CC BY
38
U1Z
a)
б)
П 1
в)
Рисунок 4 - Искаженные цифро-подобные образы:
а - при удалении верхней трети образа; б - при удалении средней трети образа; в - при удалении нижней трети образа
Удаление верхней либо нижней трети образа позволяет обеспечить вероятность ошибки не более 2 %. Как показали, исследования средняя часть цифро-подобно-го образа является наиболее информативной, и ее удаление повышает вероятность ошибки до 7 %. Результат симуляции сети Хопфилда при удалении различных частей образа представлен на рисунке 5.
Несмотря на высокий процент вероятности правильного распознавания цифро-подобных образов, все еще открытым остается вопрос емкости сети Хопфилда, которая зависит от размерности исходных образов и их коррелированности, а также от отношения сигнал/шум.
0 12 3 4 5 6 7 8 9
a)
3123433733
б)
0123456 7 89
в)
Рисунок 5 - Результаты симуляции искаженных цифро-подобных образов:
а - при удалении верхней трети образа; б - при удалении средней трети образа; в - при удалении нижней трети образа
Третья часть фазы вспоминания исследует способность сети Хопфилда к восстановлению образа по его части: удаление верхней трети образа, удаление средней трети образа, удаление нижней трети образа (рисунок 4).
ПЕРЕЧЕНЬ ССЫЛОК
1. Осовский С. Нейронные сети для обработки информации / Пер. с польского. - М.: Финансы и статистика, 2004. - 344 с.
2. Саймон Хэйкин. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М.: издательский дом «Виль-ямс», 2006. - 1104 с.
3. Медведев В. С., Потемкин В. Г. Нейронные сети. MAT-LAB 6/ Под общ. ред. к. т. н. В. Г. Потемкина. - М.: ДИАЛОГ-МИФИ, 2002. - 496 с.
Надшшла 11.03.06 Шсля доробки 10.07.06
Досл1джет функцюналът можливост1 дискретноi мере-ж1 Хопфыда для розтзнавання цифро-под1бних образ1в при наявност1 шум1в рiзно'i природи та ттенсивност1. Резулъ-тати комп'ютерного моделювання дозволяютъ рекоменду-вати дант мережi для розтзнавання стацюнарних образiв при достатнъо великоi процентноi наявностi завад.
Functional potential of discrete Hopfield network for recognition number-similar characters in the presence of different nature and energy noise is analyzed. The computer modeling results allow to recommend this kind of network for fixed characters recognition big enough proportion of noise.
УДК 681.3.07
А. И. Липчанский, Механна Сами, Хабис А. А. Зидат
ИСПОЛЬЗОВАНИЕ ПРОДУКЦИОННЫХ СИСТЕМ И БИНАРНЫХ ОТНОШЕНИЙ В ЭКСПЕРТНЫХ СИСТЕМАХ ДИАГНОСТИКИ
КОМПЬЮТЕРНОЙ ТЕХНИКИ
Рассматривается возможностъ исполъзования продукций для создания экспертных систем, способных поста-витъ диагноз возможному состоянию компъютерной техники. Показано, что эта целъ может бытъ достигнута с помощъю исполъзования бинарных отношений, заданных на множестве состояний объекта диагностирования. Эф-фективностъ предлагаемого подхода иллюстрируется на конкретных примерах.
© Липчанский А. И., Механна Сами, Хабис А. А. Зидат, 2006
1 АКТУАЛЬНОСТЬ ИССЛЕДОВАНИЯ
Технология экспертных систем (ЭС) является одним из направлений искусственного интеллекта (ИИ). Исследования в области ИИ направлены на разработку программ, решающих задачи, с которыми сейчас лучше справляется человек. Поэтому «разработку
программы, которая будет выполнять сложную статистическую обработку данных, нельзя рассматривать как исследование в области ИИ, какие бы сложные алгоритмы в ней не использовались» [1].
ЭС содержит знания в определенной предметной области (ПО), накопленные в результате практической деятельности человека, и использует их для решения проблем, специфичных для этой области. Этим ЭС отличаются от прочих, «традиционных» систем, в которых предпочтение отдается более общим и менее связанным с ПО теоретическим методам, чаще всего математическим.
Диагностические ЭС (ДЭС) предназначены для обнаружения источников неисправностей по результатам наблюдений за поведением контролируемой системы. ДЭС выполняют диагностирование, используя описание ситуаций, характеристики поведения или знания о конструкции компонент, чтобы установить вероятные причины неправильного функционирования диагностируемой системы [2].
