Математическое и программное обеспечение параллельного и распределенного управления многоузловым мониторингом объектов многоканальной системы тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Николаев Дмитрий Александрович

• Николаев Дмитрий Александрович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Николаев Дмитрий Александрович

1.3 Выводы по главе

ГЛАВА 2. РАЗРАБОТКА ТЕОРЕТИУМО-МНОЖЕСТВЕННОЙ МОДЕЛИ ОДНОРАНГОВОЙ СЕТИ ИНТЕЛЛЕКТУАЛЬНЫХ УЗЛОВ МОНИТОРИНГА

2.1 Инфраструктуры структурированных одноранговых файлообменных сетей

2.1.1 Chord

2.1.2 CAN

2.1.3 Pastry

2.1.4 Tapestry

2.1.5 Kademlia

2.2 Разработка теоретико-множественного описания процесса многоузлового мониторинга объектов и структуры одноранговой сети распределенного хранения данных децентрализованной подсистемы видеоаналитики многоканальной системы видеомониторинга построенной на основе инфраструктуры CAN

2.2.1 Процесс многоузлового мониторинга объектов

2.2.2 Структура одноранговой сети распределенного хранения данных децентрализованной подсистемы видеоаналитики многоканальной системы видеомониторинга

2.2.3 Маршрутизация в одноранговой сети распределенного хранения данных децентрализованной подсистемы видеоаналитики многоканальной системы видеомониторинга

2.3 Программные решения поддержки функции многоузлового мониторинга объектов

2.4 Выводы по главе

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМА ДЕЦЕНТРАЛИЗОВАННОГО УПРАВЛЕНИЯ ФУНКЦИЕЙ МНОГОУЗЛОВОГО МОНИТОРИНГА ОБЪЕКТОВ

И ИМИТАЦИОННОЙ МОДЕЛИ ОДНОРАНГОВОЙ СЕТИ ИНТЕЛЛЕКТУАЛЬНЫХ УЗЛОВ МОНИТОРИНГА

3.1 Разработка алгоритма децентрализованного управления функцией многоузлового мониторинга объектов

3.1.1 Алгоритм функции многоузлового мониторинга объектов

3.1.2 Алгоритм децентрализованного управления функцией многоузлового мониторинга объектов

3.1.3 Проверка свойств и оценка вычислительной сложности разработанного алгоритма

3.2 Разработка имитационной модель одноранговой сети интеллектуальных узлов мониторинга, выполняющих функцию многоузлового мониторинга объектов

3.2.1 Существующие подходы к моделированию одноранговых файлообменных сетей и сетей пиринговой потоковой передачи медиа-данных

3.2.2 Проблема и цели исследования

3.2.3 Концептуальное описание модели

3.2.4 Формализация имитационной модели

3.2.5 Программирование имитационной модели

3.3 Испытание и исследование модели

3.3.1 Стратегическое и тактическое планирование эксперимента

3.3.2 Предварительная обработка результатов эксперимента

3.3.3 Анализ чувствительности модели и выводы

3.4 Выводы по главе

ГЛАВА 4. РАЗРАБОТКА СТРУКТУРНОЙ МОДЕЛИ ВЗАИМОДЕЙСТВИЯ ПРОГРАММНЫХ МОДУЛЕЙ МНОГОУЗЛОВОГО МОНИТОРИНГА

ОБЪЕКТОВ ДЛЯ ПОДСИСТЕМЫ ВИДЕОАНАЛИТИКИ МНОГОКАНАЛЬНОЙ СИСТЕМЫ ВИДЕОМОНИТОРИНГА С ДЕЦЕНТРАЛИЗОВАННОЙ СТРУКТУРОЙ

4.1 Исследование архитектурных решений аппаратно-программного обеспечения интеллектуальных узлов мониторинга

4.1.1 Обобщенная архитектура вычислительных платформ интеллектуальных узлов мониторинга

4.1.2 Многоуровневая структура программного обеспечения интеллектуальных узлов мониторинга

4.2 Структурная модель взаимодействия программных модулей функции многоузлового мониторинга объектов на основе инфраструктуры CAN

4.2.1 Реализация процесса включения интеллектуального узла мониторинга в состав одноранговой сети с инфраструктурой CAN

4.2.2 Реализация процесса маршрутизации в одноранговой сети интеллектуальных узлов мониторинга с инфраструктурой CAN

4.3 Реализация уровней сетевого и канального взаимодействия в сети интеллектуальных узлов мониторинга на основе протокола C2C

4.3.1 Модель взаимодействия программных модулей на основе протокола CAN

4.3.2 Формат протокольных блоков данных в сети на основе протокола CAN

4.3.3 Структурная модель взаимодействия программных модулей функции многоузлового мониторинга объектов на основе двухуровневой архитектуры С2С

4.4 Реализация программных модулей функции многоузлового мониторинга объектов в сети интеллектуальных узлов мониторинга

4.4.1 Выбор фреймворка для реализации программных модулей функции многоузлового мониторинга объектов в сети интеллектуальных узлов мониторинга

4.4.2 Разработка спецификации протокола взаимодействия программных модулей функции многоузлового мониторинга объектов в сети интеллектуальных узлов мониторинга

4.5 Оценивание эффективности разработанного математического и программного обеспечения многоузлового мониторинга объектов

4.5.1 Показатели качества подсистемы видеоаналитики многоканальной системы видеомониторинга выполняющей функцию многоузлового мониторинга объектов

4.5.2 Планирование и проведение натурного эксперимента, интерпретация результатов

4.6 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ТЕРМИНОВ, СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИУМОВ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

172

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение параллельного и распределенного управления многоузловым мониторингом объектов многоканальной системы»

ВВЕДЕНИЕ

Актуальность темы. Многоканальные программные системы применяются во многих сферах, так одним из актуальных направлений являются многоканальные системы видеомониторинга. Развитие и совершенствование программного обеспечения (ПО) этого направления обусловлено необходимостью решения ряда проблем, связанных с функциями аналитической обработки информации видеомониторинга, в общем случае именуемых видеоаналитикой. В рамках традиционной архитектуры ПО таким системам лежит модель «клиент-сервер». Применение подобной архитектуры имеет существенные ограничения при решении задачи их масштабирования, также является «узким местом» по показателю отказоустойчивости.

Развитие компонентной базы привело к появлению функциональных узлов многоканальных систем видеомониторинга, комбинирующих функции формирования видеокадров и видеоаналитики - интеллектуальных узлов мониторинга. Наличие в них программной реализации стека телекоммуникационных протоколов обеспечивает возможность создания сети, являющейся хорошо масштабируемой многоканальной системой видеомониторинга. Применение интеллектуальных узлов мониторинга позволяет в качестве базового выбрать агентный подход к построению архитектуры ПО видеоаналитики многоканальных систем видеомониторинга.

Одной из наиболее трудоемких задач видеоаналитики, зависящей от высоконадежного и скоординированного функционирования всех компонентов системы, является многоузловой мониторинг объектов. Задача многоузлового мониторинга объектов в системах с агентной архитектурой ПО видеоаналитики может быть решена за счет ее переноса в интеллектуальные узлы мониторинга и разработки ПО параллельного и распределенного управления ею.

Большой вклад в разработку математического и программного обеспечения подсистемы видеоаналитики многоканальных систем видеомониторинга, в том числе и с децентрализованной структурой, внесли P. Fu, B. Song, C. Soto, M. Taj,

А. Cavallaro, М. Quaritsch, М. Kreuzthaler, А.Ю. Кручинин, Д.В. Колмыков, Р.Р. Галимов. При этом в настоящее время практически отсутствуют подходы к формальному решению задачи многоузлового мониторинга объектов, а имеющиеся исследования в области математического и программного обеспечения носят узконаправленный характер и, как правило, отражают частные аспекты ее решения.

Таким образом, повышение масштабируемости и отказоустойчивости ПО многоузлового мониторинга объектов в системах видеомониторинга на основе интеллектуальных узлов, путем разработки математического и программного обеспечения для параллельного и распределенного управлением им является актуальной исследовательской задачей.

