CC BY
29
УДК 004.75; 004.052.3
ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ ТУМАННЫХ ВЫЧИСЛЕНИЙ В СИСТЕМЕ МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ ОПАСНЫХ
ПРИРОДНЫХ ЯВЛЕНИЙ
Э.В. Мельник, Д.Я. Иванов, М.В. Орда-Жигулина, Д.В. Орда-Жигулина, А.А. Родина
Проанализирована задача создания системы мониторинга природных явлений, способная обрабатывать большие объемы неструктурированных данных, поступающих от разнотипных источников. При разработке такой системы используется концепция туманных вычислений, а именно: размещение некоторых вычислительных подзадач на вычислительных ресурсах сетевого оборудования и мобильных устройствах организаций и отдельных лиц, задействованных в проведении мониторинга. Применение концепции туманных вычислений позволит снизить телекоммуникационную нагрузку на каналы связи, уменьшить вычислительную нагрузку на сервера обработки информации, что в свою очередь позволит увеличить надежность и снизить время отклика системы.
Ключевые слова: опасные явления, мониторинг, системы сбора и обработки данных, промышленный интернет вещей, распределенный реестр, туманные вычисления.
Введение. Активное воздействие антропогенных факторов, изменение климата, а также некоторые естественные факторы оказывают значительное влияние на природу. При этом некоторые природные явления несут угрозу для населения и хозяйственных объектов.
Во многих случаях опасные природные явления приводят к неблагоприятным последствиям для жителей и инфраструктуры прибрежных районов. Так, например, вследствие изменений климата, ухудшаются характеристики среды обитания человека, в частности, все большие опасения вызывает ситуация с обеспечением жителей Земли пресной водой, причем проблемы начинают возникать в местах, которые в данном отношении всегда считались благополучными. Примером может послужить низовье реки Дон, где зафиксированы ранее не наблюдавшиеся гидрологические и гидрохимические тенденции: значительное осолонение воды (вплоть до максимально допустимых концентраций), значительное обмеление [1].
С целью предотвращения развития или же снижения негативных последствий опасных природных явлений, в нашей стране проводится гидрологический, метеорологический и биологический мониторинг. Однако, большинство предпринимаемых мер носит локальный и разрозненный характер. В том время, как развитие современных технологий в области сбора данных, обработки больших объемов неструктурированной информации, создания систем поддержки принятия решений позволяют объединять данных от различных источников с целью создания глобальных систем
300
мониторинга, включающих нетипичные источники данных, таких как мониторинг виртуального пространства социальных сетей на предмет сообщений о нетипичных природных явлениях, в частности, сообщения о необычных свойствах воды, нетипичных запахах или осадках, резком изменении погоды, море рыбы или ухудшении качества продуктов. Таким образом актуальным является применение современных технологий к сфере мониторинга природных процессов. В рамках данной статьи предлагается метод отбора исходных данных и применение концепции туманных вычислений при создании системы мониторинга и прогнозирования опасных явлений.
Системы мониторинга опасных явлений без автоматизации.
В настоящее время существует целый ряд систем мониторинга опасных явлений, в которых нет автоматизации и обработки данных. Применение современных информационных технологий, при использовании уже существующей инфраструктуры датчиков, позволило бы сделать эти системы дешевле и функциональнее.
