Главная страница
Навигация по странице:

  • Самоорганизованное принятие решений

  • Роевой интеллект

  • Вычислительная и сетевая интеграция

  • Сеть, поддерживающая вычисления

  • Вычислительная поддержка сети

  • Заключение

  • Примечание

    		•

    Technical sciences


    Скачать 117.59 Kb.
    НазваниеTechnical sciences
    Дата04.05.2023
    Размер117.59 Kb.
    Формат файлаdocx
    Имя файлаintegratsiya-setey-i-vychisleniy-dlya-postroeniya-sistemy-upravl.docx
    ТипСтатья
    #1109016
    страница3 из 4
    1   2   3   4
    Вычислительная система

    Вычисления в рое дронов основаны на процессе, аналогичном NCS, в котором простые данные могут привести к принятию сложных решений. Следовательно, разра­ботка подходящей вычислительной системы основывается на исследовании наилучших стратегий принятия решений в зависимости от используемой стратегии развертывания и алгоритмов разведки.

        1. Самоорганизованное принятие решений

    Любой беспилотный летательный аппарат обладает вычислительной способно­стью для выполнения полета с базовым уровнем управления, но только летательные аппараты с высоким уровнем автономности могут принимать решения для выполне­ния задач без вмешательства наземной станции управления. В рое дронов принятие решений может осуществляться самими агентами распределенным образом и центра­лизованным управляющим органом. Последнее происходит в роях беспилотных лета­тельных аппаратов с низкой автономностью. Однако в рое беспилотных летательных аппаратов с высоким уровнем автономии принятие решений может осуществляться самими дронами.

    Централизованный процесс принятия решений предлагает простые решения с точки зрения общей конструкции системы, способствуя при этом снижению энергопо­требления каждого дрона. С другой стороны, распределенный подход к принятию ре­шений может привести к созданию более надежного и масштабируемого роя дронов. Поэтому стоит уделить внимание распределенным процессам принятия решений, кото­рые могут привести к созданию более автономного, надежного и масштабируемого роя беспилотных летательных аппаратов.

    Самоорганизующееся поведение роя дронов означает, что они находятся во взаимодействии и поддерживают сетевое подключение, учитывая изменяющиеся усло­вия сети [4]. При этом используется ряд самоорганизующихся алгоритмов, направлен­ных на оказание помощи распределенным агентам: уже упоминавшиеся методы опти­мизации роя частиц (Particle Swarm Optimization, PSO), колонии муравьев (Ant Colony Optimization, ACO) и пчелиной колонии (Bee Colony Optimization, BCO).

    В целом децентрализованная архитектура использования самоорганизующихся средств управления принятием решений для систем с несколькими БПЛА представлена на рисунке 4. Для взаимодействия и функционирования каждого беспилотного лета­тельного аппарата самоорганизующиеся процедуры поддержки принятия решений де­лятся на три этапа, а именно: восприятие, принятие решения и действие (см. рис. 4). Информация о местоположении и скорости беспилотных летательных аппаратов и со­седей собирается путем рассмотрения стационарных и мобильных препятствий, после чего выполняются процессы принятия решений на основе моделирования и оптимиза­ции для улучшения результатов. Затем исполнительный механизм обрабатывает пред­последние наилучшие возможные решения, и процессы повторяются снова.

    Для выработки коллективного поведения и обмена собираемыми данными рабо­та дронов также должна быть синхронизирована. Синхронизация позволяет координи­ровать события между отдельными агентами в разных беспилотных летательных аппа­ратах для поддержки их гармоничной работы в рое. Это помогает распределенным процессорам иметь общее представление о времени посредством обмена сообщениями- маяками, позволяющими эффективно диагностировать неисправности и восстанавли­вать их. Синхронизация облегчает объединение данных с разных распределенных узлов в единую значимую информацию посредством так называемого слияния данных.



