Forradalmi japán technológia a hálózatokban


Hozzáadva: 2020. Június 04. Megtekintve: 260

Ritkán hallunk hatalmas méretű informatikai rendszerek fejlesztéséről. Legtöbbször inkább csak a magánszektorban megjelenő informatikai megoldásokról olvashatunk híreket. Annál kevesebbet hallunk a kelet-ázsiai szigetországról, Japánról. Ez valamilyen szinten furcsa, hiszen technológiai fejlettségük meghaladja a Föld legtöbb országáét.


Az oldalon nemrég megjelent félvezetőkkel foglalkozó cikkben beszámoltam például arról is, hogy a japánok félvezetők előállításához használt technológia lépéseit monopóliummá tették. Ez azt jelenti ha például Kínában mikrochipet gyártanak, azt nem tudják megtenni japán szabadalom felhasználása nélkül.


A következőekben viszont nem hardveres, hanem szoftveres megoldásról lesz szó, mégpedig olyanról, amelyet az egyik legnagyobb informatikai vállalat japán NTT fejleszt.


A mélységi tanulás vagy angol nevén “deep learnig” az egyik legjobban felkapott tématerület a mai informatikai világban. A kifejezések között megjelenik még a gépi tanulás, a képfeldolgozás és mesterséges intelligencia is, azonban a mélységi tanulás az egyik legfontosabb szereplője a modem biztonsági rendszerek kialakításában, ezért különös figyelmet igényel.


Japán NTT egy olyan rendszer kifejlesztésével foglalkozik, amely képes az informatikai hálózatok csomópontjaiban elhelyezett routerek között terjedő adatforgalomban fellépő esetleges hiba detektálására.


Mit nevezünk hibának?


A legegyszerűbb példa mondjuk egy kábel elszakadása lehet. Ekkor a forgalom pillanatszerűen megszűnik a két eszköz között és hatalmas károkat okozhat rendszerben. A rendellenes működésre beszélhetünk akkor is ha példéul valamilyen vírusfertőzés hatására az adott router elkezd nagy sebességgel nagy mennyiségű adatot kiküldeni. Ezeket a hibákat szeretnénk tehát detektálni, valamint orvosolni is.


A hibák detektálása


A tradicionális módszerekkel alapvetően megoldható az ilyen hibák bizonyos mértékű kiszűrése, azonban vannak olyan esetek is amelyeket egy hagyományos hibadetektáló rendszer nem képes felismerni.


Ezek általában valamilyen küszöbértékkell dolgoznak és ha egy bizonyos jel értéke ezen küszöbérték alá esik, vagy meghaladja azt a rendszer hibát jelez. Elképzelhető az is, hogy ugye hiba történt az információtovábbítási rendszerben, de mivel a jel erőssége nem haladta meg a küszöbértéket az nem jelzett.


Kérdés tehát, hogyan állítsuk be a küszöbértéket?


Ehhez a hálózatos szakemberek sok éves tapasztalatára és szakértelmére van szükség.


Meg tudnak adni egy olyan tartományt, amelybe ha beleesik a jel értéke akkor azt már abnormális működésnek nevezik. Ehhez természetesen nagyon sok eszközből vett múltbeli adatra van szükség


Japán technológia a hiba detektálása


A japán kutató csoport által fejlesztett technológia segítségével állítólag az internetes hálózatokban bekövetkezendő abnormális működéseket már korai szakaszban lehet detektálni.


A hiba detektálása használt modult három lépésben dolgozik


Első lépés


Az első lépés során a különböző hálózati eszközök kimeneti jeleit összevetik és ebből bemeneti adathalmazt készítenek.


Második lépés


Ehhez neurális hálót használnak. A bemeneti adatot egy neurális háló segítségével dolgozzák fel. Ez tulajdonképpen egy köztes réteget jelent a bemeneti és kimeneti adatok között.


Ez alapvetően a tanulási fázist jelenti.


Azért hívjuk tanulásnak mert a köztes réteget felruházzuk azzal a képességgel melynek segítségével fel tudja ismerni a normális működés során előálló jelalakukat.


Mi történik akkor, amikor abnormális jelalakot próbálunk beadni a neurális hálónak?


Mivel ez a jelalak nagymértékben eltér az eddig már ismert jelalakoktól ezt a köztes réteg nem fogja tudni megfelelő módon átalakítani.


A normális jelalakokat egy úgynevezett egyensúlyi állapottal jellemzik, és a kimeneti jelalakok összességben vett eltérését hasonlítják össze.


Ezen mérőszám lesz az, amely megadja hogy a jelalak mennyire abnormális.


Ha például csak szimplán bevezetünk egy paramétert és azt mondjuk, hogy ha a jel erőssége ezen küszöbérték alá csökken hibát jelzünk, akkor azzal bizonyos esetekben nem detektáltjük a hibát, hiszen ha egy erős intenzitás mellett megszakad a jel attól még az összességében vett erősség nem csökken a küszöbérték alá, vagy elképzelhető olyan eset is, hogy éjszaka kevesen használják a hálózatot és emiatt csökken a jelerősség a küszöbérték alá tehát ugyan nem történt hiba a hálózatban de mégis hibát jelez a rendszer.


Az NTT által kifejlesztett rendszer ennél sokkal kifinomultabb működésre képes.


Egyszerűen elmagyarázva dolgot, annyiról van szó, hogy nem a jel erősségének csökkenését vagy növekedését figyelik abszolút értékben, hanem a neurális háló segítségével megállapítják a normális jele alakot és az attól való jelentős eltéréseket figyelik.


Ezáltal függetlenül attól, hogy éppen sokan vagy kevesen használják a hálózatot vagy hogy milyen a jel erőssége képesek lesznek hibák detektálni.


A harmadik lépés


A hiba detektálása után praktikus lenne megtalálni hogy mi okozza a hibát.


Ehhez a középső réteg betanítása során használt nagy mennyiségű adathalmazt használják fel.


Erre azért van lehetőség, mert minden egyes jelforrás felhasználása során hozzárendelnek egy olyan számot, amely azt reprezentálja, hogy mekkora mennyiségben járul hozzá a kimeneti jelalakhoz.


Ezen paraméter segítségével következtethetünk a kialakulófélben lévő hibához való hozzájárulásra is.


A mélységi tanuláson alapuló rendszert a hatalmas sebességgel fejlődő IoT (Internet of Things) világban is szeretnék alkalmazni valamint gyárakban, azok gyártó sorain is és elképzelhetőnek tartják az intelligens hiba detektálása rendszer alkalmazását.


Forrás: YouTube



Hozzászólások (0)


Érdekes bejegyzéseink

Partnereink írták

Scroll to Top