Первая страница
Наша команда
Контакты
О нас

    Головна сторінка



Інфокомунікації – сучасність та майбутнє”

Інфокомунікації – сучасність та майбутнє”




Сторінка15/21
Дата конвертації16.03.2017
Розмір3.09 Mb.
1   ...   11   12   13   14   15   16   17   18   ...   21


Cisco ASR 9000

Маршрутизатори цієї серії (рисунок 3) не просто відповідають нинішнім запитам операторів в області прискорення швидкодії, збільшення терміну служби, розширення асортименту послуг та підвищення ефективності граничного сегмента мережі, але і запобігають вимоги майбутнього, обумовлені різким зростанням обсягів даних і відеотрафіку в проводових, кабельних і мобільних мережах.

Нова платформа призначена для переведення мереж на технологію IP NGN. Вона буде використовуватися в якості транспортної основи для підтримки швидкого зростання відео-та мобільного трафіку в операторських Ethernet-мережах. Пропускна здатність маршрутизатора Cisco ASR 9000 досягає 6,4 Тбіт / с, вшестеро перевищуючи аналогічний показник інших порівнянних рішень для граничної маршрутизації. Швидкість лінійних карт Cisco ASR 9000 (400 Гбіт на слот) вчетверо вища за ту, що мається сьогодні на ринку. Лінійні карти Cisco ASR 9000 підтримують технологію SyncE - це означає, що вони повністю сумісні з стільниковими маршрутизаторами і можуть разом з ними підтримувати безперешкодний мобільний хендовер (передачу рухомого абонента з соти в стільнику без обриву зв'язку). При цьому оператору не потрібно виділяти для цієї мети дорогі канали T1. За допомогою інтеграції оптичних транспондерів маршрутизатор Cisco ASR 9000 поширює технологію IPoDWDM з Ethernet-сервісами на граничні сегменти мереж агрегації. Підтримка технології IPoDWDM на всьому протязі мережі від мережевої магістралі (core) до граничного сегмента (edge) за допомогою маршрутизаторів Cisco CRS-1, Cisco XR-12000 і Cisco 7600 різко скорочує складність і вартість мережі Cisco IP NGN, а також зменшує викиди вуглеводнів в атмосферу.


D-link DES – 7200

Маршрутизуючі комутатори серії DES-7200 є мультисервісними пристроями з високою щільністю портів і підтримкою IPV6, призначеними для установки на рівні ядра великих корпоративних мереж, міських мереж або мереж операторів зв'язку (рисунок 4). Пристрої забезпечують високу продуктивність обробки даних і можливість побудова повністю захищеної мережі. Крім цього комутатори надають розподілену платформу конвергенції сервісів і широкий вибір інтерфейсів LAN і WAN, дозволяючи задовольнити підвищені вимогам до безпеки і продуктивності мережі, а також надаються сервісів в майбутньому.

Комутатори серії DES-7200 використають маршрутизацію, засновану на стандартах, забезпечуючи підтримку мереж на основі Windows, Unix та Інтернет. Вбудована комутаційна фабрика здійснює апаратну фільтрацію / перенаправлення пакетів на швидкості каналу зв'язку.

В

Рисунок 4 - D-link DES – 7200

становлюючи в шасі модулі розширення, користувачі можуть отримати до 384 гігабітних портів, до 64 10GE ​​портів, до 192 портів SFP, або їх комбінацій. Завдяки наявності до 8 слотів для установки додаткових модулів і їх широкому вибору типів портів, користувачі можуть легко додавати або заміняти модулі відповідно до їх вимог.


