CC BY
8
Математическая модель управления надежностью системы интеллектуального видеонаблюдения на охраняемых объектах уголовно-исполнительной системы
Е.Г. Царъкова
Федеральное казенное учреждение «Научно-исследовательский институт Федеральной службы исполнения наказаний», НИЦ-1, Москва
Аннотация: В работе рассматривается модель управления надежностью системы интеллектуального видеонаблюдения охраняемого объекта. Для построения модели работы системы охранного телевидения с модулями видеоаналитики использована схема многофазной системы массового обслуживания. Описан процесс построения компьютерной модели для оценки показателей качества обработки поступающей в систему информации. Приведенная компьютерная модель обеспечивает возможность оценки надежности рассматриваемой системы в широком диапазоне параметров и может быть использована при проектировании, эксплуатации и модернизации систем интеллектуального видеонаблюдения для повышения их надежности и обеспечения возможности принятия эффективных управленческих решений.
Ключевые слова: интеллектуальное видеонаблюдение, комплексная безопасность, надёжность, многофазная система массового обслуживания, охраняемые объекты уголовно-исполнительной системы.
Использование современных систем охранного телевидения с модулями видеоаналитики в составе комплексной системы безопасности охраняемых объектов уголовно-исполнительной системы (УИС) приводит к необходимости детальной проработки вопросов их эффективности как на этапе проектирования системы, так и при выработке предложений по ее модернизации. Охраняемые объекты УИС, в особенности характеризующиеся значительным скоплением объектов видеонаблюдения, требуют создания надежных систем безопасности, способных обрабатывать большие потоки разнообразной информации, поступающих от технических средств охраны [1, 2]. Использование методов искусственного интеллекта в системе охранного телевидения, с одной стороны, снижает нагрузку на человека-оператора, а с другой стороны, увеличивает нагрузку на программно-аппаратные модули системы, требуя для оперативной обработки данных дополнительных ресурсов [3]. При этом на охраняемой территории с
большим количеством объектов видеонаблюдения в силу естественных ограничений, связанных с работой оператора либо характеристиками модулей видеоаналитики, часть информации может быть не обработана и, как следствие, утрачена возможность своевременного формирования тревожного сигнала. Данный фактор становится критическим в условиях чрезвычайных ситуаций на территории учреждений, когда оперативность принятия решений является важнейшим условием ликвидации инцидентов безопасности и предотвращения реализации криминогенных угроз. В связи с этим задача по разработке математической модели работы системы охранного телевидения (СОТ) учреждения, позволяющей оценивать работоспособность системы обработки информации при различных параметрах, является актуальной и практически значимой [4, 5]. Расчет показателей надежности СОТ на основе такой модели позволит уже на этапе проектирования с учетом характеристик охраняемого объекта, оперативной обстановки, параметров используемых технических средств, а также имеющихся ресурсов осуществлять решение задачи оптимизации надежности системы интеллектуальной видеоаналитики для выработки эффективных решений [6].
Работа системы охранного телевидения с возможностью интеллектуального видеоанализа может быть представлена в виде замкнутой системы массового обслуживания (СМО), где входным потоком служит совокупность событий, поступающих от объектов наблюдения, а каналами являются операторы, либо программно-аппаратные модули видеоаналитики в составе СОТ [7, 8]. Часть заявок при попадании в систему в силу различных факторов отклоняется, часть уходит из системы, находясь в очереди на обработку, потеря отдельных заявок происходит на этапе их обработки в каналах обслуживания. С учетом замкнутости системы полагаем, что имеет место ограниченный поток заявок, при этом для покинувших систему заявок
и
сохраняется возможность их повторного возвращения в СМО. Схема работы СМО, моделирующей работу СОТ учреждения, приведена на рис. 1.
Рис. 1. - Схема работы СМО
Для системы интеллектуального видеонаблюдения характерно, что обработка заявки осуществляется в ходе ее прохождения через ряд фаз. Например, при распознавании автомобильного номера транспортного средства, въезжающего на территорию учреждения, либо перемещающегося в зоне видеонаблюдения, последовательность таких фаз включает видеофиксацию автомобиля, распознавание номера, проверку номера по базе данных. Функции видеоаналитики при биометрической идентификации по лицу человека включает распознавание факта его появления в зоне наблюдения, выделение набора ключевых точек лица (дескриптора), выполнение запроса к базе данных лиц для анализа принадлежности объекта наблюдения к числу сотрудников либо спецконтингента и т.д.
Таким образом, для моделирования системы интеллектуального видеонаблюдения учреждения может быть применена схема трехфазной СМО, приведенная на рис. 2.
