CC BY
63
ЛИТЕРАТУРА
1. Финогеев, А.Г. Метод управления конкурентоспособностью предприятий на основе математического моделирования процесса бенчмаркинга / А.А. Березин, А.Г. Финогеев // Труды Международного симпозиума Надежность и качество. - 2016. - №2. - С. 207-211.
2. Новые методы работы с большими данными: победные стратегии управления в бизнес-аналитике: Научно-практический сборник / А. В. Шмид и др., М.: ПАЛЬМИР, 2016. - 528с.
3. Котякова В.А. Организация мониторинга в комплексной системе оценки состояния технически сложных объектов // Труды Международного симпозиума Надежность и качество. - 2015. - №1. - С. 134-137.
4. Финогеев А.А., Финогеев А.Г., Нефедова И.С. Распределенная обработка данных в беспроводных сенсорных сетях на основе мультиагентного подхода и туманных вычислений // Труды Международного симпозиума Надежность и качество. - 2016. - №2. - С. 258-260.
5. А.К.Гришко, А.В.Лысенко, И.И.Кочегаров Логико-математические принципы мультиагентного управления интеллектуальными мобильными объектами и системами в динамической среде // Надежность и качество сложных систем. - 2017. - № 4 (20). - С. 35-41. DOI 10.21685/2307-4205-2017-4-5.
6. Клемашев Н.И., Комаров И.В., Позин Б.А. Определение потенциала продаж розничных магазинов с использованием информации о других магазинах и гео-данных / Аналитика и управление данными в областях с интенсивным использованием данных // Сборник трудов XVIII Международной конференции RCDL'2016. - М.: ФИЦ ИУ РАН. - 2016. - С 234-243.
7. Бершадский А.М., Березин А.А., Финогеев А.Г. Информационное обеспечение инструментальных средств принятия решений по управлению конкурентоспособностью // Russian journal of management М.: Издательский Центр РИОР. - 2017. - т. 5. - В 3. - с. 490-493.
8. Парыгин Д.С., Ольшевский Р.В., Финогеев А.Г. Метод регистрации событий в сложных территори-ально-распределенных городских системах // Известия Волгоградского государственного технического университета : серия Актуальные проблемы управления, вычислительной техники и информатики в технических системах / Волгоград: ИУНЛ ВолгГТУ, 2016. - № 11 (190). - С. 55-60. - URL: https://elibrary.ru/download/elibrary_27 67 4 553_857 8 6111.pdf
9. Phillips S. J. Acceleration of k-means and related clustering algorithms //Workshop on Algorithm Engineering and Experimentation. - Springer Berlin Heidelberg, 2002. - С. 166-177, Elkan C. Using the triangle inequality to accelerate k-means //ICML. - 2003. - Т . 3. - С . 147-153
10. Финогеев А.Г. Моделирование исследование системно-синергетических процессов в информационных средах: Монография, Пенза: Изд-во ПГУ, 2004, 223 с.
11. Дубров А.М. Мхитарян В. С., Трошин Л. И. Многомерные статистические методы. - М.: Финансы и статистика. - 2003. - 345c.
УДК 004.6:311.2:311.213
Финогеев1 А.Г., Финогеев1 А.А, Ляпин1 А.М., Парыгин2 Д.С., Голубев2 А.В.
1ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
2ФГБОУ ВО «Волгоградский Государственный Технический университет», Волгоград, Россия КОНВЕРГЕНТНЫЙ ПОДХОД К МУЛЬТИАГЕНТНОЙ ОБРАБОТКЕ ДАННЫХ В ПРОЦЕССЕ МОНИТОРИНГА ДОРОЖНО-ТРАНСПОРТНОЙ ИНФРАСТРУКТУРЫ
В статье рассматриваются вопросы мониторинга дорожно-транспортной инфраструктуры на базе конвергентной модели распределенной обработки данных в сети фоторадарных комплексов для фиксации происшествий. Потоковая обработка и хранение данных выполняется на 3 уровнях: на пространственно-распределенных узлах сенсорной сети (модель туманных вычислений и хранения), в серверном кластере центра обработки данных (модель GRID вычислений и облачного хранения), на мобильных средствах связи (модель мобильных вычислений). В ходе распределенной обработки сенсорных данных решаются задачи интеллектуального анализа, оценки дорожной ситуации и прогнозирования для превентивного реагирования, оповещения и предупреждения участников дорожного движения. Система мониторинга является составной частью интеллектуальной среды «Smart Road», которая создается в рамках концепции Smart&Safe City. Для реализации конвергентного подхода предлагается мультиагентный способ обработки данных. Ключевые слова:
МОНИТОРИНГ, БОЛЬШИЕ СЕНСОРНЫЕ ДАННЫЕ, МУЛЬТИАГЕНТНАЯ ТЕХНОЛОГИЯ, SMART ROAD, КОНВЕРГЕНТНЫЙ ПОДХОД
Введение
Создание концепции интеллектуального и безопасного города (Smart&Safe City) [1] предполагает разработку и внедрение проектов интеллектуального производства (Smart Manufacturing) , интеллектуальных домов (Smart Houses), интеллектуального освещения (Smart Light), интеллектуального энергетики (Smart Energy), интеллектуальных транспортных систем (Intelligent Transportation System), интеллектуальной дороги (Smart Road) и т.д. Конечной целью разработки компонент и технологий Smart&Safe City должно стать обеспечение удобства и безопасности жизнедеятельности человека в урбанистической инфраструктуре и высокоэффективного производства в промышленной сфере. Основой Smart&Safe City является мультимодальная интеллектуальная среда (Smart Environment) [2] для обеспечения взаимодействия киберфизических устройств, облачных информационно-вычислительных ресурсов и мобильных систем связи для организации повсеместного доступа. Smart Environments определяются как инфраструктуры взаимодействующих киберфизических комплексов, при помощи которой искусственный интеллект решает задачи управления и принятия решений на данных об окружающей реальности с адаптацией к требованиям населения и внешним факторам. Все такие среды объединяет транспортная платформа сбора и обработки сенсорных данных на
базе сети Интернет вещей (Interet of Things -IoT). Платформа включает:
- сенсоры (датчики, измерительные устройства, устройства фото и видеофиксации).
- телекоммуникационные сети и мобильные системы связи.
- спутниковые навигационные системы.
Создание элементов интеллектуальной дорожно-
транспортной среды (Smart Road Environment) является важным направлением в концепции Smart&Safe City. Такая среда необходима для обеспечения взаимодействия интеллектуальных систем транспортного мониторинга, интеллектуальных транспортных систем (ИТС) и мобильных средств связи пользователей. Smart Road Environment включает встроенный интеллектуальный функционал в транспортные средства и объекты дорожно-транспортной инфраструктуры и интеллектуальную систему мониторинга и управления дорожным движением. Технологии ИТС являются основой для построения беспилотных автотранспортных средств.
Интеллектуальная среда базируется на инновационных технологиях мониторинга и управления транспортными потоками [3], обеспечивает взаимодействие, информативность и безопасность участникам дорожного движения. Исследования в данной области связаны с созданием систем наблю-
дения за движением транспорта, например, при помощи радиометок или встроенных комплексов мониторинга. Инновационные технологии включают потоковую обработку сенсорных данных (фотографий, видеопотоков, данных телеметрии, пользовательской информации), интеллектуальный анализ данных, машинное обучение, прогнозирование, муль-тиагентную обработку сенсорных данных [4], конвергенцию моделей облачных, туманных и мобильных вычислений [5]. Задачами интеллектуального мониторинга включают: мониторинг состояния дорожного покрытия, метеорологический мониторинг, мониторинг транспортных потоков, мониторинг нарушений правил дорожного движения.
Степень интеллектуализации элементов дорожно-транспортной среды различается по применяемым технологиям от простых систем транспортной навигации, регулирования светофоров, регулирования грузоперевозок, систем информационных табло, систем распознавания автомобильных номеров, регистрации дорожно-транспортных происшествий и инцидентов до интеллектуальных систем видеонаблюдения, управления парковками, принятия решений о регулировании транспортными потоками на основе различных данных. Цель согласованной работы всех элементов Smart Road Environment состоит в оказании влияния на поведение машин, водителей и пешеходов в плане оптимизации транспортных маршрутов и пассажиропотоков, повышения безопасности и предотвращения возможных нештатных и аварийных ситуаций. Smart Road Environment создается на базе сети комплексов фото- и видеофиксации дорожно-транспортных происшествий, систем видеонаблюдения, систем автомобильной информации и связи (Vehicle Information and Communication System — VICS), мобильных средств связи участников дорожного движения. Среда предназначена для сбора и обработки сенсорных данных в процессе мониторинга дорожно-транспортной инфраструктуры. Цель мониторинга - анализ, оценка и прогноз изменения дорожных ситуаций для оперативного принятия решений и управления поведением транспортных средств и участников дорожного движения, превентивного реагирования на возможные события и происшествия, оповещения полиции, МЧС, скорой помощи, ремонтных и других служб, оказания помощи участникам дорожного движений.
