CC BY
13
СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ
УДК 004-027.21; 52(15):002.6
DOI: 10.24412/2071-6168-2022-4-140-147
АЛГОРИТМ ФОРМИРОВАНИЯ ПЛАНА РАСПРЕДЕЛЕНИЯ ЗАДАЧ РАСПОЗНАВАНИЯ КОСМИЧЕСКИХ ОБЪЕКТОВ ПО ВЫЧИСЛИТЕЛЬНЫМ
РЕСУРСАМ
Д.А. Антонов, В.В. Оркин, О.Е. Нестеренко, Д.Г. Попов
В настоящее время космическая обстановка меняется в сторону значительного увеличения количества запускаемых космических аппаратов и элементов космического мусора. Появление средств, способных отслеживать небольшие космические объекты, в том числе и космический мусор, позволит повысить информативность мониторинга околоземного космического пространства, но приведет к увеличению потока входящей информации о космических объектах и возрастанию нагрузки на вычислительные средства автоматизированной системы мониторинга космических и баллистических объектов. Данная работа направлена на совершенствование алгоритма распределения нагрузки (задач распознавания космических объектов) по имеющимся ресурсам (вычислительным средствам) с целью повышения оперативности обработки поступающей информации.
Ключевые слова: вычислительное средство, космический объект, массив информации, нагрузка, распределение ресурсов, алгоритм.
Проведенный анализ изменения космической обстановки показал кратное увеличение количества запускаемых космических аппаратов (КА), значительный рост количества элементов космического мусора. На данный момент в околоземном космическом пространстве находится около 128 млн. частиц космического мусора размером более 1 мм и 34 тыс. фрагментов размером более 10 см [1]. В условиях ввода в строй перспективных объектов мониторинга космического пространства появится возможность отслеживать космический мусор размером менее 10 см. Кроме этого, наблюдается тенденция на увеличение массовых запусков малых КА (One Web, Starlink) на низких околоземных орбитах. Общей особенностью выведения малых КА является их массовость - до 70 аппаратов в каждом запуске. Первоначально, после отделения от ракеты-носителя, КА определяются информационными средствами системы мониторинга космических и баллистических объектов (МКБО) как один объект. По мере разведения, количество обнаруженных КА увеличивается, что существенно затрудняет их «привязку» к существующей орбите, или создание новой орбиты с «новым» КА и запуск процесса его распознавания. Использование КА типа Starlink ионных двигателей приводит к постоянному изменению их орбиты и требует еще больше вычислительных ресурсов комплекса для правильной оценки количества малых КА и определения их орбит. Это
140
не позволяет вычислительному комплексу оперативно обрабатывать информацию, производить своевременное распознавание КА и, как следствие, в полном объеме предоставлять информацию мониторинга околоземного космического пространства.
Вышеизложенные факты приведут к кратному возрастанию нагрузки на вычислительный комплекс автоматизированной системы МКБО, что обуславливает необходимость ее совершенствования. Особую важность приобретают вопросы перераспределения вычислительной нагрузки для решения приоритетных задач распознавания объектов на нескольких серверах, руководствуясь определенной последовательностью действий. На данный момент универсального алгоритма эффективного распределения ресурсов пока нет, поэтому для каждой конкретной ситуации необходимо разрабатывать новый алгоритм [2]. Таким образом, исследования, направленные на повышение оперативности обработки информации об изменениях космической обстановки, являются актуальными [3].
Схема распознавания космических объектов. Вычислительный комплекс АС МКБО структурно состоит из вычислительных серверов (ВС), каждый из которых выполняет свои функции. Задачу первичной обработки входящей информации, записи ее в базу данных, ведения базы данных, а также задачу распознавания космических объектов (КО) выполняет один вычислительный сервер. Таким образом, основная вычислительная нагрузка ложится именно на него, тогда как остальные ВС выполняют более простые задачи, использующие аппаратные вычислительные мощности гораздо меньше. Распознавание КО является самым ресурсоемким процессом, использующим до 90% вычислительных ресурсов, поэтому формирование плана распределения вычислительных ресурсов целесообразно рассматривать с точки зрения процесса распознавания КО.
