Методы эффективной организации хранилищ слабоструктурированной и нечеткой информации в автоматизированных системах управления на транспорте тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Климанская, Елена Владимировна

• Климанская, Елена Владимировна
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Климанская, Елена Владимировна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 АНАЛИЗ ОБЪЕКТА ИССЛЕДОВАНИЯ И ПОСТАНОВКА

ЗАДАЧИ

1.1 Классификация и назначение информационно-управляющих

систем на железнодорожном транспорте

1.2 Источники слабой структурированности в информационном обеспечении

1.3 Существующие методы организации хранения и доступа к слабоструктурированной информации

1.4 Постановка задачи разработки эффективных хранилищ информации

1.5 Выводы

2 МОДЕЛИ ХРАНИЛИЩ СЛАБОСТРУКТУРИРОВАННОЙ И НЕЧЕТКОЙ ИНФОРМАЦИИ

2.1 Графовые модели слабоструктурированных данных

2.2 Модель двухосновных нечетких множеств

2.3 Бинарные отношения в двухосновных нечетких множествах

2.4 Модель хранилища нечеткой слабоструктурированной информации

2.5 Выводы

3 ИЗВЛЕЧЕНИЕ ЗНАНИЙ ИЗ СЛАБОСТРУКТУРИРОВАННОЙ И

НЕЧЕТКОЙ ИНФОРМАЦИИ

3.1 Проблема извлечения знаний из больших объемов графовой

информации

3.2. Известные методы извлечения знаний из слабоструктурированной информации

3.3 Извлечение знаний и меры информационного подобия для слабоструктурированной информации

3.4. Извлечение знаний и меры информационного подобия для

нечеткой слабоструктурированной информации

3.5 Выводы

4 ПРАКТИЧЕСКИЕ МЕТОДЫ ПРЕОБРАЗОВАНИЯ МАССИВОВ ДАННЫХ В ГРАФОВЫЕ БАЗЫ В ТЕХНОЛОГИЧЕСКИХ ПЛАТФОРМАХ АВТОМАТИЗИРОВАННЫХ СИСТЕМ УПРАВЛЕНИЯ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

4.1 Технологические платформы для применения разработанных методов

4.2 Метод преобразования реляционных таблиц в графовые базы данных

4.3 Метод преобразования реляционных нечетких моделей

в нечеткие слабоструктурированные ХМЬ-6азы данных

4.4 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Методы эффективной организации хранилищ слабоструктурированной и нечеткой информации в автоматизированных системах управления на транспорте»

ВВЕДЕНИЕ

Актуальность темы исследования

Тематика диссертации обусловлена комплексной программой модернизации железнодорожной отрасли, а диссертационное исследование выполнено в соответствии с разделами «Стратегии развития железнодорожного транспорта в Российской Федерации до 2030 года». В этом документе, в частности, указано, что основные направления научных исследований в области железнодорожного транспорта включают развитие инфраструктуры железнодорожного транспорта на основе разработки её математических моделей, применения в ней мало обслуживаемых конструкций и оборудования железнодорожной автоматики и связи. Среди новых систем управления движением поездов и обеспечения безопасности предусматривается создание «интеллектуального» поезда со встроенной системой автоведения и самодиагностики; создание автоматизированных систем комплексного управления и учета ресурсов; реализация проектов «Умный вокзал» при модернизации вокзальных комплексов железных дорог, внедрение ряда инновационных спутниковых и геоинформационных технологий; увеличение скоростей движения и ввод в эксплуатацию высокоскоростных электропоездов и инфраструктуры для скоростей движения до 250 км/ч и до 350 км/ч.

Реализация перечисленных направлений научных исследований невозможна без создания информационных хранилищ и баз данных (БД) нового типа, позволяющих осуществлять хранение и доступ к сверхбольшим объемам данных в условиях жестко ограниченного реального времени и необходимости интеллектуальной поддержки всех видов принятия оперативных управленческих решений. В связи с централизацией управления на железнодорожном транспорте значительная часть таких решений принимается на уровне территориальных филиалов ОАО «РЖД» и выше и основана на электронном документообороте информации различающегося формата и поступающей из источников различного типа. Такая информация является слабоструктурирован-

ной и для её использования в перспективных и развивающихся интеллектуальных системах управления железнодорожным транспортом (ИСУЖТ) нужны новые модели данных, отличающиеся от существующих реляционных.

Актуальность исследований подтверждена участием автора диссертации в ряде поддержанных Российским фондом фундаментальных исследований и ОАО «РЖД» грантов, непосредственно относящихся к тематике исследования:

- 12-08-00798-а «Математическое и программное обеспечение интеллектуальной обработки неполных и слабоструктурированных данных в информационно-управляющих системах с повышенными требованиями к надежности и качеству функционирования»;

- 13-08-12151-офи_м «Методы формирования и обработки темпоральных баз данных о динамике процессов в интеллектуальных системах управления транспортными потоками»;

- 13-07-13159 офи_м_РЖД «Методы синтеза распределенной интеллектуальной системы обеспечения информационной и технологической безопасности автоматизированных систем управления на железнодорожном транспорте».

