CC BY
15
ANALYSIS OF THE INFL UENCE OF THE PROPERTIES OF VARIOUS ALLOYS ON THE OPERATION OF
METAL BUILDING STRUCTURES
M.A. Sinelubov
Metal structures are widely used in construction due to their strength, durability and the ability to build and operate under different external conditions. In the production of metal structures, various metals are used, each of which has its own characteristics and advantages. The article analyzes the properties of various metals used in the production of metal building structures. The paper discusses the features of the use of aluminum, steel, and also compares their applicability depending on the operating conditions of the structure. The results of computer simulation in specialized software for applying loads on beams from different steel grades are also presented in order to identify how the material affects the load-bearing capacity of the structure. A diagram with the values of maximum allowable loads for each of the considered materials is given, and the main results of this study are also described. In conclusion, conclusions are drawn on the goals and objectives of this article.
Key words: analysis, modeling, metal structure, material, load, steel, research.
Sinelubov Maxim Alekseevich, student, rrr234ttt45@yandex.ru, Russia, Tula, Tula State University,
Scientific advisor: Telichko Viktor Grigorievich, candidate of technical science, docent, Russia, Tula, Tula State University
УДК 004.61
DOI: 10.24412/2071-6168-2023-5-171-172
МЕТОДИКА ИДЕНТИФИКАЦИИ ЭЛЕМЕНТОВ ДИНАМИЧНО ИЗМЕНЯЮЩИХСЯ
ОБЪЕКТОВ
А.А. Бобовкин, Е.В. Вершенник, П.Ю. Стародубцев
Разработанная методика позволяет идентифицировать элементы динамически изменяющихся систем в условиях различной степени пересечения эталонных описаний. Она применима для ситуаций, в которых количество реализаций, отнесенных к одному эталону ограничено и счетно. Реализованный в методике подход позволяет определить временной период ложного (ошибочного) соотнесения реализации с «чужим» эталоном. Методика позволяет сравнивать между собой различные вариант активизации элементов динамически изменяющихся систем на примере идентификации-телекоммуникационных систем.
Ключевые слова: идентификация элементов, эталоны и реализации, инфо-телекоммуникационные системы.
Для обеспечения устойчивого функционирования динамично изменяющихся объектов, необходимо осуществлять контроль за состоянием их элементов, а именно за значениями показателей качества функционирования.
Возникает вопрос: как же выявить эти элементы? Для уяснения авторской позиции введем следующие рабочие определения.
В общем случае: Идентификация - установление тождественности неизвестного объекта (состояния объекта), известному на основании установленного уровня совпадения признаков.
В частном случае: Идентификация - процедура распознавания субъекта по его идентификатору. В процессе регистрации субъект предъявляет свой идентификатор системе, которая проверяет его наличие
в своей базе данных [1].
Необходимо отметить, что большинство объектов характеризуются различной степенью динамики. В дальнейшем методика описывается применительно к наиболее высоко-динамичному развивающемуся объекту - информационно-телекоммуникационной системе (ИТКС).
Разработка методики осуществляется на основе результатов анализа классических методов теории распознавания образов, путем учета факторов, характерных для высоко динамичных объектов.
С учетом малого и постоянно сокращающегося времени неизменного состояния ИТКС разработка методики идентификации динамично изменяющихся объектов является актуальной.
1. Анализ применимости традиционных методов теории распознавания образов.
Анализ методов теории распознавания образов, позволяющих осуществлять идентификацию элементов сложных систем и их состояний, разработанных за период с 20-х годов прошлого столетия по 20-е года XXI века показал, что авторы (Ю.Л. Барабаш [2], В.И. Васильев [3], А.Л. Горелик,
В.А. Скрипкин [4], Р. Дуда, П. Харт [5], Л.Т. Кузин [6], Ф.И. Перегудов, Ф.П. Тарасенко [7], Ф.Е. Темников [8], Дж. Ту, Р. Гонсалес [9], П. Уинстон [10], К. Фу [11], Я.З. Цыпкин [12] и др.) предлагают различную классификацию методов распознавания.
Краткая характеристика основных методов распознавания образов представлена в табл. 1
[13].
