CC BY
122
УДК 004.056.5, 004.89
СИСТЕМА АНАЛИЗА КАТАСТРОФОУСТОЙЧИВОСТИ
В.С. Аткина
Волгоградский государственный университет E-mail: [email protected]
Описана проблема создания катастрофоустойчивых информационных систем и их значение при обеспечении информационной безопасности. Предположено, что при создании и сопровождении катастрофоустойчивых информационных систем необходимо проводить анализ текущих показателей катастрофоустойчивости системы и оценку эффективности катастрофоустойчивых решений. Предложена и формально описана система анализа катастрофоустойчивости, построенная на базе искусственной иммунной системы. На примере результатов проведенных экспериментальных исследований показана возможность применения предложенного решения в качестве инструментального средства поддержки принятия решений.
Ключевые слова:
Информационная система, катастрофоустойчивость, искусственные иммунные системы, катастрофоустойчивые решения, дестабилизирующие факторы, информационная безопасность.
Key words:
Information system, disaster recovery, artificial immune systems, disaster recovery solutions, destructive factors, information security.
На сегодняшний день деятельность любой организации (предприятия, учреждения) вне зависимости от принадлежности к государственной или коммерческой сфере тесно связана с использованием информации в различных ее видах, и, как правило, значительный процент информации представлен в электронном виде. Следовательно, процесс функционирования типовой организации состоит в постоянной обработке больших объемов информации, их анализе, принятии решений и управленческой деятельности. Для автоматизации данных процессов организацией используются информационные системы (ИС) различного типа. А это означает, что для успешного существования и развития организации необходимо обеспечивать безопасность ИС и циркулирующей в ней информации.
При этом одним из важнейших компонентов безопасности информации будет обеспечение доступности данных и надежности их обработки, что является особенно актуальным в настоящее время в связи с постоянным возникновением чрезвычайных ситуаций различного рода в самых различных областях человеческой деятельности. В соответствии с [1] к подобным чрезвычайным ситуациям можно отнести стихийные бедствия, имеющие самые различные последствия для всех сфер жизни общества (например, события в Японии 2011г.), террористическую угрозу (особенно после известных событий 11 сентября 2001 г. в США), техногенные катастрофы. Анализ показывает, что все перечисленные угрозы, как правило, имеют комбинированный характер и приводят к возникновению и развитию зачастую неконтролируемого потока негативных последствий. В этих условиях обеспечение непрерывности бизнес-процессов, сохранности и доступности информации, а также повышение катастрофоустойчивости соответствующих производственных и ИС, входящих в состав современных организаций (в том числе и виртуальных), является одним из важнейших стратегических направлений развития экономики.
Создание катастрофоустойчивых информационных систем (КАИС) обеспечивается за счет внедрения специальных катастрофоустойчивых решений, представляющих собой комплекс организационно-технических мероприятий и планов поведения персонала в случае наступления катастрофы. Основной целью применения данных решений является обеспечение непрерывности функционирования ИС в условиях деструктивного воздействия, сокращение объемов потери данных и минимизация времени восстановления работоспособности ИС. При этом каждое из решений отличается своей стоимостью, временем внедрения и эффективностью. Поэтому для того чтобы определить, какое из решений или их сочетание будет наиболее выгодно организации-владельцу ИС по соотношению затрат на внедрение, стоимости информационных ресурсов и требований к уровню катастрофоустойчивости, необходимо провести анализ текущего состояния ИС; оценку катастрофоустойчивых решений и выбрать наиболее подходящие с учетом специфики каждой конкретной организации [2, 3].
Для решения поставленных задач автором предлагается система анализа катастрофоустойчи-вости, построенная на базе искусственной иммунной системы. Формально данную систему можно описать следующим кортежем:
мвт=(т, т, т®, ш$,
где {Мд} - множество, описывающее КАИС, ее структуру, характеристики и показатели катастрофоустойчивости; {Ятз} - множество требований организации-владельца к степени катастрофоу-стойчивости системы и потенциально возможным затратам; {Ш*} - множество дестабилизирующих факторов существенной среды; {ЛЯЯ} - множество катастрофоустойчивых решений; 1М8 - функция управления процессом принятия решений, построенная на базе модели иммунной системы.
Множество, описывающее модель анализируемой КАИС в соответствии с [4], представляет собой
множество {M/s}={{S},{C},{DRS}}, где {S} - множество состояний системы в различные периоды функционирования. Каждое состояние S;e{S) описывается следующим кортежем Sr^sLTDdasNa^Z}, где Gs - граф, описывающий физическую структуру КАИС; L - уровень катастрофоустойчивости, TR -время восстановления функционирования; Ddass -класс доступности (готовности); Na<st - объем потерянных данных; Z - живучесть; С - стоимость системы.