Основными элементами Smart Road Environment являются:
Интеллектуальная система мониторинга,
Система оповещения и предупреждений участников дорожного движения,
Система учета социальных реакций участников дорожного движения,
Интеллектуальные светофоры и сигнальные системы,
Камеры видеонаблюдения, комплексы фото- и видеофиксации дорожно-транспортных происшествий (ДТП),
Спутниковые системы транспортного мониторинга,
Парковки и зоны погрузки с элементами искусственного интеллекта,
Сенсорные системы для движения беспилотного транспорта,
Интеллектуальные транспортные системы автомобилей,
Системы электронной оплаты дорожных услуг и
т.п.
Сбор данных фоторадарными комплексами фото и видеj фиксации
Мониторинг объектов и происшествий в дорожно-транспортной инфраструктуре осуществляется на основе сбора и обработки сенсорных данных, которые получаются с наземных платформ, воздушных и космических средств наблюдения. Для Smart Road Environment в качестве основных узлов сбора, обработки и хранения сенсорных данных выступают фоторадарные комплексы фотофиксации и комплексы видеофиксации.
Комплексы фото и видео фиксации позволяют в автоматическом режиме фиксировать происшествия
на объектах дорожно-транспортной инфраструктуры, собирать и накапливать данные [6]. Множество комплексов и других средств контроля получают огромное количество данных, которое не может быть обработано человеком в реальном времени. Комплексы могут выделять и распознавать объекты на фотографиях и в видеопотоке, измерять скорости транспортных средств в зоне контроля, автоматически фиксировать и сохранять фотографии нарушителей, распознавать номерные знаки и события, собирать и передавать в центр обработки данных различную информацию. Однако сами комплексы не обладает возможностями интеллектуального анализа и прогнозирования дорожно-транспортной обстановки в автоматическом режиме.
Для сбора сенсорных данных с фоторадарных комплексов и передачи в центр обработки требуется создание гетерогенной транспортной среды. Тренд в области развития телекоммуникаций состоит в замене проводных систем связи беспроводными каналами для мониторинга пространственно-распределенных объектов на больших территориях. Беспроводная сеть необходима для информационного взаимодействия мобильных и стационарных элементов Smart Infrastructure [7]. Она включает сегмент сети Интернет вещей для информационного обмена между сенсорными компонентами, интеллектуальными транспортными системами, воздушными системами наблюдения, сегмент сети сотовой связи для обмена данными между пользователями, сегмент сети спутниковой навигационной системы. Беспроводная гетерогенная сеть реализуется посредством технологий беспроводных сенсорных сетей, сетей сотовой связи, WiFi сетей, спутниковых сетей. Например, уже есть проекты в плане использования технологий беспроводных сенсорных сетей для интеллектуального мониторинга транспортной инфраструктуры.
Конвергентная модель распределенной обработки данных
Современный подход к организации распределенных вычислений и хранения сенсорных данных основан на концепции конвергенции [8]. В данном случае процесс конвергенции относится к сетевым технологиям и моделям распределенных вычислений. Концепция определяет применение схожих моделей распределенной обработки данных в сенсорных, локальных и мобильных сетях на основе мультиагент-ного подхода. Термин конвергенция по отношению к сетевым технологиям означает процесс сближения телекоммуникационных технологий с появлением сходных характеристик у сетевого оборудования, каналов связи, сетевых стандартов и протоколов, процессов передачи данных. Например, технология мобильных облачных вычислений является результатом конвергенции облачных и мобильных информационно-вычислительных сервисов. Другим примером может служить конвергенция моделей облачных и туманных вычислений в беспроводной сенсорной сети [9], которую предлагается использовать для решения задач синтеза транспортной Smart Road платформы. Конвергенция существующих моделей распределенных вычислений и хранения (облачной, туманной, мобильной) используется для обработки сенсорных данных на пространственно-распределенных фоторадарных комплексах и мобильных средствах связи.
Первый уровень конвергентной платформы представляет собой модель туманных вычислений. Она обеспечивает сбор сенсорных данных посредством узлов сенсорной сети, измерительных приборов и приборов автоматики. Таким образом, модель представляет платформу для сбора, обработки данных и вычисления агрегированных показателей на оконечных сенсорных узлах с предоставлением удаленного доступа к ним. Платформа необходима для реализации мультиагентной обработки информации и консолидированного хранения результатов. Особенностью является использование компонент с ограниченными вычислительными и энергетическими ресурсами, как узлы сенсорных сетей, промышленные контроллеры, бытовая техника, измерительные
и управляющие устройства. Модель туманных вычислений является основой сети Интернет вещей [10].