Тематика диссертационной работы соответствует перспективной тематике научных исследований ФГКВОУ ВО «Академия Федеральной службы охраны Российской Федерации» по направлению «Совершенствование методов и алгоритмов функционирования систем видеонаблюдения объектов охраны».

Целью работы является повышение масштабируемости и отказоустойчивости программного обеспечения многоузлового мониторинга объектов на основе разработки математической модели и алгоритма управления, реализующих агентный подход.

Задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ состояния проблемы обеспечения масштабируемости и отказоустойчивости программного обеспечения многоузлового мониторинга объектов в многоканальной системе видеомониторинга.

2. Разработать теоретико-множественную модель одноранговой сети интеллектуальных узлов мониторинга, выполняющих функцию многоузлового мониторинга объектов.

3. Разработать алгоритм децентрализованного управления функцией многоузлового мониторинга объектов в подсистеме видеоаналитики

многоканальной системы видеомониторинга на основе сети интеллектуальных узлов мониторинга.

4. Разработать имитационную модель одноранговой сети интеллектуальных узлов мониторинга, выполняющих функцию многоузлового мониторинга объектов.

5. Разработать структурную модель взаимодействия программных модулей многоузлового мониторинга объектов для подсистемы видеоаналитики многоканальной системы видеомониторинга с децентрализованной структурой.

6. Провести численные эксперименты по оцениванию предложенных решений по показателям масштабируемости и отказоустойчивости.

Объект исследования: подсистема видеоаналитики многоканальной системы видеомониторинга на основе сети интеллектуальных узлов мониторинга.

Предмет исследования: математическое и программное обеспечение процесса децентрализованного управления функцией многоузлового мониторингом объектов.

Методы исследования. При решении поставленных в диссертации задач использовались методы системного анализа и синтеза, построения распределенных вычислительных систем, управления в многоагентных системах, теории множеств, теории конечных автоматов, имитационного моделирования, математической статистики и планирования проведения эксперимента.

Тематика работы соответствует следующим пунктам паспорта специальности 2.3.5. Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей (технические науки): п.3 «Модели, методы, алгоритмы, языки и программные инструменты для организации взаимодействия программ и программных систем»; п.8 «Модели и методы создания программ и программных систем для параллельной и распределенной обработки данных, языки и инструментальные средства параллельного программирования».

Научная новизна работы. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- теоретико-множественная модель одноранговой сети интеллектуальных узлов мониторинга, отличающаяся представлением периметра наблюдения за объектом мониторинга в виде виртуального пространства, разделяемого между множеством интеллектуальных узлов мониторинга, используемого для распределенного хранения их координатно-адресных параметров, обеспечивающая формирование логической сетевой инфраструктуры для многоузлового мониторинга объектов;

- алгоритм децентрализованного управления функцией многоузлового мониторинга объектов, отличающийся учетом траектории перемещения объекта мониторинга и сформированной логической сетевой инфраструктуры многоканальной системы видеомониторинга, и обеспечивающий решение интеллектуальным узлом мониторинга задачи выбора узла - получателя данных об объекте с целью продолжения его мониторинга;

- имитационная модель одноранговой сети интеллектуальных узлов мониторинга, отличающаяся использованием ^-мерного виртуального пространства координат одноранговой пиринговой сети CAN и обеспечивающая реализацию протокола взаимодействия агентов в процессе многоузлового мониторинга объектов;

- структурная модель взаимодействия программных модулей многоузлового мониторинга объектов для подсистемы видеоаналитики многоканальной системы видеомониторинга с децентрализованной структурой, отличающаяся реализацией протокола взаимодействия агентов на основе наложения уровня одноранговой пиринговой сети CAN на уровень сетевой инфраструктуры Controller Area Network, обеспечивающая функционирование одноранговой сети интеллектуальных узлов мониторинга в условиях масштабирования и отказов.

Практическая значимость исследования заключается в разработке математического и программного обеспечения для децентрализованного управления функцией многоузлового мониторинга объектов многоканальной системы видеомониторинга на базе интеллектуальных узлов, на основе агентного подхода и технологии одноранговых сетей, обеспечивающие повышение

масштабируемости и отказоустойчивости ПО многоузлового мониторинга объектов. На элементы программных средств получено свидетельство о государственной регистрации в реестре Федеральной службы по интеллектуальной собственности.

Положения, выносимые на защиту:

1. Теоретико-множественная модель одноранговой сети интеллектуальных узлов мониторинга обеспечивает формирование логической сетевой инфраструктуры для многоузлового мониторинга объектов.

2. Алгоритм децентрализованного управления функцией многоузлового мониторинга объектов обеспечивает решение интеллектуальным узлом мониторинга задачи выбора узла - получателя данных об объекте с целью продолжения его мониторинга.

3. Имитационная модель одноранговой сети интеллектуальных узлов мониторинга обеспечивает реализацию протокола взаимодействия агентов в процессе многоузлового мониторинга объектов.

4. Структурная модель взаимодействия программных модулей многоузлового мониторинга объектов для подсистемы видеоаналитики многоканальной системы видеомониторинга с децентрализованной структурой обеспечивает функционирование одноранговой сети интеллектуальных узлов мониторинга в условиях масштабирования и отказов.

Результаты внедрения. Основные положения и результаты диссертационной работы реализованы в виде специального программного модуля для прототипа интеллектуального узла мониторинга и нашли практическое применение в работе ООО «Автоматические системы» для совершенствования программного обеспечения подсистемы видеоаналитики опытного участка многоканальной системы видеомониторинга. Также результаты внедрены в образовательный процесс Академии ФСО России (г. Орел).

Апробация результатов диссертационного исследования. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях: XX International Open Conference «Modern informatization problems

in the technological and telecommunication systems analysis and synthesis» (Yelm, WA, USA, 2015), XI Всероссийской межведомственной научной конференции «Актуальные направления развития систем охраны, специальной связи и информации для нужд органов государственной власти Российской Федерации» (Академия ФСО России, Орёл, 2019 г.), XXIV-th International Open Science Conference «Modern informatization problems in economics and safety» (Yelm, WA, USA, 2019), XXV-th International Open Science Conference «Modern informatization problems in simulation and social technologies» (Yelm, WA, USA, 2020).

Публикации. По результатам диссертационного исследования опубликовано 11 печатных работ, в т.ч. 3 статьи в изданиях, рекомендованных ВАК РФ, патент на полезную модель, свидетельство о государственной регистрации программы, а также статья в издании, индексируемом в Scopus. В работах, опубликованных в соавторстве и приведённых в конце автореферата, лично автором получены следующие результаты [105] - анализ подходов к построению одноранговых сетей; [107] - алгоритм децентрализованного управления функцией многоузлового мониторинга объектов, модель мультиагентной системы для одноранговой сети интеллектуальных узлов мониторинга; [106] - анализ существующих подходов к моделированию одноранговых сетей; [72, 44] - модель децентрализованного процесса многоузлового мониторинга объектов с распределенным хранением данных в одноранговой сети интеллектуальных узлов мониторинга; [117] - метод расчета параметров децентрализованного процесса многоузлового мониторинга объектов с распределенным хранением данных в одноранговой сети интеллектуальных узлов мониторинга; [116] - реализация программного модуля децентрализованного управления для многоузлового мониторинга объектов интеллектуальными узлами мониторинга.

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения и приложений. Работа изложена на 178 страницах машинописного текста, включая 58 рисунков, 17 таблиц и список литературы из 118 наименований.

ГЛАВА 1. ОСОБЕННОСТИ УПРАВЛЕНИЯ ФУНКЦИЕЙ МНОГОУЗЛОВОГО МОНИТОРИНГА ОБЪЕКТОВ В ПОДСИСТЕМЕ ВИДЕОАНАЛИТИКИ СОВРЕМЕННЫХ МНОГОКАНАЛЬНЫХ СИСТЕМ ВИДЕОМОНИТОРИНГА

1.1 Процесс многоузлового мониторинга объектов в подсистеме видеоаналитики современных многоканальных систем видеомониторинга

В настоящее время в предметной области распределенных многоканальных программных систем, связанных с решением задач сбора и аналитической обработки информации, важную роль играют многоканальные системы видеомониторинга. В первую очередь это связано с необходимостью организации визуального контроля состояния объектов различного уровня, имеющих структурные и топологические особенности, а также особенности, связанные с возможностями развертывания в их рамках технологий видеомониторинга. Так, например, средства и способы развертывания инфраструктуры многоканальных систем видеомониторинга и решаемые в ее рамках задачи существенно различаются для объектов большой протяженности (трубопроводы, автомагистрали) и в условиях плотной урбанистической застройки.