{DRS] - множество катастрофоустойчивых решений, уже внедренных (имеющихся) в КАИС на момент исследования, при этом следует учитывать, что множество всех доступных в рамках модели катастрофоустойчивых решений {DRS} включает подмножество реализованных в КАИС реше-ний^У], т. е. {DRS}c{DRS}.
Множество требований, предъявляемых орга-низацией-владельцем КАИС к уровню ее катастрофоустойчивости, представляет собой «эталонные» значения множества показателей оценки ка-тастрофоустойчивости, которые являются входными данными и задаются на этапе сбора информации об исследуемой КАИС. Для описания множества требований организации владельцем используется следующий кортеж:
{RMb}={L\ T/, Ddas\ NDlost > Z> TDRS> CDRS> ft-Sb],
где Lv, TRv, DdsSV, NaJ, Z - показатели катастрофоустойчивости; TmSV- приемлемое время развёртывания катастрофоустойчивых решений; CDISV- максимальные финансовые затраты на развёртывание катастрофоустойчивых решений; RSkov - предельно допустимый уровень риска; v - степень важности выполнения каждого требования, описывается множеством базовых значений v={1,2,3}={низкая важность, средняя важность, высокая важность].
Множество {DF} представляет собой множество дестабилизирующих факторов, аварий и катастроф, порождаемых существенной средой. Каждый элемент из множества DFi&{DF] описывается вектором DF=(P, U), где Р - вероятность наступления дестабилизирующего фактора, U - потенциально возможный ущерб.
В соответствии с [5-7] функция принятия решений IMS, реализованная с использованием технологии функционирования искусственных им-
мунных систем, может быть представлена следующим кортежем:
IMS=(St,{IF\,{IRS\,{Rms\, Sp,{IET},{ANG},{ANT}), где Sp=(L,TR,Ichs,Niht,Z) - вектор текущих значений показателей катастрофоустойчивости исследуемой ИС, выделяется модулем «макрофагом» разработанной ИМС из вектора текущего состояния системы Ste{S}.
IET={det1,det2,...,detm} - набор множества детекторов двух типов мощностью m, отвечающих за решение задач классификации состояний ЕЛИС и выявление потенциально опасных дестабилизирующих факторов, которые участвуют в формировании «иммунной памяти», путем добавления в базу данных информации о результатах проведенной классификации и принятых детекторами решениях. Детекторы первого типа ШЕТєШЕТ представляют собой шаблоны, описывающие «нормальные» состояния системы, реагируют на возможные отклонения значений вектора Sp от «нормальных» значений, описанных в шаблонах, и сообщают об «аномальном» состоянии системы, что указывает на необходимость проведения корректировки текущей катастрофоустойчивости системы путем подбора катастрофоустойчивых решений. Детекторы второго типа IETifgIET отвечают за классификацию дестабилизирующих факторов и выявление наиболее критичных из них.
ANG - множество антигенов;
ANT - множество антител.
На вход функции IMS подаются следующие данные (рис. 1): вектор Ste{S}, характеризующий текущее состояние исследуемой KЛИС; множество актуальных для исследуемой ОДИС дестабилизирующих факторов {IF} с заданными значениями вероятности реализации и потенциальным ущербом; множество определенных организацией-вла-дельцем требований {Riris}; множество катастрофоустойчивых решений {IRS}.
На выходе функции будет информация о принятых решениях и вектор измененного состояния ^ИС S,ew
Основываясь на принципах, изложенных в [6, 8, 9], в структуре разработанной модели иммунной системы можно выделить следующие основные блоки (рис. 2):
Рис. 1. Модель искусственной иммунной системы
Рис. 2. Структура иммунной системы принятия решений
• «макрофаг» отвечает за выделения образов (шаблонов) антигенов из поданных на вход иммунной системы векторов значений и отнесение к одному из двух типов антигенов АИО^е;
• «Т-клетки Тимуса» предназначены для идентификации и выявления «аномальных» состояний КАИС;
• «В-клетки», инициирующие запуск процедуры «иммунного ответа», - поиска наиболее эффективных катастрофоустойчивых решений в случае обнаружения «аномальных» состояний системы и выявления потенциальных «антигенов» - наиболее критичных по уровню риска, вероятности реализации и объему потенциального ущерба дестабилизирующих факторов;
• «клетки иммунной памяти», содержащие информацию о ранее принятых системой решениях, правилах классификации и распознавания состояний системы, представляют собой базу знаний ИМС. Для проведения анализа и оценки катастрофоу-
стойчивости ИС в соответствии с предложенной методикой и формальной моделью автором было разработано алгоритмическое и программное обеспечение системы анализа катастрофоустойчивости ИС, архитектура которой представлена на рис. 3.