Степень разработанности проблемы

Теоретические аспекты диссертации, связанные с разработкой и использование графовых и нечетких моделей, методами формализации баз данных, методами извлечения знаний из слабоструктурированной и графовой информации, методами теории возможностей ранее рассматривались в работах С. Абитебула, К.Т. Атанассова, Л.С. Берштейна, П. Бунемана, Д. Дюбуа, К. Год-сила, Л. Заде, Э. Кодда, А. Прада, Э. Редмонда, Р. Снодграсса, П. Ченя, Р.К. Фана. Практические аспекты диссертации, связанные с разработкой и применением ряда методов и систем с интеллектуальной поддержкой принятия решений и моделированием систем в рассматриваемой области исследований ранее рассматривались в работах Бутаковой М.А., Ковалева С.М., Матюхина В.Г., Розенберга E.H., Шабельникова А.Н.

Целью диссертационной работы является разработка новых моделей и методов эффективной организации хранения и доступа к большим объемам информации и синтез на их основе хранилищ данных для новых типов автоматизированных систем управления (АСУ) с документо-ориентированной, слабоструктурированной и нечеткой информацией (с применением на железнодорожном транспорте).

Для достижения поставленной цели решаются следующие задачи:

1. Системный анализ объекта исследования (АСУ на железнодорожном транспорте), ориентированный на выявление источников слабоструктурированной и нечеткой информации, анализ принципов и теоретических методов построения хранилищ для такой информации, выявление практической необходимости совершенствования методов хранения и доступа к информации для объекта исследования.

2. Выбор и обоснование адекватности графовых моделей для эффективной организации хранилищ данных, разработка новых графовых моделей данных для синтеза хранилищ слабоструктурированной и нечеткой информации.

3. Решение задачи извлечения знаний из слабоструктурированной и нечеткой информации для обеспечения возможности её классификации и определения меры релевантности поиска запрашиваемой информации в хранилищах слабоструктурированной и нечеткой информации.

4. Применение разработанных методов на новых технологических платформах документо-ориентированных АСУ с распределенной и мобильной обработкой данных, решение задач, связанных с эффективными и автоматизированными преобразованиями хранилищ реляционной информации в хранилища предложенного графового вида.

Объектами исследований в диссертации являются новые классы АСУ верхнего управляющего уровня на железнодорожном транспорте, ориентированные на аналитическую обработку оперативных, статистических и сводных данных, поддержку принятия решений в управлении бизнес-процессами на железнодорожном транспорте, обеспечение электронного технологического

документооборота, управление распределенной инфраструктурой ОАО «РЖД». Методы исследования основываются на использовании фундаментальных исследований в области теории графов и их алгебраических и спектральных представлений, теории многоосновных нечетких множеств, теории реляционных и нечетких БД, теории возможностей, теории моделей. Предметом исследования являются методы формализации представлений слабоструктурированных и нечетких данных в графовом виде, методы извлечения знаний о структуре данных, математические модели нереляционных БД и имеющиеся массивы данных из ряда АСУ верхнего управляющего уровня на железнодорожном транспорте.

Объект, предмет и методы исследования отвечают формуле специальности 05.13.06, так как содержанием работы является разработка методов математического представления и алгоритмического обеспечения, повышения надежности и технической эффективности функционирования ИСУЖТ и соответствуют пунктам паспорта специальности: «8. Формализованные методы анализа, синтеза, исследования и оптимизация модульных структур систем сбора и обработки данных в АСУТП, АСУП, АСТПП и др.», «9. Методы эффективной организации и ведения специализированного информационного и программного обеспечения АСУТП, АСУП, АСТПП и др., включая базы и банки данных и методы их оптимизации.», «10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистему АСУТП, АСУП, АСТПП и др.», «15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.).»

Научная новизна работы заключается в теоретическом развитии методов теории двухосновных нечетких множеств, математических графовых моделей слабоструктурированных данных, математических моделей нечетко-слабоструктурированных данных, математических определений новых мер информационного подобия слабоструктурированной и нечеткой информации.

Основные научные результаты в перечисленной области заключаются в следующем:

1. Дано новое определение расширенного (двухосновного) нечеткого множества без вырожденных случаев в связи с введенными ограничениями на соотношение функций принадлежности и непринадлежности.

2. Для введенного нового определения расширенного нечеткого множества разработаны основные бинарные нечеткие отношения, подобно известным для одноосновных нечетких множеств.

3. Предложены графовые модели для основных неформализованных, однако практически используемых схем описания слабоструктурированных данных, которые широко используются в современных АСУ на железнодорожном транспорте.