Так, авторами [2] приводится фактический материал и в ежегодном режиме выполняются комплексные геолого-геоморфологические и геофизические исследования береговой зоны восточной части Финского залива в рамках проектов, осуществляемых при поддержке Комитета по природопользованию, охране окружающей среды и обеспечению экологической безопасности Санкт-Петербурга и Федерального агентства по недропользованию. Эти работы включают в себя береговые маршруты, нивелировки по сети опорных профилей (в том числе, в оперативном режиме после сильных штормов), гранулометрический анализ осадков пляжа и подводного берегового склона. На прибрежных мелководьях выполнено более 1600 км профилирования методом гидролокации бокового обзора (ГЛБО) с использованием гидролокатора CM2 (C-MAX Ltd, UK) с полосами обзора 100, 50 и 25 м с каждого борта, осуществлен такой же объем эхолотирова-ния, более 500 км непрерывного сейсмоакустического профилирования. Для заверки геофизических данных и получения материала для лабораторных исследований применяется донный пробоотбор и подводная видеосъемка. Пробы донных осадков отбираются дночерпателем, бокс-корером и герметичной грунтовой трубкой. В 2012-2013 и 2014-2015 гг. для отдельных участков берега было выполнено лазерное сканирование (в том числе, в повторном режиме после экстремальных штормов), что позволило впервые выполнить количественную оценку объемов потери песчаного материала под воздействием абразии, а также многолучевое эхолотирование в пределах дна акватории. Для анализа изменений гидрометеорологических факторов были использованы материалы ГУ Санкт-Петербургского центра по гидрометеорологии и мониторингу окружающей среды (ГУ СПб ЦГМС-Р). Благодаря длительной истории хозяйственного освоения территории Курортного района в открытом доступе имеется большое количество архивного картографического материала, что, наряду с использовани-
301
ем результатов аэрофотосъемки высокого разрешения, выполнявшейся в исследуемом районе НИИКАМ в 1981 и 1990 г., позволяет выполнять оценки скоростей размыва берегов с использованием ретроспективного анализа материалов дистанционного зондирования. Но не приводится никаких данных в открытых источниках, которые бы говорили о том, что созданы системы реагирования на возникновение опасных ситуаций в режиме он-лайн.
Авторами [3] также рассматриваются основные опасности природного, техногенного, биолого-социального и военного характера начала XXI века, связанные с возникновением чрезвычайных ситуаций, а также особенности их мониторинга и прогнозирования как в мирное, так и военное время. Проведен анализ порядка функционирования и возможностей существующих систем мониторинга и прогнозирования опасных природных явлений, состояния критически важных и потенциально опасных объектов, угроз военного характера. Показаны перспективы их развития путем интеграции в единую государственную систему мониторинга и прогнозирования ЧС как составную часть системы обеспечения комплексной безопасности жизнедеятельности населения и территорий. Особое внимание уделяется мониторингу и прогнозированию рисков в Арктическом регионе. Описаны методы прогнозирования ЧС природного и техногенного характера, а также последствий применения современных средств поражения по объектам экономики и инфраструктуры на территории России. Структуру данной системы можно было бы взять за прототип разрабатываемой системы мониторинга и прогнозирования опасных процессов, потому что структура системы и способы обработки данных в ней можно существенно снизить и сделать более защищенными.
Авторами [4] проведены исследования по изучению фактического питания населения, качества и безопасности пищевых продуктов. Была выявлена тенденцию по улучшения питания, наличие невысокой доли несоответствия пищевых продуктов гигиеническим требованиям по сани-тарно-химическим показателям, низкую опасность алиментарного поступления контаминантов в организм населения Пензенской области. Подобные методы можно использовать для мониторинга состояния здоровья жителей прибрежной зоны.
Обзор систем мониторинга опасных явлений и процессов в природе и городской среде с использованием технологий туманных вычислений. В работах [5-8] рассматриваются технологии конвергентной распределенной обработки данных на основе сближения моделей GRID, облачных (cloud computing) [9-11] и туманных (fog computing) [12-15] вычислений. Предлагается использовать данную парадигму для организации аналитической обработки больших сенсорных данных (Big Sensor Data) [16; 17] в SCADA системах для организации диспетчерского контроля пространственно-распределенных объектов инженерных энергетических сетей и процессов распределения и потребления энергии. В данной концепции
302
модель «туманных» вычислений может быть реализована для обработки, нормализации и агрегирования сенсорных данных на уровне узлов сенсорной сети и/или промышленных контроллеров, что может быть использовано и для систем прогнозирования и мониторинга опасных процессов, в части создания сенсорной сети из метеорологических датчиков, а модели GRID или «облачных» вычислений - для анализа агрегатов данных в центральном вычислительном кластере диспетчерской SCADA системы. Для поддержки работы модели «туманных» вычислений и процессов защищенного сбора и обработки сенсорных данных авторами предполагается использовать беспроводную сенсорную сеть ZigBee [18] и сегменты сети сотовой связи. Рассмотрено решение вопросов по обеспечению информационной безопасности в среде «туманных» вычислений. Когда агрегаты данных и интегральные показатели передаются для накопления в информационном многомерном хранилище с целью последующего извлечения и интеллектуального анализа в вычислительном кластере GRID системы.