В общем виде существующая архитектура многоканальной программной системы видеомониторинга, являющаяся обобщением предложенных в [1, 2] схем, представлена на рисунке 1.1.

Из рисунка 1.1 видно, что структурно многоканальная система видеомониторинга состоит из:

- n узлов мониторинга, программно реализующих функцию преобразования множества входов - оптические изображения (видеопотоки) индивидуальных полей зрения (англ. Field Of View) FOVn в множество индивидуальных

сообщений Sn (t), доступных для передачи по каналу связи;

- узла объединения каналов, программно реализующего преобразование множества индивидуальных сообщений {£и (t)} в групповое сообщение S (t);

- узла обработки, программно реализующего в извлеченных из сообщения

S(t) индивидуальных полях зрения FOVn такие функции, как детектирование

(англ. detecting), сопоставление (англ. matching) и сопровождение или мониторинг (англ. tracking) и др. над заданными объектами мониторинга [3];

- узла визуализации, программно реализующего групповое (объединенное) поле зрения FOV , являющееся выходом многоканальной системы

видеомониторинга.

Программные компоненты

(FOVn}

Улучшение и компрессия индивидуального поля зрения (ГОУп), формирование сообщения Б„(1)

Г Обработка группового сообщения S(t) (FOV',} г Формирование л группового (объединенного) поля зрения (FOVZ)

Структурные компоненты

FOV,

FOV2

FOV3

FOV„

Узел Si(t) 1 1

мониторинга 1 1 1

S2(t)

Узел Узел 1

мониторинга 2 I объединения каналов 1 Узел Узел

I

Узел Ss(t) 1 обработки визуализации

мониторинга 3 1 I 1

... 1 1 1

Узел S,(t) 1 1

мониторинга п 1 1

1 1 1 1

Каналы видеомониторинга

Рис 1.1 Обобщенная структурная схема многоканальной системы

видеомониторинга

В зависимости от структурных и топологических особенностей, в рамках которых развертывается многоканальная система видеомониторинга, ряд ее структурных компонентов, например, узел объединения каналов и узел обработки могут отсутствовать, что существенно упрощает процесс преобразования множества ее входов в выход.

В [4] приводится пример крупномасштабной многоканальной системы видеомониторинга (объект мониторинга - метрополитен г. Лондон). Структурно эта система содержит 15516 узлов мониторинга. В среднем каждый узел

мониторинга формирует поток сообщений Sn (t) с канальной скоростью (англ. data rate) ~ 260 Мбит/с, что создает существенную нагрузку на централизованно реализованные узлы объединения каналов, обработки и визуализации. При этом программно реализуемая функция компрессии видеопотоков FOVn со степенями компрессии от 10 до 100 не приводит к существенному приросту производительности.

В [5, 6] рассматривается многоканальная система видеомониторинга ГУП «Московский метрополитен», развернутая в рамках функционирования Центра управления обеспечением транспортной безопасности (ЦУОТБ). В настоящее время в ее состав входит 17300 узлов мониторинга, из которых 3900 расположены в подвижном составе, 3500 на платформах и 1230 на эскалаторах.

В [7] рассматриваются топографические и функциональные данные распределенной многоканальной системы видеомониторинга ПАО «Газпром-нефть». В обобщенном виде они представлены на рисунке 1.2.

Рис. 1.2 Топографические и функциональные данные многоканальной системы

видеомониторинга ПАО «Газпром-нефть»

Важной особенностью многоканальных систем видеомониторинга является зависимость их структурно-функциональных характеристик, либо от условий изменения масштаба и/или топологических характеристик среды, в которой

функционирует система (требование добавления новых ЕОУп ), либо от условий решаемых системой видеомониторинга задач (увеличение числа или разнообразия объектов мониторинга).

В [8] представлены развернутые статистические данные, подтверждающие тенденцию роста рыночных характеристик составляющих многоканальных систем видеомониторинга (российский рынок систем видеомониторинга). Эти тенденции обобщены в графике на рисунке 1.3.

2103 2014 2015 2016 2017 2018 2019 2020 2021 2022

Поставки узлов мониторинга Поставки узлов обработки и хранения Поставки узлов кодирования и компрессии Продажи ПО видеоаналитики Продажи ПО видеомониторинга Продажи услуг видеомониторинга

Рис. 1.3 Тенденции роста рыночных характеристик многоканальных систем

видеомониторинга

Указанные данные позволяют в общем виде сделать вывод о том, что современные многоканальные системы видеомониторинга являются сложными программно-аппаратными комплексами, решающими широкий перечень задач, специализированных в зависимости от целей их применение. Увеличение потребностей рынка в предметной области видеомониторинга, а также развитие инфокоммуникационных систем, базирующихся на технологиях пакетной коммутации, приводит к необходимости, либо модернизации существующих многоканальных программных систем видеомониторинга путем их структурного и функционального масштабирования, либо к необходимости разработки новых

архитектурных решений таких систем, обеспечивающих полное покрытие возлагаемых на них задач.

1.1.1 Анализ структуры и функций программного обеспечения видеоаналитики многоканальных систем видеомониторинга

Анализ источников [9, 10] показал, что в существующих условиях наиболее актуальной является проблема решения многоканальной системой видеомониторинга перечня задач, связанных с обработкой информации, поступающей от множества n улов мониторинга (рисунок 1.1). Реализация функций, решающих эти задачи, в системе видеомониторинга возлагается на подсистему видеоаналитики (англ. Video Content Analysis, VCA), реализуемую в узле обработки (рисунок 1.1).

В [11] приводится аналитический обзор рынка систем видеонаблюдения, поддерживающих подсистему видеоаналитики. Указывается, что за период с 2012 по 2019 год рыночная доля подсистем видеоаналитики возрастала на 30% ежегодно, при том, что темпы роста рынка систем видеонаблюдения в целом на превышали 13%.

На рисунке 1.4 [10] в обобщенном виде представлены функции многоканальной системы видеомониторинга и соответствующие им функции программного обеспечения. Из рисунка видно, что в общем случае подсистема видеоаналитики делится на две составляющие:

1. Пограничная видеоаналитика, реализующая базовые функции, требующие оперативной обратной связи на возникающие события. Реализация этого вида видеоаналитики чаще всего осуществляется на узле мониторинга за счет встроенного (англ. embedded) программного обеспечения.

2. Централизованная видеоаналитика, реализующая расширенные функции, обеспечивающие решение задач распознавания и мониторинга объектов. Реализация этого вида видеоаналитики осуществляется на узле обработки,

поскольку указанные функции достаточно требовательны к вычислительным ресурсам узла многоканальной системы видеомониторинга.

Функции видеоаналитики

Рис 1.4 Функциональный состав программного обеспечения многоканальной

системы видеомониторинга

В [12] указывается, что базовая функция подсистемы видеоаналитики -выделение в FOVn узла мониторинга значимых событий для дальнейшего реагирования на них заранее определенным способом.

В общем виде алгоритм функционирования узла видеоаналитики многоканальной системы видеомониторинга представлен на рисунке 1.5.

Рис. 1.5 Обобщенный алгоритм подсистемы видеоаналитики

Представленная на рисунке 1.5 совокупность функций (извлечение свойств, классификация и трекинг) реализуется специализированными алгоритмами видеоаналитики, классы которых представлены на рисунке 1.6.

Рис. 1.6 Алгоритмы видеоаналитики многоканальных систем видеомониторинга

Указанные алгоритмы, как по отдельности, так и совокупности позволяют решать следующие типовые задачи [13]:

- контроль за перемещением (трекинг) объектов в рамках ЕОУп узла мониторинга с целью решения задачи выявления нарушений порядка или правил перемещения;

- распознавание и верификация событий, связанных с детектированием заданных объектов или заданных событий с целью оперативного реагирования на них;

- оптимизация хранилища множества индивидуальных сообщений Бп (г) системы видеомониторинга (рисунок 1.1), связанная с выделением заданных (ключевых) событий, с целью повышения оперативности реагирования на них или ресурсоемкости узла обработки системы видеомониторинга.

