Використання технології сокетів у мережній системі віртуальної лабораторії на базі алгоритмів машинного навчання

DOI: 10.31673/2412-4338.2022.023242

Анотація

Використання систем віртуальних лабораторій стало сучасним трендом у багатьох сферах людської діяльності. Сучасні мережеві віртуальні лабораторії використовують технологію віртуальної реальності для реалізації лабораторного моделювання та технологію інтерактивного середовища для керування моделюванням. У роботі розглядаються переваги, принципи побудови віртуальної лабораторії та існуючі проблеми в механізмі комунікації. Зокрема, при обміні даними між вузловими машинами в системі мережевої віртуальної лабораторії мережевий рівень не може забезпечити однакову передачу пакетних даних. У статті розглядаються сучасні методи машинного навчання: навчання з наглядом, без нагляду, напівнаставлення та навчання з підкріпленням. Визначено, що основними характеристиками архітектури системи віртуальної лабораторії є відкритість, модульність та зв’язок у режимі реального часу. Механізм зв’язку системи віртуальної лабораторії не відповідає вимогам високої пропускної здатності та двостороннього зв’язку в реальному часі. Для вирішення проблеми технічних вимог високої пропускної здатності та наднизької затримки системи віртуальної лабораторії запропоновано технологію комунікаційного планування на основі алгоритму глибокого машинного навчання. У роботі використовується механізм Socket для реалізації зв'язку на основі протоколу TCP/IP. Відповідно до технічних вимог високої пропускної здатності та наднизької затримки мережевої системи віртуального експерименту запропоновано технологію самонастроювання та оптимального планування комунікаційної мережі на основі алгоритму глибокого машинного навчання. Запропонована технологія дозволяє прийняти оптимальне рішення щодо планування ресурсів та реалізувати оптимізацію непрямого вибору параметрів системи.

Ключові слова: мережева віртуальна лабораторія, машинне навчання, сокети, протокол TCP/IP, технологія планування.

Список використаних джерел

1. Budai T., Kuczmann M. Towards a Modern, Integrated Virtual Laboratory. System. Acta Polytechnica Hungarica. 2018. Vol. 15, No. 3, P. 191-204.
2. Zeng W.,  Hao F.. Study on Virtual Simulation Experiment System of Fire Escape and Emergency Evacuation. Proceedings of the 2021 International Conference on Diversified Education and Social Development (DESD 2021). 4 August 2021. P.68-72.
3. Caminero A. C., Ros S., Hernández R., Robles-Gómez A., Tobarra L. and Granjo P. J. T. Virtual remote laboratories management system (TUTORES): Using cloud computing to acquire University practical skills. IEEE Trans. Learn. Technol. 2016. Vol. 9, No 2, P. 133-145.
4. Hou W., Ning Z., Guo L., Chen Z., Obaidat M. S. Novel framework of risk-aware virtual network embedding in optical data center networks. IEEE Syst. 2018. Vol. 12, No 3.P. 2473-2482.
5. Torre L., Guinaldo M., Heradio R., Dormido S. The ball and beam system: A case study of virtual and remote lab enhancement with moodle. IEEE Trans. Ind. Informat. 2015.  Vol. 11, No. 4. P. 934-945.
6. Buczak A. L., Guven E. A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Commun. Surveys Tuts. 2016. Vol. 18, No 2. P. 1153-1176.
7. Sun Y., Babu P., Palomar D. Majorization-minimization algorithms in signal processing communications and machine learning. IEEE Trans. Signal Process. Vol. 65, No 3. – P. 794-816.
8. Yarkoni T., Westfall J. Choosing prediction over explanation in psychology: Lessons from machine learning. Perspect. Psychol. Sci. 2017. Vol. 12, No. 6. P. 1100-1122.
9. Parish E. J,. Duraisamy K. A paradigm for data-driven predictive modeling using field inversion and machine learning. J. Comput. Phys. 2016. Vol. 305. P. 758-774.
10. Fontana F. A., Mäntylä M. V., Zanoni M., Marino A. Comparing and experimenting machine learning techniques for code smell detection. Empirical Softw. Eng., 2016. Vol. 21, No 3, P. 1143-1191.
11. Pasolli E., Truong D. T., Malik F., Waldron L., Segata N. Machine learning meta-analysis of large metagenomic datasets: Tools and biological insights. PLoS Comput. Biol. 2016. Vol. 12, No 7.
12. .Deva Kumari A., Prem Kumar J., Prakash V. S., Divya K. S. Supervised Learning Algorithms: A Comparison. Kristu Jayanti Journal of Computational Sciences (KJCS). 2021. Vol.1, No 1, P. 01-12.
13. Grishkun E., Kravchenko S., Levchenko A., Lysogor Y. Machine learning methods. Znanstvena misel. 2020. Vol. 1, No 39. С.55-58Turhan K., Kayikcioglu T. Implementation of a virtual private network-based laboratory information system serving a rural area in Turkey. Lab. Med. 2006. Vol. 37. P. 527-531.
14. Engelen J.E., Hoos H.H. A survey on semi-supervised learning. Mach Learn. 2020.No109, P. 373–440.
15. Мальцев А. Ю. Огляд принципів глибокого навчання як динамічної теорії штучного інтелекту. Вчені записки ТНУ імені В.І. Вернадського. Серія: Технічні науки 2021. Том 32 (71) № 6. С. 97-102.
16. Si H., Sun C., Chen B., Shi L., Qiao H. Analysis of Socket Communication Technology Based on Machine Learning Algorithms Under TCP/IP Protocol in Network Virtual Laboratory System. in IEEE Access. 2019. Vol. 7. P. 80453-80464
17. Phoemphon S., So-In C., Leelathakul N. Fuzzy weighted centroid localization with virtual node approximation in wireless sensor networks. IEEE Internet Things J. 2018. Vol. 5, No 6, P. 4728-4752.
18. Bai J., Wang W., Lu M., Wang H., J. Wang. TD-WS: A threat detection tool of WebSocket and Web storage in HTML5 websites. Secur. Commun. Netw. 2016. Vol. 9, No. 18, P. 5432-5443.
19. Samain J., Carofiglio G., Muscariello L., Papalini M., Sardara M., Tortelli M. Dynamic adaptive video streaming: Towards a systematic comparison of ICN and TCP/IP. IEEE Trans. Multimedia. 2017. Vol. 19, No. 10. P. 2166-2181.
20. Wang J.-S., Yang G.-H. Data-driven methods for stealthy attacks on TCP/IP-based networked control systems equipped with attack detectors. IEEE Trans. Cybern. 2019. Vol. 49, No 8, P. 3020-3031.
21. Quan L., Xu Z., Li Z. Implementation of hardware TCP/IP stack for DAQ systems with flexible data channel. Electron. Lett. 2017. Vol. 53, No. 8. P. 530-532.
22. Gomez-Sacristan A., Sempere-Paya V. M., Rodriguez-Hernandez M. A. Virtual laboratory for QoS study in next-generation networks with metro Ethernet access. IEEE Trans. Educ. 2016. Vol. 59, No 3. P. 187-193.