CC BY
36
ИСПОЛЬЗОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПРИ АДАПТИВНОМ УПРАВЛЕНИИ ИНФОРМАЦИОННЫМИ ПОТОКАМИ
КАФЛАНОВ Рустам Ильясович1
ОРКИН
Вадим Витальевич2
Сведения об авторах:
1курсант Военно-космической академии имени А.Ф. Можайского, г. Санкт-Петербург, Россия, kaflanfromk@gmail.com
2адъюнкт кафедры Военно-космической академии имени А.Ф. Можайского, г. Санкт-Петербург, Россия, orc225@mail.ru
АННОТАЦИЯ
В работе проанализировано возможное применение интеллектуальной системы в качестве решателя при управлении функционированием информационной системы. Одной из задач управления информационными системами является обеспечение направления заявок на предоставление информационных услуг к серверам с определёнными показателями качества обслуживания. Существует множество методов, которые возможно применять в системах управления информационными системами для формирования плана распределения, в котором определяется приоритетность выбора направлений для каждого конкретного класса заявок на предоставление информационных услуг. Однако складывается ситуация, что применение какого-либо одного метода недостаточно из-за того, что система может находиться в различных условиях, в том числе в условиях возмущений. Следовательно, необходимо адаптивное управление информационной системой, заключающееся в оперативном изменении плана распределения. Принятие решения по применению конкретной процедуры управления параметрами, характеризующими функционирование информационной системы, является сложной задачей и ясно, что она должна решаться без оператора. Предлагается использовать интеллектуальную систему для оперативного выбора процедур управления при различных состояниях информационной системы. В качестве интеллектуальной системы выступает искусственная нейронная сеть. Проведено множество исследований, которые свидетельствуют о том, что искусственные нейронные сети хорошо зарекомендовали себя в системах поддержки принятия решений и в комплексах средств автоматизации. К повсеместному внедрению искусственных нейронных сетей ведёт глобальная автоматизация технологий, используемых в сложных технических системах. Интеллектуальные системы обучаются на примерах, благодаря чему могут использоваться при решении задач, в которых неизвестны алгоритмы решения. В данной работе рассмотриваются методы и алгоритмы в интеллектуальных системах в отношении их применимости для реализации функции выбора процедуры управления параметрами, характеризующими функционирование информационной системы.
КЛЮЧЕВЫЕ СЛОВА: информационная система; искусственная нейронная сеть; интеллектуальная система; распределение заявок; автоматизированная система управления.
Для цитирования: Кафланов Р. И., Оркин В. В. Использование интеллектуальной системы при адаптивном управлении информационными потоками // Наукоемкие технологии в космических исследованиях Земли. 2017. Т. 9. № 6. С. 73-79.
Введение
Сложно представить себе организационно-техническую систему, не обладающую информационной инфраструктурой либо не использующую информационные технологии. В связи с этим необходима разработка интеллектуальных систем поддержки принятия решений, прогнозирования и оценивания, приспосабливающихся к различным условиям. Важным является также развитие систем управления в информационных системах для повышения их эффективности. Эффективность информационной системы определяется своевременностью предоставления должностным лицам органов управления сложными организационно-техническими системами требуемой информации. Соответственно, в сложных условиях (в условиях возмущений) возникает проблема направления потоков заявок на предоставления информационных услуг к серверам с требуемым качеством обслуживания. Применение статического плана распределения не отвечает требованиям по качеству обслуживания заявок. В методах с изменением таблиц маршрутизации (планов управления) прослеживается низкая адаптивность к изменениям внешней среды. Требуется при рассмотрении вариантов разрешения данной проблемной ситуации проанализировать возможность применения искусственных нейронных сетей. Искусственные нейронные сети (ИНС) возможно использовать при выполнении разных задач. Они основываются на предположении о работе нейронов низшего уровня в мозге, но непосредственного отношения к нему не имеют. ИНС позаимствовали только структуру и параллелизм работы мозга. Нейронная сеть является нелинейной и представляет собой алгоритмический аппарат, функционирующий на квазинейронах, которые реализуют простейшие алгебраические действия с последующей их подстройкой. Основной механизм работы ИНС: во время обучения на вход подается сигнал, который посредством возбуждения нейронов изменяется таким образом, чтобы минимально отличаться от целевой функции (желаемого результата). Под целевые значения или желаемый результат подгоняются входные значения — это процедура называется «обучением с учителем». Цель обучения ИНС — последующее выполнение задач в системе управления информационной системой.