Краткая характеристика основных методов распознавания образов
Таблица 1
Метод распознавания образов Область применения Недостатки
Интенсианальные методы распознавания Методы, основанныена оценках плотностей распределения значений признаков (или сходства и различия объектов) Задачи с известнымраспределением, как правило, нормальным,необхо-димость наборабольшой статистики Необходимость перебора всей обучающей выборки при распознавании, высокая чувствительность к обучающей выборкии
Методы, основанныена предположениях о классе решающихфункций Классы должны бытьхорошо разделяемыми, система признаков -ортонормированной Должен быть заранее известен вид решающей функции. Невозможность учета новых знаний о корреляции между признаками
Логические методы Задачи небольшой размерности пространствапризнаков При отборе логических решающих правил (конъюнкций) необходим полный перебор. Высокая вычисли-тельная трудоемкость
Логические (структурные) методы Задачи небольшой размерности пространствапризнаков Задача восстановления (определения) грамматики по некоторому множеству высказываний (описаний объектов), является трудно формализуемой.Нере-шенность теоретических проблем
Экстенсианальные методы распознавания Метод сравнения с прототипом Задачи небольшой размерности пространствапризнаков Высокая зависимость результатовклас-сификации от меры расстояния (метрики). Неизвестность оптимальной метрики
Метод k - ближайших соседей Задачи небольшой размерности по количеству классов и признаков Высокая зависимость результатов классификации от меры расстояния (метрики). Необходимость полного перебора обучающей выборки прираспознавании. Вычислительная трудоемкость
Алгоритмы вычисления оценок (голосования) АВО Задачи небольшой размерности по количеству классов и признаков Зависимость результатов классификации от меры расстояния (метрики). Необходимость полного перебора обучающей выборки при распознавании. Высокая техническая сложность метода
Коллективы решающих правил (КРП) Задачи небольшой размерности по количеству классов и признаков Очень высокая техническая сложность метода, нерешенность ряда теоретических проблем, как при определении областей компетенции частных методов, так и в самих частных методах
Одним из основных подходов к распознаванию образов в 20-х - 30-х годах являлся статистический подход, основанный на идее, что исходное пространство объектов представляет собой вероятностное пространство, а признаки (характеристики) объектов - случайные величины, заданные на нем. Наиболее часто применяемыми статистическими алгоритмами, являются алгоритмы типа линейного дискриминанта Фишера [14, 15], парзеновского окна [16], ЕМ-алгоритма [17], метода ближайших соседей [18],байесовских сетей доверия [19] и др. Большинство из них имеют сильно выраженный эвристический характер и могут иметь интерпретации, отличные от статистических [20].
Еще одним из подходов к распознаванию образов является использование алгоритмов, основанных на нейронных сетях, частным случаем которого является персептрон.
Схема работы персептрона Ф.Розенблатта [21] в графической форме представлена на
рис. 1.
В общем представлении на входе персептрон получает вектор объекта X = (Хх, Х2,..., Хп )Т
. Каждый из признаков подается на вход нейрона, действие которого на значение Х1 представляет собой умножение на некоторый вес нейрона . Результаты подаются на последний нейрон, который их складывает и общую сумму сравнивает с некоторым порогом w0. В зависимости от результатов сравнения входной объект X признается нужным образом либо нет. Задача обучения распознаванию образов состояла в таком подборе весов нейронов Wi и значения порога W0 , чтобы персептрон давал на прецедентных зрительных образах правильные ответы. Этот подход оказался успешным в ряде задач распознавания и породил собой целое направление исследований алгоритмов обучения, основанных на нейронных сетях, частным случаем которых и является персептрон.
Рис. 1. Персептрон Розенблатта
В последующем были разработаны различные обобщения персептрона, функция нейронов была усложнена: нейроны теперь могли не только умножатьвходные числа или складывать их и сравнивать результат с порогами, но применять по отношению к ним более сложные нелинейные функции [22, 23].
Усложнения приводили к увеличению числа настраиваемых параметров при обучении. Исследования в этой области сейчас идут по двум тесно связанным направлениям: изучаются и различные топологии сетей, и различные методы настроек [24, 25].
Параллельно развивались такие методы распознавания образов как методы логических правил и деревьев решений [26]. В сравнении с вышеупомянутыми методами распознавания, эти методы наиболее активно используют идею выражения знаний о предметной области в виде логических правил. Для поиска логических правил необходимы две вещи: определить меру "информативности" правила и пространство правил. Таким образом задача поиска правил превращается в задачу полного либо частичного перебора в пространстве правил с целью нахождения наиболее информативных из них.
В конце 60-х - начале 70-х годов В.Н.Вапником и А.Я.Червоненкисом [27] была разработана статистическая теория распознавания, которая стала основным инструментом в обосновании методов распознавания. Под обоснованием метода распознавания будем считать некоторый набор количественных критериев, удовлетворение которых обеспечивает с разумной вероятностью хорошую обобщающую способность алгоритма.
