Электронная библиотека диссертаций и авторефератов России
dslib.net
Библиотека диссертаций
Навигация
Каталог диссертаций России
Англоязычные диссертации
Диссертации бесплатно
Предстоящие защиты
Рецензии на автореферат
Отчисления авторам
Мой кабинет
Заказы: забрать, оплатить
Мой личный счет
Мой профиль
Мой авторский профиль
Подписки на рассылки



расширенный поиск

Исследование и разработка моделей трафика и методов выбора структуры сетей интернета вещей Махмуд Омар Абдулкарим Махмуд

Диссертация - 480 руб., доставка 10 минут, круглосуточно, без выходных и праздников

Автореферат - бесплатно, доставка 10 минут, круглосуточно, без выходных и праздников

Махмуд Омар Абдулкарим Махмуд. Исследование и разработка моделей трафика и методов выбора структуры сетей интернета вещей: диссертация ... кандидата Технических наук: 05.12.13 / Махмуд Омар Абдулкарим Махмуд;[Место защиты: ФГБОУ ВО «Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича»], 2019

Содержание к диссертации

Введение

Глава 1. Анализ тенденций развития Интернета вещей 11

1.1 Анализ перспективных направлений развития сетей связи 11

1.1.1 Анализ тенденций развития перспективных сетей связи 11

1.1.2 Анализ концепции Интернета вещей 18

1.1.3 Анализ концепции тактильного Интернета 22

1.2 Анализ тенденций развития Интернета вещей 25

1.2.1 Прогноз развития Интернета вещей 25

1.2.2 Прогноз проникновения и роста трафика ИВ 29

1.2.3 Анализ приложений Интернета вещей 32

1.2.4 Анализ характеристики сетей Интернета вещей 35

1.3 Анализ технологий построения сетей Интернета вещей 38

1.3.1 Предварительные замечания 38

1.3.2 Анализ основных характеристик 41

1.3.3 Анализ особенностей использования в сетях ИВ 48

1.4 Выводы по главе 1 50

Глава 2. Анализ и моделирование трафика Интернета вещей 52

2.1 Предварительные замечания 52

2.2 Анализ моделей трафика 53

2.2.1 Анализ моделей трафика традиционных услуг 53

2.2.2 Аналитические модели потоков 55

2.2.3 Анализ характеристики трафика 58

2.2.4 Анализ моделей обслуживания трафика 59

2.3 Анализ трафика Интернета вещей 62

2.3.1 Предварительные замечания 62

2.3.2 Типы трафика ИВ 64

2.3.3 Агрегированный трафик в сети ИВ 68

2.4 Анализ и моделирование влияния трафика ИВ на качество обслуживания 71

2.4.1 Анализ свойств трафика ИВ 71

2.4.2 Анализ публикаций по рассматриваемой тематике 72

2.5 Модель трафика Интернета вещей 73

2.5.1 Анализ и постановка задачи 73

2.5.2 Модель системы обслуживания трафика Интернета вещей 75

2.5.3 Исследование влияния трафика ИВ на качество обслуживания 77

2.5.4 Анализ результатов моделирования 80

2.6 Выводы по главе 2 84

Глава 3. Разработка и исследование методов выбора структуры сети Интернета вещей 86

3.1 Анализ специфики маршрутизации трафика в сетях Интернета вещей, выбор расположения шлюза 86