Все технологии и методы, рассмотренные в статьях [5-8] выше могут быть применены для создания системы прогнозирования и мониторинга опасных процессов и обеспечения безопасности населения и береговой инфраструктуры различных классов.
В статье [19] предлагаются принципы и строится схема объединения беспроводных датчиков для управления водоснабжением водными ресурсами, для системы QoS в Королевстве Саудовская Аравия. Согласно данным авторов, согласно исследованию, проведенному Водным банком по управлению водными ресурсами (Water Bank on Water Management), было предсказано, что около 4 млн. жителей страны будут сталкиваться с серьезным недостатком питьевой воды. Нехватка чистой воды является одной из главных проблем, с которыми сталкивается Королевство Саудовская Аравия (KSA). Целью исследования авторов являлось построение структуры для текущих исследований, связанных с решением вопроса нехватки питьевой воды. Была разработана эффективная и надежная архитектура управления водными ресурсами с применением беспроводных сенсорных сетей, которые поддерживают «качество обслуживания» (QoS) в KSA. Предлагаемая структура использует сенсорный n-hop кластеры, принципы работы которых основаны на учете времени простоя порта транспорта, который обслуживается каждым кластером.
Предлагаемая структура имеет гибкую сетевую архитектуру, содержит большое количество независимых кластеров датчиков, мобильные вычислительные устройства, которые являются дополнением вычислительному модулю, по сбору и обработке информации от датчиков кластеров датчиков. Адреса компонентов системы определяются в процессе работы системы. Основные компоненты структуры обладают свойствами реконфигурируемости, отказоустойчивости, модульности и возможностью независимой обработки данных. Способ применения беспроводных технологий, реконфигурируемости, способа размещения датчиков на местности,
303
предложенный авторами в данной системе, может быть применен для создания системы метеорологических датчиков или использования мобильных устройств водителей городского транспорта для получения первичных данных для системы мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения, связанного с нехваткой питьевой воды в случае наступления чрезвычайных ситуаций природного и техногенного характера.
В статье [20] и на рис. 1 приведена структура системы экологического мониторинга для которой могут быть применены технологии цифровой экономики [21-25], туманных вычислений и интернета вещей [26-30], что может быть использовано для построения структуры системы мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения, связанного с нехваткой питьевой воды в случае наступления чрезвычайных ситуаций природного и техногенного характера.
Поступление данных
s о,
г
S
Банк данных
Информационная подсистема
Тематические базы
данных
Ресурсообмеи по сета региональной сети жомоннторннга
ГИС-обеспечение К онстатацнонные карты
Разработка критериев выбора управленческих решений
Аналитическая подсистема
Оценки
Прогнозы
Критерии выбора
Подсистема метрологической поддержки региональной сети экологического мониторинга
a
С!
Рис. 1. Функциональная схема структуры региональных подсистем
экологического мониторинга
Туманные вычисления. Концепция туманных вычислений является дальнейшим развитием концепции облачных технологий. [31]. В основе концепции туманных вычислений лежит подход, заключающийся в использовании вычислительных ресурсов тех устройств, которые расположены топологически между пользователями и удаленными серверами. Это позволяет снизить вычислительную нагрузку на сервера, коммуникационную нагрузку на каналы связи и уменьшить время обработки данных.
Туманные вычисления не только обеспечивают реализацию и хранение сетевых и вычислительных услуг, но также являются удобной платформой для Internet of Things (IoT), то есть для интернета вещей.
Однако при реализации туманных вычислений возникает угроза нарушения конфиденциальности и обеспечения безопасности данных и предоставления вычислительных услуг. Существующие методы обеспече-
ния безопасности и механизмы реализации обеспечения конфиденциальности данных, которые были разработаны для облачных вычислений, не могут применяться при туманных вычислениях, так как для туманных вычислений характерны большой территориальных разброс между вычислительными устройствами в сети, их мобильность и неоднородность их расположения. Следовательно, при разработке современной системы прогнозирования и мониторинга опасных явлений должны разрабатываться новые методы обеспечения безопасности и механизмы реализации обеспечения конфиденциальности данных.
