CC BY
32
УДК 004.021
DOI: 10.24412/2071-6168-2023-5-48-49
ОБРАБОТКА БОЛЬШИХ ДАННЫХ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
С.И. Прудников
По результатам анализа особенностей поддержки принятия решений в органах государственной власти определены приоритетные направления развития ведомственных систем поддержки принятия решений. Рассмотрен методический аппарат обработки больших данных для их внедрения в процесс поддержки принятия управленческих решений в органах государственной власти различного уровня. Сформирован механизм обработки данных для квантово-когнитивных систем поддержки принятия решений специального назначения.
Ключевые слова: большие данные, поддержка принятия решений, информационное обеспечение, информатизация.
Современные системы поддержки принятия решений (СППР) являются сложными программными средствами, позволяющими не только выбирать наилучшие решения из возможных с требуемыми показателями качества, но и учитывать возможные риски их реализации. Функционирование СППР может осуществляться как на основе жестко закрепленных моделей поддержки принятия решений, так и на основе формируемых экспертами критериев, и альтернатив [1, 2]. Разница к подходам разработки СППР обусловлена спецификой решаемых задач и возможностями информационно-технической среды, на базе которой применяются СППР [3, 4]. В структуре органов государственной власти (ОГВ) созданная информационно-телекоммуникационная инфраструктура сетей связи специального назначения объединяет в себе не только федеральные и региональные подразделения министерств и ведомств, а также подведомственные научные и образовательные организации, но и центры обработки данных разного уровня, что позволяет применять в процессе поддержки принятия решений сверхбольшие массивы накопленных данных. Из-за этого объем информации для поддержки принятия решений оказывается несопоставимым вычислительным возможностям технических средств, осуществляющих ее обработку.
Целью исследования являлось обоснование возможности применения методов обработки больших данных для поддержки принятия решений в ОГВ. Для этого автором проанализирован современный уровень исследований в этой области, рассмотрены особенности поддержки принятия решений в ОГВ на основе классических подходов и определены перспективы внедрения методов обработки больших данных в информационное обеспечение поддержки принятия решений.
Особенности поддержки принятия решений в органах государственной власти. Поддержка принятия решений в ОГВ имеет ряд особенностей, определяемых спецификой деятельности. Далее СППР, функционирующие в интересах поддержки принятия решений должностными лицами ОГВ, будут называться системами поддержки принятия решений специального назначения (СППР СН).
По результатам проведенного анализа [5] выявлены вопросы, имеющие приоритетное значение при разработке СППР СН. Одним из них является возможность полного и качественного анализа и учета имеющейся разнородной информации, представленной, в том числе, в нечеткой форме и неструктурири-рованном (слабо структурированном) виде в процессе принятия решений. Другим вопросом, имеющим ключевое значение в аспекте исследования, является возможность интеллектуального анализа данных, представляемых должностному лицу, принимающему решение (ЛИР), для автоматизированного формирования служебного протокола, обосновывающего предлагаемую системой альтернативу. В первом и во втором случае обеспечивается повышение обоснованности принятия решения за счет полного и качественного учета имеющейся информации, а также информации, способной оказать влияние на реализацию той или иной альтернативы.
Большой объем входных данных, высокая неопределенность и необходимость учета собственного состояния ЛПР предопределяет многовариантность поведения рассматриваемой системы в целом, что дает для внешнего наблюдателя возможность только ее вероятностно-статистического моделирования, которое в современных условиях возможно исключительно на основе математического аппарата квантовой физики [6].
Разрабатываемые СППР СН, в том числе и с применением методов и алгоритмов обработки больших данных, должны обеспечивать работу ЛПР в любых условиях обстановки с высокой оперативностью и обоснованностью, а унификация таких систем должна достигаться путем их информационно-технического сопряжения в рамках ведомственных единых информационных пространств [7, 8]. Это позволит рационально использовать ресурсы разрабатываемых систем в пространственно-распределенном режиме и обеспечит устойчивость ее работы, непрерывность, оперативность и скрытность. Таким образом можно говорить о перспективности квантово-когнитивных СППР СН, основанных на математическом аппарате квантовой теории с пространственно-распределенной подсистемой сбора и обработки данных.