ДЭС часто являются консультантами, которые не только ставят диагноз, но также помогают в отладке. 0ни могут взаимодействовать с пользователем, чтобы оказать помощь при поиске неисправностей, а затем предложить порядок действий по их устранению. В медицинской ПО разработано больше ДЭС, чем в любой другой отдельно взятой ПО. Однако в настоящее время многие ДЭС разрабатываются для приложений к инженерному делу и компьютерным системам [1-3].
Например, анализаторы глобальной компьютерной сети (ГКС) проверяют и анализируют соглашения об уровне сервиса, статистику и проблемы за длительный период, а также случаи перегрузки каналов. Для оценки и поиска ошибок анализатор ГКС, состоящий, как правило, из аппаратной и программной частей, должен среди прочего иметь функцию ДЭС реального времени. База знаний для диагностики в реальном времени с предложением возможных решений упрощает поиск ошибок и тем самым повышает готовность сети. Отображение экспертных сообщений имеет смысл для представления критичных аномалий глобальной сети [4-6].
Центральным вопросом построения ЭС является выбор формы представления знаний - способа формального выражения знаний о ПО. Форма представления знаний оказывает существенное влияние на характеристики и свойства ЭС, поэтому представление знаний является одной из наиболее важных проблем, характерных для ЭС.
Одним из старейших методов представления знаний о ПО в ЭС является подход, основанный на правилах (продукциях). Как один из наиболее естественных он широко используется в коммерческих и экспериментальных ЭС [7-12].
При диагностике компьютерной техники (КТ) экспертами часто используется продукционная система
представления знаний, которые можно сформулировать в виде «если ..., то ...». Например:
- «если объект имеет неисправные элементы и для наблюдаемого выхода выполняется условие ., тогда множество . содержит хотя бы один неисправный элемент» [13];
- «если после повторного выполнения сеанса анализа протоколов ошибка на другое устройство не перешла ., проверьте соответствующую абонентскую область .» [14].
Важным недостатком продукционных ДЭС (ПДЭС) является то, что существующие методы их построения не гарантируют классификации каждого исследуемого ПДЭС объекта. В ПДЭС, как правило, не рассматривается задача полной классификации объекта исследования. Их главной задачей является фиксация знаний эксперта в определенной ПО. Эти знания позволяют классифицировать некоторые состояния объекта, оставляя другие возможные состояния за пределами разрабатываемой ПДЭС.
Очевидно, что сама постановка задачи построения полной классификации возможна лишь тогда, когда осуществлена предварительная структуризация ПО (определение множества признаков, описывающих различные состояния объекта исследования, и бинарных отношений между ними) [15-18].
Целью данной работы является решение задачи полной классификации состояний объекта диагностирования, используя знания эксперта о ПО, представленные в виде продукционной системы и бинарных отношений, заданных на множестве состояний объекта диагностирования.
2 ПОСТАНОВКА ПРОБЛЕМЫ
Дано: знания о ПО «Диагностика КТ», находящиеся в памяти человека-эксперта или на материальных носителях знаний (в учебниках, монографиях, статьях, методиках и на других носителях профессиональных знаний).
Требуется: разработать ДЭС, которая для любого состояния объекта диагностирования способна указать, какой неисправностью обладает объект в данном состоянии, если таковая имеется.
Разработка программных комплексов ЭС до сих пор находится на уровне скорее искусства, чем науки. Процесс разработки промышленной ЭС практически для любой ПО можно разделить на шесть этапов [8]:
- выбор проблемы;
- разработка прототипа ЭС;
- доработка до промышленной ЭС;
- оценка ЭС;
- стыковка ЭС;
- поддержка ЭС.
Выбор подходящей проблемы начинается с определения ПО и задачи: ПО - «Компьютерная техника», задача - диагностика неисправностей КТ. Потом необходимо найти эксперта, желающего сотрудничать при решении проблемы, и назначить коллектив разработчиков ЭС: эксперт - специалист по ремонту персональных компьютеров (ПК) или опытный администратор компьютерной сети (КС); в коллектив разработчиков кроме эксперта в ПО КТ должен входить инженер по знаниям, извлекающий знания из эксперта, программист, реализующий ДЭС, и пользователь, для которого создается ДЭС. После этого надо определить предварительный подход к решению проблемы: представление знаний в виде продукций и бинарных отношений. Наконец, необходимо подготовить подробный план разработки ЭС, в котором, в частности, проанализировать расходы и прибыли: этот этап выходит за рамки данной работы.
