CC BY
30
Тд = N * Тд. + Ттэ. = N1 * Тм. * Км. + Ттэ., где Ттэ. - трудоемкость разработки класса ТЭ 1-го типа.
Если принять Ттэ1 «Тм., получим следующее выражение:
Тд = N * Тм1 * Км1 + Ттэ1 = N * Тм1 * Км1 + Тм1 = Тм1 (N1 * Км1 +1).
Относительная эффективность использования классов ТЭ оценивается формулой: 2 Тм1 х (^ X Км1 +1)
Е = -1-.
2 Тм1 х N1
1
Для упрощения оценки примем Тм1 = Тмср., тогда имеем:
2 (N1 х Км. +1) • ' 131.9
Е = -1-=-=1319 = 0.39 .
IN
336
Принимая во внимание, что данным способом перекрывается часть разрабатываемого кода, найдем полную относительную эффективность ис-
пользования классов ТЭ. Пусть типовыми элементами перекрываем приблизительно 40 % кода Еполн = (0.39+6/4)/(1+6/4)=0,76.
Таким образом, получаем выигрыш по трудоемкости 24%.
Список литературы
1. Брюхов Д.О., Задорожный В.И., Калиниченко Л.А., Курошев М.Ю., Шумилов С.С. Интероперабельные информационные системы: архитектуры и технологии. // СУБД. - 1995. - №4.
2. Елманова Н.З. Borland C++ Builder. Версия 3.0. Архитектура "клиент/сервер", многозвенные системы, Internet-приложения. - М.: ДИАЛОГ-МИФИ. - 1998.
3. Кротов А.А., Лупян Е.А. Обзор методов реструктуризации и интеграции информационных систем. -http://d902.iki.rssi.ru/students/alekro/Dissertation/Papers/Reengine ering/my_review.html
4. Калиниченко Л.А., Когаловский М.Р. Стандарты OMG: Язык определения интерфейсов IDL в архитектуре CORBA. // СУБД. - 1996. - №2.
5. Ахтырченко К.В., Леонтьев В.В. Распределенные объектные технологии в информационных системах. // СУБД. -1997. - №5-6.
РАЗРАБОТКА ТЕХНОЛОГИИ НЕЧЕТКОГО МОДЕЛИРОВАНИЯ СИТУАЦИЙ ПРИНЯТИЯ РЕШЕНИЙ В ЧАСТИЧНО ФОРМАЛИЗОВАННЫХ СИСТЕМАХ
С.П. Вовк
Различные организационные системы относятся к классу частично формализуемых систем. Особый интерес представляют организационные системы, состоящие из двух подсистем, которые могут действовать согласованно или конфликтно в целях достижения наилучшей (в определенном смысле) общей для системы динамики нарастания некоторого необходимого качества. Последовательное принятие решения (ПР) по управлению взаимодействием таких подсистем осуществляется с учетом ограничений в виде предыстории протекания процесса взаимодействия в условиях несовпадающих систем предпочтений.
У исследуемого класса есть основные особенности организационных систем.
• Оптимальную стратегию достижения глобальной цели диктует 11, которой принадлежит инициатива в выборе правил взаимодействия по причине обладания в большей степени опытом и ресурсами. Оптимальная стратегия определена желаемой динамикой нарастания необходимого качества, отражающей темп нарастания интегрального показателя качества.
• Пассивная подсистема 12, которой навязываются правила взаимодействия, обладает некоторой реальной динамикой нарастания показателя качества. Сравнение темпов нарастания интегрального показателя качества у пассивных подсистем, обладающих разными характеристиками, позволяет в каждый момент функционирования определить динамически изменяющуюся принадлежность к классу.
• 12 пытается достигнуть общей цели с минимумом затрат: (вступает в коалицию или антагонистически противоборствует). Нарастание показателя качества оценивается с учетом первоначального уровня сложности работ и ввиду несовпадения оценок уровней сложности исходы взаимодействия описываются интервалами.
В отличие от традиционно рассматриваемых в теории игр сценариев поведения выбор стратегии взаимодействия 11 в некоторый момент ПР зависит от ранее проявленной 12 способности к накоплению качества. Способности проявляются в виде величины отклонения желаемой и реальной динамик нарастания показателя качества и опреде-
ляют выбор класса стратегий для возврата к желаемой динамике. Стратегии некоторого класса моделируются соответствующим фрагментом. Необходимость учета названных особенностей приводит к тому, что в общей постановке задачи моделирования и анализа частично формализованных систем отчетливо виден ряд вспомогательных задач:
1) модель динамики нарастания необходимого качества;
2) построение ситуационной модели игры с динамически меняющимся классом стратегий активного игрока и управление ее сценарием;
3) выбор лучшей тактики противодействия по отношению к противоположной стороне с учетом множеств критериев сторон.
