CC BY
23
УДК 004.9
Кибзун А.И., Мартюшова Я.Г., Мхитарян Г.А., Наумов А.В., Рыбалко А.А.
Московский авиационный институт (национальный исследовательский университет), г. Москва,
Россия
АРХИТЕКТУРА И ТЕХНОЛОГИИ АДАПТАЦИИ СДО МАИ КАК КОМПЛЕКСА ЭЛЕКТРОННЫХ УЧЕБНИКОВ ПО МАТЕМАТИЧЕСКИМ ДИСЦИПЛИНАМ
АННОТАЦИЯ
В работе описывается реализация архитектуры системы дистанционного обучения на примере СДО МАИ CLASS.NET. Рассматривается процесс программной интеграции в управляющую оболочку СДО комплекса статистических алгоритмов, обеспечивающих анализ работы пользователей системы дистанционного обучения математическим дисциплинам и адаптацию контента этой системы под изменяющийся контингент пользователей. Программно-алгоритмический комплекс содержит специальные оптимизационные процедуры для оценки параметров различных вероятностных моделей, используемых в системе, на основе накопленной статистики о работе пользователей. Кроме того, предложены решения задач повышения эффективности работы программной реализации комплекса методов и алгоритмов и описаны примененные технологии.
КЛЮЧЕВЫЕ СЛОВА
Система дистанционного обучения; СДО; архитектура СДО; безопасность системы; статистическая обработка данных; адаптация контента; электронный учебник.
Kibzun A.I., Martiushova Ia.G., Mkhitaryan G.A., Naumov A.V., Rybalko A.A.
Moscow Aviation Institute (National Research University), Moscow, Russia
SYSTEM ARCHITECTURE AND TECHNOLOGIES OF ADAPTATION OF LMS MAI CLASS.NET AS SET OF ELECTRONIC MATH TEXTBOOKS
ABSTRACT
In the article the system architecture of learning management systems are described by considering the example of LMS MAI CLASS.NET. The process of integration of statistical algorithms and optimization tools and methods into the management shell of LMS for analyzing user data and adaptation of learning content are discussed. Apart from discussing efficiency of LMS usage with the above mentioned methods, the article also discusses general security architecture of the LMS and the set of technologies used for developing system security with specific implementation examples.
KEYWORDS
Learning management system; LMS; system architecture of LMS; system-security; statistical data analyzing; adaptation of learning content; electronic textbook.
Введение
В современном образовательном процессе много внимания уделяется обеспечению доступа и использованию компьютерных технологии, в частности, данные технологии важны при организации дистанционного образования для различных категории обучающихся. Для обучения при помощи персональных и нередко используемых сеичас планшетных компьютеров используют системы дистанционного обучения (СДО) или, как принято называть в англоязычнои документации, LMS (Learning Management System). Среди современных систем наиболее распространенными являются Moodle, Blackboard. СДО являются сложными программными продуктами, позволяющими создавать образовательные курсы, которые включают в себя в различном виде теоретическии (видеоматериалы, аудиоматериалы, электронные версии текстовых учебных издании) и практическии (задачи, тесты, лабораторные работы в смоделированных условиях) материал. Управляющая среда СДО позволяет организовать
взаимодействие различных типов пользователей (преподавателей, студентов, администраторов системы), а также использовать и разрабатывать различные программные модули для обеспечения автоматизации и при этом увеличения эффективности обучения.
Архитектура, безопасность и адаптация системы
В Московском авиационном институте (национальном исследовательском университете) для обучения математическим дисциплинам используется СДО МАИ CLASS.NET [1]. На данныи момент студентам МАИ в системе доступны электронные учебники по теории вероятностеи и математическои статистике, математическому анализу, линеинои алгебре и аналитическои геометрии, дифференциальным уравнениям, теоретическои механике; также некоторые курсы находятся в разработке.
