CC BY
20
A.A. Каргин, А. В. Григорьев: НЕЧЕТКИЙ МЕТОД К ИДЕНТИФИКАЦИИ ЧЕЛОВЕКА ПО ФОТОПОРТРЕТУ
5. Гешвинде Э., Шениг Г.-Ю. PostgreSQL. Руководство разработчика и администратора. - СПб.: ООО "ДиаСофт-ЮП", 2002. - 608 с.
6. Хорстманн К., Корнелл Г. Java 2. Библиотека профессионала. Том 2. Тонкости программирования. - М.: Изд. дом "Вильямс", 2002. - 1120 с.
Надшшла 11.1.2003 Шсля доробки 02.04.2004
В cmammi розгля-Hymi питания практичноi реал1зацп методики формування об'ектного словника рeляцiйно'i бази даних. Запропоновано автоматизований cпоciб заповнення та тдтримки aкmyaльноcmi об'ектного словника, mdxid до
iMenyeanHn oô'eêmie ma ampuôymie, a maêox npoipana, wo doçeonae ompuMyeamu doeidiuKoey iHÔopMau,irn no oô'eêm-H0My npedcmaeëeHHrn 6açu damux.
The article reviews the questions of practical implementation of the object dictionary creation methods for relational database. The automated method of filling and keeping the up-to-date state of object dictionary, the way of naming the objects and attributes and application that provides reference information for database object presentation form are offered.
УДК 681.327.12.001.362
A.A. Каргин, A.B. Григорьев
НЕЧЕТКИЙ МЕТОД К ИДЕНТИФИКАЦИИ ЧЕЛОВЕКА
ПО ФОТОПОРТРЕТУ
В публикации рассмотрена проблема поиска неизвестного человека в БД по фотопортрету. Предложены две нечеткие модели представления фото и метод поиска фотографии, основанный на нечетком сравнении с эталоном.
ВВЕДЕНИЕ
Одной из важнейших задач, возникающих в ходе оперативно-розыскной деятельности правоохранительных органов, является быстрая идентификация неизвестных лиц, являющихся организаторами, участниками или свидетелями преступлений; лиц пропавших без вести, а также неопознанных трупов. Из систем криминалистического учета, функционирующих на территории стран СНГ, можно выделить российскую АДИС «Папи-лон» [1] и отечественную систему информационной поддержки ОВД Украины [2]. В рамках данных систем работают соответственно подсистемы «Словесное описание» («Папилон»), «Шзнання» и «1БД», позволяющие проводить поиск неизвестного лица в БД по словесному описанию, и поддерживающие регистрацию в БД фотоизображений, однако, ни в какой из приведенных систем не реализован модуль поиска по фотографии. В данной статье предложено два метода нечеткого автоматизированного поиска неопознанного лица в БД по фотопортрету.
ПОСТАНОВКА ЗАДАЧИ
Пусть в БД хранится N изображений человеческих лиц, сделанных по правилам опознавательного фото. По предъявленному тестовому фотоизображению система должна упорядочить изображения из БД по степени соответствия тестовому изображению и выдать в их в порядке убывания. Окончательное решение при этом остается за «лицом, принимающим решение». На тестовое изображение также накладывается ограничение - оно
должно быть выполнено по правилам опознавательного фото или близким к нему (допустимы легкие повороты головы, некоторые изменения эмоционального выражения лица, и т. д.). Система должна работать в off-line, в связи с этим на систему не накладывается ограничений по времени - поиск лишь должен быть проведен за разумное время. Предполагается также, что система должна работать в автоматизированном режиме, т. е. в качестве исходных данных наряду с фотоизображениями допускается ввод координат некоторых опорных точек.
МОДЕЛЬ НЕЧЕТКОГО ПРЕДСТАВЛЕНИЯ ФОТОИЗОБРАЖЕНИЯ ЧЕЛОВЕЧЕСКОГО
ЛИЦА
Предложено два нечетких метода представления фотоизображения в БД. Оба этих метода базируются на результатах, полученных в области психологии восприятия и психофизики. Известно [3], что в процессе восприятия зрительной информации зрачок совершает движения трех видов: трем (частые легкие колебания), плавное смещение и резкие скачки (саккадические переходы). Установлено, что конфигурация саккадических переходов обусловлена задачей, выполняемой человеком в процессе зрительного восприятия, при этом особый интерес человека привлекает ряд областей изображения. В дальнейшем такие области будем называть «особыми областями» .