Постановка задачи
В работе в качестве интеллектуальной системы, реализующей функции управления информационной системой при формировании плана распределения информационных потоков предполагается использование ИНС.
Нейронные сети представляют собой классическую технологию, основанную на примерах [1-2]. Вид нейронной сети зависит от поставленной задачи, разбиение обучающих данных также играет роль в продуктивности сети и влияет на некоторые аспекты, например, на способ
накопления ошибок, оказывает прямое влияние на количество входов и выходов нейронной сети. Задача данной работы — показать и обосновать возможность применения нейронной сети конкретного вида в работе системы управления информационной системой.
Дано:
ServIP = {ещ, serv2,...} — множество параметров, характеризующих производительность серверов информационной системы;
8{р - состояние информационной системы, характеризующееся для данной задачи следующими важными параметрами:
Т.к — время обслуживания заявки /-го типа на к-м узле предоставления услуг.
qk—длина очереди к к-му узлу предоставления услуг.
М = {тх,т2,...тк},к = 1,г — множество узлов предоставления услуг;
В = {, Ь2,..Ьу}, у = 1, п — множество запрашиваемых классов информационных услуг;
Z = ^, R) — возмущающие параметры (внешние и внутренние воздействия на информационную систему), где:
L = {11,12,...} — множество параметров, характеризующих загрузку направлений получения информационных услуг;
К = {{, Iа , !кг} — множество параметров, характеризующих интенсивность воздействий на информационную систему (кибератаки на программно-аппаратные средства, естественные и преднамеренные помехи, отказы технических средств, деструктивные воздействия противника);
V = {,v2,..y¡} - множество вариантов построения (типов) искусственной нейронной сети;
Найти:
V,. : 5(г + Д) = 5 |ТД < Т* о qk < £, I = и, где ^ — конкретное состояние информационной системы,
к — число состояний информационной системы,
Тд — требуемое (максимально допустимое) время обслуживания заявки на предоставление услуги типа/ на узле к
Iг 1
qk — максимально допустимая длина очереди к к-му узлу предоставления услуг.
Рассмотрение возможности применения искусственной нейронной сети при адаптивном управлении информационными потоками.
Нейронные сети обладают способностью обучаться на примере ситуаций (прецедентов), в дальнейшем определяя черты происходивших ранее ситуаций, сопоставляя состояние в настоящем времени с состояниями в прошлом. В случае отсутствия типовых алгоритмов решения задач в качестве интеллектуальной системы управления можно использовать ИНС.
Примем за исходные условия, что планируемая к применению в управлении информационной системой ИНС состоит из трех слоев. Во входной слой будет поступать массив данных, характеризующих состояние информационной системы, полученных в результате мониторинга узлов предоставления услуг (время обслуживания конкретных классов заявок на предоставление информации, загрузка каналов, наличие очередей к серверам) в режиме онлайн. Далее массив данных, характеризующих состояние системы, поступает в скрытый слой, где происходит их обработка посредством суммирования, после чего обработанная информация поступает в выходной слой, где через функцию активации результат нормируется. Затем выдается управляющий сигнал, воздействующий на распределение информационных потоков. Будет изменяться план распределения заявок (1) на 1-м узле-потребителе информационных услуг путем коррекции на определённую величину значения вероятности направления заявки определённого класса к определённому узлу предоставления информационных услуг. Представление плана распределения заявок в информационной системе в виде вероятностной матрицы (1) является новым подходом к выбору приоритетного направления для передачи заявки. Заявка передаётся к узлу предоставления услуг (серверу), вероятность своевременного обслуживания на котором выше.