За длительныи период постоянного использования системы в образовательном процессе были поставлены и решены некоторые математические задачи, позволяющие автоматизировать работу системы в зависимости от деиствии пользователеи, а также были предложены различные алгоритмы, позволяющие обрабатывать статистические данные, полученные на основе работы в СДО реальных пользователей К решенным задачам автоматизации рабочего процесса и обработки статистики пользователеи можно отнести формирование интегрального реитинга с помощью статистическои обработки результатов тестов [2], автоматическое оценивание сложности задании системы на основе метода максимального правдоподобия [3], формирование индивидуальных тестовых задании с ограничением и без ограничения [4] на время выполнения. Основнои целью рассмотрения данных задач являлось внедрение в СДО МАИ CLASS.NET комплекса прикладных программных средств, основанных на разработанных алгоритмах. Использование которых направлена на придание СДО адаптивных своиств. В статье описаны технологии и инструменты, используемые авторами для решения задачи разработки программнои реализации и интеграции в управляющую оболочку комплекса обозначенных математических методов, обеспечивающих статистическии анализ работы пользователеи системы дистанционного обучения математическим дисциплинам и адаптацию контента этои системы под изменяющиися контингент пользователеи. Наряду с указанным выше, рассмотрены методы повышения эффективности работы программнои реализации и обеспечения безопасности функционирования указанного комплекса методов и СДО в целом.
Наиболее полное на данныи момент описание СДО МАИ CLASS.NET представлено в статье [1].
Опишем кратко внешнюю оболочку системы и подробнее программную составляющую наряду с технологиеи реализации. В рамках работы с оболочкои СДО в электронных учебниках всем типам пользователеи доступны разделы с теориеи, практикои и результатами. В разделе <<Теория>> осуществляется доступ к теоретическому материалу, подготовленному на основе лекции, составленных преподавателями кафедры «Теория вероятностеи» факультета «Прикладная математика и физика» МАИ. Теоретическии материал организован в виде гипертекста и снабжен глоссарием, что позволяет использовать его как справочник и начинать изучение материала практически с любого места. Раздел «Практика» позволяет получить доступ к практическим заданиям и лабораторным работам системы.
Одним из достоинств системы является использование в заданиях параметров со случаиными значениями. Такои подход позволяет уменьшить вероятность компрометирования задания пользователем, то есть решения задания со стороннеи помощью либо знания ответа заранее. Повышение таким образом уникальности задании способствует также увеличению объема используемого контента.
Раздел <<Результаты>> обеспечивает для пользователеи различных типов доступ к статистическим данным системы. В первую очередь важны индивидуальные результаты каждого пользователя с подробнои информациеи о прохождении определенного курса. К такои информации можно отнести правильность решения тестов и задании по отдельности, время ответа пользователя на тесты или задание, оценки, полученные в ходе прохождения курса, доступ к сравнительным данным внутри группы или факультета с разнои степенью подробности и др. Сравнительныи подход на основе статистики позволяет выделить определенных студентов, заслуживающих высокои оценки.
Математическии аппарат СДО МАИ CLASS.NET представляет собои набор математически обоснованных алгоритмов, обрабатывающих статистическую информацию, полученную в ходе работы пользователеи в реально функционирующеи системе. СДО поддерживает парадигму адаптивного компьютерного тестирования CAT (Computerized Adaptive Testing), алгоритмы которои направлены на решение задачи подбора для каждого пользователя из группы индивидуального задания, максимально отвечающего уровню подготовки данного конкретного пользователя и
требованиям образовательного курса. Такая задача, в свою очередь, сводится к рассмотрению ряда прикладных математических задач, для решения которых при разработке СДО МАИ CLASS.NET используются следующие модели: однопараметрическая логистическая модель Раша [5]- для описания вероятности корректного ответа пользователя, и логнормальная модель Ван дер Линдена [6] - для описания времени ответа на задания. Модели являются стохастическими, что, естественно, накладывает определенные сложности при исследовании и дальнеишем использовании в реально функционирующих СДО. Далее рассмотрим особенности программнои реализации алгоритмов решения прикладных задач, связанных со статистическои обработкои данных, и используемых вероятностных моделеи относительно взаимодеиствия с серверным и клиентским программным обеспечением.
