ПОСТАНОВКА ЗАДАЧИ НА МОДЕЛИРОВАНИЕ СБОРА ИЗМЕРИТЕЛЬНОЙ ИНФОРМАЦИИ В СИСТЕМЕ МОНИТОРИНГА СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 621.317

DOI: 10.24412/2071-6168-2021-11-185-188

ПОСТАНОВКА ЗАДАЧИ НА МОДЕЛИРОВАНИЕ СБОРА ИЗМЕРИТЕЛЬНОЙ ИНФОРМАЦИИ В СИСТЕМЕ МОНИТОРИНГА СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ

Н.Н. Зайкин, А.В. Свидло, О.В. Чуприков, О.А. Губская

В статье предложен вариант постановки задачи на моделирование сбора измерительной информации в системе мониторинга специального назначения. Цель моделирования: исследование зависимости требуемой пропускной способности сети передачи данных от поступающего трафика измерительной информации в условиях воздействия различных дестабилизирующих факторов.

Ключевые слова: система мониторинга, сбор измерительной информации, моделирование, транспортная сеть связи.

Современные транспортные сети связи (ТСС) специального назначения (СН) являются сложными распределенными программно-аппаратными системами, предназначенными для передачи информационных потоков между пользователями с требуемым качеством предоставляемых услуг. Результативность решения задач, возлагаемых на ТСС СН, зависит непосредственно от наличия в ее составе автоматизированной СМ [1].

Под мониторингом в работе понимается комплекс мероприятий, основанный на непрерывном или периодическом наблюдении, включающий в себя сбор, обработку и хранение информации о параметрах телекоммуникационного оборудования и сетевых характеристиках, их количественном оценивании реально и прогнозируемого состояния под влиянием конструктивных и деструктивных факторов.

Основные этапы мониторинга представлены на рис.1.

Рис. 1. Основные этапы мониторинга

Анализ состояния мониторинга ТСС СН позволил выявить противоречие, заключающееся в необходимости выполнения требований к оперативности мониторинга (сбора измерительной информации (ИИ) о состоянии телекоммуникационного оборудования в процессе его функционирования), с одной стороны, и невозможности выполнения этих требований современными СМ - с другой. Под сбором ИИ понимается целенаправленное извлечение систематизированной и несистематизированной информации о состоянии телекоммуникационного оборудования ТСС СН для последующего ее анализа.

Формально целевую функцию, которая раскрывает зависимость факторов, влияющих на оперативность сбора ИИ, и стремится к минимуму временных затрат, можно представить выражением:

Тсб = / ^ бкС^ Кп № Ос^ 0,и) ^Т^™11, (1)

где УИИ - объем передаваемой ИИ; Ок Спд- качество каналов сети передачи данных; Кп дЛ -коэффициент подготовленности должностных лиц органов управления связью; Оси - качество средств измерений; Ори - качество результатов измерений; © - допущения и ограничения.

Как отмечалось ранее, сбор ИИ является сложным, многомерным процессом, при рассмотрении которого необходимо учитывать множество различных факторов. Исследование этого процесса над реальными объектами требует больших временных и материальных затрат.

Таким образом, необходима разработка математической модели сбора ИИ.

Она включает в себя следующие этапы [1,2]:

1) уяснение целей моделирования сбора ИИ;

2) построение концептуальной модели - модели на уровне определяющего замысла с позиций системного подхода;

3) постановку задачи на моделирование;

4) разработку математической модели сбора ИИ, которая может быть аналитической, имитационной или аналитико-имитационной;

5) планирование и проведение эксперимента над моделью;

6) обработку, анализ и интерпретацию результатов эксперимента;

7) оценку качества модели путем проверки ее на адекватность и чувствительность, а также на достоверность результатов.

С учетом выше изложенного, для реализации модели сбора ИИ необходимы исходные данные, представленные в табл. 1.