и
Рис. 2. - Схема обработки данных в СОТ учреждения
Работа рассматриваемой системы характеризуется нахождением любой из трех фаз в каждый момент времени в одном из следующих состояний: «фаза находится в свободном состоянии» (вводим для обозначения состояния символ 0), «фаза занята» (для обозначения состояния используется символ 1), «фаза находится в заблокированном состоянии» (состояние обозначим символом Ь) [3]. Пусть состояние первой фазы обозначается через /, состояние второй фазы обозначим через у, состояние третьей фазы обозначим через к. Все возможные состояния рассматриваемой СМО могут быть описаны следующим образом:
^ у " [ (1,1,0), (Ь, 1,0), (1, Ь, 1), (Ь, Ь, 1), (Ь, 1,1), (0, Ь,1) У' Полагаем, что входной поток поступающих заявок (требований) является простейшим (пуассоновским), а длительности обслуживания заявок во всех фазах распределены по экспоненциальному закону. Пусть рт (/) -
вероятность перехода СМО в момент времени ? в состояние (/, у, к). Для
описания динамики процесса работы системы используем систему дифференциальных уравнений Колмогорова для марковского процесса с непрерывным временем и дискретным набором состояний следующего вида:
¿Р000(1)
Жг
= -Лр000^) + ЯР001(г) ,
Фию(* )
ж
— Ар000
(2)
и
) = Ирш (г) - (Л + я) р010 (Г) + (Г) :
йг
°'Р 001 (/ ) = ^010 (г ) - (Л + я) Р001(г) + ЯР 0Ь1(г)
Ф101(г )
йг
йР 011 (г )
= ЛР001(г) - 2ЯР101(г) + ЯРи0(г) + Яи1(г),
= ^.Р101(г) -(Л + 2 я) Р011(г) + яРъю (г) + (г) = ^^ = ЛРш(г) - 3яРш(г) ,
йР110(г )
йг
= ЛР010(г) + ЯР111(г) - 2ЯР110(г) ,
йг
(Л
= ЯР110 (г) - ЯРь 10 (г) + ЯРь 11(г)
йРъю(г )
йг
йР1Ъ1() = ЛРш(г) - 2яр1Ь 1(г) + ЛРоь 1(г),
йг
(Л
= ЯР1Ъ1(г) - ЯРъъ1(г) + ЯРъи (г):
йРъъ1(г )
йг
йРъ11(г )
йг
йР0ъ1(г )
= ЯР111(г) - 2ЯРъ11(г)■.
—^ = яР0П(г)-(Л + я)Р0ъ1(г),г е [0,Т] Здесь Л - интенсивность поступления заявок, я - интенсивность обслуживания заявки в фазах, [0,Т ] - рассматриваемый временной интервал. Построим компьютерную модель данной СМО. Вводим на отрезке [0,Т] равномерную сетку с шагом Аг = ^: [г, = Аг • ¡,0 < I < q}. Обозначим (г1) = Р1]к,
I = 0, ц. Для аппроксимации введенных в (2) производных используем
1+1
формулы Эйлера 1-го порядка точности: рк(г,)«-, I = 0,ц-1
Аг
Полагаем р1ж = 1 и Р°к = 0 при г,к ф 0. На рис. 3 приведены графики зависимости вероятностей состояний системы от времени ? при следующих
значениях параметров: А = 0.67, ¡и = 0,7, T = 30. Расчет проведен в программном продукте, разработанном автором в IDE Lazarus.
pijk(t)
Рис. 3. - Графики р к (г) с постоянной дисциплиной заявок
Вычисленные значения финальных (стационарных) вероятностей равны: р000 = Рооо(т) = 0,102, рр00 = р100(Г) = 0,201, р(т = р010(Т) = 0,145, рш = р101(Г) = 0,107, Рои = Рои(Т) = 0,084, Рт = рт(Т) = 0,027, рю = рш(Т) = 0,102083, Рш = рш(Т) = 0,096, Ръ 1 = ри 1(Т) = 0,034, р 11 = рь 11(Т) = 0,013, Р0Ь1 = рм1(Т) = 0,043. Полученная модель позволяет оценить вероятность нахождения системы в различных состояниях в широком диапазоне параметров, а также обеспечивает возможность решения задачи оптимизации показателей качества обслуживания заявок в системе интеллектуального видеонаблюдения, в том числе, за счет использования резервных каналов. Оптимизация работы СМО может быть осуществлена путем управления дисциплиной обслуживания заявок. В рассматриваемой модели увеличение интенсивности обслуживания заявок на отрезке [г0, \ ] до величины ¡л = 0,95 с последующим возвращением к исходному значению /л = 0,7 обеспечивает увеличение значения финальной вероятности р000 (все фазы свободны), на 10% (рис. 4).
РйНП
Рис. 4. - Графики рук (г) с динамической дисциплиной заявок
В силу того, что увеличение интенсивности обслуживания заявок, в том числе, исключение очередей, требует привлечения дополнительных ресурсов, оптимизация работы СОТ приводит к необходимости рассмотрения задачи нахождения стратегии управления, максимизирующей скорость обработки заявки при прохождении через систему с учетом затрат на используемые ресурсы [9, 10]. Решение оптимизационной задачи с использованием критерия «качество-затраты» является эффективным инструментом прогнозирования работы СОТ учреждения при различных условиях эксплуатации с целью повышения безопасности учреждений в пределах доступного финансирования. Для решения данной задачи может быть применен аппарат оптимального управления и нелинейного программирования с дальнейшим применением численных методов оптимизации.