Распознавание КО происходит по следующей схеме: в накопительные массивы вычислительного комплекса поступает разнородная информация от информационных средств. В соответствии с выставленными приоритетами программа обработки данных выбирает порцию данных из массива и обрабатывает их с помощью выделенных ей вычислительных ресурсов. После обработки данные записываются в базу данных космических объектов, где происходит попытка привязать новые данные к имеющимся в базе орбитам в соответствии с заданными критериями. В случае отсутствия орбиты КО в базе данных информация записывается в массив непривязанных измерений. Данный массив использует программа обработки непривязанных измерений, которая либо отбраковывает информацию, либо, при накоплении заданного объема информации по данному КО, создает новую орбиту.
КО характеризуются набором признаков (характеристик), которые могут динамически изменяться во времени под воздействием определенных факторов [4]. Данные признаки объединены в две группы: координатные и некоординатные. Координатные признаки характеризуют местоположение и скорость движения космических объектов на орбите. Некоординатная информация описывает физические характеристики космического объекта.
Процесс определения класса КО происходит по координатной информации из входного массива координатной информации в соответствии с существующими алгоритмами. На основе обработанной координатной информации, хранящейся в массиве непривязанных измерений, формируется набор параметров КО. По сформированным наборам параметров происходит построение орбиты. Построенная орбита сравнивается с набором эталонных типовых орбит, хранящихся в базе данных. В случае соответствия орбиты одной из эталонных выносится решение об определении класса КО; данный КО заносится в базу данных, присваивается временный номер.
После завершения процесса определения класса КО, если определенным объектом является КА, запускается процесс распознавания типа космического аппарата. Данный процесс использует некоординатную информацию, полученную от информационных средств автоматизированной системы мониторинга космических и баллистических объектов. Обработанные порции данных «привязываются» к созданному КА,
формируют набор признаков, и, на основании данного набора признаков КА (линейные размеры, наличие выносных элементов, их размеры, форма и углы ориентации в пространстве, параметры движения относительно центра масс и т.д.), оператор принимает решение об отнесении КА к определенному типу. Особо стоит выделить обработку радиолокационных изображений (РЛИ), являющуюся особым видом некоординатной информации, позволяющую существенно повысить оперативность распознавания КА. С другой стороны, обработка РЛИ требует значительной вычислительной мощности, которую не всегда возможно выделить в текущих условиях, так как вычислительным комплексом автоматизированной системы мониторинга космических и баллистических объектов обработка входящей информации выполняется последовательно, как правило только на одном вычислительном модуле. Данный факт приводит к временным задержкам в процессе обработки, накоплению поступающей информации, и, как следствие, к снижению оперативности распознавания КА.
Предлагаемый подход к повышению оперативности распознавания КО предполагает задействование всех вычислительных ресурсов с обязательным включением в работу дополнительных вычислительных модулей, а также перераспределение решаемых задач или подзадач между всеми имеющимися ВС.
Авторами проведен анализ результатов сравнения алгоритмов распределения задач по вычислительным ресурсам [5] (используемые в платформе OpenStack [6]: «назначение элемента запроса на первый подходящий физический ресурс» или «случайный выбор ресурса из множества подходящих ресурсов», основанный на применении схемы «муравьиных колоний» [7], сочетающие «жадные» стратегии и стратегии ограниченного перебора, метод адаптивного перераспределения информационно-вычислительных ресурсов в автоматизированной системе управления при потере производительности [8]). Данный анализ показал необходимость учета как всех типов ресурсов, используемых программой распознавания, так и вычислительной сложности обработки входящей информации.
Оценка сложности алгоритмов обработки информации в зависимости от ее качества. Сложность алгоритмов обработки поступающей информации С, для разных ее видов зависит от качества 0 и может отличаться на порядки. В работе рассматривается обработка координатной и некоординатной (оптической, радиотехнической и радиолокационной) информации. Качество координатной информации определяется на основе решения задач выделения полезных сигналов и получения необходимых сведений в условиях помех [9, 10]. Также следует учитывать погрешности измерений самих станций, от которых зависит качество координатной информации. Чем выше погрешность полученных измерений, тем больше попыток «привязать» их к существующим орбитам, и тем больше времени занимает обработка информации.
