversos algoritmos de
normalizacin. El algoritmo especfico para la propagacin
de las entradas neuronales est determinado por la eleccin
de la arquitectura.
j
y i (t ) = Fi (ai (t )) = ai (t )
(4)
Limitantes
El perceptrn es capaz tan slo de resolver funciones
definidas por un hiperplano (objeto de dimensin N-1
contenida en un espacio de dimensin N). que corte un
espacio de dimensin N. Un ejemplo de una funcin que no
puede ser resuelta es el operador lgico XOR.
Una explicacin mas sencilla de un hiperplano sera,
hablando en un plano de dos dimensiones, una lnea que
separa a los elementos existentes en dos grupos. El
perceptrn slo puede resolver una funcin, si todos los
posibles resultados del problema pueden separarse de sta
forma (en dos secciones) es decir, que no se combinen entre
s.
Entrenamiento
El entrenamiento de un perceptrn es por medio de la
regla
de
aprendizaje
delta:
Para cada peso W se realiza un ajuste dW segn la regla:
dW = LR ( T - Y ) X
Donde LR es la razn de aprendizaje, T el valor
deseado, Y el valor obtenido, y X la entrada aplicada al
perceptrn.
Tipos de Perceptron
El Perceptrn bsico de dos capas (entrada con neuronas
lineales, analgicas, y la de salida con funcin de activacin
de tipo escaln, digital) solo puede establecer dos regiones
separadas por una frontera lineal en el espacio de patrones
de entrada, donde se tendra un hiperplano.
Un Perceptrn con tres niveles de neuronas puede
formar cualquier regin convexa en este espacio. Las
regiones convexas se forman mediante la inteleccin entre
las regiones formadas por cada neurona de la segunda capa,
cada uno de estos elementos se comporta como un
Perceptrn simple, activndose su salida para los patrones de
un lado del hiperplano.
Un Perceptrn con cuatro capas puede generar regiones
de decisin arbitrariamente complejas. El proceso de
separacin en clases que se lleva a cabo consiste en la
particin de la regin deseada en pequeos hipercubos. Cada
hipercubo requiere 2n neuronas en la segunda capa (siendo n
el nmero de entradas a la red), una por cada lado del
hipercubo, y otra en la tercera capa, que lleva a cabo el and
lgico de la salida de los nodos del nivel anterior. La salida
de los nodos de este tercer nivel se activarn solo para las
entradas de cada hipercubo. Los hipercubos se asignan a la
regin de decisin adecuada mediante la conexin de la
salida de cada nodo del tercer nivel solo con la neurona de
salida (cuarta capa) correspondiente a la regin de decisin
en la que este comprendido el hipercubo llevndose a cabo
una operacin lgica Or en cada nodo de salida. Este
procedimiento se pude generalizar de manera que la forma
de las regiones convexas sea arbitraria, en lugar de
hipercubos.
En teora, el Perceptrn de 4 capas puede resuelve una
gran variedad de problemas cuyas entradas sean analgicas,
la salida sea digital y sea linealmente separable. El problema
prctico radica en el numero de neuronas, en el numero
{p1,t1}, {p2,t2}, . . .
,{pQ, tQ}
Donde pQ es una entrada a la red y tQ es la
correspondiente salida deseada para el patrn q-simo. El
algoritmo debe ajustar los parmetros de la red para
minimizar el error medio cuadrtico.
El entrenamiento de una red neuronal multicapa se
realiza mediante un proceso de aprendizaje, para realizar
este proceso se debe inicialmente tener definida la topologa
de la red esto es: nmero de neuronas en la capa de entrada
el cual depende del nmero de componentes del vector de
entrada, cantidad de capas ocultas y nmero de neuronas de
cada una de ellas, nmero de neuronas en la capa de la salida
el cual depende del nmero de componentes del vector de
salida o patrones objetivo y funciones de transferencia
requeridas en cada capa, con base en la topologa escogida
se asignan valores iniciales a cada uno de los parmetros que
conforma la red.
Es importante recalcar que no existe una tcnica para
determinar el nmero de capas ocultas, ni el nmero de
neuronas que debe contener cada una de ellas para un
problema especifico, esta eleccin es determinada por la
experiencia del diseador, el cual debe cumplir con las
limitaciones de tipo computacional.
