CC BY
19
именно «нашего» блока раз в 10 минут и тут возникает еще одна задача, требующая решения - как максимально гарантировать себе «подпись» и как защитить свои записи в этот промежуток времени, пока данные не «подписаны» в общей сети Bitcoin.
Так как в системе Exonum существует такое понятие как UTXO, то есть за каждую подпись нужно заплатить, при подписании «нашего» блока мы ставим комиссию «майнеру» за его работу. Важно, что чем больше комиссия, тем выше шанс, что именно наша транзакция будет обработана первой.
В этом случае для системы должно быть установлено ограничение, чтобы информация, составленная раз в 10 минут, по своей стоимости не превышала затраты на ее фальсификацию, что является одним из факторов безопасности. Заключение
В работе показано, что при правильном использовании анкерная система снижает возможность фальсификации транзакций в частной сети. Учитывая, что система Exonum использует язык Rust [7], то возможность взлома системы изнутри изначально сильно затруднена. Таким образом показано, что данная система эффективно реализуется для различных направлений и обеспечивает должную безопасность записям. Однако эта система построена на системе Blockchain, и текущая безопасность в большой степени построена на популярности данной системы. В случае, если систему Bitcoin покинет большая часть заинтересованных «майнеров», то записи могут оказаться под угрозой.
Однако следует заметить, что все расчеты сделаны исходя из текущей популярности системы Bitcoin и в будущем данные расчеты относительно данной системы могут быть значительно изменены как в лучшую, так и в худшую сторону.
ЛИТЕРАТУРА
1. Сайт системы Bitcoin [Электронный ресурс] Режим доступа: https://bitcoin.org/ru/ , свободный. (Дата обращения: 30.03.2018 г.).
2. Bitcoin-paper Автор: Сатоши Накамото / Перевод на русский язык: arvicco, grich [Электронный ресурс] Режим доступа: https://bitcoin.org/files/bitcoin-paper/bitcoin ru.pdf , свободный. (Дата обращения: 30.03.2018 г.).
3. Свободная энциклопедия/Биткоин [Электронный ресурс] Режим доступа: https://ru■wikipedia■org/wiki/Биткойн , свободный. (Дата обращения: 30.03.2018 г.).
4. Exonum - A framework for blockchain solutions [Электронный ресурс] Режим доступа: https://exonum. com , свободный. (Дата обращения: 30.03.2018 г.).
5. Евинова М.М. и др. Критерий выбора способа модификации программного обеспечения с закрытым исходным кодом в операционной системе Macos с учётом требований устойчивости и надёжности. / Евинова М.М., Чепцов В.Ю., Черкасова Н.И./ Труды Международного симпозиума «НАДЁЖНОСТЬ И КАЧЕСТВО» в 2т. под ред. Н.К. Юркова. - Пенза: ПГУ, 2017. - 1 том, с. 237- 239.
«10 минутный промежуток»
Рассмотрим особенности взаимодействия (организации «подписи») частной сети с Ь1осксЬа^ В1"Ьсо1п. На рисунке 1 показан гипотетический «идеальный» механизм (ограничение) возможности частной сети подписывать свои транзакции в сети В1"Ьсо1п раз в 10 минут.
Данный промежуток времени образуется из-за особенности работы Ь1осксЬа^ сети В1"Ьсо1п. Для предотвращения фальсификации своих данных и повышения безопасности системы, протокол системы автоматически настраивает сложность задачи сети (Ргоо^о^ТЖогк) таким образом, чтобы любой блок в сети подписывался не чаще и не дольше чем раз в 10 минут, независимо от вычислительной мощности всей сети.
Рисунок 1 - 10 минутный промежуток
Отметим, что система Ехопит не может «подписывать» свои транзакции без остановок, так как система В1"Ьсо1п обрабатывает лишь 6 блоков в час, или 1 блок раз в 10 минут (особенности протокола). Однако и это не гарантирует подпись
УДК 536.216.3
Качалов О.Б., Ямпурин Н.П., Панькина Т.А.
