DOI: https://doi.org/10.15802/stp2019/166092

INTELLIGENT ROUTING IN THE NETWORK OF INFORMATION AND TELECOMMUNICATION SYSTEM OF RAILWAY TRANSPORT

V. M. Pakhomova, T. I. Skaballanovich, V. S. Bondareva

Abstract


Purpose. At the present stage, the strategy of informatization of railway transport of Ukraine envisages the transition to a three-level management structure with the creation of a single information space, therefore one of the key tasks remains the organization of routing in the network of information and telecommunication system (ITS) of railway transport. In this regard, the purpose of the article is to develop a method for determining the routes in the network of information and telecommunication system of railway transport at the trunk level using neural network technology. Methodology. In order to determine the routes in the network of the information and telecommunication system of railway transport, which at present is working based on the technologies of the Ethernet family, one should create a neural model 21-1-45-21, to the input of which an array of delays on routers is supplied; as a result vector – build tags of communication channels to the routes. Findings. The optimal variant is the neural network of configuration 21-1-45-21 with a sigmoid activation function in a hidden layer and a linear activation function in the resulting layer, which is trained according to the Levenberg-Marquardt algorithm. The most quickly the neural network is being trained in the samples of different lengths, it is less susceptible to retraining, reaches the value of the mean square error of 0.2, and in the control sample determines the optimal path with a probability of 0.9, while the length of the training sample of 100 examples is sufficient. Originality. There were constructed the dependencies of mean square error and training time (number of epochs) of the neural network on the number of hidden neurons according to different learning algorithms: Levenberg-Marquardt; Bayesian Regularization; Scaled Conjugate Gradient on samples of different lengths. Practical value. The use of a multilayered neural model, to the entry of which the delay values of routers are supplied, will make it possible to determine the corresponding routes of transmission of control messages (minimum value graph) in the network of information and telecommunication system of railway transport at the trunk level in the real time.


Keywords


information and telecommunication system; ITS; router delay; neural network; NN; sample; activation function; learning algorithm; epoch; error

Full Text:

PDF

References


Aslanov, A. M., & Solodovnik, M. S. (2014). Issledovanie intellektualnogo podkhoda v marshrutizatsii kompyuternykh setey. Elektrotekhnicheskie i kompyuternye sistemy, 16(92), 93-100. (in Russian)

Bilous, R. V., & Pohorilyi, S. D. (2010). Features of the Application of Genetic Algorithm for Searching Optimal Paths on the Graph. Reiestratsiia, zberihannia i obrobka danykh, 12(2), 81-87. (in Ukrainian)

Kolesnikov, K. V., Karapetyan, A. R., & Kurkov, A. S. (2015). Neural network modelsof data delivery route optimization in dynamic networks. International Scientific Journal, 6, 74-77. (in Russian)

Kolesnikov, K. V., Karapetian, A. R., & Bahan, V. Y. (2016). Analiz rezultativ doslidzhennia realizatsii zadachi marshrutyzatsii na osnovi neironnykh merezh ta henetychnykh alhorytmiv. Visnyk Cherkaskogo derzhavnogo tehnologichnogo universitetu. Seria: Tehnichni nauky, 1, 28-34. (in Ukrainian)

Minimalnoe ostovnoe derevo. Algoritm Kruskala. MAXimal. Retrieved from http://e-maxx.ru/algo/mst_kruskal (in Russian)

Nikitchenko, V. V. (2010). Utility modeliruyushchey sistemy Opnet Modeler. Odessa: Odesskaya nats-ionalnaya akademiya svyazi im. A. S. Popova. (in Russian)

Pavlenko, M. A. (2011). Analysis opportunities of artificial neural networks for solving single-path routing in telecommunication network. Problemy telekomunikatsii, 2(4). Retrieved from http://pt.journal.kh.ua/index/0-139 (in Russian)

Pakhomova, V. M., & Lepekha, R. O. (2014). Analiz metodiv z pryrodnymy mekhanizmamy vyznachennia optymalnoho marshrutu v komp’iuternii merezhi Prydniprovskoi zaliznytsi. Informatsiino-keruiuchi systemy na zaliznychnomu transporti, 4, 82-91. (in Ukrainian)

Pakhomova, V. M. (2018). Doslidzhennia informatsiino-telekomunikatsiinoi systemy zaliznychnoho transportu z vykorystanniam shtuchnoho intelektu: monohrafiia. Dnipro: Standart-Servis. (in Ukrainian)

