CC BY
49
-□ □-
Запропоновано концепщю адаптивного клieнта як альтернативу «тонкому» та «товстому» клieнту та його ттегращю в автоматизовану комп'ютерну систему идентифжацп техтнних статв промислових об'eктiв. Розроблено теоретинний базис та варiант реалiзацii адаптивного клieнта на конкретному апа-ратному та програмному забезпенент. Зроблено вис-новок щодо доцiльностi використання такоi концепцп в системах технiнноi дiагностики
Клюновi слова: система дiагностики, адаптивний клieнт, техтнний стан, обнислювальна потужтсть,
функцюнальний модуль
□-□
Предложена концепция адаптивного клиента в канестве альтернативы «тонкому» и «толстому» клиенту и его интеграция в автоматизированную компьютерную систему идентификации технинеских состояний промышленных объектов. Разработан тео-ретинеский базис и вариант реализации адаптивного клиента на конкретном аппаратном и программном обеспенении. Сделаны выводы наснет целесообразности применения данной концепции в системах техни-неской диагностики
Клюневые слова: система диагностики, адаптивный клиент, технинеское состояние, вынислительная
мощность, функциональный модуль -□ □-
УДК 004.75
застосування концепцп адаптивного
кя1ента в
комп'ютернш систем1 техшчно1 д1агностики
М. I. rop6i йчук
Доктор техычних наук, професор* E-mail: ksm@nung.edu.ua М. О. Сл а б i н о га
Астрант* E-mail: mslabinoha@gmail.com *Кафедра комп'ютерних систем та мереж 1вано-Франмвський нацюнальний техшчний ушверситет нафти i газу вул. Карпатська 15, м. 1вано-Франмвськ,
УкраТна, 76018
1. Вступ
При виршенш задач оперативно! щентифжацп техшчного стану промислового об'екта важливим параметром е швидкодiя системи при виконанш тiei чи шшо1 задачi дiагностики. Тому важливою задачею при проектуванш системи е м1шм1защя затрат часових ресурсiв при виконанш обчислень для оперативного забезпечення оператора дiагностичною iнформацiею.
Проектована авторами автоматизована комп'ютерна система iдентифiкацii техшч-ного стану промислових об'екпв спрямована на багаторiвневий глибокий аналiз даних з допомогою доступних передових методик та потребуе розробки комплексного тдходу до виршення проблеми мiнiмiзацii часу вико-нання того чи шшого етапу аналiзу. Загальна схема роботи системи зображена на рис. 1.
Слвд зазначити також, що деякi з етатв аналiзу вимагають залучення досить великих обчислювальних ресурсiв (наприклад, вейвлет-аналiз та аналiз декомпозицп ем-тричних мод), тодi як iншi етапи не по-требують великих ресурав та дозволяють провести оперативну дiагностику, хоча i без виявлення довготермшових трендiв у змiнi параметрiв функщонування об'екту (наприклад, статистичний аналiз та порiвняння значень параметрiв iз граничними значен-нями, поданими в державних стандартах). Тому слiд проводити чггку градацiю за прю-
ритетом виконання етатв, виходячи з етатв роботи. Крiм того, до системи ставляться стандартш вимоги, що диктуються сучасними тенденщями розвитку об-числювально! технiки - система мае бути мобшьною, компактною, програмне забезпечення системи мае бути модульним та масштабованим.
Рис. 1. Схема роботи комп'ютерноТ системи iдентифiкацiТ технiчного стану промислових об'еклв
©
Тому актуальною проблемою в проектуванш ^ieHT-cepBepHoi архиектури системи е оптимальний розпод^ навантаження на обчислювальнi ресурси клiента та сервера, який би здшснювався програмним рiшенням на базi клiента.