П' =
р' р'
-1 11 12
Р п1 Рп
Р\, Р,
Р'.
(1)
Каждая /-я строка матрицы, соответствующая /-му классу предоставляемых в информационной системе ус-
луг, представляет собой вектор А. = (Р/1, Р/2,
V р )
где Р.к — вероятность обращения к к-му узлу предоставления услуг, k = 1, г; j = 1,п, где:
п — число классов предоставляемых системой услуг; г — число узлов предоставления услуг. Вектор задаётся исходя из правила
А/ - (р']г,р'п,....,р/к,...,р']Г),^р/к - 1
к-1
(2)
По своей структуре нейронная сеть, исследуемая в данной работе, является сетью прямого распространения; в ней сигналы распространяются от входного слоя к выходному в одном направлении и граф, визуализирующий такую структуру, не имеет циклов и петель.
ИНС имеют ряд особенностей, которые делают их хорошим инструментом для создания систем управления: способностью к обучению по прецедентам и способностью обобщать данные. Они способны адаптироваться
к изменению свойств информационной системы и к изменениям внешней среды.
Как правило, потоки заявок в информационной системе неравномерны и изменяются в зависимости от оперативной обстановки. Традиционные контроллеры в системах управления информационными системами используют данные блока мониторинга системы обслуживания заявок, формирующего данные о результатах работы серверов. Традиционные контроллеры периодически вносят изменения в план путём его нормирования в соответствии с полученными данными. По результатам, полученным блоком мониторинга системы обслуживания заявок, контроллеры осуществляют сравнение значений качества обслуживания заявок с требуемыми, вычисляют отклонения и при необходимости осуществляют принудительное «штрафование» направления, по которому сервер прекратил обслуживание либо резко снизил качество обслуживания. Вероятность выбора этого направления существенно снижается (изменяются значения вероятностной матрицы (1)) и это направление не будет выбрано для передачи заявки на получение информации.
Рассмотрим возможность применения схемы работы нейросети с использованием традиционных контроллеров, которая называется гибридной схемой.
Ключевой особенностью ИНС с гибридной схемой является то, что она способна решать задачу при частичном или полном незнании правил решения, основываясь лишь на собственном опыте, качество которого зависит в том числе и от формирования обучающей выборки. Обычно в таком случае используется схема обучения с «учителем» с применением метода обратного распространения ошибки. Приводим алгоритм метода.
Шаг 1. Веса сети ^(к) задаются случайными числами.
Шаг 2. Очередной прецедент (пример) х поступает на вход ИНС.
Шаг 3. Вычисляется выходное значение у для каждого нейрона.
Шаг 4. При несовпадении результата с эталонным необходимо изменять веса w. и снова подать рассматриваемый входной вектор х на вход сети (шаг 2). Перейти на шаг 3. Если приемлемая точность не достигнута, вернуться на шаг 2.
Шаг 5. При совпадении выходного значения с эталонным сеть считается обученной.
Суть метода обратного распространения ошибки заключается в том, что на основании обучающей выборки формируется значение ошибки, которое затем направляется в обратном направлении к нейронам для корректировки их весовых значений.
Для формирования обучающей выборки будет использоваться технология подражающего нейроуправления, где помимо самой нейросети будет также использоваться обычный контроллер (рис. 1), который, работая по заранее разра-
Рис. 1. Схема обучения нейроконтроллера в гибридной схеме
ботанным алгоритмам управления распределением информационных потоков в сети, будет формировать обучающую выборку для обучения нейросети (эталонные значения у). После обучения, нейросеть начинает самостоятельно управлять распределением информационных потоков, выполняя функции традиционного контроллера. Недостатком такой организации управления является то, что такой нейрокон-троллер не способен управлять лучше, чем традиционный контроллер. Поэтому такой способ применяется в основном для обучения нейроконтроллера с обязательным привлечением других элементов и способов обучения.