Таблица 1

Исходные данные модели сбора ИИ _

№ п/п Наименование параметра Обозначение

1 Граф СПД в СМ О = (У, Е)

2 Количество аппаратных связи Кап

3 Количество линий связи Клс

4 Множество вершин V = {У1,Уг, ..., Укп}

5 Множество ребер Е ={Е1,Е2, ...,Еклс}

6 Объем пакета ИИ от /-го объекта Уг/

7 Вероятность выхода из строя 7-й линии связи Рвых

8 Путь из ребра в конечную вершину графа Рт

9 Множество ребер, выходящих из вершины Укап {1т\, 1т2, ..., 1 т/}

11 Время восстановления 7-й линии связи Ты

12 Интенсивность генерации пакетов ИИ Ь

При разработке модели сбора ИИ с учетом целей моделирования приняты следующие ограничения и допущения:

1) требования к СМ по достоверности, полноте выполняются;

2) длительность мониторинга - 240 часов;

3) воздействия на СМ - кибератаки [3].

Таким образом, на основе указанных исходных данных модель сбора ИИ в СМ ТСС ОО должна рассчитывать соответствующие выходные данные (табл. 2).

Таблица 2

Выходные данные модели процесса сбора ИИ _

№ п/п Наименование параметра Обозначение

1 Среднее значение трафика ИИ на линиях СПД СМ У ¡г СПД

2 Кратчайший маршрут передачи ИИ О*(У, Е)

3 Вероятность доставки ИИ Р( Т дост )

4 Время доставки пакета ИИ т дост

Аналитическое выражение приведенной в общем виде функциональной зависимости (1) с учетом поставленной задачи на моделирование сбора ИИ в СМ ТСС СН и выбранного показателя качества (оперативности) может быть представлено в уточненном виде:

Т сб -см-— |а. * (2)

N

т =Ут • (3)

сб / , дост 7

г=1 186

Т

= max (A tj ;TnpAj ) minmax(A tj ); (4)

дост j

Nnvr 1 N

1 NTr 1

t =y-1-+y-1--(5)

прд j C 1 Z-l C 1 '

C 1 ^ C

m=1 ^ jQYr„ 1 m=1 jTCm

^jOYCm AtQy° ^APMjVjTr„ AtjT°

где Тдост . - время доставки ИИ; Тпрд. - время передачи ИИ от ТКО; Noyr - количество ребер в маршруте от j-го объекта до АРМ опорного узла связи (ОУС); C oyr - пропускная способ-

JQyrm

ность каналов ОУС; - объем ИИ от /-го объекта на ОУС; —1— - интенсивность опроса

Joyr^ AtОУС

J

ТКО на ОУС; NTr - количество ребер в маршруте от АРМ ОУС до АРМ пункта управления связью (ПУС); C ТС - пропускная способность каналов ТСС; к.РМ. - коэффициент фильтра-

/ТСт АРМ/

ции ИИ; V.ТС - объем ИИ от ОУС; —1— - интенсивность опроса ОУС ТСС.

Т т AtТс

Таким образом, основная цель моделирования сбора ИИ заключается в исследовании зависимости требуемой пропускной способности сети передачи данных от поступающего трафика ИИ в условиях воздействия различных дестабилизирующих факторов.

Список литературы

1. Губская О. А. Модель информационно-измерительной системы мониторинга транспортной сети связи специального назначения // Стратегическая стабильность. Секция «Инженерные проблемы стабильности и конверсии» Российской инженерной академии. 2019. № 4. С. 53-55.

2. Боев В.Д. Основы моделирования военной техники связи: Учеб. пособие. СПб.: ВАС, 2011. 424 с.

3. Губская О.А., Боговик А.В. Анализ уязвимости информационно-измерительной системы мониторинга специального назначения // Стратегическая стабильность. Секция «Инженерные проблемы стабильности и конверсии» Российской инженерной академии. 2019. № 4. С. 34-39.