Требования к системе мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры. Средства для систем мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры (СМПОПиОБН) должны обеспечивать своевременный сбор данных, на основании которых можно сделать прогноз о возникновении опасных явлений, провести разработку и проведение мероприятий по предупреждению чрезвычайных ситуаций, обеспечить информирование и защиту населения, которое может быть подвергнуто опасности в связи с опасными природными процессами, их локализацией и мер по снижению ущербов от их воздействия.
СМПОПиОБН должна обеспечивать информационное обеспечение; оперативное выявление и прогнозирование развития опасных процессов, влияющих на жизнеобеспечение и безопасность населения и функционирование объектов хозяйства; выдавать исходные данные операторам и административным лицам для разработки и реализации мероприятий по уменьшению и предотвращению негативных последствий опасных процессов; позволять оценить эффективность проводимых защитных мероприятий.
СМПОПиОБН должна включать в себя природные и техногенные компоненты геологической среды на нескольких масштабных уровнях (национальный, региональный, локальный), что позволит установить закономерности динамики опасных процессов, осуществить прогноз их развития и предотвратить негативные последствия, в т.ч. экологические.
Функциональная структура СМПОПиОБН должна включать подсистемы режимных наблюдений, прогнозирования, оценки опасности и риска, управления [32].
В СМПОПиОБПН могут быть использованы следующие техноло-гиицифровой экономики: Большие данные (Bigdata), нейротехнологии и искусственный интеллект; системы распределенного реестра; квантовые технологии; новые производственные технологии; промышленный интернет; компоненты робототехники и сенсорика; технологии беспроводной связи; технологии виртуальной и дополненной реальностей.
Предлагаемый метод. Предлагается «комбинированный» метод отбора исходных данных для системы мониторинга и прогнозирования опасных явлений задействует использование уже существующих информационных инфраструктур на базе которого была предложена структура системы анализа ОЯ, которая показана на рис. 2.
Рис. 2. Структура системы мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры различных классов
Система мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры различных классов, в том числе донных сообществ прибрежных зон Понто-Каспийского региона (СМПОПиОБН) на базе технологий цифровой экономики» содержит оконечные устройства (датчики), промежуточные устройства, осуществляющие предварительную обработку (в т.ч. вычисления и анализ) (смартфоны, планшетные и портативные компьютеры, ноутбуки, смарт-часы, устройства отслеживания активности и др.), датацентры и сервера для накопления данных мониторинга, их заключительной обработки, анализа происходящих изменений состояния прибрежных и водных объектов и рекомендации по стабилизации состояния этих объектов и организации действий с целью обеспечения безопасности населения и береговой инфраструктуры в случае необходимости.
Оконечные устройства системы представлены множеством разнородных датчиков, которые могут быть расположены в прибрежной зоне, зоне мелководья, в отдалении от берега размещаясь на оборудовании, одежде виндсерферов, байдарочников, яхтсменов, буях, катерах морской охраны и др., которые собирают данные об окружающей (воздушной, водной, придонной) среде. Все датчики оснащены модулем беспроводной связи. Кроме того, оконечными устройствами могут быть БПЛА с отдельными датчиками или анализаторами на борту, возможностями фото и видеосъемки, данные от которых поступают на промежуточные устройства.
Кроме того, данные о состоянии окружающей среды могут быть получены при анализе открытых данных из соцсетей (фото, видео, сообщения), метеролигических данных в реперных точках наблюдения, анализа снимков со спутников LANDSAT, Google Earth, карт мелководья и абразии берегов.
Датчики могут быть оборудованы гироскопом, компасом, часами или другим устройством контроля времени, GPS и высотомером GPS и передавать координаты широты и долготы, данные о времени.
В зависимости от вида датчика для воздушной среды могут собираться метеоданные (температура воздуха, атмосферное давление, направление и скорость ветра, облачность, осадки) и др.
В зависимости от вида датчика для водной среды могут собираться такие данные как глубина, температура воды, соленость, pH, давление, растворенный кислород, состав исследуемого слоя воды, приливы / отливы, волновые данные (высота волны, направление, скорость и кинетическая энергия волны и др.), а так же данные биомониторинга (качественное и количественное определение зоо- и фито-планктона, бактерий, грибов) и пр.