Первая модель строится либо по результату экспертной оценки трудоемкости и значимости выполненных работ, либо оптимальная траектория определяется по описанию системы рекуррентными соотношениями Бэллмана.
Для решения второй задачи требуется:
• сформировать сценарий, описываемый конечным графом р = (Ss, V),
tj
где Ss = uSs представляет собой объединение t.
й tj
всех эталонных ситуаций ss моментов управления tj, j= in ; VcSsxSs описывает переходы между эталонными ситуациями разных tj с помощью отображений множества эффективных (или оптимальных) тактик игрока Ii в множество дуг
1(tj) и полезностей этих тактик в
§ t • A j ^ V и полезностей этих тактик в Atj '
i(tj)
множество дуг § t • U j ^ V ;
utj'
• определить допустимые тактики игрока для шага ПР tj, что требует решения третьей задачи;
• определить для Ii максимизирующее
* A 1(t j )' , * ч
управление атах £ A с Mamax) =
= max POSS(GtN !ZtN о ф1(^-1)) для попытки
фК»-)-1)
возврата I2 к запланированной динамике нарастания качества в условиях существования ограничения на силу воздействия в виде предыстории
rytj-1 * .1(tj)'
^ ; amax £ A J должно одновременно удовлетворять достижимости поставленной цели цD (amax) ^ ^g и допустимости найденного решения ЦD (amiax ) ^ ^G .
В качестве основной модели для решения третьей задачи выбрана известная теоретико-игровая модель анализа конфликтной ситуации. Путем анализа конкретной ситуации ПР, пред-
ставленного на рисунке, предлагается переход от общей теоретико-игровой модели к конкретной форме матричной игры.
Переход производится следующим образом:
- при ситуации ПР, характеризующейся четкими исходами взаимодействия и известными вероятностями их наступления, выполняется переход к модели четкой игры Неймана-Морген-штерна [1];
- при последствиях альтернатив ю е О л , формализуемых ю с функцией полезности (ФП)
ию : О ; — [0,1], и ограниченности информации
(1.)
о вероятностях исходов (РВ) Р 1 : О — Р задача ПР для игрока 11 описывается кортежем
1(4:). (4:) 1(1;) Л 1(1.) . ,, < А ; ,О ; ,Р.,Ь ; ,; ;Т1,А1 >, (1) а1 э
где Р={РП} - множество значений лингвистических вероятностей, каждое из которых формализуется нечетким числом с иРп :[0,1]—>[0,1]. Последствия решений 11 оценивает по лингвистиче-1(1.)
скому критерию Ь -1 = {1 ,...,1 ,...,1 }. С пози-
11' ' ш' ' тз'
ций 11 задача анализа решений в нормальной фор-
1 М М
ме описывается : — О л . Структура предпочтения 11 представляет бинарное нечеткое отношение нестрогого доминирования по полезности (ДП). Принцип выбора элементов из
А1®
на основе результата парного сравнения альтернатив состоит в построении К81(® с
1(1.) 1(1.) ц ^ ч :А ; хА ; — [0,1].
1(t.)
R
А1 определяет нечеткость тактики с нечетким подмножеством недоминируемых тактик (эффек-
1(1.)'
тивных решений) с и ш.) :А -1 — [0,1].
А1(1;)
Это преобразование описывает модель нечеткой
т- /л 1(4)' л 2(Ч)' г.1(ф п2(фч игры Гнч = (А ; ,А ; ; ; ), где
А1('-') - тактики 1-го игрока; - бинарные
нечеткие отношения нестрогого предпочтения 1-го
игрока на множестве О(1;).
Формализация ситуации 2 с помощью Гнч, несмотря на попытки, предпринятые в работе [2], оставляет нерешенными важные с точки зрения практики моделирования вопросы:
1) каким образом учитывается система предпочтений игрока при выборе им решения в 1.,
s
Моделирование ситуации взаимодействия систем с использованием четких и нечетких игр
(2)
2) каким образом выбирается желаемый уро-, '(Ч)
вень достижения п Л промежуточной цели ~к е 1 •
Предлагается постановку задачи определения желаемого уровня достижения цели 11 в условиях наличия противодействующей стороны 12 представить в виде кортежа:
< Л1^',< А1<,))',Ь1<,)) >,
< ь1АП >>
«V
где < ь 3 , ц8Ь > - система предпочтений, под
которой понимается совокупность представлений лица, принимающего решения (ЛПР), в момент ^ о 1(1.)