СДО МАИ CLASS.NET обладает клиент-сервернои архитектурои, то есть часть деиствии, например, отображение курсов, происходит на стороне клиента (пользователя), а другая часть на стороне сервера, например, хранение и обработка информации из базы данных, вычисление статистических показателеи пользователя. Как и в большинстве современных распространенных систем, в СДО МАИ CLASS.NET отдельно происходит формирование статического и динамического контента: статические элементы страницы (фаилы CSS (Cascading Style Sheets), js-фаилы (JavaScript), изображения и т.д.) хранятся на стороннем сервере, что снижает нагрузку на систему генерации динамического контента: задании, теоретических материалов курсов и статистическои информации пользователя.
Для хранения статистическои и прочеи пользовательскои информации используется система управления базами данных (СУБД) MySQL. При обработке данных взаимодеиствие с базои организовывается посредством запросов и скриптов на языке программирования PHP, которьш является одним из наиболее распространенных языков, применяющихся для создания и работы веб-сервисов. Архитектура серверов позволяет использовать также другие языки программирования, например, Python. Преимущество использования различных языков заключается в том, что один и тот же алгоритм может выполняться за различное время в зависимости от выбранного для реализации языка, либо средства одного языка позволяют реализовать более сложные алгоритмы благодаря наличию определенных особенностеи, например, дополнительных структур данных,значительно упрощающих процесс программирования.
Алгоритм решения задачи формирования ограниченных по времени тестов основан на модификации метода ветвеи и границ и проверке выполнения вероятностного ограничения методом Монте-Карло, что требует большого количества вычислении. Для реализации подобных алгоритмов требуются дополнительные вычислительные средства, например, при использовании языка программирования Python удобно воспользоваться средствами специальных библиотек. В СДО МАИ CLASS.NET алгоритм был реализован на PHP, при этом дополнительно были разработаны генератор реализации логарифмически нормальных случаиных величин, а также внесены изменения в базу данных и js-фаилы для возможности фиксирования времени, которое потребовалось пользователю, чтобы решить и ответить на задания системы.
В отличие от задачи формирования ограниченных по времени тестов задача оценивания уровнеи сложности тестов на основе метода максимального правдоподобия удобнее реализуется при помощи Python с использованием средств свободно распространяемых библиотек с открытым кодом, позволяющих расширить возможности работы с массивами данных и использовать специальные математические функции.
В терминах, используемых в [1], опишем работу программнои реализации математических алгоритмов. В архитектуре СДО МАИ CLASS.NET существует разделение формирования статического (CSS-фаилы, js-фаилы и другие) и динамического (задания, теоретические материалы, статистическая информация) контента, что позволяет снизить нагрузку на сервер. Генерация динамического контента происходит при непосредственном взаимодеиствии с базои данных пользователеи и базои контента, которая разделяется на 3 основных компонента: <<Проверщик>>, <<Оценщик>>, «Генератор» (рис.1). Программные реализации всех математических алгоритмов осуществлены в компоненте <<Оценщик>>, которыи взаимодеиствует с базои данных для получения статистическои информации о пользователях и для изменения информации о заданиях, например, корректировки сложности и интегрального реитинга.
Для организации выполнения реализованных в системе математических алгоритмов, требующих большого числа вычислении, используется планировщик задании, позволяющии автоматизировать запуск выполнения программного комплекса в определенное ранее заданное время, что позволяет правильно распределить нагрузку на сервер. Также важно учесть приоритетныи порядок выполнения алгоритмов и исключить проблемы синхронизации запросов
к базе данных со статистической информацией, чтобы работа алгоритмов не вызвала сбои или чтение некорректных данных.
Приоритетныи порядок работы программных реализации в компоненте <<Оценщик>> задан следующим образом:
1. оценка сложности заданий;
2. интегральный рейтинг;
3. формирование тестов с заданной суммарной сложностью заданий.
Масштабируемая система дистанционного обучения
distance.mai.ru cdn. distance, mai.ru (Статическая информация)
Балансиров щи к нагрузки
©
è
Веб-сервер
для статики
База данных
Слой приложения
у
Рис.1. Масштабируемая система дистанционного обучения
Для решения проблемы синхронизации запросов к базе данных используются механизмы блокировок и транзакции, которые доступны в СУБД MySQL.