Cada patrn de entrenamiento se propaga a travs de la
red y sus parmetros para producir una respuesta en la capa
de salida, la cual se compara con los patrones objetivo o
salidas deseadas para calcular el error en el aprendizaje, este
error marca el camino mas adecuado para la actualizacin de
los pesos y ganancias que al final del entrenamiento
producirn una respuesta satisfactoria a todos los patrones de
entrenamiento, esto se logra minimizando el error medio
cuadrtico en cada iteracin del proceso de aprendizaje.
La deduccin matemtica de este procedimiento se
realizar para una red con una capa de entrada, una capa
oculta y una capa de salida y luego se generalizar para
redes que tengan ms de una capa oculta.
Algoritmos de aprendizaje asociativo para redes no
supervisadas
Uno de los algoritmos de aprendizaje de las redes no
supervisadas es el asociativo, el cual pretende extraer las
caractersticas de los datos de entrada. Una asociacin es
cualquier vnculo entre la entrada de un sistema y su
correspondiente salida.
Las redes con aprendizaje autosupervisado no requieren
influencia externa para ajustar los pesos de las conexiones
entre sus neuronas, la red no recibe ninguna informacin por
parte del entorno que le indique si la salida generada en
=w
+"( p ! w
reales subyacentes.
Ahora se citar algunas caractersticas de las tareas a
cubrir por la Ingeniera de Trfico y ms adelante se
detallar algunos proyectos de aplicacin de las RNA en sta
rea.
Medir y predecir el rendimiento de la red. El uso de los
recursos de red compartidos y el ancho de banda son
dinmicos, vara con el tiempo [Eswaradass, A]. Por
tanto, la prediccin de ancho de banda resulta ser una
tarea compleja para ser tratada con mtodos
tradicionales como la Estadstica. Adems
Modelamiento de los sistemas de red. Esta es una tarea
compleja, que puede ser resuelta mediante redes
neuronales capaces de representar sistemas no-lineales
(la naturaleza del trfico de red es no lineal y compleja
de modelar, por tanto, de predecir). Adems las
estadsticas de trfico de diferentes aplicaciones indican
que cada tipo de trfico presenta un patrn de trfico
diferente. Usando una red neuronal se puede
caracterizar los patrones de trfico generales para
ocultar la heterogeneidad del trfico de red [Eswaradass,
A].
Planificacin de red. En determinados instantes, puede
existir congestin sobre ciertos recursos de red, por
tanto, una red neuronal al ser capaz de establecer
patrones que modelen la naturaleza del trfico, se podr
establecer mecanismos para la planificacin de red,
proporcionando guas para adaptar adaptar el flujo de
trfico a los recursos fsicos de la red -de manera que no
haya recursos congestionados mientras que otros son
subutilizados, objetivo de la Ingeniera de Trfico-.
Descripcin
Valor
Factor de
aprendizaje
0.01
Nmero de
pocas
700
Arquitectura de la red
Parmetro
Tipo de capa
Descripcin
Capa de
entrada
Capa oculta
Capa de salida
Patrones de entrenamiento
Se utilizan archivos de traza5 histricos y preprocesados, que
contienen el registro del tiempo y datos del trfico de red de
diferentes tipos: TCP, ICMP y UDP-. Cada archivo de traza contiene:
paquetes de llegada, con datos como fecha-tiempo, longitud de
paquete, direccin IP origen y destino. En [Eswaradass, A] se
considera que el nmero de paquetes/segundo y el nmero de
bits/segundo son suficientes para producir estimaciones del ancho de
banda consumido en cada unidad de tiempo.
Dependiendo del perodo de tiempo para el cual se desea predecir el
ancho de banda, los paquetes se asignan a depsitos no superpuestos
de tamao especficos (por ejemplo, si se requiere predecir para los
prximos 5 minutos, el tamao de depsitos es fijado a 300 segundos;
para la presente experimentacin se han elegido depsitos de: 10,
100, 300, 600, 900 y 1800 segundos). Segn [Eswaradass, A] se
llama a este proceso, prediccin de un solo paso, pues, se predice para
un determinado perodo de tiempo.
Funcin de coste
La mtrica usada para evaluacin es el error de prediccin relativo,
err.
Software de simulacin
Como se sabe el proceso de aprendizaje en una red supervisada se
realiza en dos fases: entrenamiento y prueba; la aproximacin de
[Eswaradass, A] usa cada mitad del archivo de traza para cada una de
las fases. Para la simulacin del modelo de red diseado, se ha
utilizado WEKA 6, herramienta que ofrece una coleccin de diferentes
algoritmos que implementan tcnicas de minera de datos, incluidas
las redes neuronales.
