Acta Univ. Agric. Silvic. Mendelianae Brun. 2009, 57(6), 45-50 | DOI: 10.11118/actaun200957060045

MODERNÍ METODY PRO OPTIMALIZACI PŘEPÍNÁNÍ V POČÍTAČOVÝCH SÍTÍCH

Miroslav Cepl, Jiří ©»astný
Ústav informatiky, Mendelova zemědělská a lesnická univerzita v Brně, Zemědělská 1, 613 00 Brno, Česká republika

Příspěvek se zabývá návrhem architektury sí»ového prvku s vyuľitím neuronové sítě pro optimální řízení datového toku. Klíčovým parametrem pro návrh aktivního sí»ového prvku je rychlost zpracování datového toku. Návrh je zaloľen na paralelním zpracování příchozích datových toků s vyuľitím stochastických optimalizačních metod, čímľ je dosaľeno zvýąené propustnosti sí»ového přepínače. Popis se zaměřuje na vyuľití Hopfieldovy neuronové sítě, která dosahuje v optimalizačních procesech nadějných výsledků. Uvedený návrh zpracování datového toku pomocí neuronové sítě dává na základě provedených simulačních experimentů v prostředí Matlab nadějné výsledky pro nasazení v reálné aplikaci.
Moľnost realizace navrľeného modelu skýtá vývojový kit NetFPGA (NetFPGA, 2009). Tento kit je pouľíván pro vytvoření a testování gigabitového ethernetového přepínače a Internet Protocol (IP) směrovače, který vyuľívá hardwarové přeposílání paketů.

aktivní sí»ový prvek, přepínač, algoritmus, Hopfieldova neuronová sí», optimalizace

Progressive optimization methods for applied in computer network

Standard core of communications' networks is represent by active elements, which carries out the processing of transmitted data units. Based on the results of the processing the data are transmitted from sender to recipient. The hardest challenge of the active elements present to determine what the data processing unit and what time of the system to match the processing priority assigned to individual data units. Based on the analysis of the architecture and function of active network components and algorithms, artificial neural networks can be assumed to be effectively useable to manage network elements. This article focuses on the design and use of the selected type of artificial neural network (Hopfield neural network) for the optimal management of network switch.

Keywords: active network element, switch, algorithm, Hopfield neural network, optimize
Grants and funding:

Příspěvek vznikl v rámci řeąení: VZ MSM 6215648904/03/03/02 (Mendelova zemědělská a lesnická univerzita v Brně) VZ MSM0021630529 (Vysoké učení technické v Brně) GAČR/102/07/1503 (Vysoké učení technické v Brně)

Received: July 8, 2009; Published: October 7, 2014  Show citation

ACS AIP APA ASA Harvard Chicago IEEE ISO690 MLA NLM Turabian Vancouver
Cepl, M., & ©»astný, J. (2009). Progressive optimization methods for applied in computer network. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 57(6), 45-50. doi: 10.11118/actaun200957060045
Share...
Download citation
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Open full article

    References

    1. Dostálek, L., Kabelová, A., 2002: Velký průvodce protokoly TCP/IP a systémem DNS. Praha: Computer Press, 426 s. ISBN: 80-7226-675-6.
    2. Hopfield, J. J., Tank, D. W., 1985: "Neural" Computation of Decisions in Optimization Problems, Biological Cybernetics. 141-152, DOI 10.1007/BF00339943. DOI: 10.1007/BF00339943 Go to original source...
    3. cHANG, B. R., TSAI, H. F., 2009: Improving network traffic analysis by foreseeing data-packet-flow with hybrid fuzzy-based model prediction. Expert Systems with Applications 36: 6960-6965, DOI 10.1016/j.peva.2008.10.010. DOI: 10.1016/j.peva.2008.10.010 Go to original source...
    4. NetFPGA [online]. 2009, 2009 [cit. 2009-06-25]. Dostupný z WWW:
    5. ©íma, J., Neruda, R., 1996: Teoretické otázky neuronových sítí. MATFYZPRESS, Praha, ISBN 80-85863-18-9.
    6. ©«ASTNÝ, J.; ©KORPIL, V., 2007: Analysis of Algorithms for Radial Basis Function Neural Network. Personal Wireless Communications: 54-62, ISBN 978-0-387-74158-1. Go to original source...
    7. TZAGKARAKIS, G., PAPADOPOULI, M., PANAGIOTIS, T., 2009: Trend forecasting based on Singular Spectrum Analysis of traffic workload in a large-scale wireless LAN, Performance Evaluation 66: 173-190. DOI 10.1016/j.eswa.2008.08.038. DOI: 10.1016/j.eswa.2008.08.038 Go to original source...

    This is an open access article distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY NC ND 4.0), which permits non-comercial use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.


    Return to the content