Автоматизированное топологическое проектирование вычислительных сетей на основе байесовских сетей доверия тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Шамшев, Анатолий Борисович

• Шамшев, Анатолий Борисович
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Шамшев, Анатолий Борисович

Глава 1 Обзор и сравнительный анализ методов автоматизированного проектирования ВС

1.1 Задача проектирования ВС.

1.2 Выбор средства принятия проектных решений.

1.3 Модели вычислительных сетей.

1.4 Функции режима моделирования при автоматизированном проектировании ВС.

1.5 Обзор существующих средств имитационного моделирования ВС

1.6 Проект NS2/VINT

1.6.1 Архитектура NS2.

1.6.2 Возможности NS

1.6.3 Протоколы, реализованные на уровне ядра NS

1.6.4 Возможность построения САПР на основе NS2.

1.7 Представление знаний и моделирование рассуждений.

1.7.1 Представление знаний.

1.7.2 Формальные модели представления знаний.

1.7.3 Моделирование рассуждений.

1.8 Деревья решений . . .,.

1.8.1 Терминология .;.

1.8.2 Преимущества использования деревьев решений.

1.9 Нечёткие нейронные сети.

1.10 Сети Петри.

1.11 Нечёткие сети Петри

1.12 Байесовские сети доверия.

1.12.1 Виды байесовских сетей доверия.

1.12.2 Скрытая Модель Маркова (СММ).

1.12.3 Области применения байесовских сетей доверия.

1.12.4 Краткий обзор программ для работы с байесовскими сетями доверия.

1.13 Генетические алгоритмы.

1.13.1 Схема генетического алгоритма.

1.13.2 Сходимость ГА.

1.14 Основные трудности при автоматизированном проектировании ВС

1.15 Источники трафика при проектировании ВС.

1.15.1 Измерения ВС.

1.15.2 Функциональные диаграммы.

1.16 Нечёткий вероятностный характер динамики вычислительной сети . 61'

1.17 Постановка задачи.

1.18 Выводы.

Глава 2 Формализированные описания, модели, проектные решения автоматизированного проектирования ВС

2.1 Форма описания производственных процессов

2.1.1 Функциональные определения IDEF.

2.1.2 Стандартные DFD - диаграммы

2.1.3 Обоснование выбора DFD - диаграмм.

2.1.4 Дополненные DFD - диаграммы.

2.2 Модель трафика.

2.3 Байесовские сети как средство моделирования рассуждений с целью оптимизации ВС

2.3.1 Механизм работы байесовских сетей доверия.

2.3.2 Причинно - следственные связи для задачи определение коммутационного оборудования.

2.3.3 Байесовская сеть для определения состава коммутационного оборудования

2.3.4 Оценка размера БСД для определения состава коммутационного оборудования

2.3.5 Причинно - следственные связи для задачи определения пропускной способности каналов ВС.

2.3.6 Байесовская сеть для определения пропускной способности каналов сети

2.3.7 Оценка размера байесовской сети для определения пропускной способности каналов сети.

2.4 Формирование значений матриц условных вероятностей.

2.5 Моделирование маршрутизации

2.6 Матрица интенсивностей взаимодействий.

2.7 Модели сети.

2.7.1 Распараллеливание на основе асинхронного параллелизма

2.7.2 Модель сети для имитационного (динамического) моделирования

2.7.3 Модель сети для статического моделирования.

2.8 Сравнение моделей ВС с существующими аналогами

2.8.1 Статическая модель ВС.

2.8.2 Динамическая модель ВС.

2.9 Адаптация генетического алгоритма для задач проектирования ВС

2.9.1 Генетический алгоритм для оптимизации подключения рабочих станций.

2.9.2 Генетический алгоритм для определения размещения коммутационного оборудования.

2.10 Выводы.:.

Глава 3 Структурно - функциональное решение САПР ВС

3.1 Структура САПР ВС.

3.1.1 DFD - диаграммер.

3.1.2 Модуль построения ВС

3.1.3 Визуальный редактор вычислительной сети.

3.1.4 Модуль статического моделирования вычислительной сети

3.1.5 Модуль динамического моделирования вычислительной сети

3.1.6 Модуль байесовской оптимизации

3.1.7 Модуль генетической оптимизации.

3.2 Реализация представления трафика, операции над нечётким трафиком, форматы входных файлов САПР ВС.

3.3 Реализация байесовских сетей доверия.