4. Предложены три новые меры информационной релевантности для слабоструктурированной и нечеткой информации: 1) основанная на информационном подобии слабоструктурированных сущностей; 2) основанная на коррелированное™ отношений между слабоструктурированными сущностями; 3) основанная на расстоянии между двухосновными нечеткими множествами.

5. На базе предложенных новых мер информационной релевантности предложены новые методы извлечения знаний из слабоструктурированной и нечеткой информации, представленной в графовом виде.

6. Предложены методы автоматизации преобразования имеющихся массивов данных в АСУ на железнодорожном транспорте в графовые и ХМЬ-модели данных, более эффективные по критериям времени доступа и снижения избыточности.

Основные результаты, выносимые на защиту.

1. Определение нечеткого двухосновного расширенного множества, учитывающее ограничения вырожденных случаев операций над нечеткими двухосновными множествами (п.2.2 диссертации).

2. Формальные теоретико-множественные модели бинарных нечетких отношений для введенного нечеткого двухосновного множества (п. 2.2 диссертации).

3. Формальные графовые модели для трех практических описаний {OEM, RDF, XML) слабоструктурированной информации (п. 2.2 диссертации).

4. Формальная модель нечеткой слабоструктурированной графовой БД, являющаяся расширением известных реляционных моделей данных (п. 2.4. диссертации).

5. Мера релевантности для слабоструктурированной информации без условия её темпоральности, основанная на информационном подобии, и метод извлечения знаний с помощью этой меры и спектрального представления графа (п. 3.3 диссертации).

6. Мера релевантности для слабоструктурированной информации с условием её темпоральности, основанная на информационной коррелированное™ паттернов графового представления данных и метод извлечения знаний с помощью этой меры (п. 3.3 диссертации).

7. Мера релевантности для слабоструктурированной нечеткой информации, представляемой расширенными двухосновными нечеткими множествами и метод извлечения знаний с помощью этой меры и спектрального представления графа (п. 3.4 диссертации).

8. Метод преобразования массивов данных, представленных в реляционных таблицах АСУ на железнодорожном транспорте в графовые БД (п.4.2 диссертации).

9. Метод конвертирования нечетких моделей данных «сущность-связь» в нечеткие слабоструктурированные ^ML-описания и БД (п. 4.3. диссертации).

Теоретическая ценность диссертационного исследования заключается в разработке общих принципов и универсальных математических моделей, подходящих для широкого класса АСУ с условиями не транзакционной обработки слабоструктурированной и нечеткой информации. Эффективная организация хранилищ данных обусловлена снижением избыточности структур

данных и, соответственно, сокращением времени, затрачиваемого на поиск запрашиваемой информации.

Практическая значимость состоит в том, что разработанные в диссертации модели, методы и подходы внедрены в автоматизированных системах электронного технологического документооборота и управления инфраструктурой на железнодорожном транспорте в Ростовском ИВЦ - структурном подразделении Главного вычислительного центра, филиале ОАО «РЖД» и в учебном процессе ФГБОУ ВПО РГУПС, что подтверждено актами о внедрении.

Апробация результатов работы. Основные положения и результаты диссертации обсуждались и получили положительные отзывы на следующих международных научно-практических конференциях:

- IEEE Fifths International Conference on Intelligent Systems, Modeling and Simulation (/SMS 2014), Langkawi, Malaysia, 2014;

- Международной научно-практической конференции «Компьютерные технологии в науке, производстве, социальных и экономических процессах», г. Новочеркасск, 2012;

- XIV Международной научно-практической конференции «Современное состояние естественных и технических наук», г. Москва, 2014;

- X Международной научно-практической конференции «Наука вчера, сегодня, завтра», г. Новосибирск, 2014.

Публикации. Полученные в диссертации теоретические и практические результаты нашли свое отражение в 9 печатных работах, 5 из которых опубликованы в изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературных источников из 110 наименований, заключения, приложения. Общий объем диссертации 144 страницы.

1 АНАЛИЗ ОБЪЕКТА ИССЛЕДОВАНИЯ И ПОСТАНОВКА ЗАДАЧИ

1.1 Классификация и назначение информационно-управляющих система на железнодорожном транспорте

Транспортные системы, в том числе и железнодорожный транспорт, играют важную роль в экономическом и социальном развитии других отраслей промышленности и всей нашей страны в целом. Доля железнодорожного транспорта в общем грузообороте России составляет 43,3% (с учетом трубопроводного транспорта), а в пассажирообороте более 31% [9] Для улучшения качества услуг, предоставляемых железнодорожным транспортом необходима оперативная и точная информация о показателях деятельности всех хозяйств ОАО «РЖД». В этом процессе значительным является влияние развития корпоративной информационно-управляющей системы (ИУС), которая служит основным средством эффективного управления ресурсами и направлениями производственно-технологической и административно-хозяйственной деятельности ОАО «РЖД». При этом эффективность функционирования ИУС, предоставляемая ею оперативность управления и достоверность информации в значительной степени зависят от степени её соответствия требованиям объектов железнодорожной инфраструктуры.