В зависимости от вида датчика в придонном слое могут собираться данные о глубине, температуре придонного слоя воды, солености в придонном слое, pH, давлении, растворенном кислороде в придонном слое, составе воды придонного слоя, а так же данные биомониторинга (качественное и количественное определение придонных сообществ).
Данные, поступающие с датчиков, передаются на сервера и дата-центры, проходя частичную обработку на различных мобильных устройствах (смартфонах, планшетных и портативных компьютерах, ноутбуках, смарт-часах, устройствах отслеживания активности и др.), которые содержат мобильные приложения для приема данных об окружающей среде, дальнейшей оценки качества, определения достоверности получаемых данных и исключения данных с ошибками, частичного анализа поступивших данных.
Кроме того, данные, полученные при «комплексном» анализе информации, собранной из различных источников (данных от БПЛА, спутниковой видео- и фотосъемки, данных метеостанций, соцсетей) позволят более тщательно определять место и время забора проб бентоса, что приведет к уменьшению расходов на организацию экспедиций ЮНЦ РАН с целью осуществления забора проб и повышению качества и значимости получаемых для исследования материалов.
В части обработки данных необходимо учитывать, что в настоящее время информационно-управляющие системы и системы поддержки принятия решений, как правило, строятся на базе сетевых технологий для организации информационного обмена (Ethernet, CAN, ZigBee, WiFi), технологий изготовления сенсорных устройств, технологий обработки больших объемов данных (облачные и туманные технологии, сервис-ориентированная архитектура, технологии обеспечения обработки в реальном времени). Такие системы строятся иерархически (уровень сенсоров для сбора информации, уровень контроллеров для первичной обработки, уровень серверов приложений, уровень АРМов). При этом обработка основного объема данных и общее управление системой (диспетчирование)
осуществляется, как правило, централизованно. С одной стороны, так систему проще организовать, однако при этом возникают сложности с обеспечением оперативной реакции на события вследствие латентности при передаче данных, надежностью (требуется соответствующее резервирование центральных элементов, отказ которых приведет к отказу системы в целом), масштабированием (через каналы связи с ограниченной пропускной способностью можно обрабатывать данные от ограниченного количества источников), взаимодействием с другими системами (как и в случае с масштабированием). То есть для обеспечения перечисленных выше характеристик в системе могут быть реализованы децентрализованные принципы управления А в рамках концепции цифровой экономики для решения данной проблемы могут быть использованы технологии туманных вычислений (перенос вычислительной нагрузки к краю системы с целью снижения нагрузки на сеть и уменьшения времени реакции на события)
Сервера содержат серверные приложения с программными модулями для приема данных об окружающей среде, для применения алгоритма оценки качества и достоверности получаемых данных и исключения данных с ошибками, для применения алгоритма анализа поступивших данных с целью отслеживания состояния прибрежных и водных объектов и рекомендации по стабилизации состояния этих объектов и организации действий обеспечения безопасности населения и береговой инфраструктуры в случае необходимости.
Выводы. Мониторинг и прогнозирования опасных природных процессов представляет собой актуальную задачу. При этом применяемые в настоящий момент меры и средства носят разрозненных характер. Необходимо создание общей системы, которая была бы способна обрабатывать большой поток слабоструктурированных данных, поступающих из различных источников, обладать высокой масштабируемостью и устойчивостью к недетерминированным изменениям структуры системы. В рамках данной работы показаны предпосылки к созданию такой системы. Показаны перспективы применения концепции туманных вычислений к созданию систем такого типа.
Публикация подготовлена в рамках реализации проекта РФФИ № 18-05-80092.
Список литературы
1. Матишов Г.Г. Нужны ли тихому Дону новые плотины? // Природа. 2018. № 1. С. 25-34.
2. Проблемы абразии берегов восточной части финского залива: состояние, прогноз, рекомендации по берегозащите / Д.В. Рябчук [и др.] // Ученые записки Российского государственного гидрометеорологического университета. 2016. № 44. С. 187-203.
