CC BY
143
При рассмотрении архитектуры P2P FTTH существенным недостатком является использование волоконно-оптического кабеля с большим числом волокон, что значительно увеличивает капитальные затраты при строительстве сети.
Но архитектура P2P FTTH имеет множество преимуществ в сравнении с архитектурой GEPON, таких
как:
- неограниченная полоса пропускания, используется прямое волокно и обеспечивает для будущих возможных услуг запас пропускной способности.
- большой радиус действия;
- независимость от производителя и технологическая независимость, т.к. волоконно-оптическая линия является средой, которая способна поддерживать любое новое оборудование и новую технологию;
- простата процесса поиска неисправности.
Выбор в пользу какого-либо решения остается за операторами связи. Необходимо отметить, что вышеуказанные решения опробованы операторами связи и обеспечивают стабильные результаты, в то же время, уровень конкуренции среди операторов по этим решениям в России остается невысоким, что так же подталкивает операторов к увеличению зоны покрытия сети за счет применения таких решений. Лучший результат может быть достигнут, если каждый сможет извлечь выгоду от внедрения телекоммуникационных услуг, однако, выгоду не стоит рассматривать только как краткосрочную прибыль от исходных инвестиций, но понимать, что это обеспечит базу для внедрения в будущем новых услуг. Список использованной литературы:
1. Харитонова О.А., Алехин М.А., Олейников А.А. Основные тенденции развития рынка услуг мультисервисных сетей в Астраханской области // Инновационная наука. 2016. №3-3 (15).
2. Харитонова О.А., Олейников А.А. Пользователь как одна из основных составляющих мультисервисной сети // Инновационная наука. 2016. №9 (21).
© Харитонова О.А., Олейников А.А., 2017
УДК 004.94
Е.А. Чернова
аспирант 1 курса факультета информационных технологий и управления
ФГБОУ ВО ЮРГПУ(НПИ)им. М.И. Платова г. Новочеркасск, Российская Федерация
С.П. Воробьёв
к.т.н., доцент кафедры «Информационные и измерительные
системы и технологии» ФГБОУ ВО ЮРГПУ(НПИ) им. М.И. Платова Муттлак Абд Али Аббас аспирант 1 курса факультета информационных технологий и управления
ФГБОУ ВО ЮРГПУ(НПИ)им. М.И. Платова
АРХИТЕКТУРА СИСТЕМЫ BIG DATA ИНФОРМАЦИОННОГО ПРОСТРАНСТВА ВУЗа
Аннотация
Рассматривается решение архитектуры построения системы для обработки и хранения данных типа Big Data в ВУЗе
Ключевые слова
Big Data,система распределенной обработки информации.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №03-1/2017 ISSN 2410-6070_
Vorobyev S. P., Muttlak ABD Ali Abbas, Chernova E.A.
Platov South-Russian State Polytechnic University (NPI), Novocherkassk
THE SYSTEM ARCHITECTURE FOR THE BIG DATA INFORMATION SPACE OF THE UNIVERSITY
Discusses the solution architecture of construction of system for processing and storage of Big Data in higher education Institution
Key words
Big Data,distributed system of information processing.
На сегодняшний момент развития информационных технологий одним из ключевых аспектов является накопление значительного объема данных, что привело к формированию направления, которое включает в себя технологии хранения, вычисления, а также сервисные услуги и получило название Big Data. Это направление, относительно новое для российского бизнеса, получило широкое распространение в западных странах. Следует отметить, что к данной сфере относится обработка именно большого объема структурированной и неструктурированной информации, включающей видео, аудио, графику и который затруднительно обрабатывать и хранить традиционными способами. Требуется комплексный анализ информации, чтобы сделать ее полезной для дальнейшей обработки, новый подход и усовершенствованные инструменты.
Следует также отметить, что Big Data являются одной из самых быстрорастущих сфер информационных технологий, согласно статистике, общий объем получаемых и хранимых данных удваивается каждые 1,2 года.