критериях Ь 1 и достоинствах тактик для представителей разных классов 12, задаваемых в виде
1= к!;) ки
отображения :8^хЬ хЛ 3 ^ [0,1];
- алгоритм, позволяющий определить желаемый уровень п достижения цели на множестве агрегированных предпочтений О1; Ап1
заключается в процедуре построения уровня п1 нечеткого ^8Л1 , которое необходимо представить
в виде функциональной зависимости
В результате анализа подходов к учету нечеткости, возникающих из-за многих критериев, автором было выявлено, что имеющиеся процедуры учета многокритериальности при построении множества недоминируемых альтернатив Лнд' 1-го игрока не отражают ограниченности информации о состоянии противоположной стороны. Много-критериальность может быть учтена с использованием степени разделения возможностей агрегированных предпочтений игроков относительно
альтернатив при разных предположениях о состоянии внешней среды.
Исследование моделей, реализующих алгоритм на матрице агрегированных предпочтений Q', показало, что для определения Ь' - уровня различения альтернатив игрока I' можно воспользоваться понятием "порог разделения зон" альтернатив, введенным в общей модели "разделения торговой зоны" Й. Леунга [3]. С учетом названного для IQ' I определяется
i (cl).u u (l,am)
l'a'
Uqi =-
m
s u, ' M
где ' (1,аш) - степень совместности тактики аш с критерием 1; и ^ (с,1) - степень важности
для представителя класса с противника Критерия 1 с точки зрения рассматриваемого в игре класса I'.
Для определения желаемого уровня достижения цели Ь' использовано понятие "порог разделения зон" [3]:
h' < niinniaxiiiin-
mm' c
(c'am)'(c'am')
, (3)
где u i (c,am ), u , (c,a ' ) - агрегированные
q1 q1 m
m m'
предпочтения рассматриваемого в игре класса Ij
. '(tj)
относительно тактик am, am' е A J для представителей класса c противника.
Аналогично может быть определен уровень для противника.
Равновесное решение нечеткой игры ищется
как R(htj) = Rh(tj) nR((tj) [2]. Оно выделяет на Q область Q' удовлетворительных исходов. Стратегии игроков, соответствующие œ^^a^e Q', представляют эффективные решения игроков при выборе первой альтернативы Ii и второй альтернативы I2. Q' служит основой для поиска единственного управления для Ii, отвечающего требованию достижимости промежуточной цели для представителей класса c игрока I2. Для нахождения единственного управления был разработан алгоритм определения максимизирующего управления для очередного шага ПР.
Предложенный метод поиска равновесного решения нечеткой игры в условиях многокритериального выбора игрока и ограниченности информации о состоянии другой стороны позволил разработать технологию моделирования игровых ситуаций с исходами взаимодействия, описываемых интервалами.
Основные пункты технологии моделирования ситуаций ПР с использованием четких и нечетких игр следующие.
1. Представить схему взаимодействия " 11 -12" в виде дерева позиционной игры.
2. Выявить множества тактик А1 для 11 и А2 для 12.
3. Перейти к п. 4 при возможности однозначной оценки исходов всех партий. Перейти к п. 6 в случае неоднозначности оценки некоторых исходов, то есть исходов, оцененных преподавателем в виде нечеткого интервала [р1,р2].
4. Определить ожидаемые выигрыши игроков с помощью [1] О1 (Ь,а1,а2,...,а;,...,ап) =
= Е р(Ь) ^ (Ь,а1,а2,...,а,,...,ап), где функция
ЬеИ
выигрыша О' является показателем успеха игрока на множестве исходов О(1;).
5. Представить схему взаимодействия в матричной форме, затем осуществить поиск оптимальных решений с использованием традиционных методов решения матричных игр [1]:
• при наличии "седловой точки" - с помощью шахшшС (а15а2) = шшшахС (а15а2),
a1 a2
a2 a1
• при ее отсутствии - с помощью maxminG (?, а) = minmaxG (?, а), где al5a2 -
чистые стратегии игроков 11 и 12 соответственно; 4,о - смешанные стратегии; О(а15а2), О (4,о) -математическое ожидание выигрыша в чистых и смешанных стратегиях.
Перейти к п. 25.