Технологические процессы управления перевозками на железнодорожном транспорте в настоящее время в значительной мере автоматизированы, а ИУС, применяемые для информационной поддержки процесса организации управления движением на железных дорогах России, которые длительное время назывались автоматизированными системами управления на железнодорожном транспорте (АСУЖТ), являются крупнейшей корпоративной информационной системой нашей страны. В целом АСУЖТ является «собирательным» понятием, означающим подсистемы, состоящие из комплексов аппаратно-программных средств сбора, хранения и обработки информации, не-

обходимых для функционирования железнодорожных грузовых и пассажирских перевозок. Информационный обмен между подсистемами ИУС осуществляется по единой сети передачи данных (ЕСПД) ОАО «РЖД», его характеризует высокая интенсивность и сверхбольшие объемы.

Как показано в статье автора диссертации [18] основным инструментом хранения данных в подсистемах АСУЖТ являются хранилища и БД, построенные на реляционных принципах и применяемые на разных уровнях управления транспортом, начиная от локальных автоматизированных рабочих мест (АРМ) оперативно-диспетчерского персонала линейных предприятий железнодорожного транспорта до уровня центров управления перевозками (ЦУП) и дорожных и главного вычислительного центра (ДВЦ, ГВЦ) ОАО РЖД. Централизация управления на железнодорожном транспорте требует наличия информации на ГВЦ, причем из подсистем АСУЖТ, построенных на разнородных вычислительных и сетевых платформах.

Сейчас в отрасли внедряется множество новых информационных систем, таких как: ЦОММ (Централизованная обработка маршрута машиниста), ЕК АСУИ (Единая корпоративная автоматизированная система управления инфраструктурой), и другие. Соответственно растёт число пользователей информационных систем и степень их автоматизации. Информационные технологии в сфере железнодорожного транспорта предназначены для автоматизации процессов управления: грузовых перевозок; пассажирских перевозок; перевозочным процессом в целом; финансами и ресурсами (материальными, кадровыми); инфраструктурой; защитой информации. На рис. 1.1 представлена информация о классификации ИУС [29].

По состоянию на декабрь 2013 года в сегменте Ростовского ИВЦ (Структурного подразделения ГВЦ Филиала ОАО «РЖД»), далее РИВЦ, существует 3 территориально распределенные группы эксплуатации подсистем АСУЖТ, объединённые в один Дорожный Информационно-вычислительный центр (ИВЦ СКЖД) и обеспечивающие гибкое управление информационными

потоками и нагрузками и предоставляющие возможности функционирования

в условиях возникновения чрезвычайных ситуаций на железной дороге.

Рис. 1.1— Классификация ИУС Для обеспечения работы всех этих подсистем РИВЦ задействует более 100 серверов, реализованных на основе технологии виртуализации ГМ>шге. Система виртуализации УМм>аге объединяет несколько десятков серверов в группу, которые используется для обеспечения эффективного использования

процессорного времени. Рассмотрим подробнее наиболее крупные серверные подсистемы АСУЖТ, эксплуатируемые в настоящее время РИВЦ.

Грузовые перевозки (АСУ ГП). комплекс насчитывает несколько десятков крупных взаимодействующих автоматизированных систем и является сложнейшим информационным комплексом. В качестве ядра комплекса выступает система АСОУП-2 (Автоматизированная система оперативного управления перевозками верхнего уровня), которая разрабатывалась с начала 1980-х годов. Так же АСУ ГП осуществляет взаимодействие по целевому ориентированию для решения следующих задач:

1) взаимодействие с грузоотправителями в условиях электронного документооборота - АКС ФТО (Автоматизированная комплексная система фирменного транспортного обслуживания), ЭТРАН (Электронная транспортная накладная), ЕК ИОДВ (Единый комплекс интегрированной обработки дорожных ведомостей); управление и контроль выполнения грузовых перевозок -АСОУП (Автоматизированная система оперативного управления перевозками нижнего уровня), ДИСПАРК (Автоматизированная система пономерного учета, контроля дислокации, анализа работы и регулирования вагонного парка), ДИСКОН (Автоматизированная система управления контейнерными перевозками), ДИСЛОК (Автоматизированная система управления тяговыми ресурсами), ЕМПП (Единой модели перевозочного процесса);

2) хранение и анализ информации о выполненных перевозках - КИХ (Корпоративное информационное хранилище);

3) моделирование оптимального управления вагонопотоками на различных уровнях иерархии ЦУП РЖД (Центра управления перевозками РЖД), РЦУП (Региональный центр управления перевозками), ЕДЦУ (Единый диспетчерский центр управления железнодорожными перевозками) - АСУ вагонопотоками.