Данный недостаток устраняется при обобщенном инверсном нейроуправлении (ОИНУ). Данный вид управления с помощью ИНС предусматривает обучение нейросети не в режиме реальной работы, а в режиме подготовки к ней, принимая во внимание имеющиеся прецеденты и поведение информационной системы в различных состояниях и в различных условиях. Прецеденты и образцы поведения образуются в результате подачи управляющего сигнала на информационную систему в виде некоторого случайного процесса. Значения и компоненты вектора данного процесса и значения на выходе системы заносятся в протоколы. На основе протоколов формируется информация для обучения ИНС. На этапе обучения ИНС должна выявить и «внести в память» зависимость между входными и выходными значениями, а также состоянием системы.
В процессе обучения ИНС предлагается использовать обратную связь, благодаря которой ошибка (дельта между желаемым и имеющимся значениями выходной функции) распространяется в обратном направлении. ИНС с использованием такой технологии носит название «инверсного нейроэмулятора». В ходе управления информационной системой инверсный нейроэмулятор подключается как традиционный контроллер замкнутым или разомкнутым способами. При замкнутом способе в ИНС подаётся уставка (её значения) и данные о состоянии информационной системы, поступающие по обратной связи. Данная связь имеет стабилизирующую роль. В случае использования ИНС, подключенной замкнутым способом, можно достичь высокой эффективности управления информационной системой.
Разомкнутый способ заключается в подаче на вход ИНС только значений уставки. Данные значения поступа-
ют с задержкой. Полагается, что сформированная при обучении модель с применением ОИНУ адекватная, значит управляющий сигнал, поступающий от ИНС, обеспечит состояние информационной системы, которое задавали уставкой. Поскольку в ИНС не поступает информация о текущем состоянии информационной системы, а её анализ требует затраты ресурсов (прежде всего времени), схема ОИНУ разомкнутого типа имеет большую оперативность. Но без обратной связи результативность управления низка.
При ОИНУ в ИНС отсутствует необходимость в наличии точной модели информационной системы, которой ИНС управляет. Данное преимущество важно для распределённых информационных систем, потому что построение их точных моделей иногда просто невозможно. Недостатком является высокая сложность мероприятий по накоплению информации для обучения ИНС, так как необходимо тщательно подбирать процесс, подаваемый в систему. Также недостатком является возможность завести в тупик процесс обучения ИНС благодаря неоднозначности выборки и противоречивости примеров для обучения.
Каждый из подходов к построению схемы интеллектуальной системы с использованием ИНС имеет свои недостатки. Недостаток подражающего нейроуправления заключается в том, что нейроконтроллер не превзойдет по эффективности традиционный контроллер, в то время как при обобщенном инверсном нейроуправлении нейро-контроллер способен намного эффективнее производить процесс управления за счет наличия обратной связи. Но недостатком схемы обобщенного нейроуправления является сложность формирования обучающей выборки. Данный недостаток отсутствует в схеме подражающего нейроу-правления, так как нет необходимости подбирать обучающую выборку, ввиду того, что нейроконтроллер учится у традиционного контроллера в режиме онлайн. Традиционный контроллер по заданному алгоритму производит обработку входных данных и выдает соответствующие результаты. Набор входных и полученных традиционным контроллером выходных данных можно использовать в качестве эталонной модели для обучающегося нейрокон-троллера, и чем дольше будет продолжаться процесс обучения, тем более точным образом результат, получаемый
Рис. 2. Обучение нейроконтроллера в схеме обобщенного инверсного управления
нейроконтроллером, будет соответствовать результатам получаемым обычным контроллером.
Из всего выше сказанного следует, что необходимо обучить нейросеть по схеме подражающего нейроуправления, а непосредственно в процессе функционирования информационной системы управление производить по схеме обобщенного инверсного нейроуправления. Таким образом, мы сможем избежать недостатков обоих схем и воспользоваться их достоинствами, что в результате приведет к высокоэффективному распределению информационных потоков.