В данной теории предполагается следующая модель обучения. Пусть существует фиксированное множество функций
F с{ f: Objects ^ C}, (1)
Здесь Objects - множество классифицируемых объектов, f - функция принадлежности объекта к некоторому фиксированному классу, C = {0,1}. Обучающая выборка состоит из элементов, которые последовательно и независимо выбираются из множества Objects х C согласно некоторому неизвестному распределению. При предъявлении обучающей выборки Xs = {(, yi) выбирается некоторая функция f е F, которая является результирующим классификатором. На основе теории Вапника-Червоненкиса (VC) можно проводить оценку вероятности того факта, что ошибка при контроле значительно превысит ошибку при обучении:
P (v(E (Xs), Xm )>к( E (Xs), Xs ) + е), (2)
где Xm - контрольная выборка, которая выбирается независимо. Представленная оценка может применяться для любого распределения на Objects х C (т. е. оценка в худшем случае).
VC - размерность - это максимальное число d такое, что найдется набор из d классифицируемых объектов, который может быть классифицирован функциями из F всеми 2d способами. Конечная VC - размерность обеспечивает асимптотически малую разницу между ошибками при обучении и контроле. Для параметрических моделей обучения, как правило, VC - размерность соизмерима с числом параметров, необходимых для настройки модели [28].
173
Однако теория Вапника и Червоненкиса, несмотря на то, что асимптотически предоставляла неплохое толкование многих методов распознавания, давала очень большие оценки необходимых длин обучающих выборок, в то время какна практике эффективные результаты наблюдались при наличии сотен объектов, например, в случае алгоритма поиска линейной разделяющей гиперплоскости [29, 30].
Существуют также подходы на основе композиции методов распознавания. Например, алгебраический подход Ю.И.Журавлева [31]. Математический формализм, возникающий при анализе подобных методов, весьма сложен. Одним из основных вопросов, на который отвечает теория композиций алгоритмов, является нахождение условий, при которых соответствующие модели смогут обеспечить полное удовлетворение ограничений обучающей выборки (условия разрешимости). На этой идее основывается весьма глубокая теория локальных и универсальных ограничений, выдвинутая К.В.Рудаковым [32].
В связи с новыми прикладными задачами распознавания образов, возникающими в физике, биологии, медицине, технике и экономике, в последние годы активно развиваются динамические методы Монте-Карло (в англоязычной литературе также распространен термин Markov Chain Monte Carlo - MCMC), байесовские подходы и методы стохастической оптимизации [33].
Задача распознавания образов может быть также решена при помощи методов кластерного анализа. В процессе классификации обнаруживаются признаки, которые характеризуют группы объектов исследуемого набора данных - классы. По этим признакам каждый объект можно отнести к тому или иному классу. Результатом кластеризации является разбиение объектов на группы в условиях, когда классы заранее не определены. Полученное разбиение естественным образом характеризует структуру множества данныхи может быть использовано в дальнейшем для ее определения.
Различные подходы, применяющиеся в решении задач кластеризации данных, представлены в работах (Дж. Мак-Кин [34], Г. Болл, Д. Холл [35], Дж. Хартиган [36], Дж.Дун [37], Дж.Бездек [38, 39], Ф.Хопнер и Ф.Клавон [40], Н.Джардайн [41], Э.Уильям [42], Г.Ланс и В.Уильямс [43], Э.М.Браверман, И.Б.Мучник [44], Ю.И.Журавлев [45], И.И.Елисеева [46], Н.Г.Загоруйко, В.Н.Елкина и Г.С.Лбов [47, 48]), которые согласуются с общепринятым подходом разделения множества алгоритмов на иерархические и неиерархические рис. 2.
Кроме этого алгоритмы кластеризации подразделяются на:
- агломеративные и дивизивные. В агломеративных алгоритмах изначально каждый элемент содержится в отдельном кластере, которые на каждом шаге объединяются между собой, пока не будет выполнено условия остановки. В дивизимных алгоритмах, наоборот, изначально предполагается, что все элементы содержатся в едином кластере, который на каждом шаге разделяется.
- Монотетические и политетические. В основе представленных алгоритмов лежит возможность использования свойств объекта при кластеризации последовательно или одновременно Большинство алгоритмов политетические. В некоторых задачах монотетические подходы оказываются эффективными [49], однако с ними возникают большие трудности при работе в пространствах с большими размерностями [50].
- Непересекающиеся и нечеткие. Непересекающиеся алгоритмы относят каждый элемент строго к одному определенному кластеру, в то время как нечеткие алгоритмы каждому элементу возвращают вектор степеней принадлежности к тому или иному кластеру. Любой нечеткий алгоритм может быть преобразован в непересекающийся за счет выбора для каждого объекта наибольшей сте-пенипринадлежности.
- Детерминированные и стохастические. Указанные алгоритмы относятся к неиерархическим алгоритмам кластеризации, оптимальное решение для которых находят за счет минимизации определенного функционала. В зависимости от того, каким способом получают оптимальные значения решения задач - алгоритмы подразделяются на детерминированные и стохастические.
Рис. 2: Алгоритмы кластеризации данных 174
На рис. 3 представлена блок-схема, позволяющая осуществить выбор алгоритм распознавания.