Пассажирские перевозки. Одной из приоритетных задач, решаемых на базе АСУ «Экспресс-3», является автоматизация бизнес-процессов в части

пригородных и дальних пассажирских перевозок с использованием сети Интернет, с учетом их лояльности и доходности. В этой связи переход на «электронный билет» открыл широкие возможности, как в сокращении эксплуатационных расходов, так и в улучшении обслуживания пассажиров [7].

АСУ «Экспресс-3» взаимодействует со следующими ИУС:

- система сбыта и учета электронных билетов с использованием Интернета;

- ДУТИСС (система динамического управления тарифами);

- система управления технологическими процессами обслуживания пассажиров;

- АБД (Аналитическая БД АСУ «Экспресс»),

- АСУПВ (Система анализа надежности и качества выполненных ремонтов).

Управление перевозочным процессом базируется на подсистемах ЦУП, ДЦУП (Дорожный центр управления перевозками) и ЦУМР (диспетчерский центр управления местной работой), в совокупности представляющих собой главный орган оперативного диспетчерского управления движением поездов, который обеспечивает бесперебойные перевозки пассажиров и грузов на железнодорожном транспорте. Так же решаются задачи оптимизации использования пропускной способности инфраструктуры железных дорог, тяговых и погрузочных ресурсов, организации движения поездов в соответствии с графиком движения и планом формирования поездов при безусловном обеспечении безопасности движения поездов. В рамках программы развития железнодорожной отрасли до 2014 ОАО «РЖД» определило новое направление в развитии управления перевозочным процессом - интеллектуальное управление движением поездов, включающее грузовые и пассажирские высокоскоростные поезда. Таким образом, в ИУС выделяется новое направление развития, которое получило название ИСУЖТ.

Управление финансами и ресурсами - группа подсистем, состоящая из ЕК АСУФР (Единая корпоративная автоматизированная система управления

финансами и ресурсами), ЕКАСУТР (Единая корпоративная автоматизированная система управления трудовыми ресурсами), АС МПСС (Автоматизированная система мониторинга показателей социальной сферы). Системы построены на платформе SAP и состоят из подсистемы анализа доходов от грузовых перевозок; подсистемы анализа договоров, заключаемых от имени ОАО «РЖД» с внешними контрагентами; подсистемы анализа наличности ОАО «РЖД». Комплекс управления финансами и ресурсами обеспечивает реализацию единой маркетинговой, финансовой и ресурсной политики железнодорожной отрасли в целом. Каждая из этих ИУС взаимодействует с внешними по отношению к железной дороге системами, а именно - с национальными и зарубежными платежными системами; Единой электронной торговой площадкой (ЕЭТП), с АСУ экспедиторов, транспортных компаний, грузовладельцев, поставщиков товаров и услуг и другими АСУ производственными процессами. Исходные данные, формирующие финансово-экономические результаты деятельности ОАО «РЖД», доходную и расходную части баланса, передаются в ЕК АСУФР один раз в сутки. В обратном направлении передается информация о нормативах, лимитах и прочих планово-экономических показателях деятельности.

Управление персоналом ОАО «РЖД» (более 1,3 млн. человек) осуществляется в системе ЕК АСУТР (Единой корпоративной АСУ трудовыми ресурсами), которая обеспечивает функции ведения штатного расписания, нормирования и охраны труда, учета рабочего времени, расчета заработной платы, нормативной численности персонала предприятий ОАО «РЖД» и других временных показателях.

Управление инфраструктурой. Для решения задач управления инфраструктурой внедряется новейший комплекс ЕК АСУИ. К реализуемым задачам относятся создание единой базы объектов инфраструктуры, и на основе оперативных данных эффективное планирование и реализация текущей деятельности. ЕК АСУИ - один из основных инструментов в работе Дорожных центров управления содержанием инфраструктуры (ЦУСИ). В 2013 году в его

составе появился Центр диагностики и мониторинга хозяйства автоматики и телемеханики с использованием табло коллективного пользования. Основными задачами ЦУСИ являются обеспечение содержания инфраструктуры в соответствии с нормативными требованиями, повышение эффективности и качества деятельности по перевозке грузов и обслуживанию пассажиров.