Арзамасский политехнический институт (филиал) НГТУ им. Р.Е.Алексеева, Арзамасс, Россия ОТБОР ИЗДЕЛИЙ ПОВЫШЕННОЙ НАДЕЖНОСТИ НА ОСНОВЕ РОБАСТНОЙ МОДЕЛИ
В работе предлагается отбраковка изделий РЭС с использованием регрессионной робастной модели. При этом эффективность распознавания повышается за счет использования переменной обучающей выборки. Рассмотрен конкретный пример отбраковки изделий по экспериментальным данным паяных соединений печатных узлов. Ключевые слова:
РАСПОЗНАВАНИЯ ОБРАЗОВ, РОБАСТНАЯ МОДЕЛЬ, ПЕРЕМЕННАЯ ОБУЧАЮЩАЯ ВЫБОРКА, МЕТОДИКА ОТБРАКОВКИ
Проблема повышения качества и надежности изделий РЭС является в настоящее время наиболее актуальной и охватывает все области их изготовления и применения [1,2]. Определяющую роль при повышении экономической эффективности контроля качества РЭС играют методы распознавания образов. Большое значение при использовании данных методов имеет требование к точности распознавания, то есть к допустимой вероятности ошибок. Одним из методов снижения погрешности аппроксимации зависимостей является метод переменной обучающей выборки [3].
Целью данной работы является повышение качества изделий РЭС за счет использования переменной обучающей выборки. Воспользуемся данными обучающего эксперимента из работы [4].
За основу взята выборка, состоящая из 50 экспериментов для паяных соединений. Прогнозируемый параметр - поверхностное сопротивление изоляции:
если оно не более 1-109 Ом, то изделие отбраковывается, более 1-109 Ом - годное.
Поверхностное сопротивление изоляции в нашем случае является выходной переменной (У), а входными переменными являются вязкость(Х1), клей-кость(Х2) и кислотное число(ХЗ), поэтому уравнение регрессии y=ao+aiXi+ a2X2+ азхз+ а2зХ2Хз (1)
Обучающая выборка, по экспериментальным точкам которой синтезируется модель, представлена в таблице 1. Данные по проверочным точкам приведены в таблице 2.
Образец программного кода в среде MATLAB имеет следующий вид:
A = zscore(B); I = 2:4;
X1 = [A(:,I),A(:,3).*A(:,4)];
bl = robustfit(X1,A(:,1));
n = length(B(:,1));A10 = ones(1,n);
All = A10'; A3 = [A11,X1]; A2r = A3*b1;
Br = A2r*std(B(:,1)) + mean(B(:,1));
es0 = (Br - B(:,1))./B(:,1);
A1(:,2) = (BD(:,2) -mean(B(:,2)))./std(B(:,2)); A1(:,3) = (BD(:,3) -mean(B(:,3)))./std(B(:,3)); A1(:,4) = (BD(:,4) -mean(B(:,4)))./std(B(:,4)); I = 2:4; X1m = [A1(:,I),A1(:,3).*A1(:,4)]; m = length(BD(:,2)); A10 = ones(1,m); A11 = A10'; A3m = [A11,X1m]; A2m = A3m*b1; Brm = A2m.*std(B(:,1)) + mean(B(:,1)); ep0k = (Brm - BD(:,1))./BD(:,1); exp = length(BD);
Br0n = zeros(1, exp); e0n = zeros(1, exp); for e = 1:exp
B = cat(1,B,BD(e,:)); YR0; Br0n(e) = Br(n); e0n(e) = (Br(n) - BD(e, 1))/BD(e, 1); B(n,:) = []; A(n,:) = []; End ep0 = e0n'; Br9 = Br0n'; [mean(abs(es0))mean(abs(ep0k))mean(abs(ep0))] где ep0k - погрешность точек проверочной выборки при постоянной обучающей выборке; ep0 - погрешность точек при переменной обучающей выборке.