На основании собранных данных о технико-эксплуатационных характеристиках анализируемой ИС и требований, предъявляемых организацией-владельцем ИС к показателям катастрофоустойчи-вости, данная система позволяет [1, 3, 10, 11]:
• рассчитать такие показатели катастрофоустой-чивости системы, как уровень катастрофоу-стойчивости; класс доступности, время восстановления; объем потерянных данных, живучесть системы;
• составить модель дестабилизирующих факторов (множество катастроф различного характера с указанием вероятности реализации и потенциального ущерба по каждому воздействию), потенциально опасных для ИС;
• оценить степень соответствия показателей ка-тастрофоустойчивости системы требованиям организации-владельца;
• составить карту рисков и отобрать наиболее критичные для ИС дестабилизирующие факторы;
• составить различные варианты проектов катастрофоустойчивых решений и найти наиболее эффективный из них.
В соответствии с подходами к построению моделей ИС, предложенными в работах [12-14], при проведении экспериментальных исследований разработанной системы были использованы модели локальных и распределенных ИС. При проведении моделирования были получены следующие данные, представленные в таблице. В таблице приведены значения рассчитанных показателей ката-строфоустойчивости ИС с различными техникоэксплуатационными характеристиками до и после применения предложенных разработанной системой проектов катастрофоустойчивых решений.
Рис. 3. Архитещра системы анализа катастpофоyстойчивости
Таблица. Значение показателей катастpофоyстойчивости ИСдо и после принятия катастpофоyстойчивых решений
Информационная система
Тип на базе локальной сети распределенного типа
Показатели катастрофоустойчивости 1 2 З 1 2 З
Тв (до принятия катастрофоустойчивых решений), ч 46 50 2Б 24 30 8
Тв' (после принятия катастрофоустойчивых решений), ч З2 ЗБ 16 16 2G 7
L (до принятия катастрофоустойчивых решений) 2 2 З 4 З Б
L (после принятия катастрофоустойчивых решений) З З Б Б 4 Б
ОсіаББ (до принятия катастрофоустойчивых решений) 1 1 2 4 З Б
ОсІаББ' (после принятия катастрофоустойчивых решений) 1 2 З 4 4 Б
Z (до принятия катастрофоустойчивых решений) G,6 G^8 G^ G^ G,86 G^
Z'(после принятия катастрофоустойчивых решений) 6,7Б G,72 G,91 G,91 G,89 G,96
Анализ представленных данных показывает, что применение рекомендованных решений на практике поможет улучшить значения ряда показателей катастрофоустойчивости системы: сократить среднее время восстановления системы на 32 %; повысить средний уровень живучести ИС на 10 %; повысить уровень катастрофоустойчивости системы в 67 % на одну позицию ив 16 % - на две; в 50 % случаях также наблюдается повышение класса доступности системы.
Таким образом, можно сделать вывод о том, что разработанная система анализа катастрофоустойчи-вости может применяться как на этапе проектирования и разработки катастрофоустойчивых ИС, так и в процессе их эксплуатации в качестве инструмента мониторинга и поддержки принятия решений. Полученные в результате использования системы анализа катастрофоустойчивости данные будут иметь большое значение при разработке плана реализации катастрофоустойчивых решений, пошаговое внедрение и своевременная корректировка которых позволит не только уменьшить потери в случае реализации катастрофы, но и по возможности полностью нейтрализовать ее воздействие.
СПИСОК ЛИТЕРАТУРЫ
1. Аткина В.С. Инновационные подходы в оценке и исследовании катастрофоустойчивости информационных систем // Актуальные вопросы информационной безопасности региона в условиях модернизации общества и внедрения инновационных технологий: Матер. Регион. научно-практ. конф. - Волгоград, 9-10 июня 2011. - Волгоград: Изд-во ВОЛГу, 2011. - С. 168-172.
2. Будзко В.И. Количественные оценки отказоустойчивых и катастрофоустойчивых решений // Вопросы защиты информации. - 2003. - № 2. - С. 19-32.
3. Аткина В.С. Подход к оценке катастрофоустойчивости информационной системы // Информационные технологии, системный анализ и управление: Матер. VIII Всеросс. науч. конф. молодых ученых, аспирантов и студентов. - Таганрог, 2010. - С. 240-243.