3.2 Математическая модель и метод выбора маршрута 88

3.2.1 Модель выбора маршрута 88

3.2.2 Метод выбора маршрута 89

3.2.3 Метод поиска центра графа 91

3.3 Выбор структурных параметров сети ИВ 95

3.3.1 Предварительные замечания 95

3.3.2 Анализ методов выбора маршрута с учетом качества обслуживания 96

3.3.3 Модель и метод выбора структурных параметров сети Интернета вещей 99

3.4 Анализ результатов моделирования 104

3.5 Выводы по главе 3 108

Глава 4. Исследование сети Итнернета вещей как сети толерантной к задержкам 111

4.1 Моделирование сети ИВ как случайного графа 111

4.1.1 Предварительные замечания 111

4.1.2 Анализ применения модели Эрдёша–Реньи для сети ИВ 112

4.1.3 Связность случайного графа 115

4.1.4 Анализ применения модели Боллобаша–Риордана для сети ИВ 117

4.2 Модель сети Интернета вещей как сети толерантной к задержкам 118

4.2.1 Анализ особенностей и моделирование сети ИВ 119

4.2.2 Анализ процесса доставки данных в сети толерантной к задержкам 128

4.2.3 Метод доставки данных в сети толерантной к задержкам 129

4.2.4 Метод управления доставкой 133

4.3 Выводы по главе 4 135

Заключение 137

Список сокращений 139

Список литературы 141

Приложение А. Имитационные модели 154

Приложение Б. Акт внедрения результатов диссертационного исследования 160

Анализ тенденций развития перспективных сетей связи

Наибольшая доля трафика в современных сетях связи создается пользователями сетей подвижной связи (СПС). На сегодняшний день это такие виды трафика как трафик видео, передачи речи и звука, передачи данных. Поэтому СПС стали безусловными лидерами как по количеству абонентов (пользователей), так и по объему производимого трафика. Основным направлением развития СПС является построение сетей пятого поколения (5G). Это направление характеризуется развитием технологической базы построения сетей и структурных и организационных решений по их реализации [103, 47, 55].

Наиболее значимыми особенностями этих сетей связи 5G являются:

- гетерогенная структура сети;

- в значительной степени более высокая достижимая пропускная способность, по сравнению с современными СПС;

- возможность применения непосредственных связей между абонентскими терминалами (D2D – Device to Device). Данная возможность может реализовываться как в лицензируемых, так и в нелицензируемых диапазонах радиочастот;

- использование для организации связи более высокочастотных участков спектра.

Предполагается, что перспективные сети пятого поколения интегрируют в себе сети ИВ. Эта интеграция может быть, как полной, так и частичной. Поэтому, сети 5G реализуют некоторые новые способы обслуживания трафика, с учетом особенностей трафика ИВ. В первую очередь, к этим способам относится возможность D2D коммуникаций.

Использование прямых связей позволяет организовать направление доли производимого в сети ИВ трафика непосредственно между устройствами, например, терминалами пользователей, минуя базовые станции и другие элементы СПС. Такой способ обслуживания трафика в литературе называют словами «выгрузка трафика».

Этот способ выгрузки трафика позволяет значительно снизить объем и интенсивность трафика, поступающего на элементы СПС. При использовании нелицензируемых участков спектра, обеспечивается существенная экономия радиочастотного ресурса [100, 111] в лицензируемом диапазоне частот. Такой способ, в целом, дает возможность значительно увеличить эффективность использования ресурсов сети [39]. Как было упомянуто выше D2D соединения могут быть использованы, как для реализации взаимодействия устройств ИВ, так и устройств ТИ. Естественно, что в этих случаях могут быть использованы различные объемы ресурсов устройств и каналов, как в части объемов и скорости передачи данных, так и в части расхода электроэнергии мобильными терминалами.

На рисунке 1.1 приведена динамика изменения доли трафика, выгружаемого из СПС для современных и перспективных сетей связи. Прогноз получен на основе данных, приведенных в [106].

В современных сетях в качестве процесса выгрузки трафика рассматривается перенос трафика СПC в сети локальные сети беспроводного доступа (БЛВС). В настоящее время, наиболее распространенной технологий построения БЛВС являются стандарты семейства IEEE 802.11. Это семейство стандартов также динамично дополняется и развивается согласно общим тенденциям развития технологий связи. Последний из принятых стандартов этого семейства IEEE 802.11ac позволяет обеспечить скорость передачи данных, которая достаточна для большинства современных прикладных задач [61, 62, 104].

Уже сегодня БЛВС данной группы стандартов получили широкое распространение. Эти стандарты применяются, как при построении БЛВС общего пользования, так и для построения корпоративных и частных сетей. Это потенциально повышает доступность связи с их использованием.

Из данных, приведенных на рисунке 1.1 можно заметить, что доля выгружаемого трафика возрастает и, к концу периода прогнозирования (2022 г) превышать половину обслуживаемого трафика. Этот прогноз построен для всех используемых технологий построения сетей подвижной связи.

На рисунке 1.2 приведены результаты прогнозирования доли выгружаемого трафика. Результаты приведены для технологий построения СПС различных поколений. Приведенные данные показывают, что в сетях пятого поколения выгружаемый трафик будет составлять, в общем объеме, более 70%. Это в 2 раза больше, чем в сетях второго поколения. Такое различие объясняется в первую очередь тем, что абонентские терминалы в сетях пятого поколения способны работать в БЛВС. Это не так для устаревших устройств, ориентированных на сети второго поколения.

Приведенные результаты прогноза демонстрируют снижение оъема обслуживаемого в СПС трафика за счет выгрузки трафика таких услуг как передача речи, мультимедиа, данных как при использовании соединений D2D так и при выгрузке через БЛВС.