6. Упорядочить состояния, в которых может находиться 12, по убыванию их вероятностей р(с1)> ...> р(сш) на основе ранее рассмотренной оценки вероятностей возможных состояний противоположной стороны. Оценить степень истинности утверждения а="состояния С упорядочены по убыванию вероятности" как Т( X )=1.
7. Определить нечеткие оценки полезности тактики 11 при применении альтернатив а(, в виде [4] уя(и) и у8|(у) , ц,уе[0,1] для всех к возможных состояний противоположной стороны.
8. Результат сложения нечетких чисел обозначим W(k = Е , Wsk = ЕЕ с функциями принад-
1=1 1=1
лежности и^ (и), иWgk (V), определяемыми [4]
и^М = «иР шш{и Г1(ф1),...,иу(к(Фк)} и ф1»-»фк=и
Ф1,...,Фк е[0,1]
m
m
^wgk(v) =
sup min{^g1 (фх),...,цУок(фк)} •
ф!»-»фк=u Ф1,...,Фк е[0,1]
gk
9. Если < Wfk > Wgk > Vi = 1,k , то принять
(ag,af)=0 Vage A1 и перейти к п. 17.
Если с использованием четкого доминирования по полезности нельзя упорядочить тактики, при пересечении интервалов, перейти к п. 10, а при включении - к п. 11.
10. Если имеет место пересечение интервалов оценок полезностей, то оценить истинность утверждения Zk=<Wfk>Wgk> можно с помощью [4]
T(sk') = sup min{^Wfk(u)>^Wgk(v)}.
u^v
u,ve[0,1]
Перейти к п. 10.
11. В случае включения интервалов оценок полезностей оценить истинность утверждения T(Zk) с помощью формулы [4] T(Sk') = ipJL SUP min{1 - ^Wfk(u), ^Wgk(v)>.
ue[0,1]vSu
ue[0,1]
12. В случае пересечения интервалов оценок полезностей оценить истинность Т(£к ) утверждения =<Wgk>W(k> с помощью формулы [4]
Т($км) = «иР т^^С^.
u^ v
u,ve[0,1]
В случае включения интервалов оценок - с помощью формулы [4] Т^ ") = = т1П{Ц^ (и)'1 (^)} .
уё[0,1]
13. Определить степень доминирования альтернативы а( над аё как a(Rag = пипТ^'), где
Т^') определена в п. 10 или 11.
14. Определить степень доминирования альтернативы ag над а( как agRa( = пипТ^"), где
ТО^") определена в п.12.
15. Оценить истинность утверждения Т(Р) [4] с помощью T($) = max{0,T($k)-T($,k)} .
16. Определить степень доминирования a()Dag ^ X & $ с помощью характеристической функции отношения ДП [4] ц^^) Т(Х & $) = т1п{Т(Х),Т($)}.
17. Произвести парный анализ тактики a( с другими ageЛ1, выполнив п. 8-16 на множестве Л1.
18. Построить нечеткое множество недомини-
руемых
тактик
A-
нд
[4]
^НД1(аг) =1 - max, (ag,af) •
НД ageA1
19. Задачу анализа тактик для 12 задать отображением a: рассматривая в качестве возможных состояний природы наборы работ хеХ.
Построить нечеткое множество недоминируемых тактик Анд2 игрока I2, для чего выполнить п. 6-18 алгоритма на множестве тактик А2.
20. Выполнить попарное сравнение Wf, Wg в случае пересечения интервалов оценок с помощью
T(sj ) = sup min(^wfk(u), ^wgk(v)>, а в случае
u^ v u,ve[0,1]
включения интервалов оценок с помощью T(?j') = inf sup min{1 -^WjT, (u),^w„k (v)} .
ue[0,1]v^u g ue[0,1]
Построить [4] нечеткое множество недоминируемых тактик Авд с д Нд2 (af) =
= 1 - max цД (ag,af).
21. Определить нечеткость исхода [2], получающегося в результате применения нечетких стратегий игроками, согласно A1хA2={((a1,a2), Ol(al) л 02^2))}, где aleЛ1 , a2e Л2.
22. Построить на нечетком множестве исходов Й=Л хЛ четкие отношения уровня Rh'={(al,a2)eЛ1хЛ2|R(al,a2)>h'} (1=1,2) с использованием определенных с помощью (3) желаемых уровней 11 и 12.