При идентификации человеческого лица наибольший интерес вызывают области передненосовой, ротовой и зрачковых антропометрических точек, а также область точки, расположенной примерно посередине спинки носа. В пользу выбора данных антропометрических точек говорят также знания в области габитоскопии [4]. Так, в области данных антропометрических точек расположен ряд информативных индивидуализирующих контуров: например, контуры глазной щели, внутреннего и внеш-
ПРОГРЕСИВН1 1НФОРМАЦ1ЙН1 ТЕХНОЛОГИ
него углов глаз, век, бровей; контуры крыльев, спинки и кончика носа; носогубного фильтра, носогубных складок; линии верхней и нижней каймы губ и т. д. В связи с этим, выдвинута гипотеза о том, что области указанных точек содержат достаточный для идентификации человеческого лица объем зрительной информации.
Для обеих моделей согласно постановке задачи исходные данные представлены фотоизображениями и координатами некоторых опорных точек. Фотоизображение задано на пиксельной плоскости Р = {(г, .) |г = 1, Ы; . = 1, М} функцией яркости /:Р 0, 1]; координаты правой и левой зрачковых точек; передненосовой и ротовой антропометрических точек, а также точки «спинка носа» Р1,Р2,Р3,Р4,Р5 е Р соответственно. Отметим, что координаты точек р1, р2, Рз, Р4 вводятся в автоматизированном режиме, а координата точки Р5 находится из соотно-
11
0ения Р5 = 4 (Р1 + Р2) + 2Р3.
Согласно выдвинутому предположению, модель фотоизображения предложено задавать набором моделей особых областей:
S = <Q1,Q2, Q3, Q4, Q5),
(1)
R4 = ñ12(P3' P2),
R3 =
векторами Ok, где o^
P1P2,
P2P1,
+
P2P1, o4 = P4P5, a5 = P5P4-
вляется выражениями: i = ik + Rkrsin(ф + j = jk + + Rkr cos (ф + В качестве контрольных точек, поведение контура в которых составляет модель особой области Llk, предложено выбрать точки
{(r^j )| r¿ = K -'; фj = 2n(j - 1)/s, i = TTq, j = ~S},
где q и 5 задают размерность модели, а K >1 - коэффициент смещения радиальной координаты.
Таким образом, модель особой области представляется набором нечетких множеств, каждое из которых отражает поведение контура в окрестности некоторой контрольной точки:
Q = <C®,..., C®,..., С£),
(2)
4. к)
где О^ ^2, Оз, О5 - модели особых областей правой и левой зрачковых точек, областей передненосовой, ротовой точек и области точки «спинка носа» соответственно .
Модель каждой особой области предложено задавать набором нечетких множеств, выражающих поведение контура в ряде контрольных точек, принадлежащих к-й особой области. Выбор контрольных точек, в свою очередь, зависит от ряда параметров особой области таких параметров как: центр особой области, задаваемый точкой Рк е Р; радиус области Кк и направление области *¥к. Последние два параметра предложено сделать зависимыми от взаимного расположения центра описываемой особой области относительно центров других особых областей, иными словами Кк = НтО^, ...,Р5); ^ = = Пк(Р1, ...,Р5), где к = 1, 5. Радиусы особых областей
1
находятся из выражений: К = К 2 = 2^2^1'Р2), Кз =
1
= 7(12(Рl' Рз) + 12(Р2' Рз)),
Cl А. I
j - нечеткое множество, задающее поведение
V
контура в контрольной точке (ф.) особой области Ц^. Сами нечеткие множества C. строятся на базовом мно-
ч
жестве Ф = j0, у, j и имеют вид C. = {фт|ц(фт)},
где фт е Ф, и функция принадлежности ц(фт) выражает уверенность в том, что через контрольную точку (r, ф.) в направлении ф. + фт проходит линия контура.
Для описания процедуры вычисления функции при-
А к)
надлежности нечеткого множества Cаналогично опи-
ч
санию модели особой области перейдем к более удобной системе координат с началом отсчета в контрольной точке (гч, ф.), нулевым направлением ф. и единичным отрезком радиальной координаты, соответствующим размеру е-окрестности контрольной точки. Связь между евклидовой (г, j) и введенной полярной (р, £,) системами координат выражена соотношениями: i = i* + ер sin(£, + + Чк + ф.), j = j* + ер cos (^ + Ук + ф..), где (¡*, j*) - координаты контрольной точки в системе координат (г, j).