La-.Mil гг$ггеяяЬп
1.У/Щ1(РТО1-
Чщмг}
ДД пет
Рис. 3. Блок- схема выбора алгоритма
Проведенный анализ существующих методов распознавания образов позволяет сделать следующие выводы:
1. Существующие исследования в области теории распознавания образов направлены на распознавание статических объектов в статических условиях;
2. В классической теории распознавания образов формируются эталоны для элементов системы, функционирующих в квазистационарном режиме;
3. Практически всегда делаются допущения о не пересечении эталонных описаний;
4. Кроме п эталонов вводится дополнительный (п+1) -ый эталон (класс) -отказ от распознавания;
5. Количество реализаций (элементов), которые можно отнести к одному эталону, не ограничено, что в большинстве практических случаев не соответствует действительности.
2. Методология идентификации элементов динамично изменяющихся объектов.
Согласно классическим подходам к распознаванию образов, в целях идентификации объектов формируется база данных, состоящая из эталонов, которые являются постоянными и неизменными.
Эталон - идеализированный объект, с которым тем или иным образом сравнивается распознаваемый объект (реализация) для его классификации [51]. При этом эталоны могут различаться на неконтролируемую величину, что приводит к увеличению времени идентификации и ошибкам за счет необходимости сравнения реализации с каждым эталоном, хранящимся в базе данных, для принятия соответствующего решения. Чтобы сократить время идентификации объектов, нужно оценивать и (или) задавать степень различимости эталонов, и эталоны, степень различия которых не соответствуют заданным требованиям, исключить из базы данных. Таким образом, за счет снижения количества эталонов в базе данных, снижается время идентификации объектов.
Необходимо отметить, что эталоны формируются только для предельных состояний. Под предельным состоянием понимается ситуация, на примере инфо-телекоммуникационной системы (ИТКС), при которой задействованы, для обмена информации, все штатные средства узлов связи.
Эталоны и реализация описываются в едином множестве признаков.
Признаком является все то, в чем предметы, явления сходны друг с другом или в чем они отличаются друг от друга: показатель, сторона предмета или явления, по которой можно узнать, определить или описать предмет, или явление [52].
Число эталонов зависит только от постановки задачи по распознаванию. При решении частной задачи распознавания состояния одного и того же объекта в разные моменты времени, для каждого объекта может быть сформировано различное число эталонов, равное числу возможных состояний.
Задача идентификации элементов ИТКС как динамически развивающейся системы усложняется тем, что в течение времени ее функционирования:
- осуществляется не одновременное задействование всех элементов системы;
- возможен выход из строя элемента системы в целом или частично в случайные моменты времени;
- возможно изменение количества элементов ИТКС.
Таким образом эталоны динамически развивающейся системы являются функцией времени, то есть признаки объекта при его развитии в выбранном признаковом пространстве будут изменяться с течением времени.
При этом в иерархических централизованных системах управления, в зависимости от объема выполняемых задач, формально разные элементы в предшествующие моменты времени могут быть представлены меньшим (большим) количеством признаков в эталонном описании. В этом случае эталоны формируются исходя из статистики количественно измеренных признаков.
Процесс идентификации элементов динамично изменяющихся объектов характеризуется следующим:
- объекты на разных этапах их развития и функционирования характеризуются разным набором признаков;
- количество неизвестных реализаций, относящихся к одному эталону, является счетным и ограниченным;
- количество эталонов на каждый момент времени переменная величина;
- признаки с переменным уровнем коррелированности имеют различный характер (стохастический, детерминированный, корреляционные, не корреляционные и т.д.).
Одной из задач теории распознавания образа, является выбор признаков. При этом, как правило, учитываются следующие факторы:
- информативность признака;
- сложность количественного измерения признака;
- время и вероятность проявления признака;
- время существования признака;
- степень его зависимости от других коррелированных признаков.
Таким образом для повышения адекватности количественной оценки вероятности идентификации элементов ИТКС необходимо разработать методику идентификации элементов динамически изменяющихся объектов.
3. Содержательное описание задачи с учетом дополнений.
Формализация постановки задачи:
Дано: X = {xr..x„} - множество элементов ИТКС, подлежащих распознаванию, Q = {q1...q„] - множество признаков каждого элемента, Э = {эг..э„} - множество эталонов, в зависимости от постановки задачи распознавания, A - алгоритм согласованного формирования R - реализаций объектов распознавания в признаковом пространстве, с учетом структуры системы корпоративного управления, Ксх - коэффициент сходства.
Содержательная постановка задачи: разработать методику, позволяющую найти вариант сопоставления элементов множества реализаций с элементами множества эталонов, который удовлетворяет условию, при котором сумма коэффициентов сходства множеств эталонов и реализаций будет максимальна, при Езад - заданной степени различия эталонов, при этом каждому эталону может соответствовать не более заданного числа реализации.