Подобный процесс перераспределения трафика имеет место и для трафика ИВ и ТИ. Трафик произведенный в сетях ИВ и ТИ, которые используют СПС как шлюз с глобальной ИКС. Данный процесс схематично представлен на рисунке 1.3. На рисунке 1.3 представлена схема выгрузки трафика при наличие 3 возможностей: доступности БЛВС, соединения устройство-устройство и сети ИВ.

В настоящее время, при построении большинства сетей ИВ используются стандарты организации беспроводных сетей, в том числе и БЛВС, которые используют нелицензируемые участки спектра радиочастот. Сама структура построения БЛВС допускает использование D2D коммуникаций между отдельными устройствами. Для построения сетей ИВ сейчас чаще всего применяются такие технологии как IEEE 802.15.4 (ZigBee), IEEE 802.11 (WiFi), IEEE 802.15.1 (Bluetooth), LoRaWAN, SigFox. Упомянутые стандарты и технологии, потенциально, дают возможность использовать D2D коммуникации и реализовывать сети на их основе [77, 95].

Таким образом, применение указанных технологий при построении сетей ИВ дает возможность выгрузки трафика в БЛВС. Такие решения могут существенно разгрузить СПС, особенно в случаях внезапного роста трафика ИВ. Доя трафика ИВ в общем объеме трафика современных сетей связи не очень велика. На рисунке 1.4 приведен прогноз изменения трафика ИВ, на примере М2М трафика, до 2022 года. Как показывает данный прогноз, его доля к 2022 году составит около 2% от общего объема производимого трафика. Это существенная величина, хотя и не дает возможности отнести ИВ к основным источникам трафика.

Приведенные данные прогноза отражают лишь средний объем производимого трафика, к тому же в этот объем трафика не включен трафик, производимый, например, камерами видеонаблюдения на дорогах, в зданиях и т.д. Поскольку сегодня нет полной определенности в том какие устройства следует относить к ИВ. Согласно концепции ИВ, камеры видеонаблюдения также могут быть отнесены к интернет-вещам. В таком случае доля трафика ИВ, следует ожидать, будет существенно больше.

Если иметь в виду устройства подобные устройствами телеметрии, то действительно трафик ИВ, будет иметь ограниченный объем.

Даже в последнем случае возможны ситуации, в которых трафик ИВ может создать значительные сложности для обслуживающих его сетей связи [102, 40]. Эти сложности обусловлены весьма большим количеством интернет-вещей и их поведением, как поведением автоматических устройств. Характеристики трафика ИВ, в отличие от трафика, производимого людьми, могут быть значительно подвержены влиянию внешних факторов. Эти факторы могут вызывать как медленные изменения трафика, так и значительные всплески, которые могут создавать угрозы перегрузки сетей.

Также особенностью трафика ИВ может состоять и в отличие потоковых характеристик трафика, например, определяемых процессами получения данных в системах мониторинга и управления.

Типы трафика ИВ

Опираясь на перечисленные группы событий, можно выделить три типа трафика IoT:

1. Опосредованный трафик – трафик данного типа производится системой, которая состоит из активных устройств. Он является реакцией на внешнее (возможно, случайное) событие. Таким событием, например, может быть срабатывание датчика, попадание величины, контролируемой датчиком, в некоторый целевой диапазон. Свойства этого трафика зависят от процессов, которые контролируются системой – внешних процессов и событий.

Если система используется редко, например, если она предназначена для управления доступом или мониторинга аварийной сигнализации, значения интенсивности происходящих событий и интенсивность аппаратных отказов самой системы могут быть близки. Поэтому достоверность обнаружения событий снижается, в таких системах необходимо тщательно контролировать техническое состояние самой системы и датчиков. Во избежание снижения достоверности необходимо передавать служебные данные, при этом, объем этих данных может значительно превышать объем полезной информации, а свойства трафика будут определяться особенностями способов контроля технического состояния датчиков.

Для проверки состояния датчиков можно использовать периодическое опрашивание устройств в системе, период опроса зависит от коэффициента готовности системы.