В данной работе некоординатная информация представлена оптическими и радиолокационными изображениями, так как обработка данной информации является наиболее сложной и ресурсоемкой. Определить сложность обработки оптической информации можно только с некоторой вероятностью, потому что ее качество зависит от множества параметров, таких как освещенность, дальность, погодные условия и т.д. Математический аппарат для определения сложности обработки радиолокационных изображений на данный момент отсутствует, а остальная радиолокационная информация обрабатывается специалистами вручную. Показатель сложности обработки радиолокационной информации также будет вероятностным. Определение абсолютной количественной оценки качества изображения - сложная, трудоемкая и до сих пор не решенная до конца задача [11]. Количественные меры качества изображения в данной работе определяются на основе таких характеристик, как резкость и контрастность изображения, а также критерия Джонсона [12, 13].
Алгоритм распределения задач распознавания объектов по вычислительным ресурсам. Алгоритм учитывает: качество поступающей информации вида I;
доступные вычислительные ресурсы и вычислительную нагрузку на сервер ,
где к = 1, п. - номер вычислительного сервера. На основе определенного качества каждого вида информации оценивается сложность алгоритмов программы и производится корректировка плана распределения ресурсов.
Приведем порядок выполнения алгоритма.
Шаг 1. Анализ параметров вычислительных серверов. Уточнение и анализ элементов плана распределения
Пусть ук - к -й сервер, характеризуемый параметрами И]., И&, где И- свободные ресурсы на вычислительном сервере; И6, - задействованные ресурсы.
Также определим: И1 - ресурсы, требуемые для обработки информации вида I;
- нагрузка на к -й сервер; С1 - сложность обработки информации вида I; -
количество порций информации в обрабатываемом массиве; tl - длительность обработки типового объема информации вида I, I = 1, /.
Рассматриваемые в работе алгоритмы исполняются в высокоприоритетном режиме, однако длительность операции существенным образом зависит от сложности С1
алгоритмов обработки информации, а также от выделенных для обработки ресурсов. Приведем выражение для оценки длительности операций:
t, = M [Tj ],Тг =
hj
Шаг 2. Оценка необходимости перераспределения вычислительных ресурсов.
2.1 Определение времен задержки обработки порций информации каждого вида At; на основе полученных значений, а также интенсивности потока информации
каждого вида А1. Определение наличия задержек обработки видов информации At; на
конкретных серверах.
2.2 Сравнение предельно допустимого значения времени задержки обработки каждого вида поступающей информации и значения времени задержки обработки каждого вида поступающей информации At; > At;max.
2.3 Сравнение предельно допустимого количества порций информации в очереди к серверу massd°n и количества порций информации в массивеmass{.
Шаг 3. Распределение задач и их выполнение.
3.1 При At; > At;max и massj > mass6™ на вычислительном сервере проверяется наличие дополнительных задач 1и, u е M , кроме основной In.
3.1.1 Если на данном вычислительном сервере выполняется только основная задача, то ищется сервер yk eY с незадействованным необходимым набором вычислительных ресурсов Hj > Ht и на найденном сервере запускается параллельная задача It.
3.1.2 Если на данном вычислительном сервере выполняются дополнительные задачи, то для задачи Iu ищется сервер yk е Y с незадействованным необходимым набором вычислительных ресурсов, таким что Hj > Hu, где Hu - требуемый набор ресурсов для выполнения задачи I u и на нем запускается параллельная задача Iu .
3.2 Если все Hj <H; или Hj <Hu, то происходит поиск вычислительного сервера j с наименьшей загрузкой, не выше загрузки того сервера, с которого требуется перераспределить часть вычислений, сравнивается их время задержки обработки поступающей информации и количество порций информации, содержащейся в массиве, и если At j < At; и massj < mass;, то на нем запускается параллельная задача In.
Наиболее важной частью алгоритма являются шаги до 3.2, представленные на
рис. 1.
3.3. В случае, если значения Atl и massl остаются неизменными в диапазоне или продолжают повышаться, то переход к п. 3.1.
3.4 После того, как значения Atl и massl опустятся ниже пороговых, программа распределения вычислительных ресурсов завершает работу задачи In на вычислительном сервере (ах) к.
Рис. 1. Фрагмент алгоритма формирования плана распределения задач распознавания КО по вычислительным ресурсам
Для оценивания эффективности разработанного алгоритма проведен сравнительный анализ алгоритмов распределения ресурсов. Оценивание производилось с имитацией условий поступления разнородной информации.
