CC BY
8ТЕХНИЧЕСКИЕ НАУКИ
УДК 004.02
Беспалова А.А.
магистр кафедры информационных систем в строительстве Донской государственный технический университет (Россия, г. Ростов-на-Дону)
ДИАГНОСТИЧЕСКАЯ СИСТЕМА АНАЛИЗА СОСТОЯНИЯ СЕТЕВЫХ УСТРОЙСТВ С
ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ
Аннотация: в данной статье рассматривается система для диагностики состояния сетевых устройств с использованием нейронной сети. Описаны все требования, которые необходимо смоделировать, используя объектно-ориентированное программирование, чтобы приступить к разработке приложения. По окончанию исследования была получена нейронная сеть, которая может быть переобучена под различные задачи.
Ключевые слова: нейронная сеть, программирование, информационные технологии.
В современном мире процесс работы человека все больше зависит от различных аппаратных средств, все больше процессов становятся автоматизированными и большое количество задач предпочтительнее поручить роботу нежели человеку.
Для автоматизации некоторых процессов используют искусственные нейронные сети.
Структура искусственной нейронной сети строится на основе нейробиологии. Машина, имеющая такую структуру, способна к анализу различной информации и ее запоминанию. Помимо анализа тех данных, которые подаются на вход сети, она также имеет возможность воспроизведения информации, хранимой в ее памяти. Можно заключить, что нейронная сеть является аналогом человеческого мозга, который состоит из миллионов нейронов, передающих информацию в виде электрических импульсов.
Математическая постановка задачи.
Рассмотрим иерархическую сетевую структуру, которая состоит из нейронов, связанных между собой и объединенных во множество слоев. Синаптические связи устроены так, что каждый нейрон на определенном уровне иерархии принимает и обрабатывает сигнал от каждого нейрона более низкого уровня. В данной сети имеется определенное направление распространения сигналов - от входного слоя через скрытые слои к выходному слою нейронов.
Пусть на вход данной сети подаются сигналы, обозначим их x1, x2,.. ,,xm, которые определяют некоторые признаки.
Имеется k- эталлонов, это векторы, для которых известны выходы сети, 11, 12,., lk.
А также выходные векторы y1, y2,.,yP.
Сигнал отмасштабированный коэффициентом веса связи w, приходит в нейрон, где складывается с альтернативными сигналами от прочих синапсов. Получаем некоторый вектор, которой сравнивается с заранее установленными эталонами.
Функция нейрона состоит в вычислении взвешенной суммы его входов с дальнейшим нелинейным преобразованием ее в выходной сигнал, данный процесс представлен на следующей формуле:
При диагностировании сетевого устройства всегда можно выделить некое множество состояний и оценить степень влияния каждого признака на вероятность перехода устройства в одно из данных состояний.
Процесс создания стоит начать с составления списка признаков, которые подаются на вход нейронной сети и результата обработки полученной информации, который необходимо получить на выходе, таким образом мы создаем базу знаний, на которой и основывается вся диагностика. Сведения о возможной поломке зависят от ответа пользователя на стандартные вопросы о возможных неисправностях. Эти ответы являются полноценными ответами, то есть бинарными 1 - да, 0 - нет. И на основе данных сведений, которые подаются на вход, сеть просчитывает наиболее вероятную проблему, которую необходимо знать пользователю для ее устранения и продолжения работы.
С одной стороны, чем больше измеряемых параметров, тем достовернее информацию о состоянии устройства вы получаете, но также тем сложнее и дороже будет система. Значит для решения поставленной задачи, нужно выбрать параметры, которые наиболее полно характеризуют техническое состояние устройства.
Оптимальное число измеряемых признаков моей работе - четыре. Вопросы требующие ответы пользователя:
• Присутсвует ли питание от сети?
• Подключены ли все необходимые кабели?
• Оборудование установлено на ПК?
• Соответсвуют сетевые настройки?
И соответствующие варианты решения проблеи: включить шнур питания в розетку, установить оборудование на ПК и т.д.
Данный набор необходим определения той или иной неисправности. Используемые методы - для решения данной задачи используется нейронная сеть. Ее построение основано на использование алгоритма обратного распространения ошибки. Структура нейронной сети имеет две составляющие - слой и сеть. При проектировании данной системы, разработана диаграмма классов.