КГ- И, (2.1)

тИ+т0+тв

где Кт - коэффициент готовности;

ТИ - время наработки на отказ (часов);

Т0 - время, необходимое на обнаружение неисправности (час);

ТВ - время восстановления (час). В случае, когда отказы равновероятны, период опроса можно вычислить следующим образом:

to = — (ТИ - КГ (ТИ + ТВ )) (2-2) Трафик в таких системах зависит от числа устройств, которые осуществляют мониторинг состояния датчиков. В случае возникновения внештатной ситуации все устройства контроля датчиков и процессов начинают высылать информацию о возникшей ситуации, это приводит к тому, что в сети будет огромное количество сообщений. Интенсивность такого трафика будет зависеть от количества устройств контроля, объема сообщений и вероятности восстановления жизнеспособности устройств.

Таким образом, производимый системами трафик, в зависимости от параметров может иметь свойства, как антиперсистентного потока, так и простейшего потока. Статистические свойства потока данного типа трафика определяются такой особенностью как зависимость источников трафика, которая при наступлении определенных событий приводит к массовой активности устройств и, как следствие, случайным пикам трафика.

2. Детерминированный трафик, трафик производится устройством или системой, в которой имеют место только «пассивные» устройства. Он производится как реакция на запрос. Последний иногда можно рассматривать как случайное или предопределенное (детерминированное) событие. В качестве примера можно привести трафик системы мониторинга и сбора данных. В таких системах, обычно, используется структура построения типа Master-Slave (главный руководимый). Главное устройство в этой структуре формирует и направляет запрос, а подчиненные устройства или одно устройство (которым может быть Интернет вещь), направляют главному устройству (возможно и другому устройству) необходимые данные.

Практическим примером может быть широко применяемая система мониторинга SCADA (Supervisory Control And Data Acquisition). Данная система строится по такому же принципу. В этой системе оконечные или промежуточные узлы (датчики или контроллеры) являются пассивными устройствами (подчиненные устройства), которые установлены на целевом объекте. Они производят передачу данных по запросу главного устройства (или контроллера). Таким образом, в системе SCADA роль мастера выполняет сервер сбора данных. Нужно отметить, что в системах мониторинга большого масштаба, структура может быть иерархической, включающей в себя еще и промежуточные элементы-контроллеры, которые по отношению к устройствам более высокого уровня являются подчиненными, а к устройствам нижнего уровня главными. В такой системе запросы и данные передаются по цепочке (маршруту) от оконечного узла, через контроллер или несколько контроллеров к серверу сбора данных.

В любом случае свойства трафика подобной системы определяются алгоритмом выбора интервала времени между моментами передачи запросов головным устройством (сервером). Свойства трафика будут определяться способом формирования этих интервалов времени. В большинстве практических приложений, в настоящее время, эти интервалы фиксированы и имеют детерминированные значения. В общем случае, они могут быть определены в соответствии с расписанием, генерацией случайного значения или заданными фиксированными значениями.

К данному типу детерминированного трафика можно отнести также трафик, производимый автоматической системой в постоянные моменты времени. Например, это может быть трафик, производимый при обновлении программного обеспечения и другие варианты, которые происходят по заданному расписанию.

В случае, интервалы запросов данных постоянны (детерминированы), трафик между сервером и оконечными узлами представляет собой детерминированный поток запросов главного устройства и ответов оконечного узла (подчиненного устройства). Параметры времени в таком трафике, имеют определенный период повторения Т.

Если в сети мониторинга имеют место несколько систем сбора данных, пусть их количество равно n, то при неизменных временных сдвигах между моментами запросов и передачи обратных сообщений, общий (агрегированный) поток трафика тоже будет детерминированным потоком. Его период будет равен наименьшему общему кратному всех периодов опроса:

Ts=lcn Tt} i = \Kn.

(2.3) Следует заметить, что может иметь имеет место ситуация, когда временные сдвиги из-за отсутствия синхронизации различных систем, принимают вид случайного процесса, то тогда суммарный трафик также будет выглядеть как случайный процесс, свойства которого будут зависеть от свойств и параметров отдельных потоков.

3. Служебный трафик, как и опосредованный трафик, производится элементами сети ИВ, в которой имеют место активные узлы (интернет-вещи). Этот трафик возникает в результате реакции на случайное внешнее событие, которое нарушает нормальное функционирование системы. Это трафик, который производится, например, в результате ошибки или сбоя в работе устройства или программного обеспечения. Этот тип трафика трафик можно наблюдать как результат сбоев работы аппаратных или программных средств. Его предназначение состоит в восстановлении нормально функционирования системы. Например, повторная инициализация параметров устройств, реконфигурации сети, настройка параметров и т.п. Обычно, появление в системе служебного трафика также сопровождается генерацией трафика сигнализации (управления). Служебный трафик также необходим для своевременного диагностирования и решения различных проблем, возникающих в системе.