Результатом анализа являются полученные значения показателя оперативности функционирования вычислительного комплекса с определенным набором серверов при решении задач обработки разнородной информации. Показателем оперативности выбрано время задержки обработки информации At. На рис. 2 показано сравнение разработанного алгоритма с алгоритмом распределения ресурсов, используемым в настоящее время и алгоритмом динамического распределения без учета сложности обработки информации.
При использовании разработанного алгоритма распределения значения данного показателя не превышали 2,25 сек с доверительной вероятностью 0,99. Моделирование проводилось методом Монте-Карло для 2-10 вычислительных серверов и для 2-8 программ обработки разных типов информации.
Рис.2. График времени задержки обработки поступающей информации при использовании различных алгоритмов
Заключение. В работе предложен алгоритм формирования плана распределения задач распознавания КО по вычислительным ресурсам системы, отличающийся от ранее известных учетом качества поступившей информации и наличием постоянной возможности освобождения вычислительных средств для выполнения наиболее важных задач. Основная идея заключается в недопущении перегрузок серверов при выполнении задач распознавания космических объектов в условиях кратного возрастания вычислительной нагрузки.
Список литературы
1. Антонов Д.А., Оркин В.В., Нестеренко О.Е. Моделирование процесса распределения вычислительных ресурсов при автоматизированном обнаружении, распознавании и каталогизировании космических объектов // Информация и Космос. Санкт-Петербург № 4, 2021. С. 83-87.
2. Бородакий Ю.В., Добродеев А.Ю., Нащекин П.А., Бутусов И.В. Основной объект воздействия противника // Воздушно-космическая оборона. М.: ООО «Издательский дом «ВПК-Медиа», 2014. № 2. С. 22-28.
3. Гольдин В.В., Козловский А.Л. Математические модели планирования ресурсов вычислительных кластеров // Материалы научно-практической конференции «Инфо-2010». М., 2010. С. 211 - 214.
4. Волков М.Н., Гудаев Р.А., Маслов В.Ю., Шаймухаметов Ш.И. О возможности автоматизации процесса обработки радиолокационной некоординатной информации в интересах распознавания космических объектов // Сборник трудов военно-научной конференции «Актуальные научно-технические аспекты разработки, испытаний и эксплуатации средств ракетно-космической обороны» Военно-космической академии имени А.Ф.Можайского // под общ. ред. д.т.н. профессора Ю.В.Кулешова. Спб.: ВКА имени А.Ф.Можайского, 2019. С. 31-36.
5. Вдовин П.М., Зотов И.А., Костенко В.А., Плакунов А.В., Смелянский Р.Л. Сравнение различных подходов к распределению ресурсов в центрах обработки данных // Изв. РАН. ТиСУ, 2014. № 5. С. 71 - 83.
6. Pepple K. Deploying OpenStack // Sebastopol CA: O'Reilly Media, 2011.
78 p.
7. Plakunov A.V., Kostenko V.A. Data Center Resource Mapping Algorithm Based on the Ant Colony Optimization // Proc. Intern. Conf. on Networks 2014: SDN&NFV. Moscow: IEEE Press, 2014. 8 p.
8. Оркин В.В. Метод адаптивного перераспределения информационно-вычислительных ресурсов в автоматизированной системе управления при потере производительности в узлах сетевой инфраструктуры // T- Comm Телекоммуникации и транспорт. Том 13, №2 2019. C. 52-59.
9. Коновалов А.А. Основы траекторной обработки радиолокационной информации: в 2 ч. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2013. Ч. 1. 164 с.
10. Бакулев П.А. Радиолокационные системы: Учебник для вузов. М.: Радиотехника, 2004. 321 с.
11. Монич Ю.И., Старовойтов В.В, Оценки качества для анализа цифровых изображений // Искусственный интеллект. 2008. № 2. С. 376-386.
12. Тарасов В.В., Якушенков Ю.Г. Инфракрасные системы «смотрящего» типа. М.: Логос, 2004. 452 с.