Заключение
В данной работе показана возможность применения нейронной сети в качестве интеллектуальной системы управления потоками информации. Наряду с нейронной сетью предлагается использовать блок управления (контроллер), сократив его функции до минимума, а именно:
— пересчет элементов в плане распределения заявок;
— использование возможности повторной передачи при кратковременной недоступности информационного направления с более высоким качеством обслуживания.
Система управления получает возможность решать задачи, в которых неизвестны закономерности развития ситуации в информационной системе, сохранить требуемое качество обслуживания в условиях возмущений.
Работы в области интеллектуальных систем приобретают всё большую актуальность. Применение данных систем в информационном обеспечении представляет интерес для дальнейших исследований. Планируется разработка модели интеллектуальной системы и алгоритма её работы по распределению информационных потоков [3-15].
Литература
1. Тимофеева О. П., Палицына С. С. Обучение нейронной сети интеллектуальной системы управления городскими светофорами // Труды НГТУ 2016. № 1. С. 25-31.
2. Головко В. А. Нейронные сети: обучение, организация и применение. М.: Радиотехника, 2001. 256 с.
3. Легков К.Е., Емельянов А.В. Подход к формализации описания подсистемы мониторинга автоматизированной системы управления инфокоммуникациями // Навигация и гидрография. 2017. № 48. С. 27-34.
4. Легков К.Е., Буренин А. Н. Вопросы обеспечения эффективного и устойчивого функционирования информационных подсистем автоматизированных систем управления сложными организационно-техническими объектами в условиях существенных деструктивных изменений // Известия Тульского государственного университета. Технические науки. 2017. № 7-8. С. 275-285.
5. Легков К.Е., Буренин А. Н., Емельянов А.В. Основные показатели качества функционирования информационных подсистем автоматизированных систем управления сложными организационно-техническими объектами // Информация и космос. 2017. № 2. С. 58-64.
6. Легков К.Е. Модели информационных подсистем автоматизированной системы управления сложными объектами // Т-Сотт: Телекоммуникации и транспорт. 2017. Т. 11. № 5. С. 33-44.
7. Оркин В.В., Легков К. Е., Буренин А. Н. Постановка задачи управления функционированием информационной системы // Вопросы оборонной техники. Серия 16. Технические средства противодействию терроризму. 2017. № 7-8 (109-110). С. 36-39.
8. Легков К.Е., Буренин А. Н. Вопросы организации эффективного функционирования информационных подсистем автоматизированных систем управления сложными организационно-техническими объектами // Вопросы оборонной техники. Серия 16. Технические средства противодействию терроризму. 2017. № 9-10 (111-112). С. 8-12.
9. Буренин А.Н., Легков К.Е. Методический подход к формализации описания функционирования архитектурных уровней инфокоммуникационных сетей специального назначения // Электросвязь. 2016. № 3. С. 37-40.
10. Буренин А.Н., Легков К.Е. Основные методические подходы к формализации управления инфокоммуникаци-онными сетями специального назначения // Инфокомму-никационные технологии. 2016. Т. 14. № 2. С. 137-142.
11. Легков К.Е., Буренин А. Н., Емельянов А. В., Ор-кин В. В. Вопросы системного анализа архитектур систем управления информационными системами и сетями специального назначения // Т-Сотт: Телекоммуникации и транспорт. 2016. Т. 10. № 12. С. 65-70.
12. Буренин А.Н., Легков К. Е. Современные инфоком-муникационные системы и сети специального назначения. Основы построения и управления: монография. М.: Медиа-Паблишер, 2015. 348 с.
13. Буренин А.Н., Легков К. Е., БоговикА.В. Моделирование процедур поддержки процессов организационного управления системами специального назначения // Т-Сотт: Телекоммуникации и транспорт. 2016. Т. 10. № 4. С. 58-62.