3.3.1 Реализация БСД для определения состава коммутационного оборудования

3.3.2 Реализация БСД для определения пропускной способности каналов сети

3.4 Реализация механизма обновления вероятностей в узлах БСД

3.5 Реализация имитационного моделирования.

3.5.1 Классы, использованные в имитационной модели.

3.5.2 Алгоритмы динамического моделирования.

3.6 Реализация статического моделирования.

3.6.1 Классы, использованные в статической модели.

3.6.2 Алгоритм статического моделирования.

3.7 Реализация генетических алгоритмов.

3.7.1 Оптимизация подключения рабочих станций.

3.7.2 Оптимизация размещения коммутационного оборудования

3.8 Выводы.

Глава 4 Вычислительные эксперименты 4.1 Проверка адекватности реализованных в САПР ВС моделей.

4.1.1 Описание ожидаемого и полученного результата.

4.1.2 Описание полученного при помощи САПР ВС результата

4.2 Гипотетические сети и тестовые примеры.

4.2.1 Тестовая сеть с четырьмя рабочими станциями и сервером

4.3 Эксперименты с реальной сетью.

I 4.3.1 Структура и потоки данных в ВС ФНПЦ ОАО НПО Марс

4.4 Условия вычислительных экспериментов.

4.5 Результаты вычислительных экспериментов для исходного варианта

4.6 Сводные таблицы для оптимизированного варианта ВС.

4.7 Сводные таблицы для варианта ВС с утроенным трафиком.

4.8 Сравнение эффективности генетического алгоритма и байесовских сетей доверия.

Введение диссертации (часть автореферата) на тему «Автоматизированное топологическое проектирование вычислительных сетей на основе байесовских сетей доверия»

Создание крупных высокоэффективных систем обработки данных связано с объединением средств вычислительной техники, обслуживающей подразделения предприятий и организаций, с помощью системы передачи данных в единую вычислительную сеть. В настоящее время при проектировании вычислительных сетей активно используются системы автоматизированного проектирования вычислительных сетей (САПР ВС). Так как задача проектирования вычислительной сети обладает большим объёмом и высокой степенью сложности, САПР ВС должна обладать элементами интеллектуальности. Существующие САПР ВС позволяют производить различные операции со структурой вычислительной сети (ВС), оптимизировать различные параметры и проводить моделирование заданных ВС. Но им присущи следующие недостатки: размер передаваемых пользователями данных должен иметь чёткую числовую размерность, построение структуры ВС производится пользователем - экспертом, при этом отсутствует возможность автоматизировать процесс построения структуры ВС, недостаточно развиты механизмы моделирования динамики трафика ВС.

Актуальность выбранной темы определяется тем, что при построении локальных и корпоративных вычислительных сетей необходимо учитывать автоматизируемые производственные процессы с целью минимизации затрат на построение сети и предоставления возможностей для развития ВС без её кардинальной перестройки. В процессе модернизации ВС возникает задача определения проблемных мест существующей ВС. Для определения каналов, обладающих недостаточной пропускной способностью, необходимо использовать диаграммы производственных процессов, автоматизируемых при помощи ВС, с целью получения значения величины трафика, адекватной реальной, и определить поведение полученного значения при развитии всей ВС или отдельных её подсетей.

Наряду с генетическими методами оптимизации в разработанной САПР ВС применяется аппарат байесовских сетей доверия. Данное решение позволит получать результаты оптимизации, обоснованные знаниями эксперта о структуре решаемой задачи, представленными в виде графа сети доверия и матрицами условных вероятностей узлов сети доверия. В разработанной САПР ВС сети доверия применяются для моделирования рассуждений проектировщика с целью определения состава коммуникационного оборудования и определения пропускной способности каналов ВС. Теоретическое описание механизма работы байесовских сетей доверия приведено в разделе 2.3.1, структура используемых сетей доверия приведена в разделах 2.3.3, 2.3.6, программная реализация сетей доверия приведена в разделе 3.3.

Научная новизна данной работы состоит в построении структур байесовских сетей доверия для оптимизации параметров вычислительной сети и применении аппарата байесовских сетей доверия для моделирования рассуждений проектировщика при оптимизации вычислительных сетей.

Преимуществами использования сетей доверия являются:

• обоснованность результатов моделирования рассуждений знаниями эксперта, представленными как структурой графа сети доверия, так и в форме матриц условных вероятностей в узлах сети доверия;

• скорость получения результата. Преимущества применения аппарата сетей доверия по сравнению с генетическими алгоритмами и ручным перебором вариантов представлены в 4.8;

• результат моделирования рассуждений проектировщика охватывает множество возможных решений и показывает уровень оптимальности каждого решения.