13. Johnson J. Analysis of image forming systems. Image intensifier symposium, Fort Belvoir, VA, 6 october 1958.
Антонов Дмитрий Александрович, адъюнкт, vka@„mil.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф Можайского,
Оркин Вадим Витальевич, канд. техн. наук, преподаватель, vka@mil.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф Можайского;
Нестеренко Олег Евгеневич, канд. техн. наук, старший преподаватель, vka@mil.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского,
Попов Дмитрий Геннадиевич, адъюнкт, vka@mil.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф Можайского
ALGORITHM FOR THE FORMATION OF A PLAN FOR THE DISTRIBUTION OF SPACE OBJECT RECOGNITION TASKS OVER COMPUTATIONAL RESOURCES
D.A. Antonov, V.V. Orkin, O.E. Nesterenko, D.G. Popov
Currently, the space situation is changing of a significant increase in the number of launched spacecraft and space debris elements, the appearance of means capable of tracking small space objects, including space debris, will increase the informativeness of monitoring near-Earth space, but will lead to an increase in the flow of incoming information about space objects and an increase in the load on the computing facilities of an automated monitoring system for space and ballistic objects. This work is aimed at improving an algorithm for distributing the load over the available computing facilities in order to increase the efficiency of processing incoming information.
Key words: computing facility, space object, information array, load, resource allocation, algorithm.
Antonov Dmitriy Aleksandrovich, postgraduate, vka@mil.ru, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky,
Orkin Vadim Vitalevich, candidate of technical sciences, lecturer, vka@mil.ru, Russia, St. Petersburg, Military Space Academy named after A.FMozhaisky,
146
Nesterenko Oleg Evgenevich, candidate of technical sciences, lecturer, vka@mil.ru, Russia, St. Petersburg, Military Space Academy named after A.F.Mozhaisky,
Popov Dmitriy Gennadievich, postgraduate, vka@mil.ru, Russia, St. Petersburg, Military Space Academy named after A.F.Mozhaisky
УДК 62-526
DOI: 10.24412/2071-6168-2022-4-147-157
СПЕЦИФИКА АРХИТЕКТУРЫ ЦИФРОВОГО ДВОЙНИКА КОЛЛАБОРАТИВНОГО РОБОТИЗИРОВАННОГО ПРОЦЕССА НА БАЗЕ
МУЛЬТИАГЕНТНЫХ СИСТЕМ
М.А. Горькавый, А.И. Горькавый, В.А. Соловьев, В.П. Егорова, М.А. Мельниченко
В работе рассматривается проблематика интеграции объектов физического мира с их виртуальными аналогами - имитационными моделями цифрового двойника. Необходимость поиска современных алгоритмов и форматов взаимодействия виртуальных агентов особенно остро стоит в процессах создания цифровых двойниках динамично развивающихся высокотехнологичных производств на базе коллаборативных машин. Предлагаемые элементы унифицированного подхода к разработке классов имитационных моделей систем управления роботизированным производственным процессом позволят повысить оперативность и объективность принимаемых решений.
Ключевые слова: интеллектуальные системы, автоматизация, программирование, технологические процессы, агентное моделирование, коллаборативные производственные процессы.
В условиях нарастающей динамики внедрения роботизированных комплексов практически во всех сферах деятельности современной экономики перед учеными и специалистами возникает все более комплексный и наукоемкий пласт проблем, связанных с необходимостью обеспечения построения адаптивных человеко-машинных систем, функционирующих в производственных условиях и решающих уникальные нетривиальные либо комплексные технологические задачи.
Обеспечение максимальной эффективности таких систем, как правило, реализуется за счет системного использования передовых информационных и инженерных технологий, а также научных решений, среди которых ключевыми инструментами являются: искусственный интеллект (ИИ), цифровой двойник (digital twin - DT), объектно-ориентированный подход (ООП), а также различные комбинации реализаций аппаратного обеспечения в составе сенсорно оснащенных промышленных роботов и ме-хатронных модулей, либо коллаборативных машин, что интегрируется в одну общую коллаборативную роботизированную технологию (human-robot collaborative technology). Данная технология, согласно [1-3], определяет три направления совершенствования коллаборативных роботизированных систем: физические объекты в реальном пространстве, цифровые объекты в виртуальном пространстве, интерфейсы связи физического и виртуального пространств.
Анализ работ зарубежных и отечественных ученых демонстрирует очень высокую сложность достижения конечного результата требуемого качества [3, 4]. Чаще всего это обусловлено необходимостью формирования большой экспертной базы, перекрывающей весь комплекс вопросов, что является весьма ресурсозатратным процессом. Кроме того, даже при наличии готовых решений по отдельным подсистемам, например,