Зайкин Николай Николаевич, преподаватель, zaykin53@mail.ru, Россия, Санкт-Петербург, Военная академия связи,

Свидло Александр Владимирович, преподаватель, svidlo _av@yandex. ru, Россия, Санкт-Петербург, Военная академия связи,

Чуприков Олег Валериевич, преподаватель, chuprikov_ov@mail.ru, Россия, Санкт-Петербург, Военная академия связи,

Губская Оксана Александровна, канд. техн. наук, преподаватель, gubskaya.oa@yandex.ru, Россия, Санкт-Петербург, Военная академия связи

SETTING THE TASK FOR MODELING THE COLLECTION MEASUREMENT INFORMATION IN THE SYSTEM SPECIAL PURPOSE MONITORING

N.N. Zaikin, A.V. Svidlo, O.V. Chuprikov, O.A. Gubskaya

The article offers a variant of the problem statement for modeling the collection of measurement information in a special-purpose monitoring system. The purpose of the simulation is to study the dependence of the required bandwidth of the data transmission network on the incoming traffic of measuring information under the influence of various destabilizing factors.

Key words: monitoring system, measurement data collection, modeling, communication transport network.

Zaikin Nikolay Nikolaevich, lecturer, zaykin53@mail.ru, Russia, St. Petersburg, Military Academy of Communications,

Svidlo Alexander Vladimirovich, lecturer, svidlo_av@yandex.ru, Russia, St. Petersburg, Military Academy of Communications,

Oleg Valerievich Chuprikov, lecturer, chuprikov_ov@mail.ru, Russia, St. Petersburg, Military Academy of Communications,

Gubskaya Oksana Aleksandrovna, candidate of technical sciences, lecturer, gubskaya.oa@yandex.ru, Russia, St. Petersburg, Military Academy of Communications

УДК 51-74; 658.262; 658.512:005

DOI: 10.24412/2071-6168-2021-11-188-193

ОБЛАСТЬ ДОПУСТИМЫХ ЗНАЧЕНИЙ ВЕКТОРНОГО РАНГОВОГО РАСПРЕДЕЛЕНИЯ

О.Р. Кивчун

Рассмотрен способ определения области допустимых значений для векторного рангового распределения. Он включает в себя три этапа: представление параметрического распределения в векторном ранговом пространстве, его аппроксимация и построение границ области допустимых значений. Предложенный способ позволяет существенно упростить и уточнить построение границ области допустимых значений за счёт представления параметрического распределения в векторном ранговом пространстве, реализовать исследования индивидуальных свойств объектов за счёт исследования допустимого диапазона ранга.

Ключевые слова: область допустимых значений, векторный ранговый анализ, векторное ранговое пространство, допустимый диапазон ранга, аппроксимация, векторное ранговое распределение.

В настоящее время при переходе к «цифровой экономике» реализуется достаточно большое количество программ развития в различных отраслевых областях промышленности, экономики, социальной сферы, медицины, искусства и т.д. Каждая из них определяет свои направления перехода и формирует дорожные карты. Структура дорожных карт включает в себя совокупность мероприятий, которые позволят на новом уровне с использованием новых информационных технологий обеспечить потребности отрасли, ожидаемые результаты от реализации мероприятий, а также сроки их реализации [1-3].

Анализ большого количества таких документов, позволил установить основные мероприятия, которые являются наиболее приоритетными во всех отраслях. К ним относятся: внедрение в технологический процесс систем искусственного интеллекта, применение в повседневной деятельности нейросетевых технологий, внедрение на объектах новых цифровых устройств «Интернет вещей» или «Умного дома», а также использование технологий анализа больших данных [1-3].

С появлением современных цифровых устройств появляется возможность повысить информативность в любой сфере. Простой пример можно привести при использовании личных смартфонов. Любой человек может накапливать большие объёмы информации и определять их место хранения. Зачастую, о некоторых данных он забывает или не успевает их обработать. Тогда, что говорить о крупных предприятиях. Поэтому разработка технологий и научно обоснованных методов, моделей и методик анализа больших данных имеет актуальное значение для всех сфер деятельности человека.