AUCKLAND
Prediccin
original
Antes de
eliminar el
ruido
Despus de
eliminar el ruido
IV
1.39%
2.33%
3.14%
II
2.49%
3.68%
5%
Promedio
Error RMS
CLLSQ
POCS
RNA
RTP
0.0119
0.0010
0.0029
0.0004
Napster
0.0111
0.0016
0.0013
0.0001
eDonkey
0.0097
0.0052
0.0010
0.0002
DIAGNSTICO DE FALLAS
En Telecomunicaciones, la gestin adecuada de los
mensajes de error que se generan, puede facilitar el
diagnstico de las fallas de un sistema; por ejemplo, cuando
ocurre una interrupcin de red, los mensajes de error se
generan en un gran nmero, dificultando el poder diferenciar
entre las fuentes y causas del problema primarias de las
secundarias, entonces, sera de mucha utilidad contar con un
clasificador de mensajes de error que sea eficiente y
confiable [Wu S].
CONCLUSIONES
ACKNOWLEDGMENT
Expresamos nuestro reconocimiento a la Facultad de
Informtica de la Universidad Politcnica de Madrid, en
especial a los doctores: Toms Garca, Edmundo Tovar, Jos
Carrillo, Jess Garca, Javier Soriano por la confianza y
esfuerzo en la formacin de los primeros doctores en
Tecnologas Avanzadas de la Computacin de UTPL, al
Rector Canciller de la Universidad Tcnica Particular de
Loja y a las personas que conforman la Escuela de Ciencias
de la Computacin y Unidad de Proyectos Informticos, de
la misma universidad.
REFERENCES
[Alcober, 2001], Alcocer, F.; Garca, J. (mayo del 2001). Curso de
Teleeducacin sobre MPLS. [online] [22 de febrero del 2007]. Disponible
en: http://panoramix.fi.upm.es/~jgarcia/Curso_MPLS/
[Ballesteros A.] Ballesteros Alfonso, NEURAL NETWORKS
FRAMEWORK, University of Malaga, Spain, [Disponible en:
http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/Lasredes-neuronales-monoCapa.htm ]
[Delfino A.] DELFINO, Adriano; RIVERO, Sebastin; SAN MARTN, M.
Ingeniera de Trfico en Redes MPLS. [online] [27 de julio del 2007].
Disponible en:
[Feamster N., 2003]. ACM SIGCOMM Computer Communication Review.
Feamster, N.; Borkenhagen, J; Rexford, J. (2003) Guidelines for Internet
Traffic Engineering. Disponible en:
http://nms.lcs.mit.edu/papers/index.php?detail=117.
[Garca, 2002], Garca, J.; Raya, J.; Raya, V. Alta velocidad y calidad de
servicio en Redes IP. Editorial Ra-Ma. 2002
[ITU, Villn] Villn, M. Overview of ITU Recommendations on Traffic
Engineering. [online] [05 de marzo del 2007]. Disponible en:
[Juniper]
http://www.juniper.net/solutions/literature/white_papers/200004.pdf
[Martinez I.] Martinez Ortiz Ivan, INTRODUCCION A LAS REDES
NEURONALES, Universidad Complutense de Madrid
[Minei I., 2004]. Juniper Networks, Inc.. Minei, I. (2004). MPLS DiffServaware Traffic Engineering. Disponible en:
http://www.juniper.net/solutions/literature/white_papers/200048.pdf.
[Pizarro F] Pizarro Francisco, EL PARADIGMA DE LAS REDES
NEURONALES ARTIFICIALES, [Disponible en:
http://www.astic.es/SiteCollectionDocuments/Astic/Documentos/Boletic/B
oletic%2024/artimono3.pdf]
[RFC-1992] Castineyra, I., Chiappa, N. and M. Steenstrup, "The Nimrod
Routing Architecture", RFC 1992, August 1996.
[RFC-2702, Awduche] IETF (septiembre del 1999). Awduche, D.;
Malcolm, J.; Agogbua, J.; O'Dell, M.; and McManus, J., "Requirements for
Traffic Engineering over MPLS. [online] [20 de febrero del 2007].