Литература
1. Акользин Д.Н. Обзор методов повышения производительности программного обеспечения диспетчерского центра // Инженерный вестник
Дона,
2021,
№5.
URL:
ivdon.ru/uploads/article/pdf/IVD_86_Akolzin.pdf_2394.pdf.
2. Сумин В.И., Чураков Д.Ю., Царькова Е.Г. Разработка моделей и алгоритмов информационных структур и процессов объектов особой важности // Промышленные АСУ и контроллеры, 2019, № 4. С. 30-39.
3. Могилин К.А., Селищев В.А. Интеллектуальные системы видеонаблюдения в комплексах безопасности // Известия ТулГУ. Технические науки, 2020, №3. С. 89-94.
4. Кручинин А.Ю. Эффективность видеомониторинга промышленных объектов на основе глубоких нейронных сетей // Научно-практические исследования, 2020, № 8-6(31). С. 19-22.
5. Омельченко В.В. Информационное обеспечение системы государственного управления национальными ресурсами: риск-ориентированный подход // Правовая информатика, 2019, № 1. С. 4-17.
6. Tsarkova E., Belyaev A., Lagutin Y., Matveev Y. Technical Diagnostics of Equipment Using Data Mining Technologies // Safety in Aviation and Space Technologies: Select Proceedings of the 9th World Congress «Aviation in the XXI Century». Cham: Springer, 2022. Pp. 345-356.
URL: link.springer.com/chapter/10.1007/978-3-030-85057-9_30.
7. Игнатьева О.В. Архитектурные приемы при разработке программного обеспечения, зависимого от интерфейса пользователя // Инженерный вестник Дона, 2022, №2. URL: ivdon.ru/ru/magazine/archive/n2y2022/7478.
8. Вентцель Е.С. Исследование операций. М.: Советское радио, 1972.
9. Dushkin A.V., Kasatkina T.I., Novoseltsev V.I., Ivanov S.V. An improved method for predicting the evolution of the characteristic parameters of an
55 с.
information system // Journal of Physics: Conference Series, Vol. 973, No 1, 2018. P. 012031. URL: iopscience.iop.org/article/10.1088/1742-6596/973/1/012031/pdf.
10. Dubrovin A.S., Ogorodnikova O.V., Tsarkova E.G., Andreeva E.A., Kulikova T.N. Analysis and visualization in graph database management systems // Journal of Physics: Conference Series: Current Problems. Voronezh, V.1902, № 1, 2021. P. 012059. URL: iopscience.iop.org/article/10.1088/1742-6596/1902/1/012059.
References
1. Akol'zin D.N. Inzhenernyj vestnik Dona, 2021, №5. URL: ivdon.ru/uploads/article/pdf/IVD_86_Akolzin.pdf_2394.pdf.
2. Sumin V.I., CHurakov D.YU., Car'kova E.G. Promyshlennye ASU i kontrollery, 2019, № 4. pp. 30-39.
3. Mogilin K.A., Selishchev V.A. Izvestiya TulGU. Tekhnicheskie nauki, 2020, №3. Pp. 89-94.
4. Kruchinin A.YU. Nauchno-prakticheskie issledovaniya, 2020, № 8-6. pp. 19-22.
5. Omel'chenko V.V. Pravovaya informatika, 2019, № 1. pp. 4-17.
6. Tsarkova E., Belyaev A., Lagutin Y., Matveev Y. Safety in Aviation and Space Technologies: Select Proceedings of the 9th World Congress «Aviation in the XXI Century». Cham: Springer, 2022. pp. 345-356.
URL: link.springer.com/chapter/10.1007/978-3-030-85057-9_30.
7. Ignat'eva O.V. Inzhenernyj vestnik Dona, 2022, №2.URL: ivdon.ru/ru/magazine/archive/n2y2022/7478.
8. Ventcel' E.S. Issledovanie operacij [Operations research]. M.: Sovetskoe radio, 1972. 55 p.
9. Dushkin A.V., Kasatkina T.I., Novoseltsev V.I., Ivanov S.V. Journal of Physics: Conference Series. 2018, P. 012031.
URL: iopscience.iop.org/article/10.1088/1742-6596/973/1/012031/pdf
10. Dubrovin A.S., Ogorodnikova O.V., Tsarkova E.G., Andreeva E.A., Kulikova T.N. Journal of Physics: Conference Series: Current Problems. Voronezh, V.1902, No 1, 2021. P. 012059.URL: iopscience.iop.org/article/10.1088/1742-6596/1902/1/012059.