3. Болов В.Р. и др. Современные системы мониторинга и прогнозирования чрезвычайных ситуаций. Москва: Министерство РФ по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий, 2013. 351 с.
4. Перекусихин М.В., Васильев В.В. Оценка качества и безопасности продовольственного сырья и пищевых продуктов, питания населения в системе социально -гигиенического мониторинга и обеспечения здоровья // Медицина труда и экология человека, 2015. № 4. С. 264-269.
5. Финогеев А.А., Финогеев А.Г., Нефедова И.С. Технология конвергентной обработки данных в защищенной сети системы мониторинга // Фундаментальные исследования, 2015. Т. 5. № 11. С. 923-927.
6. Камаев В.А. и др. Инструментальные средства "облачного" мониторинга распределенных инженерных сетей // Известия Волгоградского государственного технического университета, 2014. Т. 22. № 25 (152). С. 164-176.
7. Финогеев А.Г. и др. Анализ данных в системе диспетчеризации городского теплоснабжения // Прикаспийский журнал управление и высокие технологии, 2014. № 2. С. 182-197.
8. Финогеев А.А., Финогеев А.Г., Нефедова И.С. Распределенная обработка данных в беспроводных сенсорных сетях на основе мультиа-гентного подхода и туманных вычислений // Труды международного симпозиума Надежность и качество, 2016. № 1. С. 258-260.
9. Chen K. и др. Cloud Computing // IEEE Netw. 2011. С. 4.
10. Jadeja Y., Modi K. Cloud computing-concepts, architecture and challenges // Computing, Electronics and Electrical Technologies (ICCEET), 2012 International Conference on., 2012. С. 877-880.
11. Dillon T., Wu C., Chang E. Cloud computing: issues and challenges // Advanced Information Networking and Applications (AINA), 2010 24th IEEE International Conference on., 2010. С. 27-33.
12. Hosseinpour F., Westerlund T., Meng Y. A Review on Fog Computing Systems // Int. J. Adv. Comput. Technol. Hannu Tenhunen, 2016. Т. 8(5). С. 48-61.
13. Firdhous M., Ghazali O., Hassan S. Fog Computing: Will it be the Future of Cloud Computing? // Third Int. Conf. Informatics Appl. 2014. С. 815.
14. Hajibaba M., Gorgin S. A review on modern distributed computing paradigms: Cloud computing, jungle computing and fog computing // J. Com-put. Inf. Technol. 2014. Т. 22. № 2. С. 69-84.
15. More P. Review of implementing fog computing // Int. J. Res. Eng. Technol, 2015. Т. 04. № 06. С. 2319-2322.
16. Hayes M.A., Capretz M.A.M. Contextual anomaly detection framework for big sensor data // J. Big Data, 2015. Т. 2. № 1. С. 2.
17. Ang L.-M., Seng K.P. Big sensor data applications in urban environments // Big Data Res. 2016. Т. 4. С. 1-12.
309
18. Pothuganti K., Chitneni A. A comparative study of wireless protocols: Bluetooth, UWB, ZigBee, and Wi-Fi // Adv. Electron. Electr. Eng., 2014. Т. 4. № 6. С. 655-662.
19. Aleisa E. Wireless sensor networks framework for water resource management that supports QoS in the Kingdom of Saudi Arabia // Procedia Comput. Sci. 2013. Т. 19. С. 232-239.
20. Сюткин В.М. Экологический мониторинг административного региона (концепция, методы, практика на примере Кировской области). Киров: ВГПУ, 1999. 232 с.
21. Куприяновский В.П. и др. Цифровая экономика и Интернет Вещей—преодоление силоса данных // Int. J. Open Inf. Technol, 2016. Т. 4. № 8. С. 36-40.
22. Нестеренко Е.А., Козлова А.С. Направления развития цифровой экономики и цифровых технологий в России // Экономическая безопасность и качество. 2018. № 2 (31). С. 9-14.
23. Паньшин Б. Цифровая экономика: особенности и тенденции развития // Наука и инновации. 2016. Т. 3. № 157. С. 17-20.
24. Юдина Т.Н. Осмысление цифровой экономики // Теоретическая экономика. 2016. № 3 (33). С. 12-16.