Disponible en: http://www.ietf.org/rfc/rfc2702.txt
[RFC-3272, Awduche] IETF (mayo del 2002). Awduche, D.; Chiu A.;
Elwalid, A.; Widjaja, I.; Xiao, X. Overview and Principles of Internet
Traffic Engineering. [online] [20 de febrero del 2007]. Disponible en:
http://www.ietf.org/rfc/rfc3272.txt
[Roca, T.] Roca, T.; Chica, P.; Muoz, M. Ingeniera de Redes. Trabajo
sobre MPLS. Disponible en
http://locortes.net/Vicenc/Telematica/Enginyeria%20de%20Xarxes/MPLS.
pdf
[Sawant A.] Illinois State University. Sawant, A.; Qaddour, J. MPLS
DiffServ: a combined approach. Disponible en: https://guinness.cs.stevenstech.edu/~lbernste/papers/MPLSDiffServ.pdf
[Semeria, C.] Juniper. Semeria, C. (2000). Traffic Engineering for the New
Public Network. [online] [12 de febrero del 2007]. Disponible en:
[Sienra L., 2003]. Sienra, L. (2003). Ofreciendo Calidad de Servicio
mediante MPLS: Fundamentos y aplicacin a las redes de cable. Disponible
en: http://www.cinit.org.mx/articulo.php?idArticulo=14
[Soria E] Soria Emilio, Blanco Antonio, REDES NEURONALES
ARTIFICIALES, ACTA (Autores cientfico-tcnicos y Acadmicos)
Indice:
INGENIERA DE TRFICO ..........................................................................................................................................................2
CONCEPTOS DE INGENIERA DE TRFICO ........................................................................................................................................2
OBJETIVO DE LA INGENIERA DE TRFICO.......................................................................................................................................2
CAUSAS DE LA CONGESTIN EN UNA RED ........................................................................................................................................2
TAREAS DE LA INGENIERA DE TRFICO..........................................................................................................................................2
REVISIN HISTRICA Y DESARROLLOS ACTUALES ..........................................................................................................................3
DISCUSIN SOBRE APROXIMACIONES IMPLEMENTADAS PARA I NGENIERA DE TRFICO ..............................................................4
RECOMENDACIONES PARA INGENIERA DE TRFICO ......................................................................................................................5
REDES NEURONALES ARTIFICIALES ....................................................................................................................................5
ARN, ANTECEDENTES ......................................................................................................................................................................6
CARACTERSTICAS ............................................................................................................................................................................6
REPRESENTACIN DE UNA RNA ......................................................................................................................................................7
ARQUITECTURA Y TOPOLOGA DE LAS RNA...................................................................................................................................7
ELEMENTOS DE UNA RED N EURONAL ARTIFICIAL ........................................................................................................................7
FUNCIN D E PROPAGACIN .............................................................................................................................................................8
FUNCIN D E ACTIVACIN O TRANSFERENCIA ...............................................................................................................................8
ESCALAMIENTO Y LIMITACIN ........................................................................................................................................................8
FUNCIN D E ERROR Y EL VALOR PROPAGADO HACIA ATRS .....................................................................................................9
TASA DE A PRENDIZAJE .....................................................................................................................................................................9
EVALUACIN DEL TIPO DE RED NEURONAL A UTILIZAR...........................................................................................9
PERCEPTRON ..............................................................................................................................................................................10
BACKPROPAGATION ................................................................................................................................................................11
APLICACIONES DE REDES NEURONALES EN INGENIERA DE TRFICO.............................................................12
PREDICCIN DEL ANCHO DE BANDA ..............................................................................................................................................13
DISCUSIN SOBRE PROBLEMAS Y VENTAJAS DE LA PROPUESTA BASADA EN ARNS ...................................14
CLASIFICACIN DE TRFICO DE INTERNET ....................................................................................................................................14
COMPARACIN ENTRE MMSE, POCS Y ARN S............................................................................................................................15
CONTROL DE SOBRECARGA EN REDES DE TELECOMUNICACIONES ..................................................................16
REQUISITOS A IMPLEMENTAR EN EL CONTROL DE SOBRECARGA .................................................................................................16
SOLUCIN MEDIANTE REDES NEURONALES ..................................................................................................................16
DIAGNSTICO DE FALLAS.......................................................................................................................................................16
CONCLUSIONES............................................................................................................................................................................17
ACKNOWLEDGMENT .................................................................................................................................................................18
REFERENCES .................................................................................................................................................................................18