Функция принадлежности множества C. задана усиленной сигмоидальной функцией (4) величиной DY (ф), называемой наличием контура в направлении ф:
= т^2^4,Р2), где 12(р,Р.) - евклидово расстояние ме-2
жду точками рг и Р.. Направления ^ особых областей □к предложено задавать углом между осью ординат и
Цс(Ф) = о( БУф);
o(x) =
1 + e
-25 x
(3)
(4)
-» - -> _i_
o3 = P1P2 +
Перед описанием модели Ок к-й особой области удобнее перейти к полярной системе координат с центром в точке Рк, единичным радиусом Кк и нулевой полярной угловой координатой, соответствующей направлению особой области. Связь между евклидовой (г, /) и полярной (г, ф) системами координат при этом осущест-
Геометрически понятие БУ(ф) наличия контура в направлении ф интерпретируется следующим образом: на пиксельной плоскости задано три нечетких области, каждая из которых, с одной стороны, принадлежит области, каждый пиксель которой находится довольно близко к контрольной точке. С другой стороны, первая область, называемая «центральной», также принадлежит области, находящейся на небольшом расстоянии от условной линии, лежащей в направлении ф и проходящей через контрольную точку. Две другие области - принад-
1
2
A.A. Каргин, A. В. Григорьев: НЕЧЕТКИЙ МЕТОД К ИДЕНТИФИКАЦИИ ЧЕЛОВЕКА ПО ФОТОПОРТРЕТУ
лежат области, удаленной от прямой, проходящей через контрольную точку в направлении ф, а также одной из двух полуплоскостей, полученных разделением пиксельной плоскости прямой, задающей направление ф. Данные области предложено условно называть «положительной периферийной» и «отрицательной периферийной» областями.
Для формализации трех вышеназванных областей введены: область Ас Р, находящаяся довольно близко к контрольной точке; область Л с Р, близкая к прямой, задающей направление ф; 0+, 0 с Р - положительная и отрицательная пиксельные полуплоскости (относительно прямой, задающей направление ф) с функциями принадлежности:
цд(р) = MAX( 1 - р2, 0); цЛ(р) = MAX|_1 - 3 р sin(4 - ф)2, oj;
11, если sign[sin(С-ф)] > 0; ц + (p) = i п [0, если sign [ sin (с, - ф)] < 0.
11, если sign[ sin (С - ф)] > 0;
Ц - (Р) = i n [ 0, если sign [ sin (с, - ф)] > 0.
(5)
(6)
(7)
(8)
теристики заданы на базовом множестве направлений Ф = 10, ^г, -3 |, а в качестве функции принадлежности
данных нечетких множеств использовано усиленное сиг-моидальной функцией (4) значение (10) наличия контура БУ(ф) в направлении ф е Ф. Различие между двумя моделями заключается в использовании метрики в выражении (10): для модели fuz_sub использована метрика (11), а для - (12).
МЕТОД ПОИСКА НЕИЗВЕСТНОГО ЛИЦА
В БД ПО ФОТОПОРТРЕТУ
Согласно постановке задачи, задача поиска фотоизображения в БД фактически сводится к процедуре сортировки моделей фото из БД по степени их нечеткого соответствия предъявляемому образу. Последняя процедура, очевидно, сводится к нахождению степени сходства двух нечетких моделей.
Степень сравнения нечетких моделей фотоизображений представлена АУО-критерием:
5
S( 1)(S,S) - I £ S(2)(Qt,í!í),
(13)
а также следующее определение:
Определение 1. Пусть задано нечеткое множество А с и и действительная функция /:и ^ К. Средним значением функции / на нечетком множестве А будем называть выражение:
k - 1
где 8(2)(0^, £1к) - степень нечеткого сравнения моделей особых областей, для вычисления которой также использован АУО-критерий:
AVG/(4) = [jyO )-ЦА(х) dx| / цА(х) dxj.
(9)
q s
S(2)(цА) = qs £ £ s(3)(c¡, сkj),
i = 1 j = 1
(14)
Тогда центральная, положительная и отрицательная периферийные области задаются в виде выражений: АЛ, А Л 0+ и А*Л*0- соответственно, а величина БУ(ф) представлена выражением:
5-(3). _к " к
где о (Су Сф - степень сравнения моделей контроль-я(3),/~>к " к
ных точек. 8 (Су Сф предложено выражать одним из выражений:
БУ(ф) = S(AVGf(A*Л), AVGf(A*Л*©+)) v v S(AVGf(A*Л), AVG^A* Л*©- )), (10)
S(3)(cjCkj) - 1 -шах|цс(ф) - цс(ф)|; (15)
где 8: [0, 1 ] ^ [0, 1 ] - некоторая метрика.
