РАЗРАБОТКА И АНАЛИЗ МОДЕЛЕЙ БОРТОВОЙ ВЫЧИСЛИТЕЛЬНОЙ СЕТИ АВТОНОМНОГО НЕОБИТАЕМОГО ПОДВОДНОГО АППАРАТА

DEVELOPMENT AND ANALYSIS OF ONBOARD COMPUTER NETWORK MODELS FOR AUTONOMOUS UNMANNED UNDERWATER VEHICLES

Khrapin Dmitry Yurievich

Master's Student, Saint Petersburg State Marine Technical University, Russia, Saint Petersburg

Murza Polina Andreevna

Scientific supervisor, Senior Lecturer, Department of Automatic Control Systems and Computer Engineering, Saint Petersburg State Marine Technical University, Russia, Saint Petersburg

Аннотация. Рассмотрена задача проектирования бортовой вычислительной сети автономного необитаемого подводного аппарата. Обосновано применение многопроцессорных архитектур для обработки данных в реальном времени. Предложены две модели многоканальных систем массового обслуживания. Проведено параметрическое исследование, установившее зависимости показателей эффективности от интенсивности потока данных и вычислительных ресурсов. Результаты позволяют выбрать оптимальную конфигурацию БВС на этапе проектирования.

Abstract. The design task for an onboard computer network of an autonomous unmanned underwater vehicle is considered. The use of multiprocessor architectures for real-time data processing is justified. Two models of multichannel queuing systems are proposed. A parametric study was conducted, establishing dependencies of performance indicators on data flow intensity and computational resources. The results allow selecting the optimal onboard computer network configuration at the design stage.

Ключевые слова: автономный необитаемый подводный аппарат, бортовая вычислительная сеть, система массового обслуживания, многопроцессорная система, производительность, математическое моделирование.

Keywords: autonomous unmanned underwater vehicle, onboard computer network, queuing system, multiprocessor system, performance, mathematical modeling.

Современные автономные необитаемые подводные аппараты (АНПА) представляют собой сложные робототехнические комплексы, предназначенные для решения широкого круга задач: от обзорно-поисковых и геологоразведочных работ до военных миссий и экологического мониторинга. Эффективность выполнения этих задач напрямую зависит от производительности и надежности бортовой вычислительной сети (БВС), которая является центральной нервной системой аппарата, обеспечивая сбор, обработку и передачу данных между многочисленными датчиками, системами навигации, управления и связи.

Особенностью БВС АНПА является необходимость обработки больших объемов информации в условиях жестких ограничений по энергопотреблению, массогабаритным характеристикам и в реальном масштабе времени. Это обуславливает актуальность задачи оптимизации архитектуры БВС на этапе проектирования. Целью данного исследования является разработка и анализ математических моделей БВС, позволяющих количественно оценить ее производительность и обосновать выбор ключевых параметров.

Для анализа производительности БВС была предложена ее концептуализация в виде многоканальной системы массового обслуживания (СМО).

Рисунок 1. Структура многоканальной СМО как модели БВС

Рассмотрены две альтернативные модели:

Многопроцессорная СМО с ограниченной очередью. Данная модель адекватна для систем с ограниченным объемом буферной памяти.

Многопроцессорная СМО с неограниченной очередью. Модель применима для систем, где допустимо накопление задач в очереди без потерь.

Задание:

• БВС обслуживает поток заявок, поставляемых от СМО с интенсивностью λ .
• БВС может принять и поставить в очередь на обслуживание не более m заявок.     

Заявки, превышающие m, не обслуживаются и в очередь не принимаются.

• В системе n- процессоров.

К показателям эффективности работы бортовой вычислительной сети, моделируемой с помощью СМО, принято относить:

• R – относительная пропускная способность;
• A – абсолютная пропускная способность;
• P_от – вероятность отказа сети в обслуживании заявок;
• D_q – среднее число заявок, находящихся в очереди сети;
• D_p – среднее число заявок, находящихся на обработке в сети;
• D_s – среднее число заявок, находящихся на обслуживании;
• t_o – среднее время ожидания заявки в очереди;
• t_p – среднее время пребывания заявки в БВС.