14. Легков К.Е., Буренин А. Н. Организация оперативного управления инфокоммуникационными сетями специального назначения в условиях интенсивных воздействий // Электросвязь. 2015. № 7. С. 29-33.
15. Легков К. Е. Управление сетями инфоком-муникационных систем специального назначения // Успехи современной радиоэлектроники. 2015. № 10. С. 210-214.
INTELLIGENT SYSTEM USING IN ADAPTIVE CONTROL OF INFORMATION FLOWS
RUSTAM I. KAFLANOV, KEYWORDS: information system; artificial neural network;
St. Petersburg, Russia, orc225@mail.ru intellectual system; distribution of applications; automated
control system.
VADIM V. ORKIN,
St. Petersburg, Russia, orc225@mail.ru
ABSTRACT
In this paper we analyzed the possible application of an intelligent system as a solver in the of the information system functioning control. One of the tasks of information systems control is to ensure that requests for information services are sent to servers with certain quality of service indicators. There are many methods that can be used in information systems control systems to form a distribution plan, which determines the priority of choosing the directions for each particular class of requests. However, the situation develops that the use of any one method is not enough due to the fact that the system can be in different conditions, including perturbation conditions. Therefore adaptive control in the information system is very important. It consists in promptly changing the control plan. The decision to apply a particular procedure of control of parameters that characterize the functioning of the information system is a complex task and it is clear that this task should be solved without an operator. It is proposed to use an intelligent system to make an operational choice of management procedures for various states of the system. In this capacity, an artificial neural network can act. Numerous studies in this area show that artificial neural networks are good in decision support systems and in automation systems. The introduction of artificial neural networks requires global automation of processes used in complex technical systems. Intellectual systems have the ability to learn by examples, so they are used in solving problems in which solution algorithms are unknown. In this article, we will consider the algorithms and methods of artificial neural networks with respect to their applicability for implementing the function of selecting a procedure of control the parameters that characterize the functioning of the information system.
REFERENCES
1. Timofeyeva O. P., Palitsyna S. S. Obucheniye neyronnoy seti intellektual'noy sistemy upravleniya gorodskimi svetoforami [Training of a neural network of an intelligent urban traffic light control system]. Proceedings of Nizhny Novgorod State
Technical University. R. E. Alekseeva, 2016. No. 1. Pp. 25-31. (In Russian).
2. Golovko V. A. Neyronnye seti: obuchenie, organizaciya i primenenie [Neural networks: training, organization and application]. Moscow: Radiotehnika, 2001. 256 p. (In Russian)
3. Legkov K. E., Emelyanov V. A. Podhod k formalizacii opisaniya podsistemy monitoringa avtomatizirovannoj sistemy upravleniya infokommunikaciyami [An approach to formalization of the description of the monitoring subsystem of the automated control system communications]. Navigaciya i gidrografiya [Navigation and hydrography]. 2017. No. 48. Pp. 27-34.(In Russian)
4. Legkov K. E., Burenin A. N. Voprosy obespecheniya ehffe-ktivnogo i ustojchivogo funkcionirovaniya informacionnyh podsistem avtomatizirovannyh sistem upravleniya slozhnymi organizacionno-tekhnicheskimi ob"ektami v usloviyah sush-chestvennyh destruktivnyh izmenenij [The efficient and sustainable functioning of information subsystems of automated control systems of complex technical objects under conditions of significant destructive changes]. Izvestiya Tul'skogo gosudarstvennogo universiteta. Tekhnicheskie nauki [Proceedings of the Tula state University. Technical science]. 2017. No. 7-8. Pp. 275-285. (In Russian)