4. Atkina V.S. Semantic model of disaster recovery information system // European Science and Technology: international scientific conference. - Wiesbaden, Germany, 2012. - P. 162-164.
5. Гладыш С.В. Иммунокомпьютинг в управлении инцидентами информационной безопасности // Искусственный интеллект.- 2008. - Вып. 1. - С. 123-130.
6. Литвиненко В.И., Бидюк П.И., Фефелов А.А., Баклан И.В. Гибридная иммунная сеть для решения задач структурной идентификации // Нейронные сети. - 200б. - № 9. - С. 143-166.
7. Аткина В.С. Применение иммунной сети для анализа ката-строфоустойчивости информационных систем // Известия ЮФУ. Технические науки. Информационная безопасность. -2011. - №12. - С. 203-210.
8. Фокин В.А. Статистическое моделирование данных при оценке состояния биологических систем // Известия Томского политехнического университета. - 2007. - Т. 311. - № S. -С. 132-13S.
9. Хаитов P.M., Игнатьева ГЛ., Сидорович И.Г. Иммунология. -М.: Медицина, 2000. - 432 с.
10. Аткина В.С. Использование программного комплекса для исследования катастрофоустойчивости информационных систем // Вестник Волгоградского государственного университета. Серия 10. Инновационная деятельность. - 2011. -Вып. б. - С. 14-18.
11. Аткина В.С. Оценка эффективности катастрофоустойчивых решений // Вестник Волгоградского государственного университета. Серия 10. Инновационная деятельность. - 2012. -Вып. 6. - С. 89-93.
12. Погребной В.К. О построении активных моделей распределенных систем реального времени // Известия Томского политехнического университета. - 2008. - Т. 312. - № 5. - С. 78-84.
13. Погребной А.В. Погребной Д.В. Проектирование структуры локальной сети для распределенной вычислительной системы реального времени // Известия Томского политехнического университета. - 2007. - Т. 311. - № 5. - С. 91-96.
14. Вейбер В.В., Кудинов А.В., Марков Н.Г. Задача сбора и передачи технологической информации распределенного промышленного предприятия // Известия Томского политехнического университета. - 2011. - Т. 319. - № 5. - С. 69-74.
Поступила 23.09.2012 г.
УДК 004.931
РАСПОЗНАВАНИЕ СТРУКТУРИРОВАННЫХ СИМВОЛОВ НА ИЗОБРАЖЕНИЯХ С ИСПОЛЬЗОВАНИЕМ ГИСТОГРАММ СРЕДНЕЙ ИНТЕНСИВНОСТИ И СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ
А.А. Друки
Томский политехнический университет E-mail: [email protected]
Разработаны и представлены алгоритм выделения области расположения символов на сложном фоне и алгоритм выделения символов на основе гистограмм средней интенсивности. Для решения задачи распознавания символов разработана и представлена сверточная нейронная сеть.
Ключевые слова:
Обработка изображений, распознавание символов, нейронные сети, гистограммы средней интенсивности.
Key words:
Image processing, character recognition, neural networks, histogram of average intensity.
Введение
Современные технологические, производственные и офисные системы в процессе своего функционирования используют информацию о маркировке объектов. Информация о маркировке грузов, вагонов, контейнеров, автомобильных номерных знаков позволяет рациональным образом организовывать процесс технологической обработки информации, вести учет и контроль изделий, материалов, транспортных средств. В основе процессов использования маркировки (текстово-цифровых меток) лежит технология автоматизированного распознавания структурированных символов. Потребность в такой технологии вызвала необходимость создания методов, моделей и систем распознавания структурированных символов [1].
В настоящее время такие технологии реализуются тремя традиционными методами - структурным, признаковым и шаблонным. Каждый из этих методов ориентирован на свои условия применения, для которых они являются эффективными.
Вместе с тем всем этим методам присущи недостатки. Наиболее существенные из них - низкая устойчивость к изменениям масштаба, смещениям, поворотам, смене ракурса и прочим искажениям.
Эти недостатки особенно ярко проявились при масштабной эксплуатации программно-технологических систем, использующих в своей основе эти методы. Практически у всех систем распознавания структурированных символов точностные характеристики резко падают и становятся ниже технологически приемлемых при искажении аффинными и проекционными преобразованиями. Вместе с тем технологические условия получения информации о маркировке не позволяют полностью устранить эти искажения [2].
Анализ методов распознавания структурированных символов показал, что для решения данной задачи эффективно использовать искусственные нейронные сети, в связи с тем, что они являются слабо чувствительными к искажениям входного сигнала, а так же обеспечивают возможность полу-