Технология быстрого прототипирования ЭС включает в себя следующие шесть стадий [8]:
- идентификация проблемы;
- получение знаний;
- структурирование;
- формализация;
- реализация прототипа;
- тестирование.
На стадии идентификации определяются необходимые ресурсы (время, люди, оборудование и т. п.), источники знаний, имеющиеся аналогичные ЭС, цели и классы решаемых ЭС задач. Извлечение знаний -это получение наиболее полного из возможных представлений о ПО и способах принятия решений в ней. Затем выявляется структура полученных знаний о ПО: терминология, список основных понятий и их атрибутов, отношения между понятиями, структура входной и выходной информации, стратегия принятия решений. После этого строится формализованное представление концепций ПО на основе выбранного языка представления знаний. Наконец, создается прототип ЭС, включающий базу знаний, оценивается и проверяется его работа с целью приведения в соответствие с реальными запросами пользователей.
В данной работе основное внимание уделяется этапу формализации.
Переход от прототипа к промышленной ЭС включает следующие этапы [8]:
- демонстрационный прототип ЭС;
- исследовательский прототип ЭС;
- действующий прототип ЭС;
- промышленная ЭС;
- коммерческая ЭС.
Здесь основная работа заключается в существенном расширении базы знаний, разработки и адаптации интерфейсов. На первом этапе ЭС должна решать малую часть задач, демонстрируя жизнеспособность подхода.
На втором этапе ЭС должна уметь решать большинство задач, но может быть неустойчива в работе и не полностью проверена. На третьем этапе ЭС должна надежно решать все задачи на реальных примерах, хотя решения сложной задачи будет требовать много времени и памяти. На четвертом этапе ЭС должна обеспечивать высокое качество решений при минимизации требуемого времени и памяти, что может потребовать ее переписывания с использованием более эффективных средств представления знаний. Наконец, на последнем пятом этапе ЭС должна быть пригодна к продаже (быть хорошо документированной и снабженной сервисом).
ЭС оцениваются главным образом для того, чтобы проверить точность работы программы и ее полезность. К тестированию широко привлекаются другие эксперты с целью апробирования работоспособности системы на различных примерах.
Под стыковкой ЭС подразумевается разработка связей с другими программными средствами в среде, в которой ЭС будет работать, и обучение людей, которых она будет обслуживать.
Если ЭС сохраняет все знание о ПО и это знание не будет изменяться в ближайшем будущем, то в поддержке ЭС нет необходимости. Но если ЭС создана именно из-за того, что ПО изменяется, то необходимо поддерживать ЭС в ее инструментальной среде разработки.
3 ИСПОЛЬЗОВАНИЕ ПРОДУКЦИОННЫХ
СИСТЕМ
В системах продукций знания представляются с помощью наборов правил вида: «если A, то B. Здесь A и B могут пониматься как «ситуация - действие», «причина - следствие», «условие - заключение» и т. п. Множество продукционных правил образует базу правил, каждое из которых представляет обособленный фрагмент знаний о ПО.
Например, при поиске неисправностей в сети Token Ring используются блок-схемы, из которых можно извлечь следующее правило [14]:
Pi - «Если кольцевая станция зависает, то необходимо проверить выполняется ли на данной кольцевой станции одно и то же приложение, использует ли она на каком-либо конкретном файл-сервере один и тот же каталог или файл в момент проявления этого симптома?».
Используя только правило P1 диагноз поставить невозможно. Поэтому необходимо извлекать и использовать некоторые другие правила, например:
P2 [14] - «Если на данной кольцевой станции выполняется одно и то же приложение или она использует на каком-либо конкретном файл-сервере один и тот же каталог или файл в момент проявления симптома зависания, то необходимо проверить, нет ли каких либо
проблем в конкретном приложении файл-сервера или в его соответствующем каталоге/файле?»;
Р3 [14] - «Если сетевой файл-сервер испытывает проблемы с какой-либо кольцевой станцией при доступе к тому или иному конкретному приложению/группе приложений или определенным каталогам/файлам либо при их использовании, то проверьте сетевой файл-сервер и кольцевую станцию на следующие параметры и требования программно-аппаратной конфигурации: (приводиться соответствующий список)»;
[14] - «Если имеются какие-то поддающиеся идентификации проблемы с установкой аппаратной или программной конфигурации для сетевого файл-сервера, то примите необходимые меры для решения обнаруженной проблемы с конфигурацией».
При помощи цепочки продукций:
может быть неисправность (1 - проблемы с конфигурацией.