В развернутом виде функции подсистемы видеоаналитики обобщенной многоканальной системы видеомониторинга представлены в [14, 15]. Типы программного обеспечения видеоаналитики многоканальных систем

видеомониторинга отечественного и зарубежного производства представлены в [16, 17].

1.1.2 Анализ структуры и функций программного обеспечения многоузлового мониторинга объектов в подсистеме видеоаналитики многоканальных систем видеомониторинга

Класс задач трекинга объектов (рисунок 1.4) является одним из сложных, как с точки зрения его программной реализации, так и с точки зрения применяемых для его решения методов. В первую очередь это связано с тем, что подобные задачи являются междисциплинарными задачами предметной области компьютерного зрения, поскольку включают в себя, как методы распознавания объекта мониторинга, так и методы определения его пространственно-временного положения, а также сопоставление этого положения с имеющимися в архиве системы видеомониторинга видеопоследовательностями. Очевидно, что решение подобных задач невозможно без решения задачи согласования данных, поступающих от множества узлов мониторинга (рисунок 1.5), что позволяет выделить класс задач многоузлового мониторинга объектов (англ. multi-camera tracking). Актуальные исследования в этой предметной области представлены в работах [18, 19, 20, 21].

Так в [19] проблема многоузлового мониторинга объектов представлена комбинацией трех взаимосвязанных задач подсистемы видеоаналитики:

1. Сопоставление (детекторвание) объектов (англ. object matching) - поиск и идентификация одного и того же объекта в FOV более чем одной камеры.

2. Согласование узлов мониторинга и оценивание их топологической взаимосвязи (англ. сameras calibration and estimation of their topological relations) -выявление параметров множества узлов мониторинга, с целью расчета их топологических отношений для дальнейшего расчета траектории объекта наблюдения.

3. Информационное слияние (англ. information fusion) - объединение параметров идентифицированного объекта наблюдения с параметрами топологических отношений узлов мониторинга с целью обеспечения непрерывности мониторинга. Одной из частных задач в рамках этой комплексной задачи является задача передачи параметров объекта наблюдения между узлами мониторинга.

Каждая из представленных задач базируется на различном, поддерживающем ее математическом обеспечении. При этом наличие явной взаимосвязи этих задач требует рассмотрения подходов его применения в рамках различных архитектурных решений подсистемы видеоаналитики многоканальной системы видеомониторинга.

1.1.3 Исследования в области математического обеспечения многоузлового мониторинга объектов в подсистеме видеоаналитики многоканальных систем видеомониторинга

В общем случае задача сопоставления объектов при их многоузловом мониторинги сводится к решению частной задачи сопоставления объекта в ¥ОУп более чем одного узла видеомониторинга в одно и тоже время мониторинга или в различные промежутки этого времени. Базовой функцией при этом является поиск и идентификация объекта мониторинга в пределах ЕОУп .

Если в качестве х представить вектор признаков объекта О, то с учетом ограничения времени мониторинга Т для множества узлов мониторинга С, функция многоузлового мониторинга объекта О может быть представлена выражением 1.1.

агЕтшх,Яуе0 - хД (1Л)

В настоящее время в работах [11, 15] предлагаются следующие методы решения подобной задачи:

1. Методы на основе геометрических ограничений для двумерного и трехмерного случаев, к которым относятся:

- методы использования центроида объекта мониторинга в качестве ориентира матрицы томографии пространства (ограничен двумерным пространством FOV);

- методы получения трехмерной координатной модели объекта на основе данных взаимодействующих узлов мониторинга (высокая вычислительная сложность и наличие у узла мониторинга данных о трехмерных координатах

- методы, использующие трехфокусный тензор для обеспечения независимости представления объекта О от структуры FOV и получения зависимостей вектора его параметров в процессе перемещения.

К задаче сопоставления относятся и методы распознавания, целью которых является извлечение признаков xi для формирования характеристического

вектора признаков объекта О. Программная реализация методов распознавания выходит за рамки настоящего исследования. Это, в первую очередь, связано с их развитой методологической и алгоритмической базой. К наиболее известным относятся методы SHIFT, SURF (реализованы, например, в библиотеке алгоритмов компьютерного зрения OpenCV), а также методы ORB, BRIEF, OSID, BRISK, развернутое описание которых дано в [22].

Список литературы диссертационного исследования кандидат наук Николаев Дмитрий Александрович, 2021 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИУМОВ

1. Ovsenik L., Kolesarova A. K., Turan J. Video surveillance systems //Acta Electrotechnica et Informatica. - 2010. - Т. 10. - №. 4. - С. 46-53.

2. Kelly P. H. et al. An architecture for multiple perspective interactive video //Proceedings of the third ACM International Conference on Multimedia. - 1995. - С. 201-212.

3. Nikolaev D. A. Detecting, tracking and identification of objects by multichamber system of video surveillance with predictive positioning of objects //Modern informatization problems in the technological and telecommunication systems analysis and synthesis. Proceedings of the XX-th International Open Science Conference, Yelm, WA, USA. - 2015. p. 316-320.

4. [Электронный ресурс] https://www.caughtoncamera.net/news/how-many-cctv-cameras-in-london/ (дата обращения: 12.02.2020).

5. [Электронный ресурс] http://lib.secuteck.ru/articles2/videonabl/moskovskiy-metropoliten-pochti-5-mlrd-rubley-na-intellektualnoe-videonablyudenie (дата обращения: 12.02.2020).

6. [Электронный ресурс] https://ww.tadviser.m/index.php/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA% D1 %82:%D0%A1%D0%B8%D 1 %81 %D1%82%D00/oB5%D00/oBC%D0%B0_%D0% B8%D0%BD%D 1 %82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D 1 %82% D1 %83%D0%B0%D0%BB%D 1 %8C%D0%BD%D0%BE%D0%B3%D0%BE_%D0 %B2%D0%B8%D0%B4%D0%B5%D0%BE%D0%BD%D0%B0%D0%B1%D0%BB %D 1 %8E%D0%B4%D0%B5%D0%BD%D0%B8%D 1 %8F_(%D0%98%D0%A1%D0 %92%D0%9D)_%D0%9C%D0%BE%D 1 %81 %D0%BA%D0%BE%D0%B2%D 1 %81 %D0%BA%D0%BE%D0%B3%D0%BE_%D0%BC%D0%B5%D1%82%D1%80%D0 %BE%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%B5%D0%BD%D0%B0 (дата обращения: 12.02.2020).

7. [Электронный ресурс] https://www.gazprom-neft.ru/press-center/sibneft-online/archive/2017-october/1205495/ (дата обращения: 12.02.2020).

8. [Электронный ресурс] https://telesputnik.ru/materials/tsifrovoe-televidenie/article/na-chem-dileru-zarabatyvat-v-budushchem/ (дата обращения: 12.02.2020).

9. Dimitrova N. et al. Applications of video-content analysis and retrieval //IEEE multimedia. - 2002. - Т. 9. - №. 3. - С. 42-55.

10. [Электронный ресурс] https://ru.nec.com/ru_RU/solutions_services/biometric_solutions/MiEye/iva.html (дата обращения: 12.02.2020).

11. [Электронный ресурс] https://www.secuteck.ru/articles/videoanalitika-2020-rynki-i-tekhnologii (дата обращения: 12.02.2020).

12. Thirde D. et al. Multi-camera tracking for visual surveillance applications //11th Computer Vision Winter Workshop. - 2006. - Т. 2006.

13. Olatunji I. E., Cheng C. H. Video analytics for visual surveillance and applications: An overview and survey //Machine Learning Paradigms. - 2019. - С. 475515.

14. Ananthanarayanan G. et al. Real-time video analytics: The killer app for edge computing //computer. - 2017. - Т. 50. - №. 10. - С. 58-67.

15. Hampapur A. et al. Smart surveillance: applications, technologies and implications //Fourth International Conference on Information, Communications and Signal Processing, 2003 and the Fourth Pacific Rim Conference on Multimedia. Proceedings of the 2003 Joint. - IEEE, 2003. - Т. 2. - С. 1133-1138.