2. Аналiз iснуючих рiшень та постановка проблеми
Типовим ршенням для градацп виконуваних завдань без шкоди мобiльностi та компактностi системи е клieнт-серверна архiтектура, що складаеться iз сервера (серверiв), що надае частину сво1х ресур-сiв та функщоналу для загального користування, клiента (клiентiв), що використовуе цi ресурси та мереж^ що забезпечуе обмш даних мiж ними [1]. Та-кий пiдхiд дозволяе знизити вимоги до клiентських комп'ютерiв та, як наслщок зробити 1х компактш-шими. Однак, загальним недолiком цього тдходу е те, що сервер в деяю моменти часу може бути недо-ступним з технiчних причин, та, як наслщок, пору-шити роботу всiеi системи.
Особливо це проявляеться в пiдходi з «тонким» клiентом [2], який дозволяе звести розмiри та вимоги до клiента до мiнiмуму, однак виконуе ильки функщю вводу-виводу та вщображення результатiв, перекладаючи всю обчислювальну роботу на ресур-си сервера. Крiм того, клiентiв може бути декiлька, що спричинюе ще бiльше навантаження на сервер без можливост розподiлити його рiвномiрно. Част-ково завдання сервера спрощуються при застосуван-нi концепцii «товстого клiента» [3], який звертаеть-ся до сервера ильки як до оператора загальноi бази даних. Однак при цьому, вщповщно, компактшсть не е прюритетною i побудова б^ьш потужноi маши-ни-клiента вимагае б^ьших затрат.
Останнiм часом розглядаються варiанти засто-сування даних концепцiй з рiзними змiнами в логiцi роботи. Зокрема, в робот [4] автори пропонують предиктивну модель, яка б аналiзувала змiни, якi стануться в системi пiсля проведення обчислень. Слщ також вiдзначити тенденцiю до застосування програм для вщображення роботи сервера на мо-бiльних пристроях та впровадження в них елеменпв адаптивност [5-7]. Крiм того, значна увага нада-еться управлiнню системами через через веб-штер-фейси [8-10] та побудови системи з використанням хмаркових сервтв [11-13].
3. Мета за задачi дослщження
Метою даного дослщження була розробка концеп-цii адаптивного клiента, який оперативно оцiнював би обсяг обчислень, який слщ виконати i приймав рiшення щодо самостшного виконання обчислень або передачi задачi на сервер, виходячи з навантаження на сервер та мережу, а також власних в^ьних обчислю-вальних ресурав.
Задачею дослiдження була розробка математично-го та програмного апарату ощнювання для подальшоi iнтеграцii реалiзованоi концепцii в автоматизовану комп'ютерну систему щентифжацп технiчного стану промислових об'екив.
4. Вибiр апаратного та програмного забезпечення для реаизацп комп'ютерно! системи
Основними критерiями вибору апаратного забезпечення клiента комп'ютерноi системи були:
- компактшсть;
- варпсть;
- швидкодiя;
- сумiснiсть i3 сучасними стандартами вводу-виво-ду iнформацii та передачi даних.
В якостi клiента при тестуваннi було вирiшено використовувати одноплатний комп'ютер Raspberry Pi Model B з ARM-процесором тактовоi частоти 700 МГц, 512 Мб оперативноi пам'ят та вiдео-модулем Broadcom VideoCore IV. Вартiсть даного комп'ютера становить $35, що робить його одшею з найдоступшших, най-компактнiших обчислювальних машин даного сегменту [14]. На плат присутнi порти HDMI, USB, Composite Video, 3.5mm jack, SD, зв'язок з низькорiвневою пери-ферiею органiзовано з допомогою 16 контактв GPIO, SPI, I2C, UART, тобто плата дозволяе оргашзовувати широкий спектр вводу-виводу. Мережевi можливостi плати представлен Ethernet-портом, крiм того, USB-порт дозволяе органiзовувати безпровiднi мережевi з'еднання Wi-Fi, 3G та EDGE шляхом тдключення стороннiх мережевих модулiв [15].