Большинство алгоритмов, используемых в работе СДО МАИ CLASS.NET, требовательны в плане вычислении. В условиях реально функционирующеи СДО следует учитывать такие факторы, как технические характеристики серверного оборудования, программное обеспечение на сервере, возможность изменения и добавления нового ПО, архитектура СДО, посещаемость и использование СДО пользователями в определенное время суток и другие характеристики, которые позволяют оценить готовность и устоичивость системы к объемным вычислениям. Например, на данныи момент СДО МАИ CLASS.NET обслуживает более 3000 пользователеи в семестр. Очевидно, что при одновременном использовании системы всеми пользователями проводить дополнительные вычисления нецелесообразно, так как это может замедлить скорость работы СДО. В течение семестра для периода в одни сутки можно определить пиковые часы tmax « 7ч (обычно вечерние в период с 18:30 до 1:30 часов) и часы с наименьшеи активностью tmin « 5ч (утренние в период с 5:00 до 10:00 часов). Также очевидно, что ближе к концу семестра активность пользователеи в СДО резко возрастает, что уменьшает период наименьшеи активности до tmin « 3ч.
Архитектура СДО МАИ CLASS.NET позволяет интегрировать ее в другие системы дистанционного обучения, например, Moodle посредством взаимодеиствия с Moodle API. Такая модель организации дистанционного образовательного процесса позволяет использовать преимущества и нивелировать недостатки обеих систем. В первую очередь СДО МАИ позволяет унифицировать подход к обучению математическим дисциплинам и обеспечивает доступ к различным статистическим показателям. Также адаптивные алгоритмы, разработанные для СДО CLASS.NET, могут быть реализованы как программные плагины для других систем дистанционного обучения и интегрированы в них.
В случае интеграции систем остро встает вопрос о безопасности взаимодействующих СДО и соответствующих связываемых программных компонент при передаче информации. Для обеспечения безопасности СДО CLASS.NET были рассмотрены каналы потенциальных угроз. Построена экспертная модель потенциальных угроз. Для этого проведен анализ связеи СДО CLASS.NET и построена текущая модель связеи системы с СДО по стандарту IDEF-0. Текущая реализация использует контеинерную архитектуру OpenVZ для виртуализации компонентов. Открытость исходных кодов проекта OpenVZ позволяет как коммерческим компаниям, так и мировому сообществу проводить сканирование кода управляющеи системы (далее гипервизора [7]) для выявления недекларированных возможностеи (далее НДВ), что положительно сказывается на уровне безопасности кода (см. рис.2). В приведеннои на рис.2 диаграмме отображается модель связеи компонентов СДО с внешнеи средои, а также логические отношения компонентов СДО между собои. Диаграмма составлена по стандарту IDEF0 функционального моделирования и позволяет оценить потенциальные каналы атак. Для наглядности взаимного расположения компонентов СДО указана легенда с идентификаторами компонентов.
СДО функционирует в сетевои среде вуза, а также доступна из глобальнои сети. Таким образом, сетевые интерфеисы модуля приложения во внутреннюю и внешнюю сети являются точками демаркации для контура безопасности. Первичнои мерои безопасности является изоляция интерфеисов управления от каналов передачи пользовательских данных и настроики контента СДО в отдельную сеть управления. Реализация такои сети возможна на уровне коммутации (по технологии VLAN), а также с помощью виртуальных частных сетеи (VPN). В системе безопасности СДО МАИ CLASS.NET использован второи вариант как более гибкии с точки зрения управления безопасностью доступа и дающии возможность каскадирования VPN сервера с дополнительными серверами проверки (NAC), службами коммутации (NAT) и шлюзами аутентификации пользователеи (RADIUS).
Для предупреждения массированных сетевых атак и попыток эксплуатации уязвимостеи с помощью специально созданных сетевых пакетов канал доступа к инфраструктуре контролируется с помощью сканера сетевых атак. Сканер работает как система раннего оповещения о начале атаки. Общии межсетевои экран (далее МЭ) настроен на фильтрацию сетевых пакетов от непроверенных источников. В том числе, на уровне глобального МЭ есть возможность настроить геофильтр и черньш список адресов для блокировки крупных сегментов внешнеи сети, как первая мера защиты от массированных сетевых атак. Схема безопасности сети (см. рис.3) построена также с учетом возможности захвата злоумышленником одного из внутренних серверов таких, как система-модуль СДО.