16. [Электронный ресурс] https://www.axxonsoft.com/intelligence/artificial_intelligence/ (дата обращения: 12.02.2020).

17. [Электронный ресурс] https://www.360quadrants.com/software/video-analytics (дата обращения: 12.02.2020).

18. Black J., Ellis T. Multi camera image tracking //Image and Vision Computing. - 2006. - Т. 24. - №. 11. - С. 1256-1267.

19. Wang Y., Lu K., Zhai R. Challenge of multi-camera tracking //2014 7th International Congress on Image and Signal Processing. - IEEE, 2014. - С. 32-37.

20. Prosser B. J., Gong S., Xiang T. Multi-camera Matching using BiDirectional Cumulative Brightness Transfer Functions //BMVC. - 2008. - Т. 8. - №. 164. - С. 74.

21. Van Den Hengel A., Dick A., Hill R. Activity topology estimation for large networks of cameras //2006 IEEE International Conference on Video and Signal Based Surveillance. - IEEE, 2006. - С. 44-44.

22. Bradski G., Kaehler A. Learning OpenCV: Computer vision with the OpenCV library. - " O'Reilly Media, Inc.", 2008.

23. Pasula H. et al. Tracking many objects with many sensors //IJCAI. - 1999.

- Т. 99. - С. 1160-1171.

24. Ananthanarayanan G. et al. Real-time video analytics: The killer app for edge computing //computer. - 2017. - Т. 50. - №. 10. - С. 58-67.

25. Патент на полезную модель RU 205 471 U1, Российская Федерация. Интеллектуальная камера децентрализованной системы видеонаблюдения / Д.А. Николаев; заявитель и патентообладатель Николаев Д.А.; заяв. - №2020126993 от 11.08.2020; опубл. 15.07.2021 бюл. №20: Роспатент, 2021.

26. Таненбаум Э. и др. Распределенные системы. Принципы и парадигмы.

- 2003.

27. Радченко Г. И. Распределенные вычислительные системы //Челябинск: Фотохудожник. - 2012. - С. 184.

28. Коньков К. А., Бабичев С. Л. Распределенные системы. - 2019.

29. Clements P. et al. Documenting software architectures: views and beyond //25th International Conference on Software Engineering, 2003. Proceedings. - IEEE, 2003. - С. 740-741.

30. Сираж Р. Децентрализованные приложения. Технология Blockchain в действии. - " Издательский дом"" Питер......, 2016.

31. Burns B. Designing Distributed Systems: Patterns and Paradigms for Scalable, Reliable Services. - " O'Reilly Media, Inc.", 2018.

32. Shirky C. What is p2p... and what isn't //The O'Reilly P2P Conference. -

2000.

33. Shen X. et al. (ed.). Handbook of peer-to-peer networking. - Springer Science & Business Media, 2010. - Т. 34.

34. Androutsellis-Theotokis S., Spinellis D. A survey of peer-to-peer content distribution technologies //ACM computing surveys (CSUR). - 2004. - Т. 36. - №. 4. -С. 335-371.

35. Xie M. P2P systems based on distributed hash table //Computer Science, University of Ottawa. - 2003. - С. 1-6.

36. Nikolaev D. A. To the question of multi-camera support in video surveillance systems //Modern informatization problems in economics and safety. Proceedings of the XXIV-th International Open Science Conference, Yelm, WA, USA. -2019. p.101-107.

37. Stoica I. et al. Chord: A scalable peer-to-peer lookup service for internet applications //ACM SIGCOMM Computer Communication Review. - 2001. - Т. 31. -№. 4. - С. 149-160.

38. Carzolio P. A Guide to Consistent Hashing [Электронный ресурс] // https://www.toptal.com/big-data/consistent-hashing (дата обращения: 28.01.2021).

39. Ratnasamy S. et al. A scalable content-addressable network. - ACM, 2001.

- Т. 31. - №. 4. - С. 161-172.

40. Rowstron A., Druschel P. Pastry: Scalable, decentralized object location, and routing for large-scale peer-to-peer systems //IFIP/ACM International Conference on Distributed Systems Platforms and Open Distributed Processing. - Springer, Berlin, Heidelberg, 2001. - С. 329-350.

41. Zhao B. Y. et al. Tapestry: A resilient global-scale overlay for service deployment //IEEE Journal on selected areas in communications. - 2004. - Т. 22. - №. 1. - С. 41-53.

42. Plaxton C. G., Rajaraman R., Richa A. W. Accessing nearby copies of replicated objects in a distributed environment //Theory of computing systems. - 1999.

- Т. 32. - №. 3. - С. 241-280.

43. Maymounkov P., Mazieres D. Kademlia: A peer-to-peer information system based on the xor metric //International Workshop on Peer-to-Peer Systems. -Springer, Berlin, Heidelberg, 2002. - С. 53-65.

44. Nikolaev D. A., Lebedenko E. V. Modeling of decentralized systems on the exampleof a CCTV system with a sub-system of video analytics //Modern informatization problems in simulation and social technologies. Proceedings of the XXV-th International Open Science Conference, Yelm, WA, USA. - 2020. p. 173-178.

45. Lyu M. R., Chen X., Wong T. Y. Design and evaluation of a fault-tolerant mobile-agent system //IEEE Intelligent Systems. - 2004. - Т. 19. - №. 5. - С. 32-38.

46. Гуц А.К. Математическая логика и теория алгоритмов: учебное пособие // Омск: Изд-во Наследие. Диалог-Сибирь. - 2003. - 108 с.

47. Галиев Ш.И. Математическая логика и теория алгоритмов // Казань: Изд-во КГТУ им. А. Н. Туполева. - 2002. - 270 с.

48. Игошин В.И. Математическая логика и теория алгоритмов // М.: Издательский центр «Академия». - 2004. - 448 с.

49. Ахо А. В. Структуры данных и алгоритмы. - Издательский дом Вильямс, 2000 - 384 С.

50. Рублев В.С. Основы теории алгоритмов: учебное пособие // Ярославль: Изд-во ЯГУ им П.Г. Демидова - 2005 - 143 с.

51. Qiu D., Srikant R. Modeling and performance analysis of BitTorrent-like peer-to-peer networks //ACM SIGCOMM computer communication review. - ACM, 2004. - Т. 34. - №. 4. - С. 367-378.

52. Гайдамака Ю. В., Бобрикова Е. В., Медведева Е. Г. Применение жидкостных моделей к анализу одноранговой сети //Вестник Российского университета дружбы народов. Серия: Математика, информатика, физика. - 2016. - №. 4.

53. Самуйлов К. Е., Бобрикова Е. В. Простейшая жидкостная модель файлообменной P2P сети //T-Comm-Телекоммуникации и Транспорт. - 2012. - №. 7.

54. Ferragut A., Paganini F. Fluid models of population and download progress in p2p networks //IEEE Transactions on Control of Network Systems. - 2016. - T. 3. -№. 1. - C. 34-45.

55. Kumar R. et al. Fluid modeling of pollution proliferation in p2p networks //ACM SIGMETRICS Performance Evaluation Review. - ACM, 2006. - T. 34. - №. 1. - C. 335-346.

56. Fan B., Chiu D. M., Lui J. C. S. Stochastic differential equation approach to model BitTorrent-like P2P systems //2006 IEEE International Conference on Communications. - IEEE, 2006. - T. 2. - C. 915-920.

57. Clévenot F., Nain P. A simple fluid model for the analysis of the squirrel peer-to-peer caching system //IEEE INFOCOM 2004. - IEEE, 2004. - T. 1.

58. Chow A. L. H., Golubchik L., Misra V. Bittorrent: An extensible heterogeneous model //IEEE INFOCOM 2009. - IEEE, 2009. - C. 585-593.

59. Fan B., Chiu D., Lui J. C. S. The delicate tradeoffs in bittorrent-like file sharing protocol design //Proceedings of the 2006 IEEE International Conference on Network Protocols. - IEEE, 2006. - C. 239-248.

60. Yao Z. et al. Modeling heterogeneous user churn and local resilience of unstructured p2p networks //Proceedings of the 2006 IEEE International Conference on Network Protocols. - IEEE, 2006. - C. 32-41.