В качестве входных характеристик модели используется:

• λ – интенсивность потока заявок (среднее число заявок в единицу времени, поступающее на вход сети);
• μ – производительность канала СМО (среднее заявок, обслуживаемое каналом в единицу времени);
• t – среднее время решения одной задачи в сети;
• m – длина очереди, если она существует;
• n – число процессоров, используемых в модели.

Промежуточные величины:

• P_к – предельная вероятность состояния сети, где к=0,1, 2,…,(m+1).
• P_к характеризует установившийся режим работы моделируемой МКК.

Например, для модели с ограниченной очередью вероятность того, что все каналы свободны, определяется по формуле:

где  ,          

Среднее время ожидания заявки в очереди:

Среднее число заявок находящихся в очереди БВС:

Вероятность, в БВС заняты все n каналов, и буферная память заполнена:

Для модели с неограниченной очередью:

Вероятность состояния БВС, когда все n-каналы сети свободны:

 , 

Среднее время ожидания заявки в очереди:

Среднее число заявок находящихся в очереди БВС:

Вероятность отказа в обслуживании

Анализ результатов моделирования

Для исследования моделей было проведено параметрическое варьирование входных данных (λ, t, m, n) с использованием программного пакета Mathcad. Сравнительный анализ двух моделей показал:

ОБЩИЕ ЗАКОНОМЕРНОСТИ:

• Рост интенсивности потока заявок (λ) приводит к нелинейному увеличению времени ожидания и длины очереди в обеих моделях

Рисунок 2. Графики зависимости среднего времени ожидания заявки в очереди, среднего времени пребывания заявки в обработчике от интенсивности заявок МП СМО с ограниченным числом мест в очереди

Рисунок 3. Графики зависимости среднего времени ожидания заявки в очереди, среднего времени пребывания заявки в обработчике от интенсивности заявок МП СМО без ограничений на очередь

• Увеличение количества процессоров (n) наиболее эффективно снижает время ожидания - при n=4-5 очередь полностью устраняется

Рисунок 4. Графики зависимости среднего времени ожидания заявки в очереди, среднего времени пребывания заявки в обработчике от количества процессоров МП СМО с ограниченным числом мест в очереди

Рисунок 5. Графики зависимости среднего времени ожидания заявки в очереди, среднего времени пребывания заявки в обработчике от количества процессоров МП СМО без ограничений на очередь

КЛЮЧЕВЫЕ ОТЛИЧИЯ:

• Модель с ограниченной очередью: при увеличении времени обработки появляется вероятность отказа

Рисунок 6. Графики зависимостей абсолютной, относительной пропускной способности и вероятности отказа системы в обслуживании от информации, находящейся в системе от среднего времени решения МП СМО с ограниченным числом мест в очереди

Рисунок 7. Графики зависимостей абсолютной, относительной пропускной способности и вероятности отказа системы в обслуживании от среднего времени решения МП СМО без ограничений на очередь

• Модель с неограниченной очередью: гарантирует обслуживание всех заявок, но требует больше вычислительных ресурсов (n=5 для полного устранения очереди)

Рисунок 8. Графики зависимостей среднего числа занятых каналов, среднего числа заявок, среднего числа информации, находящейся в системе от количества процессоров МП СМО с ограниченным числом мест в очереди

Рисунок 9. Графики зависимостей среднего числа заявок, находящихся на обработке системы, и среднего числа заявок, находящихся в системе от количества процессоров МП СМО без ограничений на очередь

В ходе исследования были разработаны и проанализированы две альтернативные математические модели бортовой вычислительной сети АНПА, основанные на теории систем массового обслуживания. Проведенное параметрическое исследование позволило получить количественные оценки влияния основных проектных параметров (количество процессоров, производительность канала, размер буфера) на ключевые показатели производительности БВС.

Установлено, что для обеспечения высокой пропускной способности и минимальных временных задержек целесообразно использование многопроцессорной архитектуры. Наибольшее влияние на производительность оказывает соотношение между интенсивностью входного потока данных и вычислительной мощностью процессоров.

Полученные результаты и выявленные зависимости позволяют проводить обоснованный выбор структуры и параметров БВС на ранних стадиях проектирования автономных необитаемых подводных аппаратов, что способствует созданию более эффективных и надежных подводных робототехнических комплексов.