Предложено две модели, различающиеся выбором метрики 8: первую из которых предложено называть fuzz_sub, а вторую - fuzz_div. В качестве метрики 8 использованы соответственно выражения:
s(3), k "k _ S ( Cij> Cij) =
1, если шах (|j.cWv|ic (Ф)) = 0;
ф e Ф
шаф|^С(Ф) v (Ф)|
шах(цс(ф) (ф)) ф e Ф
в противном случае.
(16)
S(x, y) -
8(х, у) = \х - у\;
0, если х = 0 и у = 0;
|х - У /(х V у) в противном случае.
(11)
(12)
Таким образом, модели fuz_sub и fuz_div представляют собой набор моделей особых областей (1), каждая из которых задана множеством нечетких характеристик контура, измеряемых в ряде контрольных точек, принадлежащих особой области (2). Эти нечеткие харак-
Установлено, что при сравнении нечетких моделей fuz_div более эффективно применять выражение (15), а для fuz_sub - выражение (16). Также установлено, что оптимальные параметры моделей: q = 22; 5 = 32; К = = 1,05; е = 4 пикселя при размере фотоизображений 256 X 384 пикселя. Для модели fuz_div также заслуживает внимания модель, сформированная с параметром е = = 2 пикселя. В дальнейшем модели fuz_div с параметром е =2 и е = 4 пикселям будем соответственно обозначать ^ div2 и ^ div4.
1
ПРОГРЕСИВН1 1НФОРМАЦ1ЙН1 ТЕХНОЛОГ11'
СРАВНЕНИЕ МЕТОДА С ИЗВЕСТНЫМИ
ЗАПАДНЫМИ АНАЛОГАМИ
Для тестирования предложенного метода поиска использована методика и база данных FERET [5]. При оценке метода в соответствии с [5] необходимо для каждого предъявляемого тестового образа отсортировать образы из БД в порядке убывания степени соответствия образов из БД тестовому образу. Говорят, что тестовый образ распознан по рангу I, если в отсортированном списке соответствующий тестовой фотографии образ расположен не ниже г-й позиции. Безусловно, зависимость процента распознавания от ранга, получившая название CMS (cumulative matching score), является удачной для оценки метода поиска в БД при данной постановке задачи.
В рамках проекта FERET предложено четыре теста: fafb, fafc, dupl и dup2. БД для всех четырех тестов состоит из 1196 фотоизображений различных людей, сделанных по правилам, допускающим некоторое отклонение от правил опознавательного фото; тестовые же выборки - различны. Тестовый набор для fafb составляют снимки, сделанные через короткий (порядка нескольких мину) промежуток времени после съемки изображения для БД, и тестовые изображения отличаются от изображений из БД, как правило, легким поворотом головы или эмоциональным выражением. Тестовые фотоизображения для fafc отличаются от изображений из БД выбранной фотографической системой и уровнем освещенности; тестовые выборки из dupl и dup2 - состоят из фотоизображений, сделанных через определенный период после фото из БД: от 3 до 18 месяцев для dupl и от 18 до 36 месяцев для изображений для dup2. Объем тестовых выборок для тестов fafb, fafc, dup1 и dup2 составил соответственно 1195, 194 722 и 234 фронтальных фотопортретов.
Говоря о качестве изображений, представленных в БД, следует отметить, что они не всегда в полной мере отвечают требованиям опознавательной съемки: имеются фотографии людей в очках; в парах изображений из БД и тестовой выборки, соответствующих одному лицу, как правило, различаются эмоциональное состояние и положение головы (легкие повороты головы в различные стороны). В связи с этим, можно говорить о том, что условия эксперимента являются более жесткими, нежели те, которые оглашены в постановке задачи.
Для проведения эксперимента разработан программный модуль, формирующий модели фотопортретов и поиск в БД. Эксперимент проведен на ПК класса Penti-um-IV 2.8 GHz с ОЗУ объемом 256 Мб, ОС - Windows XP. Средняя скорость сравнения составила 5352,9 тысяч сравнений в секунду при скорости предварительного формирования нечетких моделей более 7 тысяч образов в секунду. В таблице 1 приведены результаты сравнения описанных методов с западными аналогами, такими как: Baseline Corrélation (arl_cor) и Baseline Eigenface (arl_ef) от US Army Research Laboratory; системы от NIST на основе eigenface, использующие различные метрики (ef_hist_dev_ang, ef_hist_dev_anm, и т.д.), ex-
calibur от Excalibur Inc., системы от MIT Media Lab (mit_mar_95, mit_sep_96); umd (umd_mar_97) от University of Maryland и usc (usc_mar_97) от University of Southern California.