Второй уровень платформы конвергентной обработки сенсорных данных реализуется на основе модели облачных вычислений. Облачные платформы сегодня применяются практически во всех областях деятельности [11]. Информация хранится в облачных хранилищах на серверах сети и временно кэ-шируется на клиентской стороне для аналитической обработки. Современной тенденцией является создание распределенных хранилищ для работы с большими данными. Модель облачных вычислений не означает простое распределение задач по вычислительным узлам серверного кластера. В основном - это модель предоставления повсеместного сетевого доступа к общему пулу конфигурируемых вычислительных ресурсов (сетям, серверам, устройствам хранения данных, приложениям и сервисам) в любой момент времени. Пользователь использует клиентское обеспечение в качестве средства доступа к сервисам, платформам и данным, а вся инфраструктура информационной системы находится на стороне провайдера облачных услуг.
Третий уровень конвергентной модели связан с обработкой данных на смартфонах и планшетах для представления результатов мониторинга пользователям, визуализации событий и поддержки принятия решений. Таким образом, модель мобильных вычислений реализуется в процессе удаленного доступа к результатам мониторинга и предназначена для решения задач генерации отчетов, обработки и визуализации данных на мобильных средствах связи пользователей.
Основные конвергентные процессы включают:
а) конвергенцию моделей облачных, туманных и мобильных вычислений,
б) интеграцию серверов, удаленных сенсорных узлов и мобильных систем связи в единой транспортной платформе,
в) интеграцию серверных приложений в вычислительном кластере с поддержкой технологий виртуализации и балансировки,
г) администрирование среды распределенной обработки,
д) комплексное обеспечение информационной безопасности в интеллектуальной среде.
Мультиагентная технология сбора и интеллектуального анализа данных
Процесс мониторинга дорожно-транспортной инфраструктуры включает технологии:
- обнаружения и идентификации транспорта на контролируемом участке;
- фотографирования и видеофиксации нарушений правил дорожного движения;
- обработки фото и видеоматериалов о событиях, ситуациях и инцидентах;
- сбора данных о параметрах транспортных потоков на контролируемых участках;
- передача в центр обработки данных по безопасным каналам связи;
- обнаружения транспортных средств по требованию и слежение за ними;
- накопления и обработки временных рядов событий и статистических данных об инцидентах за периоды времени для выявления и анализа зависимостей ситуаций и и происшествий от влияния различных факторов (метеоусловий, трафика, ремонтных работ, мероприятий, времени суток, сезонных факторов и т.п.);
- пространственного анализа инцидентов для выявления критических областей и «узких» мест в дорожно-транспортной инфраструктуре;
- визуализации события и на цифровой картографической основе;
- интеллектуального анализа данных об инцидентах с целью прогнозирования развития дорожно-транспортных ситуаций и принятия решений по повышению безопасности движения.
Работа системы реализуется с использованием конвергентного парадигмы в организации распределенных вычислений и мультиагентного подхода [12]. Мультиагентный подход предполагает использование программных агентов для решения задач
сбора, обработки и интеллектуального анализа сенсорных данных, для оповещения участников дорожного движения о текущей и прогнозируемой дорожно-транспортной ситуации в зонах локации через мобильные средства связи и навигационное оборудование. Агенты взаимодействуют с серверным кластером для обмена и накопления информации. Сбор и первичная обработка данных реализуется в слое туманных вычислений посредством агентов, загружаемых в сенсорные узлы. Агенты загружаются в сенсорные узлы, решают поставленные задачи и взаимодействуют с интеллектуальными брокерами, которые разрабатываются для накопления сенсорных данных, агрегации результатов анализа, защиты данных и передачи в облачное хранилище. К основным агентам относятся:
а) Агент создания и контроля очереди опрашиваемых устройств.
б) Агент синтеза потоков для асинхронного опроса устройств.
в) Агенты опроса датчиков устройства с использованием протокола SNMP в зонах их локации. Разрабатываются для устройств с общими принципами работы, например, для устройств компании Симикон типа "Кордон-Темп", "КрисП", "Паркон" и т.д.
г) Агенты ведения и анализа журналов событий на комплексах для выявления аномалий в их работе, сбоев и неисправностей.