    Рис. 4. Самоорганизующиеся процедуры принятия решений

    Fig. 4. Self-organizing decision-making procedures

        1. Роевой интеллект

    Цель роевого интеллекта (Swarm Intelligence) - создание продвинутого и слож­ного поведения роя дронов, которые локально взаимодействуют между собой и с окру­жающей средой. Работа систем роевого интеллекта направлена на имитацию некоторых биологических систем, в которых агенты (например, муравьи, пчелы) следуют простым правилам, которые не диктуются какой-либо центральной организацией. В этих систе­мах взаимодействия между агентами уступают место появлению глобальных моделей поведения. В этом контексте алгоритмы роевого интеллекта направлены на управление роем дронов в том, что касается его поведения, на основе двух подходов, а именно оп­тимизации и консенсуса.

    1. Вычислительная и сетевая интеграция

    Для создания замкнутого цикла в стае дронов необходимо обеспечить тесную связь между вычислительными и сетевыми системами, что позволит наилучшим образом использовать ограниченные ресурсы, которыми может располагать каждый беспилотный летательный аппарат для решения задач зондирования, вычислений и создания сетей.

      1. Сеть, поддерживающая вычисления

    Очевидно, что эффективная работа сетевого оборудования вносит свой вклад в вычислительную систему, настраивая топологию сети, способную поддерживать необ­ходимый обмен данными между всеми дронами в рое. Данные, требуемые вычисли­тельной системой, передаются с использованием сетевой системы, также как и резуль­таты работы вычислительной системы каждого дрона обычно передаются другим через сетевую систему, чтобы позволить общей системе достичь консенсуса. Следовательно, существенное влияние на вычислительные возможности роя дронов оказывает произ­водительность сетевой системы.

    Основываясь на чистом сетевом решении IP (например, типологии, созданные и поддерживаемые мобильными протоколами маршрутизации Adhoc), все беспилот­ные летательные аппараты должны знать, с каким другим дроном им необходимо взаимодействовать в процессе вычислительной функции (например, для предотвра­щения столкновений). Такой подход приводит к проблемам с масштабируемостью и производительностью из-за объема состояний, которые необходимо сохранить каж­дому дрону, и времени, необходимого для обновления этой информации. Следова­тельно, одно из потенциальных решений заключается в использовании сетевой систе­мы, основанной на поименованных объектах данных [20], позволяющей каждому дрону извлекать данные, необходимые для их вычислительной функции, без необхо­димости знать, где эти данные хранятся в системе стаи. Несмотря на двухуровневость выполнения операции, такая сетевая система поможет уменьшить задержки, посколь­ку необходимые данные могут быть извлечены из кэша, развернутого в более близком беспилотном летательном аппарате.

    Кроме того, сетевая система по-прежнему требует, чтобы все данные, необходи­мые для вычислительной функции, сначала должны быть доставленными; и кроме того, в роевой системе нужно обнаружить необходимую вычислительную функцию (напри­мер, оценить обновленный список потенциальных препятствий). В этом случае предпо­лагается, что из-за энергетических ограничений не все дроны будут отвечать за выпол­нение всех вычислительных функций, необходимых для управления всем роем.

    Хотя такая сеть была бы ориентирована на предоставление системы разреше­ния от имен служб до требуемых данных, лучшим решением может быть сетевая сис­тема, способная разрешать вычислительные функции вместо имен. Эту задачу само­организации роя могут решать сети именованных функций (Named Function Network, NFN), позволяющие запрашивающему агенту быть независимым от статуса роя дро­нов и хранящих только локальную информацию [21]. Однако использование сетевой системы, основанной на NFN, будет рассматривать рой дронов как полностью дове­ренный объект, что может соответствовать истине. Следовательно, рой дронов на ос­нове NFN должен быть способен транспарентно оценивать результаты каждой вычис­лительной функции.

      1. Вычислительная поддержка сети

    Вычислительная система может улучшить сетевую систему в нескольких ситуа­циях; например, некоторая информация об окружающей среде, такая как изменения высоты или рельефа, может привести к изменениям в используемых моделях каналов, что окажет влияние на производительность сетевой системы. В этом случае производи­тельность сети может быть улучшена с помощью вычислительной системы, поскольку она может измерять и моделировать беспроводной канал и классифицировать этот ка­нал в соответствии с предопределенными правилами.