(1)
В качестве программного обеспечения, для разработки диаграмм используется язык графического описания UML, расшифровывается как Unified Modeling Language или унифицированный язык моделирования.
Класс - это некоторая сущность, инкапсулирующая данные и поведение.
Объектно-ориентированный подход предполагает объединение, какого-то набора данных и поведения, обрабатывающего эти данные. То есть берется некоторое количество данных и поведения, и инкапсулируем все это в класс.
Созданы следующие классы:
1) Нейрон. Этот класс имеет атрибуты вида: веса, выход и сдвиг. Выбраны именно эти атрибуты, потому что для нейрона они являются ключевыми, происходит настройка весов, также необходимо знать данные полученные на выходе нейрона и величину сдвига для обучения сети. Также в данном классе использовался ряд операций, все они необходимы, для передачи информации от слоя к слою и так до получения выходных данных и последующего обратного распространения сигнала с учетом ошибки. Все ранее созданные атрибуты участвуют в этих операциях.
2) Функция активации. В этом классе один атрибут - порог. А операция - вычислить сигмоидальную функцию. В зависимости от того, какую функцию активации применять к выходу нейрона, можно получить различные значения. В данном случае применятся сигмоидальная функцию, где указывается ее порог.
3) Слой нейронов. Поскольку слой нейронов можно представить, как некоторый набор нейронов, объединенных в массив, соответственно, атрибутом данного класса назначен массив нейронов. Все операции, выполняемые в данном классе, работают только с массивом нейронов и направлены на его получение и создание.
4) Нейронная сеть. Имея такие классы как функция активации, нейрон и слой, можно перейти к созданию нейронной сети, так как она строится на этих трех основных компонентах. Данный класс имеет атрибуты, которые характеризуют его именно как нечто целостное, здесь имеются и входы с выходами и обучение.
Стоит заметить, что атрибут обучение применятся лишь в данном классе, то есть создается нейрон, а затем все нейроны объединяются в массив, но обучение происходит в классе нейронная сеть. Также имеется набор операций, которые используются для установления желаемых выходов, заранее, затем происходит получение входных и выходных данных, устанавливаются веса и пороги, прогоняются эталоны по сети, а заьем на основе полученных данных применяется алгоритм обратного распространения.
1) Проверка. Этот класс необходим для проверки правильности работы сети и отслеживания, чтобы все данные, которые проходят через сеть, имели корректные выходы. Атрибутами являются входные сигналы и результаты, полученные на выходе. В качестве функций были выбраны: получение входных данных и получение результата диагностики. Для данного класса
не используется обучение, сеть уже обучена и выдает результат на те эталоны, которые ранее запомнила. Диаграмма показана ниже.
Рисунок 1- Диаграмма классов
В основном задача диагностики сетевых устройств сводится к поиску отклонений от нормального режима функционирования. При диагностировании сетевого устройства всегда можно выделить некое множество состояний и оценить степень влияния каждого признака на вероятность перехода устройства в одно из данных состояний.
Также плюсом использования нейронной сети в области диагностики состояния технических систем является возможность параллельной обработки информации всеми нейронами, то есть при достаточном количестве межнейронных связей можно добиться обработки большего количества информации.
Список литературы
1. Лекция 4: Архитектурные особенности проектирования. [Электронный ресурс] — Режим доступа: http://www.intuit.ru/studies/courses/956/467/lecture/28784 (дата посещения: 26.010.2018)
2. Архитектура ИС. [Электронный ресурс] — Режим доступа: http://it-claim.ru/Education/Course/ISDevelopment/Lecture_3.pdf (дата посещения: 07.03.2018);
3. Красильникова Т.К. Государственное предпринимательство и государственная корпорация в России (проблемы правового регулирования и перспективы развития) // Власть. 2009. №12. С. 136-139;
4. Барский А.Б. Нейронные сети. Распознавание, управление, принятие решений 2004. - 176 с;
5. Александр Водяхо, Владислав Дубенецкий. Учебник для студ. учреждений высш. проф. Образования, 2012. — 288 с.