При таком описании продукции примут следующий формальный вид:
11 2 2 Р\. (S^&1, »1 1 ) ^ (S2,&1, »1 1),
2 2 3 3
Р2: (^2' в1, »1 1)^(^3, &1, »1 1),
Р3: (S3' а\, »| 1 S2' a2' »2' 1),
D1: (S2' a2' v2' 1 S2' f1).
Процесс постановки диагноза выглядит теперь следующим образом:
Р
(1)
можно поставить диагноз и решить проблему, если конечно она связана с конфигурацией файл-сервера.
Использовать знания, представленные продукциями такого вида, непосредственно в ПДЭС достаточно трудно. Гораздо удобнее представлять их в виде триплета: «объект - атрибут - значение» [7]. При этом продукции примут более структурированный вид:
Р1 - «Если (объект - кольцевая станция, атрибут -состояние, значение - зависает), то (объект - файл-сервер, атрибут - приложение, значение - используется)»;
Р2 - «Если (объект - файл-сервер, атрибут - приложение, значение - Application-1), то (объект - приложение, атрибут - доступ, значение - нет)»;
Р3 - «Если (объект - приложение, атрибут - доступ, значение - нет), то (объект - файл-сервер, атрибут - конфигурация, значение - определенные параметры)»;
D1 - «Если (объект - файл-сервер, атрибут - конфигурация, значение - определенные параметры), то (объект - файл-сервер, неисправность - проблемы с конфигурацией)».
Рассмотрим теперь формальное описание процесса постановки этого диагноза. Задана система S - сеть Token Ring. В состав системы S входят подсистемы S1 -кольцевая станция, S2 - файл-сервер, S3 - приложение. У подсистемы S1 есть атрибут a1 - состояние, у подсистемы S2 - атрибуты a21 - приложение и a22 -конфигурация, у S3 - a3 - доступ. Атрибут a1 может иметь значение »1 1 - зависает, атрибут a^ - значение
»1 1 - Application-1, атрибут a2 - »2 1 - определенные 33
параметры, a1 - »1 1 - нет. Наконец, у подсистемы S2
1 1 2 2 3 3
(S1' a^ »1 1 ) ^ (S2' a^ »1 1 ) ^ (S3' a^ »1 1 )-
S2 ' a2' »2 ,1 S2 ' f1).
Наконец, рассмотрим формальное описание процесса постановки диагноза в общем виде.
Задана диагностируемая система S. Система S состоит из множества подсистем:
Sub = (S1 S2 , ... , Si, ... , Sj).
У каждой подсистемы Si есть множество атрибутов:
i i i i Ai = {a1' a2 ' ■•• ' aj' ■■■' aj(iy
У каждого атрибута a: есть множество значений:
vj ={»:, 1'»:, 2'»j,k' ■■■' »ij,Ka ,j)}.
У каждой подсистемы есть множество неисправностей ^ = {(1, /2,..., С,---, (м ({)}.
Диагноз системе 5 ставится с помощью множества продукций
Р = U {(Si1' j »A k1 )^(Si2' ay 2' »j-2' k2 )},
(i 1' k,) e J,/,K,
(i2' j2' k2)e J2J2K2
отражающих промежуточные рассуждения при постановке диагноза и множества продукций
° = и {(5г3' У »¿3, к 3 (т
(¿з,Уз к3) е 1з^зКз т е М
отражающих постановку окончательного диагноза.
Вернемся к примеру диагностирования сети Token Ring. В процессе диагностирования установлено, что эта сеть в данный момент находиться в следующем состоянии:
- кольцевая станция находиться в состоянии зависа-
1 1 ния (a^ = »1 1);
- при этом на файл-сервере используется приложение Application-1 (a., = 1);
1 / 3 3 л
- к этому приложению нет доступа (a1 = »1 1);
- в конфигурации файл-сервера есть определенные параметры a. = v. 1.
Сети в данном состоянии поставлен диагноз: проб-
2
лемы с конфигурацией файл-сервера /1.