61. Kant K. An analytic model for peer to peer file sharing networks //IEEE International Conference on Communications, 2003. ICC'03. - IEEE, 2003. - T. 3. - C. 1801-1805.

62. Ge Z. et al. Modeling peer-peer file sharing systems //IEEE INFOCOM 2003. Twenty-second Annual Joint Conference of the IEEE Computer and Communications Societies (IEEE Cat. No. 03CH37428). - IEEE, 2003. - T. 3. - C. 2188-2198.

63. Ramachandran K. K., Sikdar B. An analytic framework for modeling peer to peer networks //Proceedings IEEE 24th Annual Joint Conference of the IEEE Computer and Communications Societies. - IEEE, 2005. - T. 3. - C. 215-269.

64. Ощепков М. Ю., Поповская Е. О. Математическое моделирование пиринговых сетей //Наука и Мир. - 2014. - Т. 1. - №. 3. - С. 195-197.

65. Xu K. Modeling and analysis of peer-to-peer (P2P) live video streaming : дис. - University of Illinois at Urbana-Champaign, 2009.

66. Zhou Y., Chiu D. M., Lui J. C. S. A simple model for analyzing P2P streaming protocols //2007 IEEE International Conference on Network Protocols. -IEEE, 2007. - С. 226-235.

67. Звонарев С. В. Основы математического моделирования: учебное пособие. - 2019.

68. Даденков С. А., Кон Е. Л. Анализ моделей и методов агентного и дискретно-событийного имитационного моделирования //Известия СПбГЭТУ «ЛЭТИ. - 2015. - №. 5. - С. 35-41.

69. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика //М.: Эдиториал УРСС. -2002. - Т. 352 - С. 184.

70. Demazeau Y., Costa A. C. R. Populations and organizations in open multiagent systems //Proceedings of the 1st National Symposium on Parallel and Distributed AI. - 1996. - С. 1-13.

71. Маторин С. И., Михелев М. В. Формализация многоагентных систем с помощью теории паттернов. - 2008.

72. Николаев Д. А., Лебеденко Е. В. Моделирование процесса децентрализованного управления многокамерным сопровождением объектов в подсистеме видеоаналитики системы видеонаблюдения //Системы управления и информационные технологии. - 2019. - №. 4 (78). - С. 41-46.

73. Митраков А. А. Подходы к построению систем агентного моделирования //Режим доступа: http://simulation. su/uploads/files/default/incomplete-mitrakov. pdf. - 2011.

74. Борщев А. В. Практическое агентное моделирование и его место в арсенале аналитика //Exponenta Pro. - 2004. - №. 3-4. - С. 38-47.

75. Егоров С. Выбор языка имитационного моделирования, или не заколачивайте гвозди микроскопом [Электронный ресурс] // URL: https://www.anylogic.ru/blog/vybor-yazyka-imitatsionnogo-modelirovaniya-ili-ne-zakolachivayte-gvozdi-mikroskopom/ (дата обращения: 12.02.2020).

76. Лычкина Н. Н. Имитационное моделирование экономических процессов. - 2012.

77. Максимей И. В. Математическое моделирование больших систем. -

1985.

78. Шеннон Р. Имитационное моделирование систем-искусство и наука. - 1978 - С. 176.

79. Советов Б. Я., Яковлев С. А. Моделирование систем. - Общество с ограниченной ответственностью Издательство ЮРАЙТ, 2019.

80. [Электронный ресурс] // URL: https://cctv.masspirates.org/ (дата обращения: 12.02.2020).

81. [Электронный ресурс] // URL: https://www.anylogic.ru/downloads/#todownload (дата обращения: 12.02.2020).

82. Шкляр В. Н. Планирование эксперимента и обработка результатов //Конспект лекций для магистров по направлению. - 2010. - Т. 220200.

83. ГОСТ Р8.736-2011 Государственная система обеспечения единства измерений. Измерения прямые многократные. Методы обработки результатов измерений.

84. Бабин А. В., Ракипов Д. Ф. Организация и математическое планирование эксперимента //Екатеринбург: ФГАОУ ВПО «УрФУ имени первого Президента России БН Ельцина. - 2014.

85. ГОСТ Р 5725-2-2002 Точность (правильность и прецизионность) методов и результатов измерений.

86. Реброва И. А. Планирование эксперимента //Омск: СибАДИ. - 2010.

87. Фаюстов А. А. Шаблон Excel для проверки законов распределения данных наблюдений по критерию согласия Пирсона //Молодой ученый. - 2019. -№. 13. - С. 142-147.

88. Лисиенко В. Г. и др. Моделирование сложных вероятностных систем: учебное пособие. - 2011.

89. Абомелик Т. П. Методология планирования эксперимента //Ульяновск: УлГТУ. - 2006.

90. Максимей И. В. Имитационное моделирование на ЭВМ. - Москва,

1988.

91. Rinner, B., Wolf, W. An Introduction to Distributed Smart Cameras. // IEEE Xplore. - Vol. 96, - no. 10, 2008. - pp. 1565-1575.

92. Barthelemy J. et al. Edge-computing video analytics for real-time traffic monitoring in a smart city //Sensors. - 2019. - Vol. 19. - no. 9. - P. 2048.

93. Quaritsch, M., Kreuzthaler, M., Rinner, B., Bischof, H., Strobl, B. Autonomous Multi-Camera Tracking on Embedded Smart Cameras. // EURASIP Journal on Embedded Systems, - 2007. - no. 092827 (2007).

94. Rowe, A., Goel, D., Rajkumar, R. FireFly Mosaic: A Vision-Enabled Wireless Sensor Networking System. // in Proc. of the 28th IEEE International RealTime Systems Symposium RTSS 2007, D. Goel, Ed., 2007, pp. 459-468.

95. Hu P. MeshVision: an adaptive wireless mesh network video surveillance system. // Multimedia systems. - 2010. - V. 16. - no. 4-5. - P. 243-254.

96. Fleck, S., Loy, R., Vollrath, C., Walter, F., Straßer, W. SmartClassySurv -A Smart Camera Network for Distributed Tracking and Activity Recognition and its Application to Assisted Living. // in Proc. of the 1st ACM/IEEE Int. Conference on Distributed Smart Cameras ICDSC '07, Sept. 2007, pp. 211-218.

97. Bramberger M. et al. Distributed embedded smart cameras for surveillance applications //Computer. - 2006. - Т. 39. - №. 2. - С. 68-75.

98. Bramberger M. et al. Real-time video analysis on an embedded smart camera for traffic surveillance //Proceedings. RTAS 2004. 10th IEEE Real-Time and Embedded Technology and Applications Symposium, 2004. - IEEE, 2004. - С. 174181.

99. Dias, F., Berry, F., Serot, J., Marmoiton, F. Hardware, Design and Implementation Issues on a Fpga-BasedSmart Camera. // in Proc. of the 1st ACM/IEEE Int. Conference on Distributed Smart Cameras ICDSC '07, Sept. 2007, pp. 20-26.

100. Bramberger M. et al. Real-time video analysis on an embedded smart camera for traffic surveillance //Proceedings. RTAS 2004. 10th IEEE Real-Time and Embedded Technology and Applications Symposium, 2004. - IEEE, 2004. - С. 174181.

101. Hill J. et al. The platforms enabling wireless sensor networks //Communications of the ACM. - 2004. - Т. 47. - №. 6. - С. 41-46.

102. Purnama F., Widyantara I. M. O. Embedded Linux implementation on Imote2 Platform Wireless Sensor Networks.

103. TMDSCSK388 DM38x Camera Starter Kit (CSK). [Электронный ресурс] // URL: https://www.ti.com/tool/TMDSCSK388 (дата обращения: 21.09.2020).

104. Hu P. et al. MeshVision: an adaptive wireless mesh network video surveillance system //Multimedia systems. - 2010. - Т. 16. - №. 4-5. - С. 243-254.

105. Лебеденко Е.В., Николаев Д.А. Алгоритмы децентрализованного управления многокамерным сопровождением в телевизионных охранных системах // XI Всероссийская межведомственная научная конференция "Актуальные направления развития систем охраны, специальной связи и информации для нужд государственного управления», Академия ФСО России, 2018 г.

