Методика обработки результатов мониторинга с динамически изменяемым уровнем разрешающей способности базы данных
А.А. Курило, М.А. Сорокин, Ю.И. Стародубцев Военная академия связи им. С. М. Буденного, г. Санкт-Петербург
Аннотация: В настоящее время увеличивается число средств, обеспечивающих сбор информации, о признаках элементов системы связи общего пользования. Базы данных осуществляют обработку больших массивов разнородной информации, которая в большинстве случаев является дублирующейся, получаемой от различных источников мониторинга. В этой связи актуальна задача разработки способа, который будет обеспечивать повышение качества обработки информации при ее поступлении в базу данных в реальном масштабе времени.
Ключевые слова: база данных, системы мониторинга, информация, разрешающая способность, обработка массивов информации, коэффициент сходства, автоматизация процессов, система связи общего пользования, элементы системы связи.
В настоящее время, методики и способы, применяемые в базах данных, для обработки информации, с целью повышения системности обработки являются малоэффективными. В связи с этим предложен один из инструментов, позволяющий осуществить автоматизированную обработку информации, с учетом особенностей формирования обработанной информации в базе данных.
Предлагаемая методика направлена на решение задачи по автоматизации процесса обработки результатов мониторинга сети связи общего пользования, за счет реализации разрешающей способности баз данных.
Методика обработки результатов мониторинга с динамически изменяемым уровнем разрешающей способности базы данных обеспечивает обработку результатов мониторинга, предоставляемых системой мониторинга [1].
Решение задачи осуществляется за счет количественного оценивания попарного сходства всех элементов базы данных. На основе результатов строится вариационный ряд коэффициентов сходства. Определяется минимальное значение вариационного ряда, которое
М Инженерный вестник Дона, №3 (2021) ivdon.ru/ru/magazine/arcliive/n3y2021/6882
используется в качестве критериального значения сходства для занесения или отклонения признаков элементов сети связи общего пользования в базу данных.
Сущность методики представлена на рис. 1 - Блок-схема алгоритма методики обработки результатов мониторинга с динамически изменяемым уровнем разрешающей способности базы данных.
Рис. 1 - Блок-схема алгоритма методики обработки результатов мониторинга с динамически изменяемым уровнем разрешающей
способности базы данных
Методика относится к средствам проверки сходства или различия характеристик элементов мониторинга сети связи общего пользования (далее ССОП), в частности их признаков. Результат методики заключается в расширении арсенала средств количественной оценке коэффициента сходства.
Вначале задают исходные данные: базу данных с признаками элементов ССОП; признаки элементов ССОП, представляемые на внесение в базу данных (Рис. 1, Блок 1).
Признаки элементов ССОП, представляемые на внесение в базу данных, преобразуют в заданный единый цифровой формат, для осуществления возможности дальнейшей автоматизированной обработки, в том числе сравнения (Рис. 1, Блок 2).
Признаки элементов ССОП, представляемые на внесение в цифровом виде, записывают в базу данных (Рис. 1, Блок 3).
Признаки элементов ССОП, записанные в базу данных, формируют в матрицы определенного вида (Рис. 1, Блок 4).
Далее оценивают минимальный уровень разрешающей способности базы данных.
Разрешающая способность базы данных - численная величина, характеризующая минимальный коэффициент сходства на всем множестве базы данных [2].
Последовательно попарно рассчитывают коэффициент сходства для всех элементов базы данных.
Для вычисления к^ ^ производится расчет по формуле Рассела и Рао [3,4]:
и
где I - число совпадений характеристик ¿-го элемента базы данных признаков элементов ССОП и анализируемого признака элемента ССОП; N - общее число сравниваемых признаков двух элементов (Рис. 1, Блок
5).
Формируют вариационный ряд рассчитанных значений коэффициента сходства (Рис. 1, Блок 6) [5,6].
Определяют минимальное значение вариационного ряда минимального коэффициента сходства штк^^ (Рис. 1, Блок 7).
Последовательно рассчитывают коэффициент сходства к^^ к-го признака, представленного на внесение в базу данных со всеми п элементами в ней (Рис. 1, Блок 4) [7,8].
Сравнивают рассчитанный коэффициент сходства
- представленного к-го признака со всеми п элементами базы данных с минимальным коэффициентом сходства тткск1]- (Рис. 1, Блок 9).
При выполнении условия кСКп+1Л > представленный к-ът
признак заносится в качестве п+1 элемент базы данных (Рис. 1, Блок 10) [9,10].
В том случае, если условие ^сжп+ы > тгыпй:^ не удовлетворяется, принимается решение об отказе во внесении к-го признака в базу данных (Рис. 1, Блок 11 ).