Alcatel-Lucent 7750


Сервісний маршрутизатор Alcatel-Lucent 7750 SR (Service Router) - це перший в галузі маршрутизатор IP / MPLS, спроектований і оптимізований для надання сучасних інтернет-послуг і послуг віртуальних приватних мереж (VPN). Є три моделі Alcatel-Lucent 7750 SR: з одним, чотирма і 12 слотами, представлені на рисунку 5. Всі моделі мають широкий вибір інтерфейсів і відрізняються дуже високою щільністю портів і продуктивністю. Апаратна та програмна архітектура Alcatel-Lucent 7750 SR спеціально спроектована для ефективної підтримки угод про гарантовану якість обслуговування (SLA). Alcatel-Lucent 7750 SR може використовуватися як потужний інтернет-маршрутизатор і як гнучка платформа для надання послуг.

Рисунок 5 - Alcatel-Lucent 7750

В основі сервісного маршрутизатора Alcatel-Lucent 7750 SR лежить повністю програмований, гнучкий механізм швидкої пересилки пакетів (flexible fast path forwarding), реалізований на базі самої передової технології мережевих процесорних масивів (network processor array - NPA). Механізм дозволяє проводити глибокий аналіз та обробку пакетів зі швидкістю інтерфейсів до 10 Гбіт / с. Кожна мікросхема NPA складається з великого числа повністю програмованих процесорів, оптимізованих для швидкої обробки пакетів. NPA має значні переваги в порівнянні з альтернативними архітектурами, заснованими на інтегральних схемах ASIC, що мають обмежені функціональні можливості і не забезпечують необхідної гнучкості, і рішеннями на базі доступних на ринку мережевих процесорів, що мають недостатню продуктивність для обробки пакетів на швидкості 10 Гбіт / с, а також високу вартість.

Висока продуктивність і широка функціональність механізму flexible fast path дозволяє сервісним маршрутизаторам Alcatel-Lucent 7750 SR поєднувати швидкодія і, щільність портів, характерні для кращих комутаторів, з можливістю додавання нових сучасних послуг шляхом зміни програмного забезпечення маршрутизатора, без заміни апаратної частини, і інтелектуальністю обробки пакетів , якості які необхідні в мережевій інфраструктурі IP / MPLS.

Список літератури:


  1. В.Г. Олифер; Н.А. Олифер Компьютерные сети 2-е издание, издательский дои «Питер», 2005 г.

  2. www.Cisco.com.ua

  3. http://d-link.com.ua

  4. http://www.omnilink.com.ua/



УДК 656.308

Мога А.О.

ОНАС им. А.С. Попова

onat@onat.edu.ua
ПРОБЛЕМЫ НЕЙРОКОМПЬЮТЕРНОГО ИНТЕРФЕЙСА. НЕИНВАЗИВНЫЕ НЕЙРОКОМПЬЮТЕРНЫЕ ИНТЕРФЕЙСЫ
Аннотация. Рассматриваются существующие решения и проблематика построения нейрокомпьютерных интерфейсов. Определены основные задачи, решение которых необходимо для успешной реализации неинвазивного нейрокомпьютерного интерфейса.

Нейрокомпьютерный интерфейс (НКИ) представляет собой систему прямого взаимодействия мозга с вычислительной системой (внешним устройством). Принцип работы НКИ заключается в регистрации электрической активности мозга и последующей ее расшифровке. Возможна реализация однонаправленного интерфейса (прием или передача) а также двунаправленного, в случае которого достигается интерактивный обмен данными между мозгом и внешней системой.

В настоящее время исследования НКИ проводятся в нескольких смежных направлениях, а именно: создание инвазивных НКИ, внедряемых непосредственно внутрь черепной коробки; разработка НКИ, не требующих медицинского вмешательства, известных как неинвазивные НКИ. Последние представляют собой внешнее съемное устройство, регистрирующее и декодирующее электрические сигналы мозга.

На сегодняшний день существующие реализации неинвазивных НКИ уже включают как относительно недорогие коммерческие (массовые) решения, например MindWave NeuroSky (2011), Emotiv EPOC (2009), так и дорогостоящее специальное оборудование (технологии на основе функциональной магнитно-резонансной томографии). Однако, ни одно из предложенных на данный момент решений не обладает достаточной степенью точности, для достижения удобного и безошибочного управления вычислительной системой.