Модель и метод выбора структурных параметров сети Интернета вещей

Будем полагать, что имеется п узлов сети, которые одновременно являются и источниками трафика (Интернет вещей). Также допустим, что узлы сети распределены некоторым неизменным образом в зоне обслуживания и образуют гомогенную структуру, характеристики которой неизменны для любого фрагмента зоны обслуживания. При этом, связь источника с получателем трафика может быть организована как напрямую, так и через транзитные узлы, в качестве которых могут выступать любые узлы-источники трафика.

Модель узла сети. Будем считать, что узел может быть оснащен антенным, радиопередающим и/или радиоприемным устройствами. Все узлы, возможно кроме шлюзовых узлов, имеют типовое оснащение. Зона связи узла представляет собой круг радиуса г с центром в точке размещения узла. Для большинства стандартов, применяемых для организации сетей ИВ, скорость передачи данных зависит от условий приема сигнала, однако, для упрощения задачи, будем полагать, что скорость передачи данных в пределах зоны связи неизменна (не зависит от расстояния до узла). Такой подход часто оправдан, т.к. при проектировании сети стараются максимально повысить ее пропускную способность и расположения узлов выбирают таким образом, что условия связи обеспечивают максимально достижимую скорость. Каждый из узлов, во время передачи данных занимает среду передачи, размеры которой ограничены зоной интерференции, и в данной модели также представляет собой круг радиуса R. Обычно R r. Одновременная передача данных двумя и более узлами приводит к потере данных (коллизии), в том числе, когда приемный узел находится в зоне интерференции хотя бы одного из конфликтующих узлов.

Пусть среднее время передачи кадра равно т, а интенсивность передачи кадров X. При оценке вероятности коллизии будем рассуждать следующим образом. Коллизия происходит тогда, когда за время передачи кадра будет начата или закончена еще хотя бы одна передача. Иными словами, когда интервал передачи кадра пересечется еще с одним или более интервалами передачи, рисунок 3.6.

Из рисунка видно, что для того чтобы произошло наложение на рассматриваемый кадр одной и более передач, достаточно чтобы эти передачи были начаты за интервал времени, равный 2т, т. е. во время передачи рассматриваемого кадра или не позднее, чем за время т до начала рассматриваемого кадра. Таким образом, вероятность коллизии равна вероятности начала одной или более передач кадров за интервал времени 2т

Если трафик можно описать моделью простейшего потока, то вероятность коллизии можно вычислить подставив в (3.6) формулу для вероятности распределения Пуассона рк (х)

Тогда вероятность связности узла для 2D-модели, при допущении что зона связи узла представляет собой круг радиуса R, можно определить как

Аналогичный результат можно было получить, рассматривая функцию распределения интервалов времени между моментами начала передачи кадров в простейшем потоке. Все кадры, передача которых была начата на интервале 2т, будут повреждены. Среднее количество поврежденных в результате коллизии кадров будет равно т = 2Хтрс. Интенсивность коллизий может быть определена как л = Хрс, где X = Xf=i A.j интенсивность передачи (кадров) /-ым узлом в зоне связи (кадров/с); к - количество узлов в зоне связи.

Использование модели простейшего потока весьма удобно, но не всегда оправдано, так как в большинстве случаев потоки трафика в современных сетях существенно отличаются от простейшего. Как показывают результаты исследований, чаще всего трафик в БСС обладает свойствами самоподобного процесса [Ошибка! Источник ссылки не найден. 1]. Поэтому при описании таких процессов используют распределение Парето для моделирования интервалов времени между моментами поступления кадров (пакетов):

Отличие свойств трафика от свойств простейшего потока естественным образом отражается на функционировании рассматриваемой модели, поскольку вероятность коллизий будет определяться уже не распределением Пуассона. Модель с распределением Парето позволяет оценить степень влияния этого отличия на вероятность коллизий.

Вероятность коллизии характеризует канал связи между узлами сети: чем она меньше, тем доступен больший ресурс канала, следовательно, вероятна большая пропускная способность канала. На рисунке (3.7) приведены зависимости вероятности коллизии от использования канала для двух моделей потоков: простейшего и потока, интервалы времени между заявками в котором подчинены распределению Парето.