Основными недостатками использования сетей доверия являются:

Необходимость построения сети доверия для каждого варианта ВС

Сложность и длительность процесса заполнения таблиц условных вероятностей

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Шамшев, Анатолий Борисович

3.8 Выводы

Согласно ГОСТ 34.003 - 90 системой автоматизированного проектирования называется: "Система, состоящая из персонала и комплекса средств автоматизации его деятельности, реализующая информационную технологию выполнения установленных функций". Таким образом, созданный в рамках данной работы программный продукт представляет собой САПР ВС, т.к. имеются все три необходимых компонента.

В данной главе представлены алгоритмы динамического и статического моделирования, генетической оптимизации параметров ВС, реализация байесовских сетей доверия, реализация нечётких меток и операций с ними. Разработанная САПР ВС позволяет оперировать нечёткими значениями трафика, полученными на основании информации об автоматизируемых производственных процессах, проводить оптимизацию параметров ВС без использования методов перебора, производить статическое и динамическое моделирование ВС.

Согласно [1] жизненным циклом изделия называется (ЖЦИ) "совокупность этапов, через которые проходит изделие за время своего существования: маркетинговые исследования, составление технического задания, проектирование, технологическая подготовка производства, изготовление, поставка, эксплуатация, утилизация". Разработанная САПР ВС может применяться на различных этапах жизненного цикла ВС, а именно:

• Составление технического задания. На данном этапе в САПР ВС вводится информация о составе автоматизируемых производственных процессов и структуре проектируемой ВС.

• Проектирование. На данном этапе происходит построение структуры ВС и её оптимизация, определение различных топологических параметров ВС.

• Эксплуатация. САПР ВС позволяет определять узкие места существующей ВС и выяснять последствия расширения всей ВС или отдельных её сегментов.

Глава 4 Вычислительные эксперименты

4.1 Проверка адекватности реализованных в САПР ВС моделей

Для проверки адекватности реализованных моделей проведём эксперимент по статическому и динамическому моделированию тестовой ВС.

Пусть на диаграмме представлены два пользователя: Userl, имеющий 3 рабочих места, и User2, имеющий 2 рабочих места. Также на диаграмме представлена база данных DataBasel. Пользователь Userl передаёт в базу DataBasel документ размером 2 килобайта и получает от базы ответ размером 1 килобайт. Эта задача выполняется в следующие моменты времени: 9:0:0 и 9:0:10. Пользователь User2 передаёт в базу DataBasel документ размером 4 килобайта и получает от базы ответ размером 1 килобайт. Эта задача выполняется в следующие моменты времени: 9:0:5 и 9:0:15.

Рабочие места пользователей сгруппированы в две подсети. База данных находятся на отдельном сервере, подключённом к подсети пользователя Userl. Подсеть пользователя Userl построена на коммутаторе, подсеть пользователя User2 -на концентраторе. Модель ВС приведена на рисунке 4.1.

4.1.1 Описание ожидаемого и полученного результата

Ожидаемый результат статического моделирования представлен в таблице

4.1.

Заключение

В данной главе была продемонстрирована работа САПР ВС "Проектировщик'^ гипотетическими и реальными ВС. Показана эффективность применения БСД в задаче оптимизации коммуникационного оборудования. На примере НПО "Марс"проведение оптимизации с использованием сетей доверия позволило снизить трафик на отдельных каналах в 100 раз. Время проведения байесовской оптимизации несравненно меньше, чем время проведения генетической оптимизации той же ВС. Таким образом, преимуществами использования сетей доверия при решении задач оптимизации являются:

• существенное ускорение и; упрощение процесса оптимизации, сводящееся к установке начальных данных;

• получение ограниченного множества возможных решений с вероятностными оценками;

• обоснованность полученного множества решений как исходными данными, так и мнением эксперта;

Среди недостатков использования сетей доверия можно отметить следующие:

• необходимость построения отдельной сети доверия для каждой задачи оптимизации;

• для построения структуры сети доверия необходимо знать правила, по которым производится рассуждение экспертом. Это затрудняет использование сетей доверия в тех задачах, для которых правила отсутствуют или слабо выражены. Для оптимизации ВС такой задачей является задача оптимизации подключения рабочих станций;

• проведение БСД оптимизации требует достаточно большого объёма оперативной памяти и быстродействия ЭВМ, на которой производится оптимизация.