25. Кешелава А.В., Буданов В.Г., Румянцев В.Ю. Введение в «Цифровую экономику» ВНИИ Геосистем, 2017.
26. Мельник Э. В. Децентрализованные системы компьютерного управления : монография / И.А.Каляев, Э.В.Мельник. Ростов н/Д: Изд-во ЮНЦ РАН, 2011. 196 с.
27. Gubbi J. и др. Internet of Things (IoT): A vision, architectural elements, and future directions // Futur. Gener. Comput. Syst, 2013. Т. 29. С. 1645-1660.
28. Atzori L., Iera A., Morabito G. The internet of things: A survey // Comput. Networks, 2010. Т. 54. № 15. С. 2787-2805.
29. Sadiku M.N.O. и др. Industrial internet of things // IJASRE. 2017. Т. 3.
30. Xu L. Da, He W., Li S. Internet of things in industries: A survey // IEEE Trans. Ind. informatics. 2014. Т. 10. № 4. С. 2233-2243;
31. Aljumah A., Ahanger T.A. Fog computing and security issues: A review // 2018 7th International Conference on Computers Communications and Control (ICCCC), 2018. С. 237-239;
32. Мониторинг опасных природных процессов и явлений [Электронный ресурс]. URL: http://www.mchs.gov.ru/dop/terms/item/87498/. (дата обращения: 10.01.2018).
Мельник Эдуард Всеволодович, д-р техн. наук, главный научный сотрудник, заведующий лабораторией, evml 7amail.ru, Россия, Ростов-на-Дону, Южный научный центр Российской Академии наук,
Иванов Донат Яковлевич, канд. техн. наук, старший научный сотрудник, donat.ivanov@smail.com, Россия, Ростов-на-Дону, Южный федеральный университет,
Орда-Жигулина Марина Владимировна, канд. техн. наук, научный сотрудник, jigulina@,mail.ru, Россия, Ростов-на-Дону, Южный научный центр Российской Академии наук,
Орда-Жигулина Дина Владимировна, младший научный сотрудник, dinazhigulina@,mail.ru, Россия, Ростов-на-Дону, Южный научный центр Российской Академии наук,
Родина Арина Алексеевна, инженер-исследователь, ar.rodinaamail.ru, Россия, Ростов-на-Дону, Южный научный центр Российской Академии наук
APPLICATION OF FOG COMPUTING FOR MONITORING AND FORECASTING SYSTEM
OF HAZARDOUS NATURAL PHENOMENA
E.V. Melnik, D.YA. Ivanov, M.V. Orda-Zhigulina, D.V. Orda-Zhigulina, A.A. Rodina
The task of creating a monitoring system of natural phenomena, capable of processing large amounts of unstructured data coming from diverse sources, is analyzed. When developing such a system, the concept of fogging computations is used, namely the placement of some computational sub-tasks on the computing resources of network equipment and mobile devices of organizations and individuals involved in monitoring. Applying the concept of fogging computing will reduce the telecommunications load on communication channels, reduce the computational load on information processing servers, which in turn will increase the reliability and reduce the system response time.
Key words: hazardous phenomena, monitoring, data collection and processing systems, industrial Internet of things, blockchain, fog computing.
Melnik Eduard Vsevolodovich, doctor of technical science, main researcher, evml 7@mail.ru, Russia, Rostov-on-Don, Southern Scientific Center of the Russian Academy of Sciences,
Ivanov Donat Yakovlevich, candidate of technical sciences, researcher, donat.ivanov@gmail.com, Russia, Rostov-on-Don, Southern Federal University,
Orda-Zhigulina Marina Vladimirovna, candidate of technical sciences, researcher, Hgulina@,mail. ru, Russia, Rostov-on-Don, Southern Scientific Center of the Russian Academy of Sciences,
Orda-Zhigulina Dina Vladimirovna, junior researcher, dinazhigulina@,mail. ru, Russia, Rostov-on-Don, Southern Scientific Center of the Russian Academy of Sciences,
Rodina Arina Alekseevna, research engineer, ar.rodina@,mail.ru, Russia, Rostov-on-Don, Southern Scientific Center of the Russian Academy of Sciences