Pohorilyi, S. D., & Bilous, R. V. (2010). Henetychnyi alhorytm rozviazannia zadachi marshrutyzatsii v merezhakh. Problemy prohramuvannia, 2-3, 171-178. (in Ukrainian)

Bryndas, A. M., Rozhak, P. I., Semenyshyn, N. O., & Kurka, R. R. (2016). Realizatsiia zadachi vyboru optymalnoho aviamarshrutu neironnoiu merezheiu Khopfilda. The Scientific Bulletin of UNFU, 26.1, 357-363. (in Ukrainian)

CiscoTips. Retrieved from http://ciscotips.ru/ospf (in English)

Dorigo, M., & Gambardella, L. M. (1997). Ant colony system: a cooperative learning approach to the traveling salesman problem. IEEE Transactions on Evolutionary Computation, 1(1), 53-66. doi: 10.1109/4235.585892 (in English)

Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8), 2554-2558. doi: 10.1073/pnas.79.8.2554 (in English)

Chang Wook Ahn, Ramakrishna, R. S., In Chan Choi, & Chung Gu Kang. (n.d.). Neural network based near-optimal routing algorithm, Proceedings of the 9th International Conference on Neural Information Pro-cessing, 2002, ICONIP’02. Singapore. doi: 10.1109/iconip.2002.1198978 (in English)

Kojic, N., Zajeganovic-Ivancic, M., Reljin, I., & Reljin, B. (2010). New algorithm for packet routing in mobile ad-hoc networks. Journal of Automatic Control, 20(1), 9-16. doi: 10.2298/jac1001009k (in English)

Pakhomova, V. M., & Tsykalo, I. D. (2018). Optimal route definition in the network based on the multilayer neural model. Science and Transport Progress, 6(78), 126-142. doi: 10.15802/stp2018/154443 (in Ukrainian)

Schuler, W. H., Bastos-Filho, C. J. A., & Oliveira, A. L. I. (2009). A novel hybrid training method for hopfield neural networks applied to routing in communications networks. International Journal of Hybrid Intelligent Systems, 6(1), 27-39. doi: 10.3233/his-2009-0074 (in English)

Herguner, K., Kalan, R. S., Cetinkaya, C., & Sayit, M. (2017). Towards QoS-aware routing for DASH utilizing MPTCP over SDN, 2017 IEEE Conference on Network Function Virtualization and Software Defined Networks (NFV-SDN). Berlin, Germany. doi: 10.1109/nfv-sdn.2017.8169844 (in English)

Zhukovyts’kyy, I., & Pakhomova, V. (2018). Research of Token Ring network options in automation system of marshalling yard. Transport Problems, 13(2), 145-154. doi: 10.20858/tp.2018.13.2.14 (in English)