Как видно из графиков, в области средних нагрузок вероятность коллизии выше для потока второго типа. В области малых и больших значений нагрузки вероятность коллизии выше для модели простейшего потока. Если трафик проходит через маршрут из п независимых участков, то вероятность потери данных (кадра) из-за коллизий для всего маршрута будет равна

Как видно из (3.7), (3.8) вероятность коллизии тем больше, чем больше интенсивность трафика (использование канала). Таким образом, при выборе маршрута можно руководствоваться как величиной вероятности коллизии (потери кадра из-за коллизии), так и величиной интенсивности трафика в зоне связи. Для поиска маршрута согласно критерию (3.9) может быть использован любой алгоритм поиска кратчайшего пути во взвешенном графе. Для этого сеть должна быть описана графом G(V,E) с множеством вершин V = \yij], i,j = 1 ...п, которые соответствуют узлам сети и множеством ребер (дуг) Е, релевантным потенциально возможным связям (каналам) между узлами сети. Узлы характеризуются зоной связи (данном случае, радиусом R), в центре которого находится данный узел. Узлы сети описываются их координатами (хг, у,) и расстояниями между ними

Каждому из ребер графа приписан весовой коэффициент С = {с0-}, i,j = 1...П, определяющий метрику, по которой производится выбор маршрута. В данном случае в качестве весов ребер (или дуг) должны быть выбраны логарифмы вероятности коллизий, оценка которой может быть получена согласно (3.7) или (3.8) в зависимости от рассматриваемой модели потока

Метод доставки данных в сети толерантной к задержкам

При движении в условиях отсутствия покрытия беспроводных сетей связи и низкой плотности сети. Мобильные устройста могут выступать носителями сообщений, т.е. производить их физическое перемещение в некоторую точку из которой они могут быть переданы получателю или следующему транзитному узлу сети. Естественно такая возможность зависит от маршрутов движения устройств.

Мы можем исходить из того, что маршруты заранее определены, т.е. занесены в память устройства. Например, маршруты общественного транспорта или маршруты в памяти навигационных систем, систем управления беспилотными автомобилями и т.д. В таком случае передающий узел может выбрать именно тот мобильное устройство, которое следует наиболее подходящим маршрутом, при наличии альтернативного выбора.

Если маршруты заранее не определены, то выбор может выбираться на основе статистических данных о возможных маршрутах. Например, система управления или мониторинга каждого из мобильного устройства может на основе сбора статистики в течение длительного времени производить оценку вероятности нахождения мобильного устройства на той или иной территории, например, как это показано на рисунке 4.5.

Вся возможная область доставки разделена на слайсы (slice) и для каждого из слайсов вычисляется вероятность прохождения через него маршрута. Большинство людей (имеющих смартфоны), личных автомобилей и рейсовых транспортных средств ежедневно проходят одними и теми же (или близкими) маршрутами. Поэтому, ежедневное обновление статистики позволит получить достаточно точные представления о их возможных маршрутах. Например, если п количество дней наблюдений, а по количество дней, когда автомобиль проезжал через z-й слайс, то определяет вероятность того, что маршрут пройдет через данный слайс. На этом принципе может быть построена и более точная статистика, например, с учетом времени Pjif), которая позволит определить вероятное направление движения транспортного средства.

Естественно, что в такой сети доставка сообщения не может быть гарантирована. Однако, источник также может иметь статистику о вероятности прохождения попутных и встречных автомобилей и оценивать необходимое количество отправок сообщений, для того, чтобы обеспечить достаточную вероятность доставки.

На рисунке 4.6 приведена зависимость количества попыток от вероятности доставки при одной попытки p и требуемой вероятности доставки pd.

Из графиков видно, что требуемое количество попыток, при вероятности успеха одной попытки около 0,5 составляет от 2 до 6 попыток, что является вполне реалистичным количеством. 8 4

Возможна и более сложная маршрутизация сообщений, с несколькими скачками, в том случае, когда каждый из слайсов характеризуется вероятностью доставки в другие слайсы. Иными словами, когда территория описана матрицей r x r, где r – количество слайсов.

Тогда маршрут с максимальной вероятностью доставки можно найти одним из методов поиска кратчайших путей.

Для использования метода поиска, использующего аддитивный критерий протяженности пути, в данном случае матрицу (4.8) следует заменить матрицей, составленной из логарифмов соответствующих вероятностей

Таким образом, перспективные сети 1оТ могут функционировать в условиях малой плотности как сети толерантной к задержкам и потерями, причем с достаточной вероятность могут быть определены вероятности доставки сообщений. Данную систему можно назвать когнитивной, поскольку информация о маршрутах ее участников непрерывно уточняется (обновляется) на основе статистики, т.е. опыта ее работы. Далее рассмотрим возможный метод управления такой системой.