Таблица 1 - Результаты тестирования методов в сравнении с зарубежными аналогами
Название метода / модели Ранг Fafb Fafc dup1 dup2
Fuz_sub 1 10 20 0,9682 0,99414 0,99498 0,5 0,76289 0,84536 0,49792 0,638 0,69071 0,38034 0,62393 0,7094
Fuz_div2 1 10 20 0,93054 0,97908 0,98494 0,86082 0,94845 0,96392 0,41748 0,61997 0,681 0,32479 0,55556 0,61966
Fuz_div4 1 10 20 0,96736 0,9908 0,99414 0,59794 0,8299 0,8866 0,50208 0,6699 0,71845 0,36325 0,62821 0,73077
Arl_cor 1 10 20 0,826778 0,949791 0,964854 0,0515464 0,175258 0,201031 0,362881 0,540166 0,616343 0,17094 0,393162 0,512821
Arl_ef 1 10 20 0,796653 0,921339 0,943096 0,185567 0,520619 0,587629 0,409972 0,596953 0,6759 0,222222 0,461538 0,58547
Ef_hist_dev_ang 1 10 20 0,701255 0,882008 0,920502 0,0721649 0,21134 0,268041 0,34072 0,50831 0,566482 0,123932 0,307692 0,358974
Ef_hist_dev_anm 1 10 20 0,774059 0,931381 0,955649 0,237113 0,530928 0,623711 0,445983 0,628809 0,689751 0,209402 0,363248 0,448718
Ef_hist_dev_l1 1 10 20 0,772385 0,922176 0,943096 0,257732 0,530928 0,64433 0,350415 0,516621 0,565097 0,132479 0,320513 0,367521
Ef_hist_dev_l2 1 10 20 0,716318 0,896234 0,932218 0,0412371 0,170103 0,242268 0,331025 0,50831 0,578947 0,136752 0,311966 0,401709
Ef_hist_dev_md 1 10 20 0,741423 0,907113 0,94477 0,231959 0,520619 0,639175 0,422438 0,621884 0,671745 0,166667 0,337607 0,405983
Ef_hist_dev_ml 1 1 10 20 0,733054 0,837657 0,866946 0,391753 0,649485 0,701031 0,304709 0,445983 0,470914 0,128205 0,260684 0,299145
Ef_hist_dev_ml2 1 10 20 0,771548 0,916318 0,939749 0,309278 0,572165 0,659794 0,34626 0,522161 0,576177 0,128205 0,320513 0,384615
Excalibur 1 10 20 0,794142 0,929707 0,948954 0,216495 0,541237 0,628866 0,414127 0,605263 0,67036 0,196581 0,410256 0,5
Mit_mar_95 1 10 20 0,83431 0,940586 0,960669 0,154639 0,371134 0,505155 0,33795 0,540166 0,632964 0,17094 0,410256 0,538462
Mit_sep_96 1 10 20 0,948117 0,979079 0,98159 0,319588 0,670103 0,762887 0,576177 0,725762 0,770083 0,34188 0,598291 0,683761
Umd_mar_97 1 10 20 0,962343 0,990795 0,994142 0,587629 0,865979 0,917526 0,472299 0,67036 0,722992 0,209402 0,534188 0,628205
Usc_mar_97 1 10 20 0,949791 0,985774 0,989121 0,819588 0,917526 0,948454 0,591413 0,722992 0,772853 0,521368 0,705128 0,764957
Из таблицы видно, что предложенные нечеткие методы на предложенных тестах показали довольно высокую эффективность. Методы fuz_sub и fuz_div4 показали
А.Б. Кунгурцев: ИССЛЕДОВАНИЕ ИНФОРМАЦИОННЫХ СИСТЕМ ДЛЯ ВНЕДРЕНИЯ МЕХАНИЗМОВ МАТЕРИАЛИЗОВАННЫХ ПРЕДСТАВЛЕНИЙ И ШАБЛОНОВ
среди рассмотренных в таблице методов наилучший результат по самому объемному тесту fafb, и находятся в числе лидеров по остальным трем тестам. Отметим, что fuz_div2, уступая двум названным нечетким методам по тестам fafb, dup1 и dup2, при этом, показал уникальный для рассмотренных в таблице методов результат по тесту fafс - более чем 86-процентное распознавание по рангу 1. По совокупному результату тестирования, т.е. при учете всех четырех тестов, можно сделать вывод, что методы fuz_div4 и fuz_sub наряду с методом шс_шаг_97 являются одними из лучших методов, рассмотренных в таблице 1. Сравнивая данные методы, отметим, что некоторое превосходство методов fuz_sub и fuz_div4 на наиболее объемном тесте fafb компенсируется преимуществом метода шс_шаг_97 на остальных трех тестах, при этом заметное преимущество метода шс_шаг_97 на ранге 1 имеет тенденцию к резкому сокращению на более высоких рангах. Таким образом, по совокупному результату шс_шаг_97, fuz_sub и fuz_div4 можно считать методами примерно одного класса.