Решение указанных проблем требует улучшения качества регистрации электрических импульсов мозга при одновременном снижении сложности и стоимости аппаратной реализации, а также разработку новых алгоритмов классификации и цифровой фильтрации регистрируемых сигналов.

Основной задачей видится решение проблем цифровой обработки сигналов. А именно: применение алгоритмов адаптивной цифровой фильтрации для устранения узкополосных артефактов на электроэнцефалограмме мозга [1]; а также разработка наиболее эффективных методов классификации полученных паттернов с целью повышения разрешающей способности распознавать генерируемых мозгом команды [2].

Перспективность технологии заключается в ее удобстве, мобильности и дешевизне. Качественная реализация неинвазивного НКИ будет, несомненно, востребована для множества задач, включая бытовые или развлекательные, а также предоставит человеку еще большую гибкость и оперативность в работе с вычислительными системами. Основные существующие недостатки: низкая помехоустойчивость; процесс обучения, предваряющий нормальной работе технологии.
Список литературы:

1. Shoker, L. Removal of eye blinking artifacts from EEG incorporating a new constrained BSS algorithm / Интернет-издание журнал Sensor Array and Multichannel Signal Processing Workshop Proceedings – 2004 – 177 - 181 с.

2. Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan,

Alexander Zhavoronkov. Brain-Computer Interface Based on Generation of Visual Images / интернет-издание журнал PLOS One, 2011 - №6




УДК 004.75:004.94


Нікітченко В.В., Попов Є.О.,

ОНАЗ ім.О.С.Попова,

vncentaurus@gmail.com, e.o.popov@gmail.com
МОДЕЛЮВАННЯ ОБЧИСЛЮВАЛЬНИХ ХМАР

В ПРОГРАМНОМУ СЕРЕДОВИЩІ CLOUDSIM
Анотація. Обговорюються різновиди обчислювальних хмар та їх характеристики. Розглядається можливість імітаційного моделювання хмарних процесів, використовуючи задля цього програмний симулятор CloudSim. Отримані кількісні результати виконання для паралельних додатків двох типів.

Протягом досить тривалого проміжку часу спостерігається стійкий зріст інтересу до технологій розподіленої обробки даних. Донедавна вони асоціювались насамперед із GRID-системами, проте наразі стрімко набирає популярність концепція хмарних обчислень. Для ефективного її втілення необхідне міцне наукове підгрунтя, що робить актуальними дослідження в даній предметній області.

На сьогоднішній день існує багато визначень хмарних обчислень, і вони здебільшого мають вельми загальний характер. Конкретизуючи даний термін, тут і надалі під хмарними обчисленнями будемо розуміти модель надання повсюдного, зручного мережного доступу за запитом до спільного пулу обчислювальних ресурсів – мереж, серверів, систем зберігання інформації та окремих додатків. Виділення та звільнення обчислювальних ресурсів повинно відбуватись швидко, мінімізуючи при цьому кількість операцій взаємодії з провайдером послуг.

Наразі маємо три основні моделі надання хмарних послуг [1]:



  1. SaaS (Software as a Service) – програмне забезпечення як послуга;

  2. PaaS (Platform as a Service) – програмна платформа як послуга;

  3. IaaS (Infrastructure as a Service) – інфраструктура як послуга.

Найбільш потужною серед них виглядає модель IaaS, а тому зупинимось на ній більш детально.

У випадку реалізації моделі IaaS користувачеві надається можливість аренди інфраструктурних ресурсів – серверів, пристроїв накопичення даних та мережного обладнання. Безпосередньо до складу IaaS входить декілька основних груп елементів, серед яких група апаратних засобів, група операційних систем і службового програмного забезпечення. Ще одну групу складає пов’язуюче програмне забезпечення, наприклад, для керування сукупністю систем. Користувач отримує інтерфейс для купівлі необхідної кількості обчислювальних ресурсів, та управління ними.