Формальная постановка задачи: найти вариант сопоставления на матрице W - оценок коэффициентов сходства реализаций и эталонов, при котором сумма К будет максимальна.
асу
Э R
W = ^ max, (3)
i=1 j=1
при К^ - Kis > Е; Е < Езад; Э < Rad.
4. Основные этапы методики идентификации элементов динамично изменяющихся объектов. Основные этапы методики представлены в виде блок- схемы на рис. 4.
На первом этапе производится ввод исходных данных:
- Е - требуемая точность различия эталонных описаний;
- Кс - коэффициент сходства;
- X = {xj, x2,..., xn} - множество элементов ИТКС, подлежащих распознаванию;
- Q = {qJ, q2,.., Ч„} - множество признаков каждого элемента;
- Э = {э1,э2,...,э„} - множество эталонов, в зависимости от постановки задачи распознавания;
- A - алгоритм согласованного формирования реализаций объектов распознавания в признаковом пространстве, с учетом структуры системы корпоративного управления;
- T - время моделирования.
На втором этапе формируют базу данных эталонных описаний в N - мерном признаковом пространстве.
Признаки - Q, характеризующие состояние элементов множества эталонов и реализаций Чп)' могут быть представлены совокупностью чисел, полученными по результатам измерений,
пп «
в п - мерном координатном пространстве К , где метрика удовлетворяет условиям: каждой паре точек М,Р е Кп ставится в соответствие число р(М,Р) (расстояние между точками):
р(М, Р) > 0, (4)
р(М, Р) = 0 М = Р, (5)
р(М, Р) < р(М, Q) + р(Q, P), (6)
р(м , Р) , (7)
На третьем этапе оценивают степень сходства элементов сформированного множества эталонных описаний - Кэ
'-э 'сх„
Г1"
|Х - множество элементов I ИТКС подлежащих I распознаванию I О - множество признаков I каждого элемента ' А - алгоритм согласованного формирования Э - множество эталонов, в зависимости от постановки задачи распознавания Ксх - коэффициент сходства
Т- Время наблюдения Е - требуемая точность различия эталонных описаний
©-
формируют базу данных эталонных описаний в N - мерном признаковом пространстве
оцениваем степень сходства всех
элементов сформированного множества эталонных описаний -
Ксх ц
исключаем I - эталон удо влет воряющи й условию \ < ]
активизируют средства связи корреспондентов узлов в соответствии с заданным алгоритмом А
формируют признаковое пространство реализаций распознаваемых элементов (узлов Связи)
Вычисляем коэффициенты сходства реализаций и эталонов
Ксх у
Записывают К у I в матрицу МАТ Ксх (И, Э, Т)
определяют временные интервалы квазистационарных состояний элемента динамически развивающейся системы
[1
¡ = у=.ийТ 1
г>а
опред!
значения коэффициента сходства с | эталоном для ¡-ой реализации
Фиксируют номер эталона и* с тах (ффициента сходства
Определяют максимальное значение коэффициента сходства > го эталона с реализациями
Фиксируют номер Г реализации с тах значением коэффициента сходства
Соотносят]* эталон с ¡* реализацией, записывают ПЗУ (для каждого 1)
Выводят данные о результатах идентификации
*
-©
О
Рис. 4. Блок-схема алгоритма идентификации элементов динамично изменяющихся объектов
На четвертом этапе сравнивают полученные значения коэффициентов сходства элементов множества эталонных описаний К3 с заданным критерием КзаО.
ОСу СХу
Если коэффициент сходства элементов множества эталонных описаний меньше заданного () К < К О, то исключают 1 - ый эталон, удовлетворяющий условию 1 < у, в противном случае (если
сх заО «■'
К > КзаО) переходят к шестому этапу.
На шестом этапе определяют временные интервалы квазистационарных состояний элемента динамически развивающейся системы.
Время квазистационарного состояния - это интервал времени, в течение которого возможные
изменения параметров не превышают предварительно заданных значений [53].
На седьмом этапе устанавливают начальное значение переменной: I = 0 - момент времени, относительно которого будет производиться сравнение состояний элементов распознавания с состояниями в последующие моменты времени.
На восьмом этапе счетчик увеличивают на единицу t = t +1.
На девятом этапе активизируют средства связи корреспондентов узлов в соответствии с заданным алгоритмом А.
Алгоритм А учитывает структуру корпоративной системы связи и порядок активизации элементов связи в соответствии с принятым порядком организации связи.
На десятом этапе формируют признаковое пространство реализаций распознаваемых элементов (узлов связи).
Узел связи может быть рассмотрен в различных признаковых пространствах в зависимости от используемых средств измерения параметров [54, 55].