Прямое управление контейнерами vzctl
Управление SSH
файлам данных' и настроек
HTTP страницы
© е
Ubuntu шаблон ОС
Рис.2. Модель связей СДО CLASS.NET
Приложение СДО построено с учетом возможности работы в среде с распределением нагрузки [1], и выход из строя $N-1$ модулей распределенного приложения (где $Щ - общее число модулей) не должно повлиять на функционал и доступность системы в целом. Для блокировки возможности злоумышленника использовать захваченные модули как площадку для вторжения во внутреннюю сеть предусмотрена схема автоматически микросегментации сети посредством использования локальных МЭ. Для усиления безопасности расположение модулеи локальных МЭ и средств управления ими должно быть внешним по отношению к самим модулям СДО. В качестве оптимального варианта локальные правила МЭ нужно применять и настраивать на уровне виртуального коммутатора с использованием движка модуля управления настроиками в качестве контроллера конфигурации МЭ. Для распределения нагрузки между модулями СДО использован модуль реверс-прокси.
Команды
Уведомления в журнал событий
Рис.3. Схема сети СДО CLASS.NET и каналов передачи служебных сигналов
Такой модуль способен реализовать несколько функций обеспечения одновременно безопасности и надежности работы СДО. Для защиты канала передачи контента в СДО реверс-прокси модуль может выступать как звено консолидации трафика с модулеи СДО по HTTP каналу, шифрования канала и отдачи далее пользователю контента по HTTPS протоколу с подписанным сертификатом безопасности. При возникновении сетевои атаки реверс-прокси закрывает собои веб-серверы приложения и способен выдержать значительно более серьезную атаку за счет легковесности и целевои специфики работы. В случае выхода из строя всех N модулеи СДО, например, как следствие ошибки при обновлении/конфигурации или иных служебных операции, реверс-прокси способен самостоятельно отдавать пользователям контент СДО из своего кэша, эмулируя тем самым корректную работу статическои части СДО, например, модуля «Теория».
Для принятия решения о запуске мер пресечения атаки, а также для дальнеишего разбора инцидента в системе ведется подробныи журнал событии в инфраструктуре СДО. Для пресечения возможности подмены или затирания журнала злоумышленником при захвате модулеи СДО инструмент журналирования размещен на отдельном сервере и настроен как единая точка сбора журналов со всех компонентов инфраструктуры (на схеме рис.3 указаны лишь некоторые из каналов журналирования и управления для улучшения читаемости). Анализ журнала человеком является трудоемкои процедурои с низкои скоростью принятия решении, поэтому проведена автоматизация поиска корреляции в журнале событии с библиотекои шаблонов типовых атак. Анализатор журнала реализован как отдельныи сервер с возможностью вызова команд управления на модуле управления настроиками [8].
Все указанные на схеме сетевои безопасности модули реализованы как виртуальные машины, а также ряд модулеи, не связанных с сетевои коммутациеи, реализован как виртуальные контеинеры. Реализация самих описанных ранее модулеи безопасности и контроля за инфраструктурои СДО может быть различнои. В рамках текущеи работы предлагается набор готовых решении с учетом специфики приложения, а также с фокусом на открытость кода продуктов по безопасности. Предложенные инструменты собраны в таблицу (см. табл.1).
Табл.1. Вариант реализации приложений обеспечения контуров безопасности
Компонент Реализация
Сканер сетевых атак Suricata 1.4.4
Сервер VPN SoftEther 4.19
Реверс-прокси Nginx 1.8.0
Глобальный МЭ PfSense 2.2.6
Виртуальный коммутатор Open vSwitch 2.4.0
Сервер журналирования Logstash 1.8 + ElasticSearch 2.1
Сервер аналитики OSSEC 2.8.3
Модуль управления настроиками Ansible 1.9.4
Заключение
В работе рассмотрены технологии реализации и адаптации программного комплекса интеллектуальной поддержки функционирования СДО МАИ CLASS.NET, а также обсуждается концепция обеспечения безопасности системы. Благодаря используемому подходу обеспечивается отказоустоичивость, безопасность и эффективность работы системы. Характеристики, получаемые в результате обработки статистических данных, работы студентов могут быть легко импортированы в любую систему автоматизации работы вуза. Используемые средства обеспечения безопасности СДО существенно повышают надежность ее работы, что подтверждается многолетним опытом эксплуатации системы в МАИ.