Важливим аспектом у схемі IaaS є застосування технологій віртуалізації. Саме завдяки використанню віртуальних машин є можливість забезпечити високу масштабованість моделі. При цьому користувач має повний контроль над замовленими віртуальними машинами, але не володіє доступом до гіпервізора та апаратних ресурсів.

Модель IaaS представляє найбільший інтерес як з практичних, так і з наукових міркувань. Але її дослідження ускладнюється необхідною для цього великою кількістю устаткування. У випадку, коли натурні експерименти є досить проблематичними або взагалі недосяжними, ми завжди можемо скористатись технологією імітаційного моделювання відповідних апаратних об’єктів та протікаючих в них процесів. Тому головним об’єктом розгляду в даній роботі є програмний продукт CloudSim, котрий забезпечує середовище для моделювання обчислювальних хмар.

CloudSim — це робоче оточення (framework), написане на мові програмування Java і призначене для моделювання та симуляції хмарної інфраструктури і сервісів [2]. Даний програмний симулятор створений в университеті Мельбурну лабораторією CLOUDS, та розповсюджується за ліцензією GNU GPL.

Серед основних можливостей CloudSim можна назвати моделювання і симуляцію таких об’єктів як хмарні датацентри, мережні топології, віртуалізовані ресурси та паралельні додатки [2]. Також доступне моделювання взаємодії декількох хмар, засоби створення користувацьких політик призначення фізичних серверів віртуальним машинам, і політик розподілу ресурсів.

Ядро CloudSim складається з таких базових компонентів [3]:

- Cloudsim — це основний клас, що відповідає за початок симуляції, кінець симуляції та покрокове виконання подій. Для цього використовуються дві черги — черга майбутніх подій, та черга відкладених подій;

- CloudInformationService — відповідає за реєстрацію, індексацію та виявлення ресурсів;

- SimEntity — абстрактний клас, що являє собою об’єкт симуляції. Об’єкти даного класу мають можливість відправляти повідомлення іншим об’єктам та обробляти події. Класи NetworkDatacenter, NetDatacenterBroker, CloudInformationService і Switch є спадкоємцями цього класу;

- CloudSimTags — цей клас містить різноманітні теги, що вказують об’єкту які дії треба виконати при отриманні чи відправці подій;

- SimEvent — представляє собою подію симуляції, що передається між двома чи більше об’єктами.

Для моделювання хмарної інфраструктури ми використовували наступний набір класів [4]. NetworkDatacenter — це клас, що моделює хмарний датацентр, він містить список об’єктів класу NetworkHost. Клас NetworkHost застосовується для моделювання фізичних серверів з такими характеристиками як кількість оперативної пам’яті, розмір сховища даних та кількість і характеристики процесорних ядер. Віртуальні машини, що виконуються на сервері, моделюються за допомогою класу NetworkVm. Моделюванням запитів користувачів до датацентру займається клас NetDatacenterBroker.

Внутрішня мережа датацентру визначається класами Switch, NetworkPacket та HostPacket. Клас Switch та його спадкоємці моделюють мережні комутатори різних рівнів. NetworkPacket та HostPacket використовуються для моделювання потоків даних. Клас HostPacket визначає потік даних між віртуальними машинами в рамках одного фізичного серверу. NetworkPacket визначає потік даних між різними фізичними серверами датацентру.

Для симуляції паралельних додатків використовується клас AppCloudlet, що складається з декількох завдань, які представлені об’єктами класу NetworkCloudlet. Кожне завдання може містити кілька етапів, таких як виконання обчислень, відправлення даних та прийом даних.

Для моделювання політик розподілу віртуальних машин на фізичні сервери використовується клас VmAllocationPolicy. Класи BwProvisioner, RamProvisioner, PeProvisioner моделюють політики надання ресурсів сервера віртуальним машинам. Співставлення обчислювальних елементів віртуальним машинам відбувається у класі VmScheduler, а політика розподілу обчислювальної потужності між завданнями в рамках однієї віртуальної машини представлена у класі CloudletScheduler.