Методы и программные решения для обработки больших данных Проблема обработки структурированных и неструктурированных данных больших объёмов для их дальнейшего прикладного применения носит название проблема «больших данных». Выявление закономерностей в больших массивах данных становится основным инструментом исследования и получения новых знаний, что актуально для поддержки принятия решений с применением информационных систем специального назначения [9]. Основными критериями отнесения массивов информации к большим данным являются: объем от 1 Пе-табайт и выше, поступление новых данных с высокой скоростью, а также их разнородность, различные форматы и возможное отсутствие структурированности.
Для использования в качестве входных данных при моделировании контекстуально-вероятностных процессов в СППР СН требуется обработка сверхбольших объемов данных, поступающих из распределенных источников. Наиболее известные методы сбора и анализа больших данных представлены на рис. 1.
Глубинный
анализ (data milling)
Прогнозная дна ли Iii к а
Визуализация аналитических данных
Краудсорсннг
Методы сбора it анализа больших данных
Машинное обучение (искусственные
нейронные сети, сетевой анализ, метпдьт оптимизации, генетические алгоритмы)
Распознавание образов
Имитационное модслпрова нне
Смешение и интстраттня разнородных данных
Пространственный и статистический
анализ
Рис. 1. Методы сбора и обработки больших данных
Разнородность накапливаемых данных в ОГВ обусловлена широким разнообразием их источников. Такими источниками могут выступать базы данных справочной и нормативной информации, экспертные данные, геоинформационные системы, аэрофотоснимки, датчики и сенсоры различных образцов специальной техники, информация, циркулирующая в автоматизированных системах специального назначения, и другие. В таких условиях качественная поддержка принятия решений может быть обеспечена только сочетанием методов сбора и обработки больших данных.
Среди специализированных программных средств обработки больших данных наибольшую популярность получили [10]: Apache Hadoop, Apache Storm, RapidMiner, Qubole, Tableau, Cassandra, Apache Spark, Flink.
В качестве базового инструмента автоматизированного хранения и обработки больших данных наилучшим образом себя зарекомендовал Hadoop, разработанный компанией Apache Software Foundation, и представляющий собой свободно распространяемый набор утилит, библиотек и Фреймворк для разработки и выполнения распределённых программ, работающих на кластерах из сотен и тысяч узлов. В работе [11] предложены подходы для оптимизации хранилища данных в СППР с применением технологии Hadoop в качестве:
- хранилища «холодных данных», актуальность которых снижена, но потребность для поддержки принятия решений все еще существует. Таким образом осуществляется разгрузка баз данных SQL без снижения доступности к таким данным;
- промежуточной области хранения данных взамен базы данных SQL. При такой организации хранилище данных Hadoop содержит только таблицы для идентификации холодных данных, а основные таблицы хранятся в базах данных SQL;
- дополнительной базы данных распределенной системы хранения. При таком варианте организации хранения данных хранилище состоит для двух элементов - базы данных SQL и базы данных Hadoop. В таком случае информация от части источников поступает в хранилище Hadoop напрямую для дальнейшей обработки и применения в процессе поддержки принятия решений;
- механизма ETL (Extract-Transformation-Load - извлечение-трансформация-загрузка) для переноса данных, поступающих от различных источников, в аналитическую систему или совместимое хранилище данных.
Разнообразие программного инструментария Hadoop, поддержка различных вариаций формирования систем хранения и анализа больших данных, и возможностей их масштабирования в зависимости от запросов пользователей, делает Hadoop одним из лидеров в сфере обработки больших данных. Таким образом можно сделать вывод, что программное средство Hadoop способно выступить в качестве инструмента, позволяющего обрабатывать большие данные на базе информационно-
телекоммуникационной инфраструктуры сетей связи специального назначения, и представлять их в качестве входных данных для разрабатываемых СППР СН.