Формально состояние системы S описывается век-
12 3 2 тором (»1 1, »1 1, »1 1, »2 1). И это состояние было отнесено к классу неисправности
В общем виде можно говорить о текущем состоянии ci = (c\, c2, ..., cj, ..., cJ(i)) подсистемы Si, где cj e Vj. Тогда текущее состояние системы S характеризуется вектором c = (c1, c2, ..., c, ..., cj). Это состояние c в результате диагностирования может быть отнесено к некоторому классу неисправностей из множества F =
= U F1. Состояние c может быть отнесено к несколь-
i = 1
ким классам из множества F, если в системе S присутствует несколько неисправностей. Если система S в состоянии c исправна, то это состояние не может быть отнесено к какому-либо классу из множества F. Формально можно ввести класс / - система S находиться в исправном состоянии. Тогда результатом диагностирования будет отнесение текущего состояния c системы S к некоторым классам из множества F0 = F и {/0}. Естественно, если состояние c принадлежит к классу /о, то к другому классу оно принадлежать не может.
Количество N всех гипотетически возможных состояний системы S определяется формулой
( ^
j J(i)
N = П П K(i, j)
i = 1 \j = 1
Пусть в состав системы S входит 1о подсистем, и каждая подсистема имеет по 10 атрибутов. Если каждый атрибут имеет по 1о значений, то количество всех гипотетически возможных состояний системы S равно:
n=п П10 =П|10х-х10 '=
i=111=1 ) i=1 ^ 10
10 / ч
П(ю10)
= 101
i =1
Вряд ли эксперт за всю свою жизнь сталкивался со
.«г.100
всеми N = 10 гипотетически возможными состояни-
ями системы S. Даже если предположить невозможное, что эксперт диагностировал 1 состояние за 1 секунду, то за 1 минуту он диагностировал 60 состояний, за 1 час - 3 600 состояний, за 1 сутки - 86 400, за 1 год - 31 536 000. Пусть эксперт способен увеличить продуктивность своей работы до 10 000 000 000 состояний в год. Тогда 10100 состояний он будет диагностировать 1010 лет! Абсолютно невозможно...
Таким образом, с помощью множества продукций P и D, отражающих знания и опыт практической деятельности эксперта в ПО «Диагностика КТ», можно разработать только демонстрационный прототип ПДЭС, способный решать лишь очень малую часть задач. Уровня исследовательского прототипа ПДЭС может достичь, только если она будет уметь решать большинство задач. Очевидно, для построения ПДЭС такого уровня для представления знаний эксперта необходимо использовать продукционные системы в сочетании с другими методами.
4 ИСПОЛЬЗОВАНИЕ БИНАРНЫХ
ОТНОШЕНИЙ
В своей практической деятельности эксперт пользуется не только знаниями и опытом, полученным в результате решения реальных задач, но и тем, что принято называть «интуицией». Используя «интуицию» эксперт способен успешно решать даже такие сложные задачи, с которыми он раньше на практике не встречался. Знания, которые отражают «интуицию» эксперта, являются, возможно, самыми ценными. И если даже поверхностные знания эксперта, которыми он пользуется при решении стандартных задач, выявить достаточно проблематично, то выявление «глубинных» знаний эксперта, которые объясняют явления и могут использоваться для прогнозирования поведения объектов, является весьма сложной проблемой. Современные ЭС работают в основном с поверхностными знаниями [8]. Это связано с тем, что на данный момент нет универсальных методик, позволяющих выделять глубинные структуры знаний и работать с ними.
В работах [15-18] для представления глубинных «интуитивных» знаний эксперта предлагается использовать аппарат теории отношений. При этом предполагается, что:
- разные значения атрибутов имеют разные степени характерности для диагностируемых неисправностей;
- для каждого атрибута эксперт может упорядочить его значения по их характерности для соответствующей неисправности и этот порядок не зависит от значений других атрибутов.
Вернемся к примеру диагностирования сети Token Ring. В процессе диагностирования установлено, что проблемы с конфигурацией файл-сервера влияли на
10 ( 10 1 10
доступ к приложению АррИсайоп-1. Формально это
2 , 2 означает, что значение »1 1 атрибута «1 характерно для
2
неисправности /1.
Пусть на файл-сервере кроме приложения АррНса-йоп-1 используется также приложение АррНсайоп-2. Предположим, эксперт знает, что отсутствие доступа к приложению АррНсайоп-2 более характерно для неисправности «проблемы с конфигурацией файл-сервера», чем отсутствие доступа к приложению АррНсай-
оп-1. Формально это означает, что у атрибута «1 кроме
значения »2 1 (АррНсайопЛ) есть еще значение »1 2 ~
2
АррНсайоп-2. При этом значение »1 2 более характерно для неисправности /1, чем значение »2 1. Этот факт можно записать так:
К(а[, /1): »1 ,2 ^ »2, 1. (2)
Покажем, как можно эффективно использовать это бинарное отношение характерности. Ранее состояние » = (»1 1,»2 1, »1 1, »2 1) системы 5 было отнесено
к классу неисправности Рассмотрим состояние т =
, 1 2 3 2 , = (»1 1, »1 2 , »1 1, »2 1), которое отличается от состояния » только значением второго компонента. Можно сказать, что состояние т более характерно для неисправности /2, чем состояние ». Действительно, значение второго компонента состояния т более характерно 2
для неисправности /1, чем значение второго компонента состояния ». При этом значения всех остальных компонентов состояний т и » соответственно равны.