Сервером для даноi системи може виступати будь-який комп'ютер, обчислювальна потужшсть яко-го достатня для виконання задач системи. Для те-стування при робот з даними технолопчного проце-су газоперекачувального агрегату використовувався персональний комп'ютер з процесором Intel Core i7 з 4 фiзичними та 8 вiртуальними ядрами з 8 Гб ОЗП.
До програмного забезпечення системи ставилися наступш вимоги:
- вiдкритiсть;
- кросплатформеншсть;
- модульованiсть;
- наявшсть бази репозиторiiв з готовою реалiза-цiею окремих методiв.
В якост операцiйноi системи сервера використову-еться Linux Mint, операцiйно'i системи клiента - Raspbian. Встановлення Raspbian додатково дозволяе безкоштовно використовувати бiблiотеки знаннево-орiентованоi системи математичних розрахункiв Wolfram Mathematica [16]. Для написання основних модулiв було використано мову програмування Python. Дана мова програмування вiдрiзняеться вщ iнших своею гнучкiстю, простотою роботи зi списками, матрицями та шшими типами ма-сивiв [17], кросплатформеншстю та великим набором безплатних стандартних бiблiотек для проведення нау-кових обчислень [18], що в бшьшост випадюв дозволяе рiвноцiнно замiнити математичне забезпечення таких комерцшних продуктiв, як Matlab та Mathcad. Для взае-модii iз користувачем було виршено використовувати web-iнтерфейс, побудований на базi вiдкритого сервера Django, що дозволяе, ввiвши IP-адресу клiента в адресному рядку браузера, отримувати оперативш даш аналiзу на будь-якому ПК чи мобшьному пристроi.
Таким чином, затрати на програмне забезпечення були мiнiмiзованi, до того ж, все обране ПЗ доступне для роботи на широкому спектрi архиектур, що дозволяе вибирати оптимальну архиектуру клiента та сервера в залежностi вщ задач.
5. Теоретичш основи та реаизащя програмного забезпечення для адаптивного киента
Очевидно, що в описанiй вище концепцп, клiент мае керуватися наступним правилом - якщо прогно-зований час виконання на серверi (з урахуванням передачi даних) менший вiд прогнозованого часу виконання на клiентi, то слщ передати запит на виконання завдання на сервер.
В першу чергу, слщ вибрати, де збер^ати данi i в якому обсяз! В тестованiй системi при робоп з даними газоперекачувальних агрегапв в середньому mat-файл даних з одного газоперекачувального агрегату за мкяць займав 200 Кб дискового простору. Це значить, що на локальному клiентi можна без проблем збертти даш про газоперекачувальш агрегати одше! газокомпресор-но! станцп за щлий рiк. Обчислення довготермiновiших трендiв уже постшно буде проводитися на сервера оскiльки такi обсяги даних потребують вiдповiдних обчислювальних ресурсiв, а оперативность обчислення результатiв на таких термшах е непринциповою.
Отже, мiститися на базi клiента будуть мiститися наступш данi:
- програмне забезпечення для проведення обчис-лень;
- даш з промислового об'екту за останнш рщ
- данi про те, яю з дiагностичних даних мштяться в базi сервера (з постшним оновленням);
Для висновку щодо прогнозованого часу виконання завдання на клiентi та серверi слiд враховувати наступш фактори:
- навантаження на клiент та сервер;
- швидюсть передачi в мережi;
-середнш час виконання завдання дано! склада носи (з вказаною розмiрнiстю даних та операщями даного типу) на клiентi та серверi.
Для формалiзацii навантаження на клiент та сервер введемо наступний коефвдент навантаження I, який дорiвнюе:
1 = (1 - 1тс )МНСС *(1 - 1ЕАМ)МаАМ * (1 - 1Ср„)МС
(1)
де Нов, 1кам, 1Сри - вщсоток навантаження на жорсткий диск, оперативну пам'ять та процесор клiента (сервера) ввдповвдно, отриманий з допомогою шструменту ЕSUti1s4Python; МНоо, МрАМ, МСРи - результат бенч-маркiнгу (ощнки загальних характеристик машини при нульовому навантаженш)[19] для жорсткого диска, оперативно! пам'ят та центрального процесора ввдповвдно.