Обработка данных для квантово-когнитивных систем поддержки принятия решений специального назначения. Полный учет всех доступных данных, имеющие прямое или косвенное влияние на принимаемое решение, является важнейшим критерием обоснованности принимаемых решений [12-15]. В этих целях в структуру СППР СН включается подсистема хранения информации с базами данных и инструментами для ее обработки, анализа и представления. Ее функционирование осуществляется на основе входных данных, поступающих из заранее заданных источников. В связи с тем, что такие данные должны иметь вид, пригодный для работы СППР, то они должны по запросу системы оперативно представляться в строго определенном (структурированном) виде. В этих целях динамично поступающие данные преобразуются и предобрабатываются ресурсами центров обработки данных с развернутой системой Hadoop, таблицы с адресной информацией и метаданными, относящимися к ним, остаются в Ш-doop, а сами информационные массивы размещаются в интегрированных хранилищах данных и предоставляются по запросу СППР СН или других потребителей, имеющих к ним доступ.
Таким образом процесс подготовки данных для работы СППР СН может иметь пространственно-распределенный вид, представленный на рис. 2.
_Шл
СППР СН
i
А
Документированные результаты работы СППР
&1
Центр обработки данных
хранилище hadoop
Извлеченная и преобразованная информация
Предоставление информации по запросу
V J > л^апилища иаппь ---------.
Извлечение и преобр азова ние
\ хранилища данных / /
Ъ:
Копирование информации
Sx "Г. X
® ф ®
Копирование информации
Графическая, звуковая и видео информация
Рис. 2. Схема процесса подготовки данных для работы СППР СН
Сенсоры Локальные Информационные специальных хранилища системы средств и данных специального назначения
объектов
Облачные Нормативные Результаты хранилища и справочные экспертиз вариантов решений
данных
базы данных
Такая схема объединяет два классических подхода оптимизации хранилищ данных в СППР с применением технологии Hadoop, а именно дополнительной базы данных распределенной системы хранения и механизма ETL. Предложенная схема процесса подготовки данных позволяет минимизировать загруженность интегральных хранилищ данных неструктурированной и нечеткой информацией, непригодной для решения прикладных задач ведомственного уровня.
Подводя итоги проведенного исследования, можно сделать следующие выводы:
1. Рассмотрены особенности поддержки принятия решений в органах государственной власти. Отмечено, что возможность полного и качественного анализа и учета имеющейся разнородной информации, представленной, в том числе, в нечеткой форме и неструктурирированном (слабоструктурированном) виде в процессе принятия решений, а также возможность интеллектуального анализа данных, представляемых должностному лицу, принимающему решение, для автоматизированного формирования служебного протокола, обосновывающего предлагаемую системой альтернативу, являются ключевыми вопросами, требующими учета при разработке систем поддержки принятия решений специального назначения. Кроме того, важная роль отводится унификации программных средств и возможности их функционирования в едином контуре информационно-телекоммуникационной инфраструктуры сетей связи специального назначения.
2. Проведен анализ методов и программных решений для обработки больших данных. Отмечается, что задача систематизации и структуризации разнородных данных сверхбольших объемов требует приоритетного решения в аспекте рассматриваемой проблемы. Автором сделан вывод, что несмотря на большое разнообразие методов и программных решений, программное средство Apache Hadoop наибольшим образом подходит в качестве инструмента для обработки больших данных на базе инфор-
мационно-телекоммуникационной инфраструктуры сетей связи специального назначения, и их представления в качестве входных данных для разрабатываемых систем поддержки принятия решений специального назначения.
3. Сформирован и обоснован облик процесса подготовки данных для работы квантово-когнитивных систем поддержки принятия решений специального назначения. В основу схемы подготовки данных заложена идея разделения хранилищ данных с развертыванием системы Hadoop на базе центров обработки данных и разделения потоков поступающей информации в зависимости от их динамичности и актуальности.
Несомненно, учитывая высокую значимость и перспективность методов обработки больших данных, исследования в этой области необходимо продолжать. В качестве целевой установки для дальнейших исследований автором предлагается разработка и обоснование квантово-когнитивной СППР СН, основанной на математическом аппарате квантовой теории и методах обработки больших данных.