Это связано с необходимость хранить в памяти как структуру БСД, так и матрицы условных вероятностей узлов;

Таким образом, оптимизация при помощи БСД будет эффективна для задач с большим количеством возможных решений, чётко задаваемой базой правил любой размерности, а так же для тех задач, для которых затруднительно задать критерий оптимальности.

В данной работе была продемонстрирована система автоматизированного проектирования вычислительных сетей на основании производственных процессов с использованием байесовских сетей доверия. Данная САПР ВС обладает следующими преимуществами:

• использование дополненных DFD - диаграмм позволяет полнее учитывать особенности автоматизируемых производственных процессов предприятия;

• оптимизация состава коммуникационного оборудования ВС и пропускной способности каналов ВС при помощи БСД позволяет за сравнительно небольшое время получить множество вариантов, обусловленное как структурой ВС, так и знаниями эксперта, представленными в виде графа БСД, оптимизация производится на основании заложенных в дополненной DFD - диаграмме, описывающей производственные процессы, данных;

• динамическое моделирование позволяет определить динамику трафика на каналах сети в режиме, близком к реальному времени

• статическое моделирование показывает максимально возможное значение трафика на каналах ВС.

Среди недостатков разработанной САПР ВС следует отметить следующие:

• использование для описания производственных процессов только дополненных DFD - диаграмм не позволяет полностью описать все особенности автоматизируемых производственных процессов; недостаточная функциональность мастера перехода к структуре ВС не позволяет сразу получить схему ВС, что приводит к необходимости её редактирования; Многопоточность динамического моделирования требует наличия мощного компьютера с большим объёмом оперативной памяти для повышения адекватности результатов; время, занимаемое статическим моделированием, квадратично зависит от размера моделируемой сети.

Таким образом, основными результатами работы являются:

Методика моделирования рассуждений проектировщика на основе байесовской сети доверия, позволяющая автоматизировать процесс принятия проектных решений;

Модели рассуждений по выбору коммутационного оборудования и пропускной способности каналов, представляющие собой байесовские сети;

Модификация байесовских сетей доверия, позволяющая использовать нечёткие высказывания в качестве исходных свидетельств. Построенные байесовские сети использовали представление трафика на основе трапециевидных функций принадлежности;

Архитектура интеллектуальной САПР ВС как система взаимодействующих генетических и байесовских компонент.

Список литературы диссертационного исследования кандидат технических наук Шамшев, Анатолий Борисович, 2006 год

1. РД-50.1.031-2001. CALS технологии. Терминологический словарь. Часть 1.

2. Тулупьев A. Л. Алгебраические байесовские сети. Логико вероятностый подход к моделированию баз данных с неопределённостью. //Российская акадмия наук, Санкт - Петербургский институт информатики и автоматизации, Санкт - Петербург, 2000 г.

3. Кисляков А. В. , Генетические алгоритмы: операторы скрещивания и мутации./ / Академия ФСБ России, 2001 г.

4. Quinlan J. R. С4.5. Programs for Machine learning. // Morgan Kaufmann Publishers 1993.

5. Шеннон К. Работы по теории информации и кибернетике.// М. Иностранная литература, 1963

6. Коршунов Ю. М. . Математические основы кибернетики.// М. Энергоато-миздат, 1987

7. Информационные системы в экономике. Учебник // Под ред. проф. В. В. Дика. М.: Финансы и статистика, 1996

8. Якубайтис Э. А. Информационные сети и системы // М.: Финансы и статистика, 1996

9. Пирогов В. В. Исследование применимости генетических алгоритмов в автоматизированном проектировании вычислительных сетей и в задачах размещения. Автореферат диссертации на соискание ученой степени кандидата технических наук.// Ульяновск, 2000 г.

10. Мишенин А. И. Теория экономических информационных систем // М.: Финансы и статистика, 1999

11. Экономическая информатика и вычислительная техника. Учебник // Под ред. В. П. Косарева, А. Ю. Королева. М.: Финансы и статистика, 1996

12. Спиридонов И. А. Мировая экономика // М.: ИНФРА М, 1999

13. Марка Д. А., МакГоуэн К. JI. Методология структурного анализа и проектирования SADT.// М.:1993

14. Калянов Г.Н. CASE: структурный системный анализ (автоматизация и применение).// М.: ЛОРИ. 1996

15. Калянов Г.Н., Козлинский А.В., Лебедев В.Н. Сравнение и проблема выбора методов структурного системного анализа // PC WEEK/RE. 1996. N.34 (27 августа)

16. Введение в экспертные системы (URL: http: / / astu.secna.ru / russian / students / personal/22usv / prospec.htm)

17. Базовые понятия искусственного интеллекта ( URL: http://ге-tech.narod.ru/inf/ai/gll.htm)

18. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечёткая логика и искусственные нейронные сети.//Физматлит, 2001 г.