    Приведем несколько примеров исследований по внедрению вычислений в сете­вую систему с целью повышения общей производительности системы. Прежде всего, это интеллектуальные алгоритмы на основе операций ограничения, предназначенные для смягчения ограничений, связанных с высокой задержкой и низкими скоростями пе­редачи. Для реализации алгоритмов можно использовать, например, предметно­ориентированный язык программирования P4, предназначенный для программирова­ния правил маршрутизации пакетов. Язык позволяет эффективно использовать вычис­лительные функции, связанные с агрегированием сообщений подтверждения, улучшать поддержку многоадресной рассылки и принимать решения о маршрутизации, имеет возможность масштабирования пересылки в зависимости от текущих условий (напри­мер, показателей качества связи, мобильности дронов и т.п.), снижать накладные рас­ходы на связь во всей системе с учетом ограничений коммуникационных затрат.

    Использование роем беспилотников беспроводных каналов требует особого внимания к обеспечению безопасности связи и защиты данных. Неправильное поведе­ние и утечка информации могут привести к физическому ущербу и поставить под угро­зу работу роя. В этом контексте встраивание вычислений в рой позволило бы обраба­тывать трафик и данные непосредственно в сети и с линейной скоростью. Таким обра­зом, интеграция вычислительных и сетевых систем создает адекватную поддержку для обеспечения необходимых механизмов безопасности и конфиденциальности:

    1. предотвращение атак и вторжений;

    2. обнаружение вторжения и нежелательного поведения;

    3. увеличение возможностей роя по анализу потенциальных инцидентов и пре­дотвращения будущих атак.

    Внедренная в процесс принятия решений вычислительная система помогает беспилотным летательным аппаратам лучше управлять своей сетью, учитывать их соб­ственные свойства, а также состояние окружающей среды.

    Заключение

    Рассмотрение разработанной стаи беспилотных летательных аппаратов в качест­ве NCS помогает повысить производительность всей системы при решении оператив­ных и экологических проблем. Разделение роя дронов на сетевую и вычислительную системы позволит создать эффективно функционирующую самоорганизующуюся сис­тему роя. При этом представляется важным при создании сетевой системы не полагать­ся на идентификацию хостов (например, дронов), а скорее на их вычислительные функции, которые могут быть развернуты в любом дроне. Такой подход обеспечивает основу для решения основных проблем, выявленных при разработке роя дронов как се­тевой системы управления. Интеграция сетевой системы, способной осуществлять ре­шение вычислительных выражений по требованию, составленных для каждого дрона из именованных данных и функций транспарентным способом, позволяет реализовать свойство самоорганизации роя.

    Примечание

    1. Довгаль В.А., Довгаль Д.В. Модель взаимодействия анализирующих туманно-облачных вычислений для обработки информации о положении беспилотных летательных аппаратов // Осенние математические чтения в Адыгее: материалы III междунар. науч. конф. Майкоп, 2019. С.149-154.

    2. Довгаль В.А., Довгаль Д.В. Использование интернета вещей для охраны окружающей среды // Фундаментальные и прикладные аспекты геологии, геофизики и геоэкологии с использова­нием современных информационных технологий: материалы V междунар. науч.-практ. конф. Ч. 1. Майкоп: Изд-во Кучеренко В.О., 2019. С. 152-157.

    3. Zeng Y., Zhang R., Lim T.J. Wireless communications with unmanned aerial vehicles: Oppor­tunities and challenges // IEEE Communication Magazine. 2016. Vol. 54. P. 36-42.

    4. Довгаль В.А., Довгаль Д.В. Анализ систем коммуникационного взаимодействия дронов, выполняющих поисковую миссию в составе группы // Вестник Адыгейского государственного уни­верситета. Сер.: Естественно-математические и технические науки. 2020. Вып. 4 (271). С. 87-94. URL: http://vestnik.adygnet.ru

    5. A survey of using swarm intelligence algorithms in IoT / W. Sun, M. Tang, L. Zhang, Z. Huo, L. Shu // Sensors. 2020. Vol. 20. P. 1420.