Работа выполнена при финансовой поддержке гранта Президента РФ по государственной поддержке ведущих научных школ РФ (грант НШ-122.2022.1.6).
Список литературы
1. Гаврилов А.Д., Новиков В.А., Пилякин А.А. Обоснование структуры системы поддержки принятия решения в организационно-технических системах специального назначения // Морское оборудование и технологии. 2022. № 1 (30). С. 74-80.
2. Прудников С.И., Шестак В.М. Структура программного комплекса организации сетевой экспертизы вариантов решений // Научные исследования и инновации: сборник статей V Международной научно-практической конференции, Саратов: НОО «Цифровая наука», 2021. С. 69-73.
3. Поляков А.А., Моисеев Д.В., Мащенко Е.Н. Система поддержки принятия решения по управлению структурно-сложными организационно-техническими системами специального назначения // Автоматизация и измерения в машино-приборостроении. 2022. № 4 (20). С. 39-46.
4. Прудников С.И. Алгоритм исследования влияния экспертных групп на принимаемое решение // Цифровая наука. 2021. № 4-1. С. 9-13.
5. Прудников С.И., Богомолов А.В., Теребов Д.С. Направления совершенствования поддержки принятия решений в органах военного управления // Математические методы в технологиях и технике. 2022. № 6. С. 16-19. DOI 10.52348/2712-8873_MMTT_2022_6_16.
6. Суров И.А., Алоджанц А.П. Модели принятия решений в квантовой когнитивистике. СПб.: ИТМО, 2018. 63 с.
7. Панков А.В., Шевченко С.И. Обоснование роли и формирование концептуальной модели системы интеллектуальной обработки информации в едином информационном пространстве ВС РФ // Известия СПбГЭТУ ЛЭТИ. 2018. № 1. С. 38-43.
8. Меженов А.В., Кретов А.А., Сызранцев С.В. Обоснование критерия эффективности и показателей качества для оценки устойчивости системы связи и радиотехнического обеспечения в едином информационном пространстве // I-methods. 2019. Т. 11, № 3. С. 1-9.
9. The Fourth Paradigm: Data-Intensive Scientific Discovery, 2009. URL: http://research.microsoit.com/enus/collaboration/fourthparadigm (дата обращения: 01.03.2023).
10. Lisoeski E. 8 Best Big Data Tools in 2020. URL: https://dzone.com/articles/8-best-big-data-tools-in-2020 (дата обращения: 03.03.2023).
11. Картанова А.Д., Абдрасакова А.Б., Иманбеков Т.И. Инструмент Hadoop и оптимизация хранилища данных // Современные проблемы механики. 2020. № 42(4). С. 67-82.
12. Тобин Д.С., Голосовский М.С., Богомолов А.В. Технология обеспечения достоверности информации при проведении сетевых экспертиз // Современные информационные технологии и ИТ-образование. 2020. Т. 16. № 3. С. 623-632.
13. Прудников С.И. Алгоритм автоматизированной экспертизы на основе системы иерархически организованных критериев // Алгоритмы, методы и системы обработки данных. 2020. № 1(41). С. 4154.
14. Тобин Д.С. Информационно-логическая модель процессов разработки программной платформы в органах военного управления // Известия Тульского государственного университета. Технические науки. 2020. № 9. С. 337-348.
15. Богомолов А.В., Климов Р.С. Автоматизация обработки информации при проведении коллективных сетевых экспертиз // Автоматизация. Современные технологии. 2017. Т. 71. № 11. С. 509-512.
Прудников Сергей Игоревич, научный сотрудник, prudnikovscience@gmail.com, Россия, Санкт-Петербург, Санкт-Петербургский Федеральный исследовательский центр Российской академии наук
BIG DATA PROCESSING IN SYSTEMS DECISION SUPPORT SPECIAL APPOINTMENTS
S.I. Prudnikov 51
Based on the results of the analysis of the features of decision support in public authorities, priority areas for the development of departmental decision support systems were identified. The methodical apparatus for processing big data for their implementation in the process of supporting managerial decision-making in public authorities at various levels is considered. A data processing mechanism for quantum-cognitive decision support systems for special purposes has been formed.