Таким образом, за счет применения баз данных с разрешающей способностью производится повышение качества по обработке и хранению результатов мониторинга ССОП. Повышение скорости обработки и снижение используемого ресурса памяти обеспечивается путем выбора и поддержания уровня разрешающей способности базы данных содержащих информацию о признаках. Предлагаемая методика
направлен на решение задачи по автоматизации процесса обработки результатов мониторинга, за счет реализации разрешающей способности в базах данных. Предложен один из инструментов, позволяющий осуществить автоматизированную обработку, с учетом особенностей формирования обработанной информации в базы данных.
Литература
1. Стародубцев Ю. И., Курило А. А., Вершенник Е. В., Давллятова М.А., Митрофанов Н.М. Способ определения охраноспособности обозначений в качестве товарных знаков с сохранением уровня разрешающей способности базы данных // Патент на изобретение RUS № 2 708 348,19.
2. Математическая энциклопедия. Виноградов И. М. - М.: 1979 С. 2575.
3. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977 стр. 6-14.
4.Жамбю М. Иерархический кластер-анализ и соответствия. Перевод с французского Миркина Б.Г. Москва «Финансы и статистика», 1988, С. 96101.
5. Глушков В. М., Амосов Н. М., Артеменко И. А. Энциклопедия кибернетики. Том 2. Киев, 1974 г., С. 590.
6. Шеннон Р. Имитационное моделирование систем - искусство и наука, -М.: Издательство МИР, 1978 - 418с.
7. Галушка В.В., Молчанов А.А., Фатхи В.А. Применение многослойных радиально-базисных сетей для верификации реляционных баз данных // Инженерный вестник Дона. 2012. №1. URL: ivdon .ru/magazine/archive/n1 y2012/686.
8. Наумов А.А., Айдинян А.Р. Надежность программного обеспечения и методы ее повышения // Инженерный вестник Дона. 2018. №2. URL: ivdon .ru/magazine/archive/N2y2018/4946.
9. Genero M., Piattini M., Calero C. Measures to get better quality databases. 2nd Itenational Conference on Enterpriese Information Systems - ICEIS 2000, Stafford, pp. 49-55.
10. Calero C., Genero M., Piattini M., Table oriented metrics for relational databases. Software Quality Journal. 2001, №9 (2), pp. 79-97.
Referances
1. Starodubcev Yu. I., Kurilo A. A., Vershennik E. V., Davllyatova M.A., Mitrofanov N.M. Sposob opredeleniya oxranosposobnosti oboznachenij v kachestve tovarny'x znakov s soxraneniem urovnya razreshayushhej sposobnosti bazy' danny'x [Method for determining the protectability of designations as trademarks while maintaining the level of resolution of the database]. Patent na izobretenie RUS № 2 708 348,19.
2. Matematicheskaya e'nciklopediya [Encyclopedia of Mathematics]. Vinogradov I. M. M.: 1979, pp. 25-75.
3. Fu K. Strukturny'e metody' v raspoznavanii obrazov [Structural methods in pattern recognition]. M.: Mir, 1977, pp. 6-14.
4. Zhambyu M. Ierarxicheskij klaster-analiz i sootvetstviya [Hierarchical Cluster Analysis and Compliance]. Perevod s franczuzskogo Mirkina B.G. Moskva «Finansy' i statistika» 1988, pp. 96-101.
5. Glushkov V. M., Amosov N. M., Artemenko I. A. E'nciklopediya kibernetiki [Encyclopedia of Cybernetics]. Tom 2. Kiev, 1974 g., p. 590.
6. Shennon R. Imitacionnoe modelirovanie sistem - iskusstvo i nauka [System Simulation - Art and Science]. M.: Izdatel'stvo MIR, 1978. 418p.
7. Galushka V.V., Molchanov A.A., Fatxi V.A. Inzhenernyj vestnik Dona. 2012. №1. URL: ivdon.ru/magazine/archive/n1y2012/686.
M Инженерный вестник Дона, №3 (2021) ivdon.ru/ru/magazine/arcliive/n3y2021/6882
8. Naumov A.A., Ajdinyan A.R. Inzhenernyj vestnik Dona. 2018. №2. URL: ivdon.ru/magazine/archive/N2y2018/4946.
9. Genero M., Piattini M., Calero C. Measures to get better quality databases. 2nd Itenational Conference on Enterpriese Information Systems - ICEIS 2000, Stafford, pp. 49-55.
10. Calero C., Genero M., Piattini M. Table oriented metrics for relational databases. Software Quality Journal. 2001, №9 (2), pp. 79-97.