Порiвнявши отриманi значення коефвдента для клiента та сервера вщповщно, та вибравши бiльше значення, можна зробити висновок, яка з двох машин на даний момент володiе бiльшою обчислювальною по-тужнiстю з урахуванням iнших програм, що викону-ються на них. Такий тдхщ дозволяе також проводити адекватну ощнку можливостей сервера при робоп з декiлькома клiентами.
Для обчислення швидкосп передачi даних в ме-режi, передаеться контрольний пакет даних обсягом 1 кб. Виходячи з даних програмного модуля, що пере-дае пакет, швидюсть передачi обчислюеться наступ-ним чином:
де ^ - час початку передачу £ - час закшчення передач^ I - обсяг контрольного пакету.
Для ощнки середнього часу виконання було при-йнято ршення використовувати штучну нейронну мережу з використанням алгоритмiв навчання з вчи-телем. Вхвдними значеннями мережi е:
- тип завдання (статистичний аналiз, вейвлет-пе-ретворення, аналiз емпiричних компонент тощо), заданий кодом вщ 1 до 6;
- обсяг даних, з якими здшснюеться робота (юль-юсть чисел з плаваючою комою у вхщнш матрицi).
Цiльовими значеннями для тренування було вибрано фактичний час виконання конкретних завдань з матри-цями задано! величини, що роздшявся на вщсоток вшь-них ресурсiв на момент початку виконання завдання.
Тренована нейронна мережа в результат дае можли-вкть прогнозувати приблизний час, причому, у зв'язку з неповнотою даних, даний тдхвд е точшшим шж засто-сування статистичних алгоритмiв регресп [20].
Загальний алгоритм проведення аналiзу даних на сторонi клiента ввдбуваеться за блок-схемою, зображе-ною на рис. 2.
V = 1/^ -
(2)
Рис. 2. Алгоритм проведення аналiзу даних на сторож ^ента
Очевидно, що при проведенш аналiзу даних, який потребуе проведення невеликоi юлькост обчислень, дана концепцiя буде працювати дещо повiльнiше. Од-нак, якщо брати тривалi часовi промiжки з великим обсягом аналiзу даних, оптимiзацiя розподiлу обчис-лювальних завдань мiж клiентом i сервером дасть можлившть зменшити час дiагностики в порiвняннi зi схемами з «тонким» та «товстим» клiентом.
6. Результати дослщження
Для перевiрки результатiв було проведено аналiз даних газоперекачувального агрегату за 3 мшящ. Спо-чатку брався аналiз з найменшим обчислювальним навантаженням (статистичний). З кожним кроком до-давався новий вид аналiзу з бшьшим навантаженням на обчислювальнi ресурси. Графж середнього часу аналiзу на трьох видах клieнтiв показаний на рис. 3.
На початкових етапах адаптивний ^iern поступа-вся в швидкодп товстому клieнту за рахунок витрати обчислювальних потужностей на прогнозування часу виконання. Однак при включенш в аналiз методiв, що
вимагали великих обчислювальних потужностей, тов-стий клiент дав найгiрший результат, осюльки швид-кодiя сервера е в рази кращою. При цьому, адаптивний клiент мав незначну перевагу за рахунок виконання статистичного та ентропшного аналiзу на власних по-тужностях, без передачi даних на сервер, економлячи час на передачу.