    6. Довгаль В.А., Довгаль Д.В. Анализ проблем обеспечения информационной безопасности беспроводных сенсорных сетей и методов обеспечения безопасности интернета вещей // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. 2021. Вып. 1 (276). С. 75-83. URL: http://vestnik.adygnet.ru

    7. Gupta R.A., Chow M.Y. Networked control system: Overview and research trends // IEEE Trans. Ind. Electron. 2009. Vol. 57. P. 2527-2535.

    8. Campion M., Ranganathan P., Faruque S. UAV swarm communication and control architec­tures: A review // Journal Unmanned Vehicle System. 2018. Vol. 7. P. 93-106.

    9. New radio (NR) and its evolution toward 5G-advanced / Y. Kim, J. Oh, H. Ji [et al.] // IEEE Wireless Communication. 2019. Vol. 26. P. 2-7.

    10. Raza U., Kulkarni P., Sooriyabandara M. Low power wide area networks: An overview // IEEE Communication Survey Tutor. 2017. Vol. 19. P. 855-873.

    11. Dovgal V.A. Making decisions about the placement of unmanned aerial vehicles based on the implementation of an artificial immune system in relation to information processing // Proceedings - 2021: International Conference on Industrial Engineering, Applications and Manufacturing. ICIEAM 2021. P. 828-833.

    12. Dovgal V.A. Decision-making for placing unmanned aerial vehicles to implementation of ana­lyzing cloud computing cooperation applied to information processing // Proceedings - 2020: International Conference on Industrial Engineering, Applications and Manufacturing. ICIEAM 2020. P. 911-975.

    13. Chen X., Tang J., Lao S. Review of Unmanned Aerial Vehicle Swarm Communication Archi­tectures and Routing Protocols // Applied Sciences. 2020. Vol. 10, Iss. 10. P. 3661.

    14. Викулов А.С., Парамонов А.И. Стандарт IEEE 802.11ax и перспективы его применения для Интернета вещей // Интернет вещей и 5G: материалы Второй междунар. науч.-техн. конф. сту­дентов, аспирантов и молодых ученых, г. Санкт-Петербург, 07 декабря 2016 года. Санкт-Петербург: СПбГУ телекоммуникаций им. проф. М.А. Бонч-Бруевича, 2016. С. 38-41.

    15. Логинов В.А., Ляхов А.И., Хоров Е.М. Совместное существование сетей Wi-Fi и LTE- LAA: открытые проблемы // Информационные процессы. 2018. Т. 18, № 3. С. 197-209.

    16. Оптимизация создания и применения спутниковых систем связи / И.А. Байгутлина, А.В. Григорошев, Е.О.Григорьев [и др.]. Москва: Сам Полиграфист, 2021. 200 с.

    17. DoD command, control, and communications (C3) modernization strategy. URL: https://dodcio.defense.gov/Portals/0/Documents/DoD-C3-Strategy.pdf (дата обращения: 08.02.2022).

    18. Динь Ч.З. Разработка методов построения и функционирования быстроразворачиваемой летающей сети для экстренных служб: специальность 05.12.13 «Системы, сети и устройства теле­коммуникаций»: автореф. дис. ... канд. техн. наук. Санкт-Петербург, 2020. 22 с.

    19. Карлов А.М., Волхонская Е.В., Гоза Н.С. Модельные исследования коэффициента бито­вых ошибок в канале связи с мелкомасштабными рэлеевскими замираниями // Радиотехника. 2019. № 2. С. 52-55. DOI: 10.18127/j00338486-201902-10

    20. Гребешков А.Ю., Боровская Я.А. Построение информационно-ориентированных сетей 5G-ICN // Вестник связи. 2021. № 11. С. 13-18.

    21. Scherb C., Faludi B., Tschudin C. Execution state management in named function networking, 2017 // IFIP Networking Conference (IFIP Networking) and Workshops, 2017. P. 1-6. DOI: 10.23919/IFIPNetworking.2017.8264867

    1   2   3   4

    написать администратору сайта