22
Формально это означает, что отношение К(«1, /1), заданное на множестве значений атрибута в^, индуцирует следующее отношение К (/2), заданное на множестве всех гипотетически возможных состояний системы 5:
К(/1):т ^ ». (3)
Из этого следует, что если состояние » было отнесе-
2
но с помощью продукций к классу /1, то и состояние
т, как более характерное для неисправности /2, тоже
должно быть отнесено к классу автоматически, без использования каких-либо продукций.
Таким образом, используя цепочку продукций (1), отражающих «поверхностные» знания эксперта, можно поставить диагноз только состоянию ». Привлекая же «глубинные» знания эксперта, которые выражаются в отношении (2), индуцирующем отношение (3),
можно с помощью цепочки (1) ставить диагноз и состоянию w.
В общем виде предполагается, что для каждого атрибута aj эксперт может упорядочить множество Vj его значений по характерности для каждой неисправности fm в виде отношения R(aj, fm). Эти отношения индуцируют отношение R(fm), упорядочивающее по характерности для неисправности fm все гипотетически возможные состояния системы S.
Отношения R(fm) вместе с множеством продукций P и D можно использовать для построения ЭС, способной диагностировать все гипотетически возможные состояния системы S. Таким образом, появляется принципиальная возможность создания ЭС коммерческого уровня, обеспечивающего высокое качество постановки диагноза.
5 ПРОЦЕСС ФОРМАЛИЗАЦИИ
Рассмотрим простой пример процесса построения формализованного описания концепций ПО «Диагностика КТ» на основе представления знаний эксперта в виде продукционных систем и бинарных отношений.
При поиске неисправностей в сети Token Ring используются блок-схемы, из которых можно извлечь следующие знания, общие для всех сетевых операционных систем (СОС) [14].
Задана диагностируемая система S - сеть Token Ring. Система S состоит из множества подсистем:
Sub = {Si, S2 },
где Si - сетевой файл-сервер, S2 - проблемные компьютеры.
У подсистемы S1 есть множество атрибутов
A1 = {a1 }
где a11 - источник проблемы.
У подсистемы S2 есть множество атрибутов
2
A2 = {a1}
где a21 - параметры и требования программно-аппаратной конфигурации.
У атрибута a11 есть множество значений
лЛ < 1 1 1 1
V1 = {v1, 1' »1, 2' »1, 3 }
11 где »1 1 - кольцевая станция, »12 - группа кольцевых
1
станций, »13 - сеть в целом.
У атрибута а^ есть множество значений
= { 1' 2' v1, 32, v1, 4' 5 }
где »1 1 - убедиться в том, что программы сетевой оболочки СОС, драйверы сетевых плат, config.sys, autoexec.bat и все необходимые файлы СОС отвечают
специализированной конфигурации соответствующей
1
СОС и иерархической структуре каталогов СОС; »12 -проверить, насколько структура каталогов СОС отвечает доступу кольцевой станции и всех соответствующих сетевых периферийных устройств; - проверить параметры системы обеспечения безопасности 1
СОС; v1 4 убедиться в том, что на сетевом диске и дисках кольцевых станций установлены все необходимые каталоги (файлы) для всех приложений СОС;
»2 5 - убедиться в том, что в файл-сервере (кольцевых станциях) установлена, правильно сконфигурирована и нормально функционирует вся необходимая аппаратура.
У подсистемы S2 есть множество неисправностей
F 2 = {f}
где f - проблемы с конфигурацией.
Диагноз системе S ставится с помощью множества продукций
P = U U {Pi, j: (S1' а1' v1, î)^(S2' а2' »2, j)},
i = 1 j = 1
отражающих промежуточные рассуждения при постановке диагноза и множества продукций
D =
{Dj. ( S 2' a2' v1 S 2' f2)},
U {Dj
j = 1
отражающих постановку окончательного диагноза. Граф продукций показан на рисунке 1.