Можливості симулятора CloudSim будемо оцінювати на конкретному прикладі. Розглянемо модель обчислювальної хмари, до складу якої входить шістнадцять обчислювальних вузлів (див. рис. 1). Кожному фізичному процесору ставиться у відповідність однопроцесорна машина віртуального оточення користувача, що далі вони поєднуються в мережний сегмент через віртуальний комутатор. На отриманому таким чином віртуальному кластері виконується деякий паралельний програмний додаток.

Під час побудови моделей ми використовували стандартні шаблони, що розповсюджуються разом із симулятором Cloudsim. Для симуляції запропонованої схеми на базі шаблону TestExample нами було створено клас Host16vm16. Симуляція відбувалась в інтегрованій середі розробки Eclipse з використанням OpenJDK 6.

Перед початком моделювання відбувається ініціалізація симулятора засобами методу init() класу CloudSim. Потім у методі createDatacenter() створюється датацентр, що містить 16 фізичних серверів. Для кожного серверу вказується кількість оперативної пам’яті, розмір сховища даних, пропускна здатність мережного інтерфейсу сервера, кількість обчислювальних елементів та кількість MIPS для кожного елементу. Також в цьому методі вказуються такі характеристики датацентру як архітектура серверів, операційна система, менеджер віртуальних машин, часовий пояс та цінові політики.

Рисунок 1 — Структура обчислювальної хмари, що моделюється.

Внутрішня мережа датацентру створюється за допомогою методу CreateNetwork(). В ньому відбувається призначення фізичних серверів комутатору(об’єкт класу EdgeSwitch). Після створення датацентру та внутрішньої мережі нам необхідно створити брокер датацентру, що відповідає за створення віртуальних машин та призначення на них завдань. Для цього використовується метод createBroker(). В класі NetDatacenterBroker, що викликається методом createBroker(), створюються віртуальні машини (метод CreateVMs()) та параллельний додаток, котрий буде виконуватись на цих віртуальних машинах. Після створення брокера його треба призначити датацентру, це реалізується за допомогою методу setLinkDC().

В нашій моделі будемо використовувати два типи додатків, створені у класах WorkflowAppRecv та WorkflowAppSend відповідно. Обидва класи імітують додатки, що складаються з 16 паралельних завдань (об’єкти класу NetworkCloudlet), виконуваних на різних віртуальних машинах. Кожне завдання ділиться на етапи. За змістом етапи можуть бути трьох типів — виконання розрахунків, відправка даних та приймання даних.

У першому випадку, WorkflowAppSend, початкове завдання виконує розрахунки, а потім відправляє кожному з інших завдань по N порцій даних (див. рис. 2, а). Останні приймають дані та здійснюють обчислення. У другому випадку, WorkflowAppRecv, перші п’ятнадцять завдань реалізують деяку сукупність операторів, а потім відсилають N порцій даних шістнадцятому завданню (див. рис. 2, б). Останнє їх приймає та виконує обчислення. Змінюючи в подальшому кількість порцій даних ми зможемо дослідити вплив характеристик мережі на виконання паралельних додатків.

Коли основні об’єкти симуляції - датацентр, сервери, брокер, мережа датацентру - створені, відбувається початок симуляції, ініційований методом startSimulation() класу CloudSim. По завершенню всіх завдань викликається метод stopSimulation(), що зупиняє симулятор. Потім використовується метод printCloudletList(), який виводить результати роботи на екран.

Таким чином, спочатку була виконана симуляція для додатку WorkflowAppSend, коли перше завдання відправляє кожному з інших по 1, 2, 4, 8, 16 та 32 порції даних. Далі ми здійснили симуляцію для додатку WorkflowAppRecv. В ньому аналогічні порції даних відправляються першому завданню. Отримані результати приведені на рисунку 3.

Результати використання симулятора CloudSim можна вважати задовільними, оскільки при досить незначних затратах часу та обчислювальної потужності ми отримали детальну модель хмари, та кількісні параметри виконання паралельного додатку.