д) Агенты выгрузки сенсорных данных с комплексов через использование GET запросов при обращении к фоторадарным комплексам через Web интерфейс. Данные выгружаются в виде XML файлов из следующих журналов: "проезда транспорта", "фиксируемых нарушений правил дорожного движения", " изменений телеметрических параметров комплексов" и т.п.
е) Агенты интеллектуального анализа, к которым относятся: агент кластеризации событий по заданным критериям с учетом геотеггирования, агент выявления аномалий во временных рядах данных, выгруженных из журналов (среди основным аномалий отметим превышение пороговых значений параметров устройств, периодические отклонения значений от нормативных, отклонение средних показателей транспортных потоков от аналогов за предшествующий период, снижения параметров фиксации нарушений, резкие изменения скорости транспортных потоков, отклонение числа инцидентов от аналогичных за предшествующий период и т.д.
ж) Агент очистки некорректных, пропущенных и дублирующихся данных.
з) Агент диагностики причин сбоев в работе комплексов [13] и прогноза работоспособного состояния комплекса на основе техники нечеткой импликации.
и) Агент синтеза нейронной сети с нечетким композиционным выводом для прогнозирования работы фоторадарных комплексов и изменения в дорожной обстановке.
к) Агент обучения нейронной сети на тестовой выборке.
л) Агент прогнозирования событий по построенной и обученной нейронной сети,
м) Агенты визуализации данных, к которым относятся агент вывода изменений параметров телеметрии устройства в виде графиков, агент вывода числа нарушений в контролируемых зонах в виде графиков, агент визуализации событий на цифровой картографической основе и т.д.
Заключение
В настоящее время в различных регионах Российской Федерации создаются системы дорожно-транспортного мониторинга на базе фоторадарных комплексов типа Кордон, Кордон Темп, камер видеонаблюдения и т.п. Комплексы фото и видео фиксации устанавливаются и применяются в рамках федеральной концепции «Безопасный город» для автоматической фиксации происшествий на объектах дорожно-транспортной инфраструктуры, сбора данных, накопления статистик. Множество комплексов
и других средств контроля получают огромное количество данных, которое не может быть обработано человеком в реальном времени. Сами комплексы не обладает возможностями интеллектуального и пространственного анализа данных, прогнозирования изменений в дорожно-транспортной обстановке, так как математического и программного инструментария для решения этих задач в данной предметной пока не разработано. Также отсутствуют готовые комплексные решения для поддержки принятия решений по оптимизации дорожно-транспортных ситуаций, минимизации числа дорожно-транспортных инцидентов, оптимизации транспортных потоков по результатам мониторинга, интеллектуального анализа и прогнозирования. Фоторадарные комплексы только автоматически фиксируют нарушения и передают в центр обработки данных для хранения и оповещения о них участников дорожного движения.
Для решения задач обработки и интеллектуального анализа выполнена постановка задачи синтеза системы мониторинга как компоненты интеллектуальной среды Smart Road для обработки сенсорных данных, накапливаемых в процессе контроля дорожно-транспортной инфраструктуры посредством пространственно-распределенных фоторадарных
комплексов. Результатом исследований является разработка мультиагентной системы для мониторинга дорожно-транспортной инфраструктуры и интеллектуального анализа сенсорных и телеметрических данных, получаемых с пространственно-распределенных фоторадарных комплексов фото- и видеофиксации дорожно-транспортных происшествий. Система мониторинга используется технологии обработки больших сенсорных данных, такие как модели и метода сбора данных с пространственно-распределенных фоторадарных комплексов через беспроводную гетерогенную среду, методы интеллектуального анализа больших данных, метод прогнозирования дорожно-транспортных происшествий,
а также сбоев и нарушений функционирования комплексов на базе технологии глубокого машинного обучения с применением аппарата нечетких множеств и многослойной нейронной сети и т.д.
Мультиагентная система является одним их основных элементов интеллектуальной среды «Умная Дорога» (Smart Road Envinronment), которая необходима для контроля и управления движением современных интеллектуальных транспортных систем (Intelligent Transportation Systems) и беспилотных транспортных средств. Технологии интеллектуальных сред, в том числе и технологии Smart Road, сегодня находятся на раннем этапе своего развития, что подтверждает необходимость и актуальность предлагаемых исследований. Smart Road Envinronment разрабатывается в рамках концепции «Умный и Безопасный Город» (Smart&Safe City). Результаты работы системы мониторинга необходимы для поддержки принятия решений при управлении транспортными потоками, поведением интеллектуальных транспортных средств, моделирования движения беспилотного транспорта [14] и т.д. Также результаты могут использоваться для оповещения участников дорожного движений, полиции, МЧС, скорой помощи, ремонтных и других служб в целях превентивного реагирования на возможные события и происшествия, снижения аварийных ситуаций и оказания экстренной помощи. Например, созданный прототип системы мониторинга и интеллектуального анализа позволил установить зависимость уровня происшествий, зафиксированных комплексами «Кордон-Темп» на трассе М-5 (Урал) на территории Пензенской области, от изменения температуры и количества осадков.