ВЫВОДЫ
Описанные в данной публикации нечеткие методы и модели показали свою высокую эффективность. Предложенные методы fuz_sub и fuz_div4 показали наилучший результат по тесту fafb, а метод fuz_div2 - по тесту fafc.
Также по совокупному результату методы fuz_sub и fuz_div4 являются наряду с методом usc_mar_97 одними из наиболее эффективных методов, и, безусловно, могут быть положены в основу модуля поиска неизвестного лица в БД по фотопортрету.
ПЕРЕЧЕНЬ ССЫЛОК
1. Системы Папилон, АДИС «Папилон» - Режим доступа: http://www.papillon.ru/adis.html - название экрана.
2. Саницикий В.А та ¡н. Система шформацшного забезпе-чення ОВС Украши: Навчально-практичний поабник / За ред. Л.В. Бородича. - К., Редакцшно-видавничий в1дд1л МВС Украши, ТОВ АНТЕКС, 2000. - 144с., ¡л., таб.
3. Шиффман Х. Р. Ощущение и восприятие. 5-е изд. -СПб.: Питер, 2003. - 928с.: ил.
4. Снетков В.А., Виниченко И.Ф., Зинин А.М., Освянникова М.Н. Криминалистическое описание внешности человека: учебное пособие. / Под ред. проф. В. А. Снеткова. - ВНИИ МВД СССР, 1984. - 128 с., 51 рис.
5. P. Jonathon Phillips & other, The FERET Evaluation Methodology for Face-Recognition Algorithms. Technical report NISTIR 6264. - 1999.
Шсля доробки 22.11.2004
В пyблiкaцii розглянуто проблему пошуку невiдомоi лю-дини у БД по фотопортрету. Запропоновано двi нечimкi моделi представлення фото i метод пошуку фотографа на оcновi нечimкого порiвняння з еталоном.
This article is dedicated to the problem of finding an unknown person in database by a photo. Two fuzzy models of representing a photo & the method of finding a photo based on fuzzy comparison with the template are offered.
УДК 681.518:004.6
А. Б. Кунгурцев
ИССЛЕДОВАНИЕ ИНФОРМАЦИОННЫХ СИСТЕМ ДЛЯ ВНЕДРЕНИЯ МЕХАНИЗМОВ МАТЕРИАЛИЗОВАННЫХ ПРЕДСТАВЛЕНИЙ
И ШАБЛОНОВ
Предлагается метод классификации запросов информационной системы (ИС) для формирования материализованных представлений (МП) и шаблонов. Предложена методика статистического исследования ИС для отбора запросов в группы МП и шаблонов, позволяющая обосновать эффективность применения указанных механизмов.
ВВЕДЕНИЕ
Применение механизма материализованных представлений (МП), предусматривающего сохранение результатов запросов, может значительно повысить производительность обработки запросов [1]. В работе [2] проведено исследование параметров запросов и показано, при каких условиях применение МП в конкретной информационной системе (ИС) окажется эффективным. Однако за рамками исследования остался очень важный вопрос - как организовать исследование ИС, каким образом произ-
вести классификацию и отбор транзакций для их дальнейшего анализа с целью создания МП.
Эффект от внедрения шаблонов запросов несколько другого рода. Здесь труд прикладного программиста частично перекладывается на плечи конечного пользователя за счет формирования определенных фрагментов запроса к БД непосредственно в момент возникновения потребности в этом запросе. Выгода от внедрения этого механизма заключается в повышении оперативности системы и снижении расходов на программирование. В настоящее время использование шаблонов, как и МП, в основном основано на интуитивной оценке их эффективности.
Целью данной работы является создание методики анализа транзакций реальной ИС, основанной на классификации запросов к системе, позволяющей объективно оценить эффективность внедрения механизма материализованных представлений и шаблонов.
