Eficiente controlador interno de células en un conmutador ATM bajo tráfico auto-similar

Abstract

Se prevee que las redes ATM (Modo de Transferencia Asíncrono) reemplazarán en los próximos años a las redes de datos actuales y servirán como un sistema de transporte unificado de alta velocidad para soportar una gran cantidad de servicios multimedia existentes o por venir. Para soportar el amplio ancho de banda demandado, se necesitan de nodos de conmutación capaces de manejar eficientemente las altas tasas de llegada, procesamiento y salida de células. Se han propuesto numerosos esquemas en la literatura para definir la técnica de conmutación a emplear. De los esquemas propuestos, uno de los más simples de implementar, es la arquitectura paralela crossbar con buffers FIFO en los puertos de entrada (donde la primera célula que entra es la primera célula que sale). Este esquema tiene la desventaja de tener un pobre rendimiento de flujo de células debido al bloqueo que ocasionan las primeras células de los buffers FIFO. Esto hace que el uso de este esquema sea poco práctico. Una manera efectiva de resolver el problema del bloqueo causado por la primera célula en los buffers FIFO es utilizar buffers separados para cada puerto de salida en cada puerto de entrada, y construir un elemento de selección que determine la secuencia de entrega de células de los buffers. Debido a la alta velocidad que se requiere para realizar la decisión de conmutación interna, las técnicas de computación secuenciales no ofrecen una alternativa práctica porque su complejidad y lentitud crecen con el número de puertos del conmutador. Las redes neuronales artificiales sí podrían funcionar adecuadamente como elemento de selección interna por su alta velocidad de procesamiento. En este trabajo de tesis utilizamos la red neuronal Hopfield propuesta originalmente por Marrakchi y Troudet (1989) y la adaptamos para funcionar como elemento de decisión en un conmutador ATM crossbar con buffers FIFO en los puertos de entrada. Se propone una modificación de la red neuronal original para evitar estados no deseables en la red y aumentar así el flujo del conmutador, mejorando su función de penalización. Para evaluar el rendimiento del conmutador se construye un modelo de simulación, y se estudia el sistema utilizando modelos de tráfico auto-similares. Como lo han demostrado estudios recientes, el uso de los procesos auto-similares para modelar el tráfico de datos permite capturar mejor las características del tráfico real que los modelos tradicionales de tráfico como Poisson. Originalmente, Marrakchi y Troudet sólo estudiaron el flujo obtenido con la red neuronal usando matrices de demanda arbitrarias. Una importante contribución de esta tesis es estudiar el comportamiento del flujo del conmutador controlado por una red neuronal Hopfield usando condiciones más reales para el tráfico de entrada. Debido a lo reciente del tema, existe poca investigación sobre el efecto del tráfico auto-similar en los modelos de redes de comunicaciones. Con el fin de aportar conocimiento en este campo, se analiza el efecto en el rendimiento del modelo de conmutación usando tanto secuencias sintéticas de procesos auto-similares como secuencias modeladas como un proceso de Poisson, y los resultados se comparan y analizan. Además del flujo del modelo propuesto, en este estudio también se evalúan otros parámetros importantes de la calidad de servicio: la probabilidad de pérdida de células y el retardo promedio de células en los buffers del conmutador. El modelo de conmutación propuesto utilizando redes neuronales Hopfield opera efectivamente, elevando el rendimiento del flujo del conmutador con buffers FIFO en los puertos de entrada hasta en un 22.8% y mejorando el retardo promedio de las células hasta en un 35%.

It is likely that the ATM (Asynchronous Transfer Mode) networks will replace the current data networks in the next years and will become an unified high-speed transport system to support a large amount of existing or future multimedia services. In order to support the large bandwidth required, it is necessary to have suitable switching nodes to handle efficiently high-speed arriving rates, cell processing and transmission. There are several proposed schemes in the literature to define the best switching technique. One of the most simple models to implement is the crossbar parallel architecture with FIFO buffers in the input ports (where the first cell to enter is the first cell to leave). This architecture has one drawback, poor performance in the cell throughput because of the blocking by the first cell in a FIFO buffer. This phenomenon makes this architecture impractical. One effective way to solve the blocking problem of the first cell in a FIFO buffer is to use separated buffers for each output port at each input port, and implement a, selection element to define the cell delivery sequence from the buffers. Because of the high internal speed required to perform the internal switching decision, the computational sequential techniques do not offer a practical solution because of their complexity and increasing delay when the number of ports in the switch grows. Artificial neural networks could work adequately as an internal selection element due to their high processing speed. In this thesis we use a Hopfield neural network proposed by Marrakchi and Troudet (1989), adapted to work as a decision element in an ATM crossbar switch with buffers in the input ports. We propose a modification to the original network to avoid certain undesired states in order to increase the throughput of the switch, improving its penalty function. We implement a simulation model of the switch to evaluate its performance using self-similar traffic models. Recent studies have demonstrated that self-similar process can represent more accurately the features of the real network traffic than traditional traffic rnodels such as Poisson. In their original work, Marrakchi and Troudet only evaluated the neural network using matrices of an arbitrary form. One important contribution of this thesis is the study of the throughput behavior in a switch controlled by a neural network using realistic conditions to model the input traffic. Because the discovery of the self-similar nature in the real traffic is very recent, there is very little research done on the study of the effects of self-similar traffic models in communication network models. To feed the knowledge on that field, we analyze the performance of the switch using both self-similar process and Poisson process, and we compare and analyze the results. Besides the throughput in the proposed model, in this study we also evaluate other important parameters in the quality of service: the cell loss probability and the cell average delay in the buffers. Our proposed switching model using Hopfield neural networks operates efficiently, increasing the performance of the throughput in the switch with FIFO buffers in the input ports up to 22.8%, and improving the average cell delay up to 35%.