Reliability analysis based on optimal location partition of communication network

Abstract

Bir ağı kümelemek, bireylerin ağı birkaç alt ağa ayırmasını sağlar. K-ortalama kümeleme, basitliği ile bilinen en iyi bilinen kümeleme tekniklerinden biridir. Temel olarak K-ortalama, kümeleri oluşturmak için düğümlerin coğrafi konumlarına ve aralarındaki Öklid mesafesine bağlıdır. Bu çalışmada, kümeleme sonuçlarının doğruluğunu artırmak için sadece coğrafi konum ve mesafeye değil, aynı zamanda düğümler arasındaki bağlantıya da bağlı olarak K-ortalama kümeleme algoritması için bir geliştirme olarak yeni bir algoritma önerilmiştir. Ağ güvenilirliği, bir ağın ve tüm alt ağlarının, bir kaynak ve hedef (hedef) arasında belirtilen bir süre boyunca tanımlanan koşullar altında gerçekleştirmeyi amaçladığı görevi mükemmel bir şekilde tamamlama olasılığıdır. Ağ hatalarını hesaplamak ve kontrol etmek ve özellikle ağ çok sayıda düğüm içerdiğinde başarısızlık sonuçlarını tahmin etmek zordur. Ağın hesaplama karmaşıklığını azaltmak için ağı, kullanımı kolay daha küçük alt ağlara ayırmak için kümeleme gibi bir basitleştirme yöntemi önerilmiştir.

Clustering a network enables the individuals to separate the network in to number of subnetworks. K-mean clustering is one of the most well-known clustering techniques, known for its simplicity. Basically the K-mean depends on the nodes' geographical locations and the Euclidian distance between them to create the clusters. In this work, a new algorithm has been proposed as a development for the K-mean clustering algorithm in order to increase the clustering results accuracy, by depending not only on the geographical location and distance but also on the connectivity between nodes. Network reliability is the probability that a network and all its subnetworks will perfectly complete the task that intend to perform under the conditions defined for a period of time specified between a source and destination (target). It is difficult to calculate and control networks faults and predict failure consequences especially when the network contains massive number of nodes. In order to reduce the network computational complexity, a simplification method has been proposed like clustering to separate the network into smaller subnetworks that are easy to handle.