GOST Style Citations


  1. Асланов, А. М. Исследование интеллектуального подхода в маршрутизации компьютерных сетей / А. М. Асланов, М. С. Солодовник // Электротехнические и компьютерные системы. – 2014. – № 16 (92). – С. 93–100.
  2. Білоус, Р. В. Особливості прикладного застосування генетичного алгоритму пошуку оптимальних шляхів / Р. В. Білоус, С. Д. Погорілий // Реєстрація, зберігання і обробка даних. – 2010. – Т. 12, № 2. – C. 81–87.
  3. Колесников, К. В. Нейросетевые модели оптимизации маршрутов доставки данных в динамических сетях / К. В. Колесников, А. Р. Карапетян, А. С. Курков // Международный научный журнал. – 2015. – № 6. – С. 74–77.
  4. Колесніков, К. В. Аналіз результатів дослідження реалізації задачі маршрутизації на основі нейронних мереж та генетичних алгоритмів / К. В. Колесніков, А. Р. Карапетян, В. Ю. Баган // Вісн. Черкас. держ. технол. ун-ту. Серія: Технічні науки : зб. наук. пр. – Черкаси, 2016. – № 1. – C. 28–34.
  5. Минимальное остовное дерево. Алгоритм Крускала [Electronic resource] // MAXimal. – 2008. – Available at: http://e-maxx.ru/algo/mst_kruskal – Title from the screen. – Accepted : 15.05.2018.
  6. Никитченко, В. В. Утилиты моделирующей системы Opnet Modeler / В. В. Никитченко. – Одесса : Одес. нац. акад. связи им. А. С. Попова, 2010. – 128 с.
  7. Павленко, М. А. Анализ возможностей искусственных нейронных сетей для решения задач однопутевой маршрутизации в ТКС [Electronic resource] / М. А. Павленко // Проблеми телекомунікацій. – 2011. – № 2 (4). – Available at: http://pt.journal.kh.ua/index/0-139 – Title from the screen. – Accepted : 20.11.2018.
  8. Пахомова, В. М. Аналіз методів з природними механізмами визначення оптимального маршруту в комп’ютерній мережі Придніпровської залізниці / В. М. Пахомова, Р. О. Лепеха // Інформ.-керуючі системи на залізн. трансп. – 2014. – № 4. – С. 82–91.
  9. Пахомова, В. М. Дослідження інформаційно-телекомунікаційної системи залізничного транспорту з використанням штучного інтелекту : монографія / В. М. Пахомова. – Дніпро : Стандарт-Сервіс, 2018. – 220 с.
  10. Погорілий, С. Д. Генетичний алгоритм розв’язання задачі маршрутизації в мережах / С. Д. Погорілий, Р. В. Білоус // Проблеми програмування. – 2010. – № 2-3. – С. 171–178.
  11. Реалізація задачі вибору оптимального авіамаршруту нейронною мережею Хопфілда / А. М. Бриндас, П. І. Рожак, Н. О. Семенишин, Р. Р. Курка // Наук. вісн. НЛТУ України : зб. наук.-техн. пр. – Львів, 2016. – Вип. 26.1. – С. 357–363.
  12. CiscoTips [Electronic resource] : [веб-сайт]. – Електрон. текст. дані. – Available at: http://ciscotips.ru/ospf – Title from the screen. – Accepted : 20.05.2018.
  13. Dorigo, M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem / M. Dorigo, L. M. Gambardella // IEEE Trans. on Evolutionary Compytation. – 1997. – Vol. 1. – Iss. 1. – Р. 53–66. doi: 10.1109/4235.585892
  14. Hopfield, J. J. Neural networks and physical systems with emergent collective computational abilities / J. J. Hopfield // Proceedings of National Academy of Sciences. – 1982. – Vol. 79. – Іss. 8. – P. 2554–2558. doi: 10.1073/pnas.79.8.2554
  15. Neural Network Based Near-Optimal Routing Algorihm / Chang Wook Ahn, R. S. Ramakrishna, In Chan Choi, Chung Gu Kang // Neural Information Processing – ICONIP’02 : Proc. of the 9th Intern. Conf. (18–22 Nov. 2002). – Singapore, 2002. – P. 1771–1776.
  16. New algorithm for packet routing in mobile ad-hoc networks / N. S. Kojić, M. B. Zajeganović-Ivančić, I. S. Reljin, B. D. Reljin // Journal of Automatic Control. – 2010. – Vol. 20. – Іss. 1. – P. 9–16. doi: 10.2298/JAC1001009K
  17. Pakhomova, V. M. Optimal route definition in the network based on the multilayer neural model / V. M. Pakhomova, I. D. Tsykalo // Наука та прогрес транспорту. – 2018. – № 6 (78). – P. 126–142. doi: 10.15802/stp2018/154443
  18. Schuler, W. H. A novel hybrid training method for hopfield neural networks applied to routing in communications networks / W. H. Schuler, C. J. A. Bastos-Filho, A. L. I. Oliveira // International Journal of Hybrid Intelligent Systems. – 2009. – Vol. 6. – Іss. 1. – P. 27–39. doi: 10.3233/his-2009-0074
  19. Towards QoS-aware routing for DASH utilizing MPTCP over SDN / K. Herguner, R. S. Kalan, C. Cetinkaya, M. Sayit // IEEE Conference on Network Function Virtualization and Software Defined Networks (NFV-SDN) (6–8 Nov. 2017). – Berlin, Germany, 2017. – P. 1–6. doi: 10.1109/nfv-sdn.2017.8169844 
  20. Zhukovyts’kyy, I. Research of Token Ring network options in automation system of marshalling yard / I. Zhukovyts’kyy, V. Pakhomova // Transport Problems. – 2018. – Vol. 13. – Iss. 2. – P. 145–154. doi: 10.20858/tp.2018.13.2.14




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

 

ISSN 2307–3489 (Print)
ІSSN 2307–6666 (Online)