Управление защитой информации представляет собой сложную организационно-техническую систему обеспечения информационной безопасности (СОИБ), к основным целям функционирования которой относятся: обеспечение защиты служебной информации, не относящейся к категории «государственная тайна»; внедрение и эксплуатация технических средств СОИБ; обеспечение доступности соответствующих категорий информации для пользователей ОАО «РЖД», других организаций и частных лиц; управление информационной инфраструктурой; а также аудит информационной безопасности ОАО «РЖД». СОИБ функционирует на основе следующих подсистем [8]: САЗ (Система антивирусной защиты); АС ЭТД (Автоматизированная система «Технологический электронный документооборот с применением электронной цифровой подписи»); АСУ «Реестр АС и АМ» (Реестр автоматизированных систем и архитектурных моделей ОАО «РЖД»); СЗИ НСД (система защиты информации от несанкционированного доступа). Одним из важнейших подходов к обеспечению информационной безопасности является функциональная интеграция специализированных программно-технических комплексов защиты с программно-техническими комплексами передачи и обработки информации, имеющими интегрированные средства защиты. К ним относятся операционные системы АРМ и серверов, а также активное сетевое оборудование [1]. В настоящее время в ОАО «РЖД» в рамках проекта РФФИ-РЖД на 2014-2015 годы №13-07-13159 офи_м_РЖД «Методы синтеза распределенной интеллектуальной системы обеспечения информационной и технологической безопасности автоматизированных систем управления на железнодорожном транспорте» с участием автора диссертации выполняется создание многоуровневой интеллектуальной системы обеспечения информационной безопасности

[21]. Она является перспективным направлением обеспечения безопасности информации для автоматизированных систем критических инфраструктур, к числу которых относятся и ИСУЖТ. Основу построения такой системы было предложено базировать на технологии мониторинга и управления информационной безопасностью, которая в мировой литературе получила название «управление информацией и событиями безопасности» (Security Information and Event Management, SIEM) [79]. SIEM является системой нового поколения, а также отличается наличием ряда интеллектуальных сервисов и функциональных возможностей. Среди таковых можно выделить: гибридное онтологическое информационное хранилище (репозиторий), логический вывод, меж-уровневая корреляция, моделирование поведения, анализ защищенности системы, визуальный анализ и другие [22].

Список литературы диссертационного исследования кандидат наук Климанская, Елена Владимировна, 2014 год

СПИСОК ИСТОЧНИКОВ

1. Ададуров С.Е. Современное состояние системы обеспечения информационной безопасности ОАО «РЖД»// Журнал «Connect! Мир Связи», №3, 2007.

2. Бутаев К.Э. Решения SAS в ОАО «РЖД» // Connect! Мир связи, №3,

2009.

3. Бутакова М.А. Модели информационных потоков в системах массового обслуживания на транспорте. Монография - Ростов н/Д: Изд-во РТУ, 2006.

4. Бутакова М.А., Климанская Е.В., Янц В.И. Мера информационного подобия для анализа слабоструктурированной информации // Современные проблемы науки и образования. - 2013. - № 6; URL: http://www.science-educa-tion.ru/113-11307 (дата обращения: 25.12.2013).

5. Бутакова М.А., Климанская Е.В., Янц В.И. Организация хранения и обработки слабоструктурированных документов в информационно-управляющих системах на железнодорожном транспорте // Вестник Ростовского государственного университета путей сообщения, № 4, 2013. С. 42-47

6. Бутакова М.А., Ковалев С.М., Климанская Е.В. Модель релевантности слабоструктурированной информации в темпоральных базах данных // Известия Южного Федерального университета. Технические науки. (Проблемы управления в топливно-энергетических комплексах и энергосберегающих технологиях). № 1, 2014. С. 128 - 134.

7. «Вестник АСУ «Экспресс-3», № 1 (3), Изд. ОАО "ВНИИЖТ", 2012 -

С. 5.

8. Глухов А.П. ОАО "РЖД": о приоритетах и перспективах // Журнал Information Security/ Информационная безопасность. №2, 2007

9. «Год на год не приходится», Журнал «Транспорт, №01 -02, Издательская группа «Индустрия», 2012 - С 11.

10. Деркер С. и др. Semantic Web: роли XML и RDF // Открытые системы, №9, 2001. URL:http://www.osp.ru/os/2001/09/180411/

11. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике: Пер. с фр. - М. Радио и связь. - 1990. - 288 с.

12. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений / Пер. с англ. - М.: Мир, 1976. - 165 с.

13. Инновационная деятельность в ОАО «РЖД». Основные Положения // Стандарт ОАО «РЖД» СТО РЖД 08.013-2011, 2011. 20 с.

14. Климанская Е.В. Извлечение графовых паттернов и конвертирование реляционных отношений в базах данных // Современное состояние естественных и технических наук / Материалы XIV Международной научно-практической конференции, 14 марта 2014 г. - Москва: Издательство «Спутник+», -2014. С. 78-82.

15. Климанская Е.В. Методы анализа и обработки слабоструктурированных данных в автоматизированных системах управления железнодорожным транспортом // Магистерская диссертация, Ростов-на-Дону, РГУПС, 2013. -96 с.

16. Климанская Е.В. Современные платформы интеллектуальной аналитической обработки информации: графовые базы данных // Наука вчера, сегодня, завтра / Сб. ст. по материалам X междунар. науч.-практ. конф. № 3(10). Новосибирск: Изд. «СибАК», 2014. С. 9-17

17. Климанская Е.В. Формализованные представления разнородной информации для эффективной организации графовых баз данных в специализированных АСУ // Вестник Ростовского государственного университета путей сообщения, № 1, 2014. С. 40 - 51.