На одиннадцатом этапе устанавливают начальные значения переменных: I = 0, J = 0, где I - текущее значение реализации и J - текущее значение эталонов в момент времени, относительно которых будет производиться сравнение состояний элементов распознавания с состояниями в последующие моменты времени.
На двенадцатом, тринадцатом этапе счетчик увеличивают на единицу 1 =1 +1, J = J +1. Далее на этапах 12-18 для всех полученных реализаций и эталонов на всех временных интервалах вычисляют коэффициенты сходства реализаций и эталонов и записывают в матрицу К .
Рис. 5. Матрица коэффициентов сходства Ксх (Я, Э, Т)
Вычисление коэффициентов сходства может быть произведено согласно выражению [56].
м -
х К
Ксх =-
(8)
ь—
п°бщ х К
Псовп - количество совпавших признаков эталонов и реализаций; К - информативность признака;
I 1
побщ - общее число признаков в системе распознавания.
Важным показателем признака является его информативность. Информативность признака оценивается мерой в интервале (0-1), характеризующей его индивидуальность. Чем признак более индивидуален, т. е. принадлежит меньшему числу объектов, тем он более информативен. [57].
На девятнадцатом этапе устанавливают начальные значения переменных: 1 = I, j = J, t = Т,
где 1 - 1 -я реализация, j - j -ый эталон, t - временной интервал квазистационарных состояний.
В блоках 20-29 осуществляют соотнесение всех реализаций с эталонами, для чего: На двадцать втором этапе определяют максимальные значения коэффициента сходства с эталоном для ьой реализации.
На двадцать третьем этапе фиксируют номер эталона J* с максимальным значением коэффициента сходства.
На двадцать четвертом этапе определяют максимальное значение коэффициента сходства j-го эталона с реализациями.
На двадцать пятом этапе фиксируют номер I* реализации с максимальным значением коэффициента сходства.
1=1
1=1
На двадцать шестом этапе соотносят j* эталон с i* реализацией, записывают ПЗУ (для каждого
t).
На двадцать седьмом этапе удаляют j*-bm и i*-bm столбец из матрицы. Методика применима для ситуаций, в которых количество реализаций, отнесенных к одному эталону ограничено и счетно. В блок-схеме методики представлен частный случай, когда к одному эталону может быть отнесена одна реализация.
На тридцатом этапе выводят данные о результатах идентификации.
ЗАКЛЮЧЕНИЕ.
1. Разработанная методика позволяет идентифицировать элементы динамически изменяющихся систем в условиях различной степени пересечения эталонных описаний.
2. Методика применима для ситуаций, в которых количество реализаций, отнесенных к одному эталону ограничено и счетно.
3. Реализованный в методике подход позволяет определить временной период ложного (ошибочного) соотнесения реализации с «чужим» эталоном.
4. Методика позволяет сравнивать между собой различные варианты активизации элементов динамически изменяющихся систем на примере идентификации-телекоммуникационных систем.
Список литературы
1. Аутентификация. Теория и практика обеспечения безопасного доступа к информационным ресурсам. Учебное пособие для вузов / А. А. Афанасьев, Л. Т. Веденьев, А. А. Воронцов и др. М.: Горячая линия - Телеком, 2009. 552 с.
2. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. - 224 с.
3. Васильев В.И. Распознающие системы: Справочник. К.: Наукова думка, 1983. 230 с.
4. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1984. 219 с.
5. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер.с англ. М.: Мир, 1978. 510 с.
6. Кузин Л.Т. Основы кибернетики: Основы кибернетических моделей. Т.2. М.: Энергия, 1979.
584 с.
7. Кун Т. Структура научных революций. М.: Прогресс, 1977. 300 с.
8. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. М.: Энергия, 1979. 511 с.
9. Ту Дж. Гонсалес Р. Принципы распознавания образов: Пер. с англ. М.: Мир, 1978. 410 с.
10. Уинстон П. Искусственный интеллект: Пер. с англ.М.: Мир, 1980. 520 с.
11. Фу К. Структурные методы в распознавании образов: Пер.с англ. М.: Мир, 1977. 320 с.
12. Цыпкин Я.З. Основы информационной теории идентификации. М.: Наука, 1984. 520 с.
13. Дюк В.А. Компьютерная психодиагностика. СПб: Братство, 1994. 365 с.
14. Фишер Р.А. Статистические методы для исследователей. М.: Госстатиздат, 1954,
267 с.
15. Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics, 1936, N 7, pp. 179-188.
16. Parzen E. On Estimation of a Probability Density Function and Mode // Annals of Math. Statistics, 1962, N 33, pp. 1065-1076.
17. Dempster A., Laird N., Rubin D. Maximum likelihood from incomplete data via the EM algorithm // J. of the Royal Statistical Society, 1977, Series B, N 39(1), pp. 1-38.
18. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. - М.: Финансы и статистика, 1989, 607 с.
19. Friedman N., Geiger D., Goldszmidt M. Bayesian network classifiers // Machine Learning, 1997, N 29, pp. 131-165.
20. Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics, 1936, N 7, pp. 179-188.
21. Rosenblatt F. Principles of Neurodynamics. - New York: Spartan Press, 1962, 616 p.
22. Hopfield J. Neurons with graded response have collective computational properties like those of two-state neurons // Proc. Natl. Acad. Sci. USA, 1984, N 81, pp.3088-3092.
23. Kohonen T. Self-Organizing Maps. - New York: Springer-Verlag, third edition, 2001, 501 p.
24. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1992, 240 с.
25. Хайкин С. Нейронные сети: полный курс. - М.: Вильямс, 2006, 1104 с.
26. Quinlan J.R. Induction of decision trees // Mach. Learn., 1986, N 1, pp. 81-106.
27. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов: статистические проблемы обучения. - М.: Наука, 1974, 416 с.
28. Burges C. A. Tutorial on Support Vector Machines for Pattern Recognition // J. Data Mining and Knowledge Discovery, 1998, N 2, pp. 121-167.
29. Burges C. A. Tutorial on Support Vector Machines for Pattern Recognition // J. Data Mining and Knowledge Discovery, 1998, N 2, pp. 121-167.
30. Vapnik V. The Nature of Statistical Learning Theory. - New York, Springer-Verlag, 1999,
314 p.
31. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. М.: Наука, 1978, N 33, С. 5-68.
32. Рудаков К.В. Об алгебраической теории универсальных и локальных ограничений для задач классификации. Распознавание, классификация, прогноз // Математические методы и их применение. М.: Наука, 1989, N 1, С. 176-200.
33. Винклер Г. Анализ изображений, случайные поля и методы Монте-Карло на цепях Маркова. - Новосибирск: Гео, 2008, 440 с.
34. it McQueen J. Some methods for classification and analysis of multivariate observations // Proc. Fifth Berkeley Symp. Math. Stat. and Probab, 1967, N 1, pp. 281-297.
35. Ball G.H., Hall D.J. ISODATA, a novel technique for data analysis and pattern classification. - Menlo Park, CA: Standford Res. Inst. Press, 1965.
36. Hartigan J.A. Clustering Algorithms. - New York: Wiley, 1975, 351 p.
37. Dunn J.C. Well Separated Clusters and Optimal Fuzzy Partitions // J. Cybern., 1974, N 4, pp. 95-104.
38. Bezdek J.C. Pattern Recognition with Fuzzy Objective Function Algorithms. - New York: Plenum Press, 1981, 256 p.
39. Bezdek J.C., Pal S.K. Fuzzy Models for Pattern Recognition. Methods that Search for Patterns in Data. - New York: IEEE Press, 1992, 539 p.
40. Hoppner F., Klawonn F. A Contribution to Convergence Theory of Fuzzy c-Means and Derivatives // IEEE Transactions on Fuzzy Systems, 2003, N 11(5), pp. 682-694.
41. Jardine N., Sibson R. Mathematical Taxonomy. - London: John Wiley and Sons, 1971,
286 p.
42. William E. Approximate evaluation techniques for the single link and complete link hierarchical clastering procedures // J. of the American Statistical Association, 1974, N 69, pp. 698-704.
43. Lance G.N., Willams W.T. A general theory of classification sorting strategies in hierarchical systems // Comp. J., 1967. N 9, pp. 373-380.
44. Браверман Э.М., Мучник И.Б. Структурные методы в обработке эмпирических данных. - М.: Наука, 1983, 464 c.
45. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. М.: Наука, 1978, N 33, С. 5-68.
46. Елисеева И.И., Рукавишников В.О. Группировка, корреляция, распознавание образов: Статистические методы классификации и измерения связей. - М.: Статистика, 1977, 143 с.
47. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. - Новосибирск: ИМ СО РАН, 1999, 270 c.
48. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. - Новосибирск: Наука, 1985, 110 c.
49. Anderberg M. R. Cluster Analysis for Applications. - New York: Academic Press, 1973, 359 p.
50. Salton G. Developments in automatic text retrieval // Science, 1991, N 253, pp. 974-980.
51. Глушков В.М., Амосов Н.М., Артеменко И.А. Энциклопедия кибернетики. Том 2. Киев, 1974 г., - 465 с.
52. Термины и понятия: Методы исследования и анализа текста. Словарь-справочник: Кондаков 1975: с.477.
53. Как понимать квантовую механику. — М.-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2012. — 516 с.
54. Меньшаков Ю.К. Теоретические основы технических разведок. М.: ИПЦ «Маска», 2017
— 572 с.