23. Найти равновесное решение игры с помощью Rh~Rh1n Rh2, где П' - уровень нечеткого отношения R 1-го игрока. Под отношением уровня понимается четкое отношение Rh', определяемое для V п' >0 следующим образом: Rh' ={(ш,ш')е
П1хП2 ^(ш,ОО>П' }.
24. Вычеркнуть нулевые строки и столбцы в матрице отношения Rh• Исходы, оставшиеся после вычеркивания, составляют множество Парето.
25. Конец.
Названная технология моделирования ситуаций ПР с использованием четких и нечетких игр получила практическую реализацию в АРМ преподавателя-исследователя, занимающегося планированием, организацией, контролем учебного процесса.
При работе с АРМ преподаватель-исследователь использует основное меню с пунктами: "Работа с календарным планом", "Работа с деревьями", "Выход".
При выборе режима "Работа с календарным планом" появляется возможность выбора нужного режима работы: "Новый", "Открыть", "Выход".
Календарный план представляет собой последовательность контрольных занятий с заданиями разной сложности в разные моменты контроля знаний, каждое из которых моделируется деревом, характеризующим конкретного учащегося как представителя класса по обучаемости. Возможность моделирования оптимальной планируемой рейтинг-характеристики достигается за счет пере-
и
с
распределения баллов между точками контроля. Фактическая рейтинг-характеристика строится по результатам контроля знаний студента или группы.
В режиме "Работа с календарным планом" предусмотрены возможности построения нового плана, просмотра или корректировки существующих. Возможности по редактированию календарного плана следующие.
- Вставить пункт. Вводится номер эталонного дерева (при работе со стандартными эталонными деревьями) или имя файла для нового дерева, а также планируемые и фактические количества баллов и точки выхода. Для определения точки выхода курсор перемещается в ту вершину на дереве игры, которая будет точкой выхода, и нажимается клавиша Esc.
- Удалить пункт плана.
- Редактировать общую информацию о плане.
- Редактировать текущее дерево игры ( план ).
- Редактировать текущее дерево игры (факт).
- Подсчитать фактические баллы.
- Редактировать информацию о текущем пункте плана.
В режиме "Работа с деревьями" экран пользователя условно разделен на 3 части: дерево - в нижней части экрана, информация - в левом верхнем углу экрана, помощь - в правом верхнем углу экрана.
Каждый из узлов дерева может содержать сколь угодно большое число потомков. Количество уровней в дереве ограничено размером экрана (7 уровней). Каждый лист дерева имеет следующие параметры.
1. Выигрыш при попадании в вершину, характеризующую результат контроля (0.0, 0.6, 0.8, 1.0 от максимума).
2. Вероятность попадания в данную вершину из предыдущей. Для вершин одного уровня, имеющих общего предка, сумма вероятностей равна 1.0. Для лучшего визуального восприятия такие вершины отображаются на экране в виде белого кружка, все остальные - в виде красных.
3. Цвет связи с предыдущей вершиной облегчает понимание, для какого типа ученика предназначена данная ветвь дерева (синий - для слабого, зеленый - для среднего, красный - для сильного).
4. Вероятность конкретной партии.
5. Последовательность заданий и их уровни сложности.
Игра развивается в виде одной из партий. Преподаватель выдает задания в вершинах выдачи задания, учащийся их выполняет, в вершинах принятия решения преподаватель оценивает выполнение учащимся задания.
Узел выдачи задания отражает набор уровней сложности задания в дереве, номер выдаваемого задания на участке партии (проставляется автоматически), вероятность попадания в вершину из предка, цвет связи с предком, комментарий.
Узел принятия решения описывается следующей информацией: выигрыш (0.0, 0.6, 0.8, 1.0), вероятность попадания из предка, цвет связи с предком, вероятность попадания в данную вершину из корня дерева, последовательность уровней сложности заданий для партии.
Попадая в вершину-лист, располагаем следующей информацией: вероятность попадания в эту вершину, выигрыш, последовательность выполнения заданий.
В режиме просмотра при нажатии клавиши Enter на экран выводятся матрица вероятностей исхода и матрица выигрышей. Дерево игры может редактироваться в одном из режимов: редактирование общей информации о дереве - клавиша F3, полноэкранное редактирование дерева (пользователь имеет возможность создавать новое дерево или редактировать уже существующее) - клавиша F4. В последнем режиме пользователь может выполнять следующие операции: "Добавление вершины" - клавиша Ins, "Удаление вершины" - клавиша Del, "Редактирование информации о вершине"- клавиша Enter, "Перемещение вершины (изменение координат)" - клавиша пробел (Space).