19. Анисимов Н.А. Композициональная метода разработки протоколов на основе сетей Петри. // Диссертация на соискание учёной степени доктора технических наук. Владивосток 1994 г

20. Котов В.Е. Алгебра регулярных сетей Петри. // Кибернетика, 1980, N 5, с.10-18.

21. Котов В.Е. Сети Петри. // М.: Наука, 1984. 160 с

22. Теория вероятностей. Введение (URL: http://www.exponenta.ru/educat/ class / courses/t v/themeO /1. asp)

23. Гурин. С. Параллельное объектно ориентированное программирование в Delphi. URL: http.y/www.tomsk.net/2q/gurin/gala.html

24. Павловский Ю.Н. Имитационные модели и системы. //Москва:ФАЗИС, ВЦ РАН, 2000.-134 с.

25. Ярушкина Н.Г., Наместников А. М. Эффективность генетических алгоритмов для задач автоматизированного проектирования.//Теория и системы управления, №2, 2002 г.

26. Holland Y. Adaptation in Natural and Artificial Systems. // University of Michigan, Press, Ann Arbor,1975.

27. Скурихин A.H. Генетические алгоритмы // Новости искусственного интеллекта. 1995, № 4

28. Официальная страница International Fuzzy Systems Association. URL: http://www.pa.info.mie-u.ac.jp/ furu/ifsa/

29. Шайкин A.H., Егоров А.Ф. Встроенные предикаты в модели нечёткого логического вывода резолюционного типа на базе сетей Петри //Труды конференции "Математические методы в технике и технологиях (ММТТ 16)", СПбГТИ, Санкт - Петербург, 2003 г.

30. Олифер Н.А., Олифер В.Г. Средства анализа и оптимизации локальных сетей.// Центр Информационных Технологий, 1998

31. Лычкина Н.Н. Современные тенденции в имитационном моделировании. Опубликовано в BisComm

32. Частиков А. П., Леднева И. Ю. Использование байесовской сети при разработке экспертных систем с нечёткими знаниями. // Краснодар, КубГТУ, 2003 г.

33. B. Келдыша. Москва, 2001 г.

34. Коновалов С. Разработка имитационной модели сети Ethernet для её представления в сети Internet. URL: www.a-sys.ru/Articles/Article.aspx?ID=:4

35. Ярушкина Н. Г. Нечёткие нейронные сети. Часть 1. // Новости искусственного интеллекта, 2001 г., № 2-3

36. Ярушкина Н. Г. Нечёткие нейронные сети. Часть 2. // Новости искусственного интеллекта, 2001 г., № 4

37. Jensen К. A Brief Introduction to Coloured Petri Nets. Computer Science Department, University of Aarhus Ny Munkegade, Bldg. 540, DK-8000 Aarhus1. C, Denmark

38. Мартынов В. И. Распределение потоков с нечётко заданными интенсивно-стями в сетях с коммутацией каналов. Известия академии наук. //Теория и системы управления, 1999 г., №4, с. 101 110

39. Фурунжиев В. И., Бабушкин Ф. М., Варавко В. В. Применение математических методов и ЭВМ. Практикум. // Высшая школа, 1988

40. Березко М. П., Вишневский В. М., Левнер Е. В., Федотов Е. В. Математические модели исследования алгоритмов маршрутизации в сетях передачи данных. // Информационные процессы, Том 1,№2, 2001, стр. 103—125

41. Horvitz Е., Hovel D., Kadie С. MSBNx: A Component-Centric Toolkit for Modeling and Inference with Bayesian Networks. //MSDN, July 2001

42. Касьянов В. Н., Евстигнеев В. А. Графы в программировании: обработка, визуализация и применение. // БХВ Петербург, 2003 г., стр. 971 -998

43. Матвеев А. Сетевые нюхачи. URL:http://www.linuxcenter.ru/lib /security/sniffers.phtml

44. Тарнавский Г. А., Шпак С. И. Декомпозиция методов и распараллеливание алгоритмов решения задач аэродинамики и физической газовой динамики: вычислительная система "Поток-3"//Программирование. 2000. №6, стр. 45-57

45. Тарнавский Г. А., Тарнавский А. Г., Вшивков В. А. Параллелизация алгоритмов и кодов вычислительной системы "Поток-3"//Программирование, 2003, №1, 1-20

46. Стерне Т. Учимся моделировать. //Сети, 1998 г. №5. с. 130-135

47. Жожикашвили В. А., Вишневский В. М. Сети массового обслуживания. Теория и применение к сетям ЭВМ. // М.: Радио и связь, 1988. 192 с.