5. Legkov K. E., Burenin A. N., Emelyanov A. V. Osnovnye poka-zateli kachestva funkcionirovaniya informacionnyh podsistem avtomatizirovannyh sistem upravleniya slozhnymi organiza-cionno-tekhnicheskimi ob"ektami [The main indicators of quality of functioning of information subsystems of automated control systems of complex technical objects]. Informaciya i kosmos [Information and space]. 2017. No. 2. Pp. 58-64. (In Russian)
6. Legkov K. E. Model of information subsystems of the automated control system of complex objects. T-Comm. 2017. Vol. 11. No. 5. Pp. 33-44. (In Russian)
7. Orkin V. V., Legkov K. E., Burenin A. N. Postanovka zad-achi upravleniya funkcionirovaniem informacionnoj sistemy [Statement of the problem performance management information system]. Voprosy oboronnoj tekhniki. Seriya 16. Tekh-
nicheskie sredstva protivodejstviyu terrorizmu [Questions of defense equipment. Series 16. Technical means of countering terrorism]. 2017. No. 7-8 (109-110). Pp. 36-39. (In Russian)
8. Legkov K. E., Burenin A. N. Voprosy organizacii ehffektivno-go funkcionirovaniya informacionnyh podsistem avtoma-tizirovannyh sistem upravleniya slozhnymi organizacion-no-tekhnicheskimi ob"ektami [The issues of organization of effective functioning of information subsystems of automated control systems of complex technical objects]. Voprosy oboronnoj tekhniki. Seriya 16. Tekhnicheskie sredstva protivodejstviyu terrorizmu [Questions of defense equipment. Series 16. Technical means of countering terrorism]. 2017. No. 9-10 (111-112). Pp. 8-12. (In Russian)
9. Burenin A. N., Legkov K. E. Metodicheskij podhod k for-malizacii opisaniya funkcionirovaniya arhitekturnyh urovnej infokommunikacionnyh setej special'nogo naznacheniya [Methodological approach to formalization of the description of the functioning of the architectural levels of information and communication networks]. Ehlektrosvyaz' [Telecommunications]. 2016. No. 3. Pp. 37-40. (In Russian)
10. Burenin A. N., Legkov K. E. Osnovnye metodicheskie pod-hody k formalizacii upravleniya infokommunikacionnymi setyami special'nogo naznacheniya [Basic methodological approaches to formalization of management information and communication networks]. Infokommunikacionnye tekh-nologii [Information and communication technology]. 2016. Vol. 14. No. 2. Pp. 137-142. (In Russian)
11. Legkov K. E., Burenin A. N., Emelyanov A. V., Ork-
in V. V. Questions of the system analysis of system architecture management of information systems and networks. T-Comm. 2016. Vol. 10. No. 12. Pp. 65-70. (In Russian)
12. Burenin A.N., Legkov K. E. Sovremennye infokommunikat-sionnye sistemy i seti spetsial nogo naznacheniya. Osnovy postroeniya i upravleniya: Monografiya. [Modern infocom-munication systems and special purpose networks. Basics of creation and control]. Moscow: Media Publisher, 2015. 348 p. (In Russian)
13. Burenin A. N., Legkov K. E., Borovik A. V. Modeling procedures to support processes of organizational management systems of special purpose. T-Comm. 2016. Vol. 10. No. 4. Pp. 58-62. (In Russian)
14. Legkov K. E., Burenin A. N. Organizaciya operativnogo upravleniya infokommunikacionnymi setyami special'nogo naznacheniya v usloviyah intensivnyh vozdejstvij [The organization of operational management of ICT networks in heavy impacts]. Ehlektrosvyaz' [Telecommunications]. 2015. No. 7. Pp. 29-33. (In Russian)
15. Legkov K. E. Upravlenie setyami infokommunikacionnyh sistem special'nogo naznacheniya [Network management infocommunication systems of a special purpose]. Uspekhi sovremennoj radioehlektroniki [Successes of modern radio electronics]. 2015. No. 10. Pp. 210-214. (In Russian)
INFORMATION ABOUT AUTHORS:
Kaflanov R. I., Student of Military Space Academy;
Orkin V. V., Postgraduate Student of Military Space Academy.
FOR CITATION: Kaflanov R. I., Orkin V. V. Intelligent system using in adaptive control of information flows. H&ES Research. 2017. Vol. 9. No. 6. Pp. 73-79. (In Russian)