55. Рабочая книга по прогнозированию / Отв. ред. И.В. Бестужев-Лада. - М.: Мысль, 1982. -
426 с.
56. Жамбю М. Иерархический кластер-анализ и соответствия. Перевод с французского Б.Г. Миркина. Москва «Финансы и статистика» 1988, стр. 96-101
57. Инженерно-техническая защита информации: учеб. пособие для студентов, обучающихся по специальности в обл. информ. безопасности / А.А. Торокин. - М.: Гелиос АРВ, 2005. - 960 с.
Бобовкин Антон Александрович, адъюнкт, flam23k@gmail. com, Россия, Санкт-Петербург, Военная академия связи,
Вершенник Елена Валерьевна, канд. техн. наук, преподаватель, Yelena.Vershennik@mail.ru, Россия, Санкт-Петербург, Военная академия связи,
Стародубцев Петр Юрьевич, ведущий специалист, flam23k@gmail. com Россия, Санкт-Петербург, АО «АТЦРосатом»
METHOD OF IDENTIFICATION OF ELEMENTS OF DYNAMICALLY CHANGING OBJECTS A.A. Bobovkin, E.V. Vershennik, P.Y. Starodubtsev
The developed technique makes it possible to identify elements of dynamically changing systems under conditions of varying degrees of intersection of reference descriptions. It is applicable for situations in which the number of implementations attributed to one standard is limited and countable. The approach implemented in the technique allows you to determine the time period offalse (erroneous) correlation of the implementation with the "foreign " standard. The technique allows you to compare with each other various options for activating the elements of dynamically changing systems on the example of identification and telecommunication systems.
Key words: identification of elements, standards and implementations, info-telecommunication systems.
Bobovkin Anton Aleksandrovich, adjunct, flam23k@gmail. com, Russia, St. Petersburg, Military Academy of Communications,
Vershennik Elena Valerievna, candidate of technical sciences, lecturer, Yelena.Vershennik@mail.ru, St. Petersburg, Military Academy of Communications,
Starodubtsev Petr Yurievich, Leading Specialist, flam23k@gmail. com, Russia, St. Petersburg, JSC "ATCRosatom"
УДК 004.032.2
DOI: 10.24412/2071-6168-2023-5-181-182
РАЗРАБОТКА МОДЕЛИ ОБНАРУЖЕНИЯ КОМПЬЮТЕРНЫХ АТАК НА ПРОГРАММНО-КОНФИГУРИРУЕМЫЕ СЕТИ
О.С. Лаута, С.Ю. Скоробогатов, Р.А. Перов, А.А. Привалов
В статье представлена модель позволяющая получить вероятностно-временные характеристики компьютерных атак, характерных для программно-конфигурируемой сети. Основу предложенной модели представляет имитационная модель основной целью которой, является наиболее точное воспроизведение процессов реальной системы. Полученные значения вероятностно-временных характеристик компьютерных атак позволяют достаточно точно определить наиболее опасные их типы, а также наиболее вероятные места проявления.
Ключевые слова: компьютерные атаки, метод топологического преобразования стохастических сетей, программно-конфигурируемые сети, моделирование.
Резкий рост объемов трафика и изменение предоставляемых услуг большому числу пользователей, формирование высокопроизводительных кластеров для обработки больших данных и хорошо масштабируемых виртуализированных сред для предоставления облачных сервисов серьезно изменило структуру и требования, предъявляемые к современным сетям передачи данных. Одной из концепций для построения сети передачи данных различных корпоративных структур является программно-конфигурируемая сеть, которая работает, начиная с сетевого уровня [1, 2].
Программно-конфигурируемые сети (Software Defined Networks, SDN) помогают решить целый ряд имеющихся проблем, а также способствуют созданию автоматизированных, программируемых, гибких и экономичных сетевых инфраструктур. Они помогают системно решить большинство накопившихся проблем, в том числе связанных с обеспечением сетевой и информационной безопасности [3].
SDN это открытая сетевая архитектура, предложенная в последние годы для устранения некоторых ключевых недостатков традиционных сетей передачи данных. Сторонники SDN утверждают, что логика управления сетью и сетевыми функциями являются двумя отдельными понятиями и поэтому должны быть разделены на разные уровни [4]. С этой целью в SDN были введены понятия плоскости управления и плоскости данных: централизованная плоскость управления (иначе называемая контроллером) управляет логикой сети, контролирует функции инжиниринга траффика с плоскости данных (называемые коммутаторами), которые просто заботятся о пересылке пакетов между сетями.
Таким образом, SDN можно рассматривать как физически распределенную структуру коммутации с логически централизованным управлением, предназначенную для обеспечения высоко динамичного управления и качества обслуживания / политик безопасности.
181