Обучающая выборка Таблица 1
№ п.п У Х1 Х2 Х3
1 2,8 195 39 112
2 0,7 205 43 106
3 2,9 190 38 112
4 3,5 181 36 112
5 3,3 176 35 113
6 0,5 208 42 100
7 2,4 164 34 113
8 0,9 202 40 109
9 0,8 204 43 107
10 4,0 191 38 112
11 4,2 186 37 112
12 0,9 204 41 110
Сравнение расчетных и
Здесь У - Поверхностное сопротивление изоляции 1'1090м; Х1 - Вязкость, Па*с; Х2 - Клейкость, г; Х3 - Кислотное число,мг* КОН.
Таблица 2
_Проверочная выборка
№ п.п У Х1 Х2 Х3
1 0.8 201 41 108
2 0.5 211 45 101
3 2.2 199 39 111
4 3.0 179 36 112
5 3.3 159 32 114
6 3.8 185 37 112
7 2.9 195 39 111
8 3.7 190 38 112
9 0.6 206 45 105
10 3.8 183 37 112
11 0.7 206 43 107
12 0.5 211 45 102
13 3.8 175 35 113
14 3.9 178 35 113
15 3.2 190 36 113
16 0.8 204 42 107
17 2.6 179 35 113
18 3.0 169 35 113
19 3.6 192 37 112
20 3.1 184 36 113
21 3.5 193 37 113
22 3 . 5 187 36 112
23 2.9 192 37 112
24 0.7 205 44 106
Расчетные и экспериментальные данные приведены в таблице 3.
Таблица 3
экспериментальных данных_
№ п.п Результаты расчетов при переменной обучающей выборке Результаты расчетов при постоянной обучающей выборке Экспериментальные значения
1 0.8418 0.8702 0.8000
2 0.5783 2.2653 0.5000
3 2.7263 2.9425 2.2000
4 2.7971 2.6921 3.0000
5 3.6628 5.5400 3.3000
6 2.9864 2.8319 3.8000
7 2.3981 2.2427 2.9000
8 2.9077 2.7967 3.7000
9 0.5979 0.6033 0.6000
10 2.8926 2.4819 3.8000
11 0.7957 0.8373 0.7000
12 0.5859 2.0685 0.5000
13 3.8484 3.8981 3.8000
14 4.1048 4.4230 3.9000
15 3.5571 5.4932 3.2000
16 0.8028 0.8011 0.8000
17 3.3353 4.5979 2.6000
18 2.9004 2.8483 3.0000
19 3.7991 4.0566 3.6000
20 3.5779 4.4434 3.1000
21 3.7863 4.9888 3.5000
22 3.8023 4.0918 3.5000
23 3.4195 4.0566 2.9000
24 0.5848 0.4261 0.7000
Из данных таблицы 3 видно, что в случае с постоянной обучающей выборкой имеет место два случая несовпадения расчетных и экспериментальных данных (в смысле годности, негодности). При переменной обучающей выборке расчетные и экспериментальные значения совпали. В данном случае эффективность распознавания была повышена на 8%.
ЛИТЕРАТУРА
1. Севрюков, А.С., Пиганов, М.Н. Анализ неравномерности прогрева печатного узла в установках конденсационной пайки вертикального типа. // Труды международного симпозиума «Надежность и качество», т.2.- Пенза: ПГУ, 2 010.-с.14 9-152
2. Климченко, В.В. Планирование измерений параметров контролируемых технических объектов. // Труды международного симпозиума «Надежность и качество», т.1.- Пенза: ПГУ, 2 011.-с.146-148
3. Качалов О.Б., Ямпурин Н.П. Снижение погрешности аппроксимирующих зависимостей при переменной обучающей выборке. Сборник трудов 15-й Международной конференции «Цифровая обработка сигналов и ее применение - DSPA 2013» - М., РНТОРЭС им.А.С.Попова. -Вып.XV,^.-с 167-169
4. Шумских И.Ю. Обучающий эксперимент при прогнозировании качества и надежности паяных соединений/ И.Ю. Шумских С.В., Тюлевин // Вестник Самарского государственного аэрокосмического университета, выпуск № 7(31) Самара-2011.- С.69-76.