Key words: big data, decision support, information support, informatization.
Prudnikov Sergey Igorevich, Researcher, prudnikovscience@gmail.com, Russia, Moscow, St. Petersburg Federal Research Center of the Russian Academy of Sciences
УДК 629.067
DOI: 10.24412/2071-6168-2023-5-52-53
ЭЛЕКТРОННЫЙ СТРАХУЮЩИЙ ПАРАШЮТНЫЙ ПРИБОР
А.В. Козин, Ф.А. Ивкин
В статье представлен обзор механических страхующих парашютных приборов, применяемых в Российской Федерации, обзор зарубежных электронных страхующих парашютных приборов, представлены общие виды и функции составных частей отечественного электронного страхующего парашютного прибора, рассмотрены его функциональные режимы и принцип работы, приведены результаты предварительных испытаний, в части устойчивости прибора к внешним факторам, рассмотрены основные технические методы обеспечения электромагнитной совместимости электронного страхующего парашютного прибора с радиоэлектронным оборудованием летательных аппаратов.
Ключевые слова: парашютные системы, электронные страхующие парашютные приборы, электромагнитная совместимость.
В настоящий момент в Российской Федерации активно разрабатываются парашютные системы (далее - ПС) людского применения, при этом ведутся разработки в различных направлениях отрасли парашютной техники: спортивные, спасательные, десантные и ПС специального назначения и другие.
Наряду с проектированием и разработкой ПС актуальным является вопрос обеспечения безопасности парашютных прыжков, снижения вероятности травм и летальных исходов при отказах или ненормальной работе ПС.
Расширение технических возможностей применения современных ПС (высота применения, скорость летательного аппарата при десантировании, общая полетная масса, температура окружающей среды и другие) неизбежно приводит к увеличению интенсивности воздействия на организм парашютиста комбинации физических факторов (гипо- и гипероксия, гиперкапния, перегрузки, вибрации и шум и другие), влияющих на его состояние в процессе выполнения парашютного прыжка [1-3]. Наряду с этим, такие факторы, как нарушение условий и правил эксплуатации ПС, несвоевременное или некачественное проведение технического обслуживания (в том числе регламентных работ), нарушение правил хранения, повышают вероятность отказа или ненормальной работы ПС и значительно снижают безопасность парашютного прыжка.
При отказе или ненормальной работе ПС предусмотрено применение запасной ПС. В зависимости от ситуации, приведшей к отказу или к ненормальной работе основной ПС - ввод запасной ПС самим парашютистом может быть осложнен или вовсе невозможен (потеря сознания, повреждение верхних конечностей и др.). В таких случаях на заранее заданной высоте при превышении заранее заданных скорости и высоты снижения парашютиста, инициация введения запасной ПС должна быть осуществлена страхующим прибором.
В иностранной литературе эти приборы получили общее наименование: устройства автоматического раскрытия парашюта (Automatic Activation Device, ADD). Первые приборы для автоматического раскрытия парашюта появились еще до Второй мировой войны в СССР и были механическими. В 1938 году успешно прошел испытания баростатический прибор, названный ППД-1 (парашютный прибор братьев Дорониных, образец первый).
В современных ПС России широкое применение нашли механические приборы для автоматического раскрытия парашюта - полуавтоматы парашютные комбинированные типа ППК-У (рис. 1) [4] и парашютные страхующие приборы АД-3У-Д, применяемые для введения в действие основной ПС, в случае затруднения или невозможности ручного ввода (например, раскрытие двухконусного замка ручным способом путем выдергивания парашютистом звена ручного раскрытия из кармана подвесной системы). В таких ПС применение страхующего прибора для запасной ПС не предусмотрено, ввод запасного парашюта осуществляется самим парашютистом.