По оценкам Cisco, в 2014 году объем мобильного трафика составил 2,5 эксабайта (единица измерения количества информации, равная 1018 стандартным байтам) в месяц, а уже в 2019 году он будет равен 24,3 эксабайтам.
Таким образом, Большие Данные - это уже устоявшаяся сфера технологий, даже несмотря на относительно молодой ее возраст, получившая распространение во многих сферах бизнеса и играющая немаловажную роль в развитии компаний.
Технологию обработки больших данных можно свести к трем основным направлениям:
• Хранение поступаемой информации для обработки и практического применения.
• Структурирование разрозненного контента: текстов, фотографий, видео, аудио и всех иных видов данных.
• Анализ Big Data и внедрение различных способов обработки неструктурированной информации, создание различных аналитических отчетов.
Таким образом, применение Big Data подразумевает все направления работы с огромным объемом самой разрозненной и разнообразной информации, постоянно обновляемой и разбросанной по разным источникам.
Проблемы системы Big Data можно свести к трем основным группам: объем, скорость обработки, неструктурированность.
Хранение больших объемов информации требует специальных условий, необходимого пространства и обеспечение соответствующих возможностей. Скорость связана с использованием старых методов обработки. Проблема неоднородности и неструктурированности возникает по причине разрозненности источников, форматов и качества Кроме этого существуют проблема предела «величины» данных, проблема, связанная с отсутствием четких принципов работы с большим объемом данных, подбора данных для обработки и алгоритов анализа, нехватки профессиональных специалистов, которым можно было бы доверить глубинный анализ, создание отчетов для решения бизнес-задач, проблема этического характера и обеспечения безопасности хранения и использования данных.
Использование технологии Big Data в рамках информационной системы ВУЗа позволяет существенным образом качественно изменить образовательный процесс и совершенствовать используемые педагогические технологии. Анализ больших данных позволяет эффективно решать учебные,
педагогические, организационные, воспитательные, научные и исследовательские задачи. Технологии Big Data позволяют вести мониторинг успеваемости и персонализировать программу обучения для студентов, инструменты предсказательной аналитики дают возможность совершенствовать методику преподавания дисциплин, система анализа больших данных предлагает рекомендательные методики повышения конкурентоспособности программ подготовки и прогнозирование их успешности.
Наряду с существующими уровнями представления данных в едином информационном пространстве ВУЗа (рис.1), необходимо выделить два новых уровня, занимающихся обработкой и хранением информации с использованием технологии Big Data и облачных сервисов. Первый уровень будет содержать в себе вспомогательную информацию о типах атрибутов и связей, ролях пользователей, форматах документов и т.д. В рамках второго уровня будет реализована функциональность по анализу и обработке больших данных, при использовании облачных сервисов. При внедрении технологии анализа сверхбольших массивов данных в ВУЗе решаются несколько задач: сокращение времени документооборота за счет обеспечения быстрого поиска информации и уменьшения времени ее обработки; обеспечение быстрого обмена информацией между филиалами, и подразделениями.
Архитектурное решение Big Data направлено на реализацию конкретных задач организации учебного и научно-исследовательского процесса в ВУЗе и в общем случае имеет следующий вид (рис. 2).
Рисунок 1 - Уровни представления данных в едином информационном пространстве ВУЗа
Безопасность Управление
Рисунок 2 - Архитектура системы Big Data ВУЗа
К наиболее распространенным подходам обработки данных относятся:
SQL - язык структурированных запросов, позволяющий работать с базами данных.
NoSQL - (Not Only SQL) - подходы, направленные на реализацию базы данных, имеющих отличия от моделей, используемых в традиционных, реляционных СУБД. Их удобно использовать при постоянно меняющейся структуре данных.
MapReduce - модель распределения вычислений. Используется для параллельных вычислений над очень большими наборами данных. Принцип работы заключается в последовательной обработке данных двумя методами Map (выбирает предварительные данные) и Reduce (агрегирует их).