Литература
1. Наумов А.В, Джумурат А.С., Иноземцев А.И. «Система дистанционного обучения математическим дисциплинам CLASS.NET» // Вестн. компьют. и информ. технологии. - 2014. - Т.1, №10, стр. 36-40.
2. Кибзун А.И., Панарин С.И. «Формирование интегрального реитинга с помощью статистическои обработки результатов тестов» // АиТ. - 2012. - Т.1, №6, стр. 119-139.
3. Кибзун А.И., Иноземцев А.И. «Оценивание уровнеи сложности тестов на основе метода максимального правдоподобия» // АиТ. - 2014. - Т.1, №4, стр. 20-37.
4. Наумов А.В, Иноземцев А.И. «Алгоритм формирования индивидуальных задании в системах дистанционного обучения» // Вестн. компьют. и информ. технологии. - 2013. - Т.1, №6, стр. 35-42.
5. G.Rasch. «Probabilistic models for some intelligence and attainment tests» // The University of Chicago Press - 1980..
6. Wim J. van der Linden. «Conceptual Issues in Response-Time Modeling» // Law School Admission Council, 2008.
7. Рыбалко, А.А. «Виртуализация как основа систем компьютернои безопасности нового поколения» // Вестник Московского Авиационного Института, 2009.Т.16, №2. стр.12-18.
8. Рыбалко, А.А. «Моделирование системы защиты облачных сервисов с использованием механизмов виртуализации» // Вестник Московского Авиационного Института, 2010.Т.16, №6. стр.143-149.
References
1. Naumov A.V., Dzhumurat A.S., Inozemtsev A.O. «Distance Learning System for Mathematical Disciplines CLASS.NET » // Herald of computer and information technologies, 2014., vol.1, no.10, pp.36-40
2. Kibzun A.I., Panarin S.I. «The formation of integral rating by statistical processing of test results»// Automation and Remote Control}, 2012, vol.1, issue 6, pp. 119-139.
3. Kibzun A.I., Inozemtsev A. O. «Evaluation of test difficulty levels based on the maximum likelihood estimation»// Automation and Remote Control, 2014, vol.1, issue4, pp. 20-37.
4. Naumov A.V., Inozemtsev A. O. «The algorithm of formation of individual tasks in distance learning systems»//Herald of computer and information technologies, 2013., vol.1, no.6, pp.35-42.
5. Rasch, G., «Probabilistic models for some intelligence and attainment tests»//The University of Chicago Press,1980.
6. Wim J. van der Linden. «Conceptual Issues in Response-Time Modeling»// Law School Admission Council, 2008.
7. Rybalko А.А. «Virtualization as the foundation of computer security systems of new generation»//Vestnik Moskovskogo Aviatsionnogo Instituta, 2009. vol.16, no.2, pp.12-18.
8. Rybalko А.А. «Modelling cloud protection with virtualization mechanisms»//Vestnik Moskovskogo Aviatsionnogo Instituta, 2010. vol.16, no.6, pp.143-149.
Поступила 14.10.2016
Об авторах:
Кибзун Андрей Иванович, профессор, заведующии кафедры «Теория вероятностеи» факультета «Прикладная математика и физика» Московского авиационного института (национального исследовательского университета), доктор физико-математических наук, [email protected];
Мартюшова Янина Германовна, старшии преподаватель кафедры «Теория вероятностеи» факультета «Прикладная математика и физика» Московского авиационного института (национального исследовательского университета), [email protected];
Мхитарян Георгий Араикович, магистрант кафедры «Теория вероятностеи» факультета «Прикладная математика и физика» Московского авиационного института (национального исследовательского университета), [email protected];
Наумов Андрей Викторович, профессор кафедры «Теория вероятностеи» факультета «Прикладная математика и физика» Московского авиационного института (национального исследовательского университета), доктор физико-математических наук, [email protected];
Рыбалко Алексей Алексеевич, аспирант кафедры «Вычислительная математика и программирование» факультета «Прикладная математика и физика» Московского авиационного института (национального исследовательского университета), [email protected].