Благодарности
Результаты работы получены при финансовой поддержке РФФИ в рамках грантов № 18-07-00975, 16-07-00031, 17-37-50033
ЛИТЕРАТУРА
1. Batty, M. , Axhausen, K.W., Giannotti, F., et al. (2013) Smart cities of the future. URL: http://www.complexcity.info/files/2 013/0 8/BATTY-EPJST-2 012.pdf
2. «Умные» среды, «умные» системы, «умные» производства: серия докладов (зеленых книг) в рамках проекта «Промышленный и технологический форсайт Российской Федерации» / Коллектив авторов; Фонд «Центр стратегических разработок «Северо-Запад». — СПб., 2012. — Вып. 4. — 62 с.
3. Scott M. Kozel Roads to the Future Available at: http://www.roadstothefuture.com/main.html;
4. Финогеев А.А., Финогеев А.Г., Нефедова И.С. Распределенная обработка данных в беспроводных сенсорных сетях на основе мультиагентного подхода и туманных вычислений // Труды Международного симпозиума Надежность и качество. - 2016. - №2. - С. 258-260.
5. Finogeev, A.G., Parygin, D.S. & Finogeev, A.A. (2017) The convergence computing model for big sensor data mining and knowledge discovery. Human-centric Computing and Information Sciences. 7:11. D0I:10.1186/s13673-017-0092-7.
6. Finogeev A., Finogeev A., Shevchenko S. (2017) Monitoring of Road Transport Infrastructure for the Intelligent Environment «Smart Road». In: Kravets A., Shcherbakov M., Kultsova M., Groumpos P. (eds) Creativity in Intelligent Technologies and Data Science. CIT&DS 2017. Communications in Computer and Information Science, vol 754. Springer, Cham
7. Alberto Bielsa Smart Roads - Wireless Sensor Networks for Smart Infrastructures: A Billion Dollar Business Opportunity. 2013. http://www.libelium.com/smart_roads_wsn_smart_infrastructures/
8. Bainbridge W. (eds). Converging Technologies for Improving Human Performance: Nanotechnology, Biotechnology, Information Technology and Cognitive Science. Arlington , 2004
9. Finogeev, A.G., Parygin, D.S., Finogeev A.A., et al. (2017) A convergent model for distributed processing of Big Sensor Data in urban engineering networks. Journal of Physics: Conference Series: In Proceedings of the International Conference on Information Technologies in Business and Industry. 803: 1-6.
10. F. Bonomi, R. Milito, J. Zhu, and S. Addepalli, "Fog computing and its role in the internet of things," in Proceedings of the First Edition of the MCC Workshop on Mobile Cloud Computing, ser. MCC'12. ACM, 2012, pp. 13-16
11. M. Armbrust, A. Fox, R. Griffith, A. D. Joseph, R. Katz, A. Konwinski, G. Lee, D. Patterson, A. Rabkin, I. Stoica, and M. Zaharia, "A view of cloud computing," Commun. ACM, vol. 53, no. 4, pp. 50-58, Apr 2010
12. А.К.Гришко,А.В.Лысенко, И.И.Кочегаров Логико-математические принципы мультиагентного управления интеллектуальными мобильными объектами и системами в динамической среде // Надежность и качество сложных систем. - 2017. - № 4 (20). - С. 35-41. D0I 10.21685/2307-4205-2017-4-5.
13. Журков А. П., Аминев Д. А., Кулыгин В. Н. Модель надежности распределенной радиотехнической системы наблюдения минимальной конфигурации // В кн. Труды Международного симпозиума «Надежность и качество»: в 2 т. Т. 1. Пенза: ПГУ, 2016. С. 120-122
14. Полтавский А.В., Буц В.П., Юрков Н.К. Информационное моделирование в задачах поиска управления подвижным объектом // Надежность и качество сложных систем. -2017. - № 4 (20). - С. 56-63.