Hadoop - используется для реализации поисковых и контекстных механизмов высоконагруженных сайтов. Отличительной особенностью является то, что система защищена от выхода из строя любого из узлов кластера, так как каждый блок имеет, как минимум, одну копию данных на другом узле.
SAP HANA - высокопроизводительная NewSQL платформа для хранения и обработки данных. Обеспечивает высокую скорость обработки запросов. Еще одним отличительным признаком является то, что SAP HANA упрощает системный ландшафт, уменьшая затраты на поддержку аналитических систем.
Построение архитектуры системы Big Data в рамках информационной системы ВУЗа предполагает решение комплекса проблем, включая проектирование и моделирование беспроводной сети доступа [1,2,5,7-
10], оптимизацию распределения информационных ресурсов и систем обработки [3,4,6]. Список использованной литературы:
1. Кобак В.Г., Калюка В.И. Генетический подход к решению задачи распределения поступающих для обработки сообщений в сетях беспроводного абонентского доступа / Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки, 2009.№ 4. С. 68-71.
2. Кобак В.Г., Калюка В.И., Галушкин В.А., Кобак В.В. Оптимизация передачи сообщений в сети беспроводного абонентского доступа с использованием генетического алгоритма / Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки, 2009. № 6. С. 19-22.
3. Кобак В.Г., Титов Д.В., Калюка В.И., Слесарев В.В. Алгоритмическое улучшение генетического алгоритма для нечетного количества однородных устройств / Известия ЮФУ. Технические науки, 2011. № 5 (118). С. 159-163.
4. Кобак В.Г., Титов Д.В., Калюка В.И., Золотых О.А. Исследование эффективности генетических алгоритмов распределения для однородных систем при кратности заданий количеству устройств / Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки, 2011. № 3. С. 19-22.
5. Калюка В.И. Адаптивно-игровая оптимизация функциональных характеристик сетей беспроводного абонентского доступа / Научное обозрение, 2014. № 12-1. С. 81-84.
6. Калюка В.И., Кобак В.Г., Троцюк Н.И., Зубакин В.В. Алгоритмическое улучшение модифицированной модели голдберга в однородных системах обработки информации / Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки, 2015. № 2. С. 3-7.
7. Одоевский С.М., Калюка В.И., Степаненко В.В. Оптимизация распределения частотно-энергетических ресурсов сети широкополосного радиодоступа / В сборнике: Радиолокация, навигация, связь XXI Международная научно-техническая конференция, 2015. С. 1052-1059.
8. Калюка В.И., Остапенко С.А., Кобак В.Г., Зубакин В.В., Морозов И.В. Решение задачи раскраски взвешенного графа для мягкого распределения ресурса пропускной способности в сетях беспроводного абонентского доступа / Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки, 2015.№ 4 (185). С. 3-8.
9. Калюка В.И., Овсянников С.Н., Сапунова Л.П. Оптимизация локального ресурса пропускной способности сетей широкополосного радиодоступа / Наукоемкие технологии в космических исследованиях Земли, 2016. Т. 8. № 3. С. 35-40.
Ю.Одоевский С.М., Калюка В.И., Степаненко В.В. Оптимизация распределения частотно-энергетических ресурсов сети широкополосного радиодоступа с использованием граничных оценок / В сборнике: Радиолокация, навигация, связь XXII международная научно-техническая конференция, 2016. С. 490-499.
© Чернова Е.А., Воробьёв С.П., Муттлак Абд Али Аббас, 2017
УДК 628.8:67
Шмырев Д.В., к.т.н., доцент, Коверкина Е.В., эксперт Естественнонаучной лаборатории, Российский государственный социальный университет, (РГСУ),
Кочетов О.С., д.т.н., профессор, Московский технологический университет, е-тай: v.shmyrev@bk.ru
ЭКОЛОГИЧЕСКАЯ БЕЗОПАСНОСТЬ ЭКСПЛУАТАЦИИ АППАРАТОВ РАСПЫЛИТЕЛЬНОЙ СУШКИ
Аннотация
Вопросы экологической безопасности производственных процессов, в частности, процессов