Рисунок 2 — Структурні схеми імітованих паралельних додатків




Рисунок 3 — Залежність часу виконання додатків WorkflowAppSend WorkflowAppRecv від кількості порцій даних

Список літератури:


  1. Banger L. and others: DRAFT Cloud. Computing Synopsis adn Recomendations: NIST Special Publication 800-146.

  2. Офіційний сайт проекту Cloudsim: http://www.cloudbus.org/cloudsim.

  3. Rodrigo N. Calheiros and others: CloudSim: A Toolkit for Modeling and Simulation of Cloud Computing Environments and Evaluation of Resource Provisioning Algorithms . 2010.

  4. Saurabh Kumar Garg, Rajkumar Buyya: NetworkCloudSim: Modelling Parallel Applications in Cloud Simulations . 2011.



УДК 621.391.63/316.5

Бердников О.М., Богуш К.Ю, Богуш Ю.П.

ИТС НТУУ «КПИ»

bogush-k@mail.ru
ПОСТРОЕНИЕ СИСТЕМ РАСПОЗНАВАНИЯ РЕЧИ И ИХ ПРИМЕНЕНИЕ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ
Аннотация. Рассматривается вопросы преобразования речи при построении систем распознавания, а также применение таких систем в рамках направления искусственного интеллекта.

Распознавание речи, как и другие задачи общей теории распознавания образов, состоит в отнесении исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных [1].

В общем случае, распознавание речи заключается в определении смысла сказанного – преобразовании речи в текст. Известно, что речевой сигнал имеет высокую степень избыточности относительно информации, которую он несет.

Выделение из речевого сигнала существенных признаков, несущих смысловую информацию и устранение избыточности предлагается обеспечить путем использования принципов, применяемых для сильного сжатия (компрессии) речевого сигнала в вокодерных системах передачи. Чем ниже информационная скорость вокодера, тем теснее связь вокодерного преобразования с распознаванием речи и все в большей степени анализатор вокодера напоминает систему распознавания.

Исходя из приведенных принципов, лежащих в основе распознавания, выбор алгоритма вокодерного преобразования должен основываться на минимизации скорости кодирования речи при максимальном сохранении смысла передаваемой информации, в качестве меры которого предлагается использовать слоговую разборчивость. Стоит отметить, что использование оценки MOS (Mean Opinion Score) здесь неуместно, т.к. она отображает натуральность речи, а не возможности передачи смысла.
Таблица 1. Сравнительные характеристики кодеров речи


Кодер

Скорость кодирования, кбит/с

MOS

Слоговая разборчивость, %

PCM (ІКМ)

64

4,3

95

ADPCM (АДІКМ)

32

4,1

94

LD-CELP

16

4,0

94

RPE-LTP (GSM)

13

3,5




QCELP

9,6

3,4




CELP

4,8

3,2

93

LPC

2,4

2,5

90

MBE

2,4/1,2

-

87/84

Актуальной задачей сегодня является применение систем распознавания речи в рамках направления искусственного интеллекта, например для обеспечения речевых интерфейсов взаимодействия интеллектуальных систем.

Задача обучения таких систем предлагается решить с помощью построения «базы знаний» – сопоставления каждой имеющейся функции системы всем возможным вариантам их голосового вызова.

Предложенные методы реализованы в виде базовой программной реализации системы распознавания речи, которая обеспечивает распознавание слов и выполнение команд на основе распознанных последовательностей слов.
Список литературы:

1. Дж. Ту, Р. Гонсалес. Принципы распознавания образов. Пер. с англ./Под ред. Ю.И. Журавлева. – М.: Мир, 1978.




1   ...   11   12   13   14   15   16   17   18   ...   21



  • D-link DES – 7200
  • В Рисунок 4 - D-link DES – 7200
  • Alcatel-Lucent 7750
  • Список літератури
  • УДК 004.75:004.94