106. Николаев Д. А., Лебеденко Е. В. К вопросу о моделировании систем с децентрализованным управлением при многокамерном сопровождении объектов //Информационные технологии моделирования и управления. - 2019. - Т. 116. - №. 2. - С. 90-100.

107. Николаев Д. А., Лебеденко Е. В., Пимонов Р. В. Подходы к имитационному моделированию многоканальной системы видеомониторинга с децентрализованной структурой и подсистемой видеоаналитики, реализующей функцию многокамерного сопровождения объектов // Системы управления и информационные технологии. - 2020. - №. 2. - С. 9-14.

108. Francis P. Yoid: Extending the internet multicast architecture. - 2000.

109. Николаев Д. А., Архитектура программного обеспечения для многокамерного сопровождения в системах видеонаблюдения с децентрализованной структурой //Моделирование, оптимизация и информационные технологии. - 2020. - Т. 8. № 4 (31). - С. 6-7.

110. ISO 11898-1:2015 Road vehicles — Controller area network (CAN) — Part 1: Data link layer and physical signalling. [Электронный ресурс] // URL: https://www.iso.org/standard/63648.html (дата обращения: 15.10.2020).

111. Щербаков, А. Протоколы прикладного уровня CAN-сетей. // Современные технологии автоматизации. - 1999. - №. 3. - С. 1-10.

112. Stärk R. F., Schmid J., Börger E. Java and the Java virtual machine: definition, verification, validation. - Springer Science & Business Media, 2012.

113. Severance C. Discovering javascript object notation //Computer. - 2012. -Т. 45. - №. 4. - С. 6-8.

114. Петухов Г. Б. Основы теории эффективности целенаправленных процессов. - 1989.

115. [Электронный ресурс] https://github.com/EliasKotlyar/Xiaomi-Dafang-Hacks (дата обращения: 12.02.2020).

116. Свидетельство о государственной регистрации программы для ЭВМ № 2021612135. Модуль децентрализованного управления функцией многокамерного сопровождения «CAN_MCT_Control» / Николаев Д.А., Яндашевская Э.А. ; заявл. 04.02.2021; опубл. 11.02.2021.

117. Nikolaev, D. Construction of a parametric model of competitive access in relational databases by using a random forest method / D. Gromey, E. Lebedenko, D. Nikolaev, T. Rozhkova // Eastern-European Journal of Enterprise Technologies. Information technology. Industry control system. - 2019. - Vol. 3, №2 (99). - p. 15 24.

118. Викрамаратне В. и др. Многокамерное сопровождение в системах физической защиты //Системы безопасности. - 2014. - №. 4.

Методика анализа чувствительности модели

№ этапа Описание действий

1 Зная пространство значений вектора параметров Х, зависящее от целей моделирования, определяется значение каждого параметра в центральной точке.

2 Задаются интервалы изменения компонент вектора параметров X.

3 Каждая q-я компонента вектора X отклоняется от своего значения в центральной точки в обе стороны на длину выбранного интервала изменения (minXq,maxXq). Остальные компоненты вектора X остаются неизменными и соответствуют центральной точке.

4 При указанных значениях вектора параметров Х производятся модельные эксперименты и вычисляются отклики (min Y, max Y).

5 Вычисляется приращение q-й компоненты вектора параметров модели по формуле q (maxXq -minXq)• 2 8Xa =------100% и приращение n-й компоненты вектора откликов по формуле 4 (max Xq + min Xq) 5Yn = (maxYn -lminYn)•2 •100%. (max Yn + min Yn)

6 Изменение вектора отклика Y определяется по формуле 8Yq = max{8Yn}. Чувствительность модели по q-й компоненте вектора параметров X определяется парой значений (Xq, 5Yq).

Результаты измерений величины отклика (количество шагов маршрутизации запроса ^ )

Номер параллельного опыта Количество узлов мониторинга в сети N

95 105 950 1050 9500 10500

1 15 18 44 51 152 158

2 14 14 46 52 159 151

3 16 15 50 54 150 156

4 15 14 44 50 150 158

5 13 13 45 49 148 166

6 12 13 49 49 152 156

7 15 12 47 43 154 159

8 15 17 48 49 150 155

9 13 15 47 51 159 162

10 14 16 42 50 159 156

11 14 12 48 45 147 158

12 13 14 46 46 144 162

13 13 17 45 46 157 160

14 13 13 46 45 158 158

15 14 15 46 46 151 161

16 17 15 47 48 160 152

17 14 12 49 49 147 158

18 14 16 45 47 145 157

19 13 16 52 46 149 157

20 14 12 46 52 146 167

21 14 15 44 52 145 152

22 15 14 48 50 154 162

23 14 16 48 49 148 158

24 11 13 42 49 143 152

25 12 13 49 52 157 159

26 12 16 42 50 156 156

27 13 17 44 49 160 161

28 14 13 45 46 150 159

29 13 13 49 52 163 154

30 14 17 47 48 150 152

31 13 15 49 49 153 160

32 12 14 47 49 151 168

33 18 12 47 51 150 164

34 15 15 44 47 150 151

35 15 14 48 44 144 156

36 14 18 48 49 153 160

37 16 13 47 50 151 156

38 13 11 46 49 156 156

39 14 14 48 46 144 159

40 14 14 44 47 156 161

41 13 13 46 48 143 165

42 17 16 43 49 152 153

43 12 16 50 50 152 147

44 14 15 46 47 148 165

45 16 14 44 47 155 148

46 14 15 50 49 151 156

47 12 14 46 49 150 160

48 15 16 43 51 153 154

49 15 17 45 48 153 153

50 14 15 46 46 153 158

51 14 16 45 48 156 153

52 14 19 47 45 152 160

53 16 16 49 45 151 160

54 15 15 48 54 141 163

55 14 15 48 50 143 168

56 12 13 50 42 150 154

57 14 15 48 53 150 162

58 13 15 48 50 151 161

59 15 15 50 48 156 160

60 14 14 48 49 154 153

61 12 14 46 44 148 154

62 16 15 46 51 163 158

63 12 14 44 49 153 161

64 13 13 46 49 152 154

65 16 16 52 49 151 160

66 16 15 49 49 150 156

б7 13 14 49 4S 150 15S

6S 1б 14 49 51 149 1б5

б9 13 15 4б 53 149 15S

70 1б 1S 4б 45 147 151

71 15 17 44 47 14б 157

72 11 15 47 4б 14б 15S

73 13 1S 47 4S 149 1бб

74 14 14 4S 49 150 15S

75 11 14 47 50 147 1б2

7б 11 13 47 4б 143 152

77 15 13 49 45 155 15б

7S 17 13 49 53 140 157

79 1б 14 44 49 15б 152

S0 14 1б 45 51 149 159

Проверка гипотезы о нормальности распределения результатов измерений

Нулевая гипотеза Н0: результаты наблюдений подчиняются нормальному закону распределения; альтернативная Н: результаты наблюдения не подчиняются нормальному закону распределения. Число интервалов г определяется приближенно по формуле Стерджесса:

r = 1 + 3,321lg(n), где n - число результатов измерений Ширина интервала h определяется по формуле:

h _ Уmax Уmin

Критические нижние у и верхние у значения критерия хи-квадрат Пирсона определяются при помощи

г /ьн. крит. г /ьв. крит. г г ^г г г ^ г ^^

встроенных функций Microsoft Excel "ХИ2.ОБР" и "ХИ2.ОБР.ПХ" соответственно, для уровня значимости а = 0,05 и числа степеней свободы / = г - 3 (т.к. параметр теоретического распределения неизвестны).

r

1) Для N = 95 с минимальным значением отклика у ■ = 11, максимальным значением отклика = 18,

У ' ~ с У Ш1П ' У ШаХ '

средним отклика у = 14, СКО 5 = 1,5261: число интервалов г = 8, ширина интервала к = 0,875, вычисление значение критерия хи-квадрат Пирсона представлено в следующей таблице.