Рисунок 2 - Граф доминирования состояний
Из той последовательности, в которой упоминаются
значения атрибута а1 в работе [14, с. 272-273], можно
предположить, что эксперт может упорядочить множе-1
ство У^ его значений по характерности для неисправности f в виде отношения
1 2 1 1 1 R ( а1' f 1 ) : »1 1 ^ »11 ^ v
1,3'
Аналогично, можно предположить, что
R (а2' f2)
1
"1' 2"
"1' 3"
а 4"
5-
Рисунок 1 - Граф продукций
Эти отношения индуцируют отношение К (/2), упо-
2
рядочивающее по характерности для неисправности /1 все гипотетически возможные состояния системы 5. Граф этого отношения показан на рис. 2.
На рис. 2 для простоты вместо значений атрибутов указан их порядок в отношениях характерности. На-12
пример, вместо (» 2, »1 3) указано просто (2, 3).
Покажем, как можно эффективно использовать бинарное отношение характерности К (/1).
С помощью продукций Р3 5 и 05 системе 5 можно 2
поставить диагноз /1, используя цепочку продукций
11 2 2 2 (51, а^, »1 3) ^ (52, а^ »1 5) ^ (S2, /1), которая относит
состояние (» 3, »2 5) системы 5 к классу Тогда и все состояния системы 5, более характерные для неисправности /1, тоже должны быть отнесены к этому же классу. Но все такие состояния описываются отношением К () .
Таким образом, с помощью всего 2-х продукций Р3,5
и 05 и 2 простых отношений К(а1, ) и К(а^ /2), ин-
2
дуцирующих отношение К (/1), можно ставить диагноз, для постановки которого ранее требовалось 20 продукций из множеств Р и О.
6 НАУЧНЫЕ И ПРАКТИЧЕСКИЕ РЕЗУЛЬТАТЫ
Основным недостатком ДЭС, основанных на представлении знаний в виде продукций, является невоз-
можность классификации всех гипотетически возможных состояний диагностируемого объекта. Точнее, классификация всех состояний требует такого количества продукций, которое сравнимо с количеством этих состояний. В приведенном выше примере для классификации 15 состояний потребовалось 20 продукций. Поэтому для сложного объекта диагностирования, который может находиться в миллионах различных состояний, представление знаний эксперта в виде продукций является неэффективным подходом по следующим основным причинам [7]:
- процесс вывода имеет низкую эффективность, так как при большом числе продукций значительная часть времени затрачивается на непроизводительную проверку условий применения правил;
- проверка непротиворечивости системы продукций становится весьма сложной из-за недетерминированности выбора выполняемой продукции из конфликтного множества.
Предлагаемый в данной работе подход, основанный на представлении «поверхностных» знаний эксперта в виде продукций и «глубинных» знаний - в виде бинарных отношений, обладает следующими преимуществами:
- характерное для рассматриваемой ПО «Диагностика КТ» представление знаний эксперта в виде продукций ;
- существенное уменьшение количества продукций, необходимых для классификации всех гипотетически возможных состояний объекта диагностирования, за счет использования бинарных отношений характерности (в рассмотренном выше примере для классификации 15 состояний потребовалось всего 2 продукции и 2 линейных отношения);
- возможность проверки полученной формальной системы представления знаний на непротиворечивость, используя методы, описанные в работах [15-18], для проверки непротиворечивости представления знаний в виде бинарных отношений.
7 СРАВНЕНИЕ С ЛУЧШИМИ АНАЛОГАМИ
Одним из эффективных методов построения ДЭС является метод КЛАСС [15, 16]. Основная идея этого метода состоит в предъявлении эксперту для классификации некоторых специальным образом выбранных состояний объекта диагностирования.
Существенным недостатком такого подхода является большая размерность вектора, описывающего состояние сложного объекта. По мнению большинства психологов [19], процессы принятия решений происходят в кратковременной памяти человека. Объем этой памяти ограничен примерно 7 элементами (7±2). Поэтому классификация состояний даже относительно простого объекта, описание которого содержит 10 атрибутов,
опытным экспертом может в результате оказаться ошибочной и противоречивой.
Предлагаемый в данной работе подход требует от эксперта умения работать одновременно или с двумя атрибутами (при формировании продукции), или с двумя значениями (при сравнении в процессе формирования отношения характерности). В этом и состоит его несомненное преимущество.
Методы ДИФКЛАСС, СТЕПКЛАСС и КЛАНШ [15], существенно более эффективные по числу обращений к эксперту, чем метод КЛАСС, отличаются друг от друга стратегией предъявления состояний эксперту, и тоже обладают описанным выше недостатком метода КЛАСС.