Предлагаемый комплекс моделей может найти более широкое практическое применение, в частности, его возможно применять для целей дистанционного обучения (ДО).
Известно, что учебные курсы, программы, информационное обеспечение для ДО разрабатываются, главным образом, на основе интуиции разработчиков и педагогического мастерства экспертов-педагогов. Наиболее перспективно формализацию описаний и анализа учебных ситуаций без упрощения их сложности производить с помощью нечетких множеств.
Однако не существует комплекса моделей, позволяющих учесть ранее названную специфику взаимодействия подсистем в организационных системах. Поэтому также предложены алгоритмы построения сценария игры и определения максимизирующего управления в сценарии, часть исходов которого описывается нечеткими интервалами.
Их особенности заключаются в следующем. Алгоритм построения сценария игры включает дополнительный этап построения дерева управляющих решений с учетом последовательности работ с разным начальным уровнем сложности. Использование максимизирующего управления в нечеткой ситуационной сети позволяет достигать желаемую цель с удовлетворяющей ЛПР возможностью или корректировать первоначально запла-
нированную цель с учетом текущей классификации пассивной подсистемы.
На основании этих алгоритмов разработаны технологии построения сценария игры и определения максимизирующего управления в ситуационной сети, позволяющие организовывать нужную динамику нарастания показателя качества у системы в целом.
Использование нечетких ситуационных моделей для управления взаимодействием игроков позволяет устранить один из главных недостатков матричной игры - отсутствие динамичности, и да-
ет возможность при выборе решения в сложной системе учесть интуитивные действия ЛПР.
Список литературы
1. Нейман Дж., Моргенштерн О. Теория игр и экономическое поведение. - М.: Наука, 1970. -340 с.
2. Ragade R.K. Fuzzy games in the analysis of options Journal of Cubernetics, 1976, v.6, h.213-221.
3. Леунг Й. Разделение на торговые зоны в нечетких условиях: Теория возможностей и ее применение. - М.: Наука, 1992. -272 с.
4. Обработка нечеткой информации в системах принятия решений // А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева и др. - М.: Радио и связь, 1989. -304 с.
ИНФОРМАЦИОННЫЕ КОНФЛИКТЫ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ
А.В. Карпов
Использование компьютерных технологий обработки информации при построении автоматизированных систем (АС) в специфических областях человеческой деятельности привело к тому, что вопрос защиты обрабатываемой информации от несанкционированного доступа приобрел особое значение, а показатель информационной безопасности стал одной из ключевых характеристик АС, определяя возможности их применения.
Важность и актуальность проблемы информационной безопасности в АС подчеркивается и тем фактом, что в основных развитых странах деятельность в этой области лицензируется, разработанные изделия подлежат сертификации, а на государственном уровне приняты документы, определяющие требования к подобным разработкам.
Официальный подход к определению эффективности защиты информации в АС выражается государственной политикой информационной безопасности и опирается на соответствующие нормативные акты. Нормативные акты, в частности, определяют требования к защищенности информации различных категорий конфиденциальности и важности. Как правило, требования задаются перечнем механизмов защиты информации, которые необходимо иметь в АС, чтобы она соответствовала определенному классу защиты. Основным недостатком официального подхода к определению эффективности защиты информации является то, что он не позволяет определить эффективность конкретного механизма защиты, а констатирует лишь факт его наличия или отсутствия. Таким образом, руководствуясь официальным подходом, эффективность защиты информа-
ции от несанкционированного доступа в АС определяется качественно, в статике.
Однако необходимость непрерывного обеспечения защиты информации и возможность изменения условий функционирования АС обусловливают особое значение анализа и оценки изменения уровня защищенности с течением времени, в динамике. В качестве примера изменения условий функционирования АС может выступать изменение числа пользователей системы, аппаратной и программной среды, условий информационного взаимодействия объектов и субъектов защиты.
Автоматизированные системы согласно ГОСТу [1] состоят из персонала и комплекса средств автоматизации его деятельности и реализуют информационную технологию выполнения установленных функций.
Сложные АС обладают характерными особенностями, среди которых можно выделить такие, как [2]:
- целостность выполнения единой поставленной перед системой задачи с требуемой эффективностью;
- большие размеры и высокая стоимость системы;
- многомерность различных показателей, характеризующих свойства системы;
- наличие в системе сложных связей;
- высокая степень автоматизации;
- статистическая природа управляющих сигналов, внешних возмущений и нагрузок;
- многообразие структур с различными иерархическими уровнями с постоянно меняющимся составом.