7. Висновки
Запропонована концепщя адаптивного клiента на базi одноплатного комп'ютера Raspberry Pi Model B використовуе розроблений та реалiзований алгоритм, що враховуе прогнозований нейронною мережею обсяг обчислень, що мають бути виконаш, а також поточний рiвень завантаження обчислювальних ресурав клiен-та, сервера та мережi з метою визначення дощльност виконання обчислювального завдання на клiентi або передач! його на сервер. Перевага такого тдходу перед «тонким» та «товстим» клiентом полягае в тому, що у випадку невеликих за-вдань клiент не витрачае час на передачу '¿х на сервер (як у варiан-т «тонкого» клiента), а у випадку завдань, що вимагають значного обсягу обчислень, клiент не ви-конуе '¿х самостiйно (як у варiантi «товстого» клiента). Таким чином, адаптивний клiент поеднуе в собi сильнi сторони обох стан-дартних реалiзацiй клiент-сер-верноi архиектури. Крiм того, клiент-серверна архiтектура сис-теми дозволяе реалiзувати пiдхiд з використанням Web-штерфей-су та хмаркових обчислень, що вiдповiдае останнiм тенденщям у взаемоди користувача та машин з великою обчислювальною потужшстю. Функцiональний модуль з реалiзацiею концепцп адаптивного клiента iнтегровано в розроблю-вану авторами автоматизовану комп'ютерну систему вдентифжацп технiчних станiв промислових об'екпв.
Рис. 3. Результати роботи трьох видiв клieнтiв для рiзних видiв аналiзу
^iTepaTypa
1. Tanenbaum, A. Computer Networks [Text] / A. Tanenbaum. - New Jersey: Prentice Hall, 2010. - 960 c.
2. Kanter, J. Understanding Thin Client/Server Computing [Text] / J. Kanter. - Redmond: Microsoft press, 1997. - 256 c.
3. Boudreau, T. Rich Client Programming: Plugging into the NetBeans Platform [Text] / T. Boudreau. - New Jersey: Prentice Hall, 2007. - 640 c.
4. Sallam, A. Proactive workload management in dynamic virtualized enviroments [Text] / A. Sallam, K. Li, A. Ouyang, Z. Li // Jornal of Computer and Systems Sciences. - 2014. - Vol. 80, Issue 8. - P. 1504-1517. doi:10.1016/j.jcss.2014.04.018
5. Mizouni, R. A framework for context-aware self-adaptive mobile application SPL [Text] / R. Mizouni, M. A. Matar, Z. A. Mahmoud, S. Alzahmi, A. Salah // Expert Systems with applications. - 2014. - Vol. 41, Issue 16. - P. 7549-7584. doi:10.1016/ j.eswa.2014.05.049
6. Acker, A. The Short Message service: Standarts, Infrastructure and Innovations [Text] / A. Acker // Telematics and informatics. -2014. - Vol. 31, Issue 4. - P. 559-568. doi:10.1016/j.tele.2014.01.004
7. Zhao, Y. An Android application for receiving notifications of astrophysical transient events [Text] / Y. Zhao, I. A. Bond, W. L. Sweatman // Astronomy and computing. - 2014. - Vol. 6. - P. 9-27. doi:10.1016/j.ascom.2014.05.001
11. 12.
13.
14.
15.
16.
17.
18.
19.
20.
Oriol, M. Quality models for web services: A systematic mapping [Text] / M. Oriol, J. Marco, X. Franch // Information and software technology. - 2014. - Vol. 56, Issue 10. - P. 1167-1182.