Число П = пк * У о - У ) г 5 5

Номер Нижняя Верхняя Середина результатов _ Уо - У 2 = (Щ - П )2

интервала граница граница интервала измерений Уо - У

" = 5 где х = п

1 интервала интервала У 0 в интервале 1

щ

1 11 11,875 11,4375 4 -2,5625 -1,6791 4,4702 0,0495

2 11,875 12,75 12,3125 9 -1,6875 -1,1057 9,9319 0,0874

3 12,75 13,625 13,1875 16 -0,8125 -0,5324 15,8846 0,0008

4 13,625 14,5 14,0625 24 0,0625 0,0410 18,2877 1,7843

5 14,5 15,375 14,9375 13 0,9375 0,6143 15,1559 0,3067

6 15,375 16,25 15,8125 10 1,8125 1,1876 9,0415 0,1016

7 16,25 17,125 16,6875 3 2,6875 1,7610 3,8828 0,2007

8 17,125 18 17,5625 1 3,5625 2,3343 1,2003 0,0334

х2 2,5644

х2 Лн. крит. 0,8312

х2 Лв. крит. 12,8325

2) Для N = 105 c минимальным значением отклика у ■ = 11, максимальным значением отклика у = 19,

у ' ' c у min 7 у max 7

средним отклика у = 14,6875, СКО S = 1,6504 : число интервалов r = 8, ширина интервала h = 1, вычисление значение критерия хи-квадрат Пирсона представлено в следующей таблице.

Номер интервала i Нижняя граница интервала Верхняя граница интервала Середина интервала Уо Число результатов измерений в интервале п 1 У о - У 7 = У о - У ^ = S *=nhs * у о;у), 1 i где = г— e 2 2 = (* - * )2 nt

1 11 12 11,5 6 -3,1875 -1,9313 2,9961 3,0118

2 12 13 12,5 14 -2,1875 -1,3254 8,0361 4,4260

3 13 14 13,5 18 -1,1875 -0,7195 14,9313 0,6307

4 14 15 14,5 19 -0,1875 -0,1136 19,2182 0,0025

5 15 16 15,5 12 0,8125 0,4923 17,1351 1,5389

6 16 17 16,5 6 1,8125 1,0982 10,5834 1,9849

7 17 18 17,5 4 2,8125 1,7041 4,5282 0,0616

8 18 19 18,5 1 3,8125 2,3100 1,3421 0,0872

x2 11,7437

x2 /ьн. крит. 0,8312

x2 Ле. крит. 12,8325

3) Для N = 950 с минимальным значением отклика у ■ = 42, максимальным значением отклика у = 52,

~ с У Ш1П ' ШаХ '

средним отклика у = 46,725, СКО 5 = 2,2103: число интервалов г = 8, ширина интервала к = 1,25, вычисление значение критерия хи-квадрат Пирсона представлено в следующей таблице.

Номер интервала 1 Нижняя граница интервала Верхняя граница интервала Середина интервала Уо Число результатов измерений в интервале п 1 У о - У 7 = Уо - У = 5 *=«к *у о;у), 1 где <р(4) = г— е 2 2 = (Щ - Щ )2 Щ

1 42 43,25 42,625 5 -4,1 -1,8549 3,2315 0,9679

2 43,25 44,5 43,875 10 -2,85 -1,2894 7,8621 0,5813

3 44,5 45,75 45,125 7 -1,6 -0,7239 13,8925 3,4196

4 45,75 47 46,375 27 -0,35 -0,1583 17,8289 4,7176

5 47 48,25 47,625 13 0,9 0,4072 16,6175 0,7875

6 48,25 49,5 48,875 11 2,15 0,9727 11,2489 0,0055

7 49,5 50,75 50,125 5 3,4 1,5383 5,5303 0,0509

8 50,75 52 51,375 2 4,65 2,1038 1,9747 0,0003

х2 10,5306

х2 Лн. крит. 0,8312

х2 Лв. крит. 12,8325

4) Для N = 1050 c минимальным значением отклика у ■ = 42, максимальным значением отклика у = 54,

~ с У Ш1П ' У ШаХ '

средним отклика у = 48,575, СКО 5 = 2,5397: число интервалов г = 8, ширина интервала к = 1,5, вычисление значение критерия хи-квадрат Пирсона представлено в следующей таблице.

Номер интервала i Нижняя граница интервала Верхняя граница интервала Середина интервала У 0 Число результатов измерений в интервале п 1 У 0 - У 7 = Ую - у = 5 *=«к *у 0;у), 1 где <р(4) = г— е 2 2 = (П1 - Щ )2 щ

1 42 43,5 42,75 2 -5,825 -2,2936 1,3586 0,3028

2 43,5 45 44,25 8 -4,325 -1,7030 4,4226 2,8938

3 45 46,5 45,75 9 -2,825 -1,1123 10,1565 0,1317

4 46,5 48 47,25 14 -1,325 -0,5217 16,4557 0,3665

5 48 49,5 48,75 21 0,175 0,0689 18,8101 0,2550

6 49,5 51 50,25 16 1,675 0,6595 15,1693 0,0455

7 51 52,5 51,75 5 3,175 1,2502 8,6307 1,5273

8 52,5 54 53,25 5 4,675 1,8408 3,4644 0,6807

х2 6,2032

х2 Лн. крит. 0,8312

х2 Лв. крит. 12,8325

5) Для N = 9500 с минимальным значением отклика у ■ = 140, максимальным значением отклика = 163,

~ С У Ш1П ' У ШаХ '

средним отклика у = 150,975, СКО 5 = 4,9118: число интервалов г = 8, ширина интервала к = 2,875, вычисление значение критерия хи-квадрат Пирсона представлено в следующей таблице.

Номер интервала 1 Нижняя граница интервала Верхняя граница интервала Середина интервала У/0 Число результатов измерений в интервале п 1 У 0 - У 7 = Ую - у = 5 *=«к *у 0;у), 1 где <р(4) = г— е 2 +42п 2 = (Щ - Щ )2 х Щ

1 140 142,875 141,4375 2 -9,5375 -1,9417 2,8365 0,2467

2 142,875 145,75 144,3125 9 -6,6625 -1,3564 7,4470 0,3239

3 145,75 148,625 147,1875 11 -3,7875 -0,7711 13,8801 0,5976

4 148,625 151,5 150,0625 25 -0,9125 -0,1858 18,3659 2,3964

5 151,5 154,375 152,9375 15 1,9625 0,3995 17,2521 0,2940

6 154,375 157,25 155,8125 10 4,8375 0,9849 11,5048 0,1968

7 157,25 160,125 158,6875 6 7,7125 1,5702 5,4466 0,0562

8 160,125 163 161,5625 2 10,5875 2,1555 1,8306 0,0157

х2 4,1272

х2 Лн. крит. 0,8312

х2 Лв. крит. 12,8325

6) Для N = 10500 c минимальным значением отклика у ■ = 147, максимальным значением отклика = 168,

~ с у Ш1п ' у шах '

средним отклика у = 157,85, СКО 5 = 4,4922: число интервалов г = 8, ширина интервала к = 2,625, вычисление значение критерия хи-квадрат Пирсона представлено в следующей таблице.

Номер интервала i Нижняя граница интервала Верхняя граница интервала Середина интервала У 0 Число результатов измерений в интервале п 1 У 0 - У 7 = У'0 - У = 5 *=«к *у 0;у), 1 где <р(4) = г— е 2 2 = (П1 - Щ )2 х щ

1 140 142,875 141,4375 2 -9,5375 -1,9417 2,8365 0,2467

2 142,875 145,75 144,3125 9 -6,6625 -1,3564 7,4470 0,3239

3 145,75 148,625 147,1875 11 -3,7875 -0,7711 13,8801 0,5976

4 148,625 151,5 150,0625 25 -0,9125 -0,1858 18,3659 2,3964

5 151,5 154,375 152,9375 15 1,9625 0,3995 17,2521 0,2940

6 154,375 157,25 155,8125 10 4,8375 0,9849 11,5048 0,1968

7 157,25 160,125 158,6875 6 7,7125 1,5702 5,4466 0,0562

8 160,125 163 161,5625 2 10,5875 2,1555 1,8306 0,0157

х2 4,1272

х2 Лн. крит. 0,8312

х2 Лв. крит. 12,8325