48. Краснов С. В. Автоматизированное проектирование вычислительных сетей промышленных предпритий в условиях нечётко заданного трафика. Автореферат диссертации на соискание учёной степени кандидата технических наук. //Ульяновск, 2001 г.51

49. Quinlan J. R. Programs for Machine learning. //Morgan Kaufmann Publishers 1993.

50. Шеннон К. Работы по теории информации и кибернетике. М. Иностранная литература, 1963

51. Коршунов Ю. М. Математические основы кибернетики. М. Энергоатом-издат, 1987

52. Репозиторий плагинов для использования с NS2.

53. URL:http://www.isi.edu/nsnam/repository/index.html

54. Хоар Ч. Взаимодействующие последовательные процессы.// М. Мир 1989

55. Научная сессия МИФИ-2003. V всероссийская научно техническая конференция Нейроинформатика - 2003: Лекции по нейроинформатике. Часть 1. // М.: МИФИ, 2003. - 188 с.

56. Murphy К. A Brief Introduction to Graphical Models and Bayesian Networks URL: www.cs.berkeley.edu/ murphyk/Bayes/bayes/html

57. Jaakkola Т., Jordan M. I. Variational probabilistic inferenceiand the QMR-DT database. URL: www.cs-structure.inr.ac.ru/cs-bin/findrefs2.py?keyl=385902&skip=0

58. Морозов М.Н. Курс лекций по дисциплине "Системы искусственного интеллекта" Марийский государственный технический университет, Лаборатория систем мультимедиа. URL: http://www.marstu.mari. ru:8101/mmlab/home/AI/index.html

59. Монтегю Р. Семантика модальных и интенсиональных логик.// Под ред. Смирнова В.А. М: "Прогресс", 1981, с. 254-279.

60. Скотт Д. Семантика модальных и интенсиональных логик.// Под ред. Смирнова В.А. М: "Прогресс", 1981, с. 280-317.

61. Крипке С.А. Семантический анализ модальной логики I. Нормальные модальные исчисления высказываний. в кн. Р. Фейс. Модальная логика. // М: "Наука", 1974, с. 254-303

62. Ружа И. Интенсиональная логика без интенсиональных переменных. в кн. Модальные и интенсиональные логики и их применение к проблемам методологии науки. Под ред. Смирнова В.А. // М: "Наука", 1984, с. 220-244

63. Тэис А. и др. Логический подход к искусственному интеллекту. От классической логики к логическому программированию. Пер. с фр.//М.:МИР, 1990

64. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. // М.: Радио и связь, 1989. 184 с

65. Финн В.К. Интеллектуальные системы: проблемы из развития и социальные последствия. // Будущее искусственного интеллекта. // М.: Наука, 1991. 302 с

66. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. //М., "Радио и связь", 1992

67. Алексеева И.Ю. Человеческое знание и его компьютерный образ. // М.: Наука, 1992

68. Коов М.И., Мацкин В.В. Диалектика социального познания. // М.: Политиздат, 1988

69. Осипов Г. С. Искусственный интеллект: состояние исследования и взгляд в будущее. URL: ai.obrazec.ru/artint.htm

70. Jae Chung, Mark Claypool. NS by Example. URL: http://nile.wpi.edu/NS/

71. Ашманов И. Информация и знания: невидимая грань. URL: http: / /newasp .omskreg. ru/intellect/f5 .htm

72. Гейвин X. Когнитивная психология. //Изд-во Питер, 2003 г.

73. The Network Simulator ns-2: Validation Tests. URL: http: //www.isi.edu/risriam/iis/ns-tests.litrnl

74. Питерсон Дж. Теория сетей Петри и моделирование систем.// М. Мир, 1984.

75. Котов В.Е. Сети Петри.// М.: Наука, 1984.

76. Азов М. С. Автоматизированное топологическое проектирование вычислительных сетей на основе потоковой модели рабочей иагрузки. Автореферат диссертации на соискание учёной степени кандидата технических наук. // Ульяновск, 200G г.

77. Богуславский JI. Б., Дрожинов В. И. Основы построения вычислительных сетей для автоматизированных систем. //М.: Энергоатомиздат, 1990