18. Климанская Е.В., Дергачев В.В., Бутакова М.А. Архитектура современных информационных систем на транспорте, проблемы их интеграции, математического и программного обеспечения: Материалы XIII Международной научно-практической конференции «Компьютерные технологии в науке, производстве, социальных и экономических процессах», г. Новочеркасск, 12 декабря 2012 г. // Юж.-Рос. гос. техн. ун-т (НПИ). - Новочеркасск: ЮРГТУ, 2013. С. 12-21.

19. Климанская Е.В., Янц В.И., Чернов A.B. Методы обработки слабоструктурированных данных в автоматизированных системах на железнодорожном транспорте // Известия высших учебных заведений. СевероКавказский регион. Технические науки, №1(170), 2013. С. 18-23.

20. Комиссаров А.Ф. Рекламации без информации... // Гудок, Выпуск №03, 29.03.2013. URL: http://www.gudok.ru/newspa-per/?ID=729892&page_print=Y.

21. Котенко И.В. Построение многоуровневой интеллектуальной системы обеспечения информационной безопасности для автоматизированных систем железнодорожного транспорта / Котенко И.В., Саенко И.Б., Чернов A.B., БутаковаМ.А. // Труды СПИИРАН. — 2013. — Вып. 7 (30). — С. 7—25.

22. Котенко И.В., Саенко И.Б. Архитектура системы интеллектуальных сервисов защиты информации в критически важных инфраструктурах // Труды СПИИРАН. Вып.1 (24). СПб.: Наука, 2013. С. 21-40.

23. Круглов В.В., Борисов В.В. Гибридные нейронные сети. - Смоленск: Русич, 2001. - 224 с.

24. Крылов В.В., Самохвалова С.С. Теория телетрафика и ее приложения. - СПб.: БВХ-Петербург, 2005. 288 с.

25. Матюхин В.Г., Шабунин А.Б. Построение ИТ - архитектуры производственного блока РЖД в рамках реализации проекта ИСУЖТ // Труды Второй научно-технической конференции интеллектуальные системы управления на железнодорожном транспорте ИСУЖТ-2013, г. Москва, 2013, С. 1822.

26. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. -М.: Наука. Гл. ред. физ.-мат. лит., 1990. - 272 с.

27. Новиков Б.А. Горшкова Е.А. Темпоральные базы данных: от теории к практическому использованию // Программирование. - 2008. Т. 34, № 1. С. 1 -6.

28. Редмонд Э. Семь баз данных за семь недель. Введение в современные базы данных и идеологию NoSQL / Редмонд Э., Уилсон Д.Р. - М.: ДМК Пресс, 2013.-384 с.

29. Санькова Г.В., Одуденко Т.А. Информационные технологии в перевозочном процессе//Учебное пособие, Изд. ДВГУПС, Хабаровск, 2012.

30. Справочная книга по математической логике: В 4-х частях/ Под ред. Дж. Барвайса. - Ч. 1.: - М. Наука, - 1982. - 392 с.

31. Теория нечетких множеств: Новый виток развития // Тарасов В.Б. Научная сессия МИРИ, - Т. 3. - 2006. - С. 1 - 3.

32. Шелухин О.И., Осин А.В., Смольский С.М. Самоподобие и фракталы. Телекоммуникационные приложения. - М.: ФИЗМАТЛИТ. - 2008. - 368 с.

33. Abiteboul S. et. al. The Lorel Query Language for Semistructured Data // Journal on Digital Libraries, №1(1), - 1996.

34. Aho A.V. Foundations of Computer Science: С Edition (Principles of Computer Science Series) / Aho A.V., Ullman J.D. - W.H. Freeman, 1995. - 786 P.

35. Al-Kateb M., Ghazal A., Crolotle A., Bhashyam R., Chimanchode J., Pakala S.P. Tem-poral query processing in Teradata // EDBT'13 Proc. of the 16h Int. Conf. on Extending Database Technology. - 2013. - PP. 573 - 578.

36. AllegroGraph. - URL: http://franz.com/agraph/allgerograph/.

37. Angles, R. Survey of graph database models / Angles, R., Gutierrez, C. // ACM Computing Surveys, V. 40, Iss. 1, 2008. - PP. 1-39.

38. Apache Giraph - URL: http://giraph.apache.org.

39. Apache Zookeper - URL: http://zookeeper.apache.org.

40. Atanassov K.T. Intuitionistic Fuzzy Sets // Theory and Applications, Springer-Verlag, Berlin Heidelberg GmbH. - 1999. - 335 p.