Sheng, Q. Z. Web-services composition: A decade's overview [Text] / Q. Z. Sheng, X. Qiao, A. V. Vasilakos, C. Szabo, S. Bourne, X. Xu // Information Sciences. - 2014. - Vol. 280. - P. 218-238. doi:10.1016/j.ins.2014.04.054
Silva, S. Development of a web-based multi-criteria spatial decision support system for the assessment of environmental sustainability of dairy farms [Text] / S. Silva, L. Al ada-Almeida, L. C. Dias // Computers and Electronics in Agriculture. - 2014. -Vol. 108. - P. 46-57. doi:10.1016/j.compag.2014.06.009
Yigit, M. Cloud Computing for Smart Grid applications [Text] / M. Yigit, V. C. Gungor, S. Baktir // Computer Networks. - 2014. -Vol. 70. - P. 312-329. doi:10.1016/j.comnet.2014.06.007
Li, Zh. A generic cloud platform for engineering optimization based on OpenStack [Text] / Z. Li, H. Li, X. Wang, K. Li //Advances in Engineering Software. - 2014. - Vol. 75. - P. 42-57. doi:10.1016/j.advengsoft.2014.05.001
Yu, H. Granary: A sharing oriented distributed storage system [Text] / H. Yu, F. Zhang, Y. Wu // Future Generation Computer Systems. - 2014. - Vol. 38. - P. 47-60. doi:10.1016/j.future.2013.08.001
Upton, E. Raspberry Pi User Guide [Text] / E. Upton. - New York City: John Wiley & Sons, 2012. - 262 p. Corbet, J. Linux Device Drivers [Text] / J. Corbet. - Sebastopol: O'Reilly Media, Inc., 2005. - 640 p. Wolfram, S. The Mathematica Book [Text] / S. Wolfram. - Champaign: Wolfram Media, 2004. - 1488 p. McKinney, W. Python for Data Analysis [Text] / W. McKinney. - Sebastopol: O'Reilly Media, Inc., 2012. - 470 p. Downey, A. Think Python [Text] / A. Downey. - Sebastopol: O'Reilly Media, Inc., 2012. - 300 p.
Jarvis, S. High Performance Computing Systems Performance Modeling, Benchmarking and Simulation [Text] / S. Jarvis. - New York City: Springer, 2014. - 240 p.
Russel, S. Artificial Intelligence: A Modern Approach [Text] / S. Russell. - New Jersey: Prentice Hall, 2009. - 1152 p.
Запропоновано перешкодостшкий алгоритм розтзнавання символьноi тформацп без процедур попередньоi сегментацп та контурноi фть-траци, побудований на основi комбтаци кореля-цшного методу та критерю мШмуму кодових видстаней. Проведено порiвняльний аналiз з ви)о-мими алгоритмами розтзнавання символьноi тформацп. Показано, що запропонований алгоритм вимагае виконання меншого нисла арифме-тинних операцш та мае низьку складтсть тех-нiнноi реалiзацii
Клюновi слова: розтзнавання символьноi тформацп, ковзна корелящя, бтаризащя зобра-
ження, кодова видстань Хемтга
□-□
Предложен помехоустойнивый алгоритм распознавания символьной информации без процедур предварительной сегментации и контурной фильтрации, построенный на основе комбинации корреляционного метода и критерия минимума кодовых расстояний. Проведен сравнительный анализ с известными алгоритмами распознавания символьной информации. Показано, нто предложенный алгоритм требует выполнения меньшего нисла арифметинеских операций и обладает низкой сложностью технинеской реализации
Клюневые слова: распознавание символьной информации, скользящая корреляция, бинаризация изображения, кодовое расстояние Хэмминга
УДК 004.932.1
повышение помехоустойчивости «скользящего» корреляционного алгоритма распознавания печатных символов
О. А. Кушниренко
Аспирант* E-mail: kuuk@mail.ru А. В. Садченко
Кандидат технических наук, доцент* E-mail: anjand@mail.ru А. В. Троянский
Кандидат технических наук, доцент* E-mail: troy_shur@mail.ru *Кафедра радиотехнических систем Одесский национальный политехнический университет пр. Шевченко, 1, г. Одесса, Украина, 65044
1. Введение
В современных системах машинного зрения актуальна задача распознавания символьной информации.
Решение такой задачи необходимо при распознавании регистрационных номеров автомобилей, надписей на железнодорожных вагонах и контейнерах, при идентификации символьной информации на печатных платах
g