ВЫВОДЫ
Продукционные системы являются естественным формализмом для представлений знаний экспертов в ПО «Диагностика КТ». Однако на их основе нельзя построить работоспособную ДЭС, классифицирующую все возможные состояния объекта диагностирования.
Бинарные отношения, задающие характерность состояний объекта диагностирования для его возможных неисправностей, позволяют строить ДЭС, осуществляющих полную классификацию состояний. Однако методы, построенные на их основе, требуют умения классифицировать состояния, которые в ПО «Диагностика КТ» превосходят возможности даже очень опытных экспертов.
Предлагаемый в данной работе подход, основанный на комбинировании продукционных систем и бинарных отношений, позволит существенно упростить процесс создания ДЭС в ПО «Диагностика КТ».
Перспективным для дальнейших исследований является вопрос минимизации количества продукций, гарантирующих классификацию любого состояния, при заданных бинарных отношениях характерности.
ПЕРЕЧЕНЬ ССЫЛОК
1. Джексон П. Введение в экспертные системы. - М.: «Вильяме», 2001. - 624 с.
2. Люгер Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. - М.: «Вильямс», 2003. - 864 с.
3. Уотермен Д. Руководство по экспертным системам. -М.: Мир, 1989. - 388 с.
4. Кривуля Г. Ф., Липчанский А. М., Механна Сами, Зидат Хабис. Диагностика компьютерных сетей с использованием экспертных систем // Вестник ХГТУ. 2004. -№ 1(19) - С. 11-16.
5. Эзер Д. Шерлок Холмс на канальном уровне // Журнал сетевых решений/LAN. - 2005. - Март - С. 44-48.
6. Zhongmin Cai, Xiaohong Guan, Ping Shao, Qinke Peng, Guoji Sun A rough set theory based method for anomaly intrusion detection in computer network systems // Expert Systems. November - 2003. - Vol. 20, No. 5. -P. 251-259.
7. Бондарев В. H., Аде Ф. Г. Искусственный интеллект. -Севастополь: Изд-во СевНТУ, 2002. - 615 с.
8. Гаврилова Т. А, Хорошевский В. Ф. Базы знаний интеллектуальных систем. - СПб.: Питер, 2000. - 384 с.
9. Черноруцкий И. Г. Методы принятия решений. - СПб.: БХВ-Петербург, 2005. - 416 с.
10. Джонс М. Т. Программирование искусственного интеллекта в приложениях. - М.: ДМК Пресс, 2004. - 312 с.
11. Бакаев А. А., Гриценко В. И., Козлов Д. Н. Экспертные системы и логическое программирование. - Киев: Наук. думка, 1992. - 220 с.
12. Корнеев В. В., Гареев А. Ф., Васютин С. В., Райх В. В. Базы данных. Интеллектуальная обработка информации. - М.: «Нолидж», 2000. - 352 с.
13. Хаханов В. И. Техническая диагностика элементов и узлов персональных компьютеров. - К.: ИСМО, 1997. -308 с.
14. Нессер Д. Дж. Оптимизация и поиск неисправностей в сетях. К.: «Диалектика», 1996. - 384 с.
15. Ларичев О. И. Теория и методы принятия решений. -М.: Логос, 2002. - 392 с.
16. Ларичев О. И., Мечитов А. И., Мошкович Е. М, Фу-ремс Е. М. Выявление экспертных знаний (процедуры и реализации). - М.: Наука, 1989. - 128 с.
17. Ларичев О. И., Мошкович Е. М. Качественные методы принятия решений. Вербальный анализ решений. - М.: Наука. Физматлит, 1996. - 208 с.
18. Розен В. В. Цель - оптимальность - решение (математические модели принятия оптимальных решений). -М.: Радио и связь, 1982. - 168 с.
19. Солсо Р. Когнитивная психология. - СПб.: Питер, 2002. -592 с.
Надшшла 23.03.06
Розглядаються проблеми створення експертних систем для д1агностики статв комп'ютерноЧ техтки. Для формал1зацп експертних знань пропонуеться використан-ня комбтацп продукцшних систем i 6i нарних в1дносин. Ефективтсть запропонованого тдходу показана на при-кладi дiагностики локальноi комп'ютерноЧ мережi.
The problems of expert systems making for diagnosis of e»ery possible states of computer equipment are considered. In order to formalize knowledge of experts, using of production systems in combination with binary relations is proposed. The efficiency of suggested approach is shown on example of local computer network diagnosis.