41. Atanassov K.T. On Intuitionistic Fuzzy Sets Theory, Springer Verlag, berlin Heidelberg. - 2012. - PP. 327 p.

42. Aurenko V., Croft W.B. Relevance-based language models // In Proceeding of SIGIR 2001.-2001.-PP. 120- 127.

43. Blueprints - URL: https://github.com/tinkerpop/blueprints/.

44. Bodenhofer U. Ordering of Fuzzy Sets Based on Fuzzy Ordering. Part I: The Basic Approach // Mathware & Soft Computing, № 15. - 2008. PP. 201 -218.

45. Bordogna G., Lucarella D., Pasi G. A fuzzy objected oriented data model. In Proc. of the 3-rd IEEE Int. Conf. on Fuzzy Systems. FUZZ-IEEE'94, -1994.-PP. 313-318.

46. Bounhas I. A hierarchical approach for semi-structured document indexing and terminology extraction / Bounhas I., Slimani Y. // International Conference on Information Retrieval and Knowledge Management (CAMP). - 2010. PP. 315-320.

47. Bubenko J.A. Jr. The temporal dimension in information modeling // Technical Report RC 6187 №26479. - IBM Thomas J Watson Research Center. -1976.

48. Buckles B., Petry F. A Fuzzy Model for Relational Databases // Int. Jour. Fuzzy Sets and Systems, № 7, - 1982, PP. 213 - 226.

49. Buckles B., Petry F. Fuzzy Databases and their Applications // Fuzzy Information and DeciKlationships.

50. Buneman, P. Adding Structure to Unstructured Data / Buneman P., Davidson S., Fernandez M., Suciu D. // Lecture Notes in Computer Science Volume № 1186.- 1997. PP. 336-350.

51. Butakova M., Klimanskaja E., Chernov A. Fast Algorithm for Simulation of Levy Stable Stochastic Self-Similar Processes // Proceedings of IEEE Fifths International Conference on Intelligent Systems, Modeling and Simulation (ISMS 2014), Langkawi, Malaysia, 2014. - PP. 225-229. URL: http://uksim.info/isms2014/CD+ToC.pdf.

52. Chen G.Q. Fuzzy logic in data modeling, semantic constraints and databases design // Advanses in databases systems, Springer. - 1998. - 224 p.

53. CloudGraph - URL: http://www.cloudgraph.com.

54. Codd E. Extending the Database Relational Model to Capture More Meaning // ACM Trans, on Database Sys., № 4, - 1979. - PP. 156 - 174.

55. Cornelis C., Deschrijver G., Kerre E.E. Classification of Intuitionistic Fuzzy Implicators: An Algebraic Approach // Proc. of the 6-th Joint Conf. on Inf. Sei., North Corolina, USA, - 2002. PP. 5-9.

56. Defeng L., Chuntian C. // New similarity measures of intuitionistic fuzzy sets and application to pattern recognitions // Pattern Recognition Letters, № 23.-2002.-PP. 221-225.

57. Deschrijver G., Cornelis C., Kerre E.E. On Representation of Intuitionistic Fuzzy t-Norms and t-Conorms // IEEE Transaction on Fuzzy Systems, № 1(12). -2004. PP. 45-61.

58. Elliotte Rusty Harold. Processing XML with Java™: A Guide to SAX, DOM, JDOM, JAXP, and TrAX. Addison-Wesley Professional, 2002. - 1120 P.

59. Fan R.K. Chung. Spectral Graph Theory. Americal Mathematical So-cie-ty, 1997.-217 P.

60. Filament - URL: http://filament.sourceforge.net.

61. Garcia-Molina, H. The TSIMMIS approach to mediation: Data Models and Languages / Garcia-Molina H. et. al. // Journal of Intelligent Information Systems, V.8 Iss. 2.-PP. 117-132.

62. Godsyl C., Royle G.. Algebraic Graph Theory. Springer, 2001. - 464

P.

63. GraphLab - URL: http://graphlab.org/projects/index.html.

64. G-Store - URL:http://g-store.sourceforge.net.

65. Guezouli L. CASIT: Content based identification of textual information in a large database / Guezouli L., Essafi H. // IEEE 24th International Conference on Advanced Information Networking and Applications Workshops. - 2010. -PP.621-625.

66. Guezouli L. Gestion de documents plurimedia et recherche d'informations dans un système collaboratif, PhD Th.: Université Denis Diderot, Paris VII / AdVestigo. - 2006.

67. Horton. - URL: http://research.microsoft.com/en-us/projects/ldg/.

68. HyperGraphDB. - URL: http://www.hypergraphdb.org.

69. IDC 2013 Digital Universe Study. URL :http ://www. emc. com/leadership/digital-universe/iview/index .htm.

70. InfiniteGraph. - URL: http://www.objectivity.com/infinitegraph/.

71. Jahn J., Henkel J. Pipelets: self-organizing software pipelines for many-core architectures // DATE'13 Proceedings of the Conference on Design, Automation and Test in Europe, 2013. - P.P. 1516-1521.

72. Ke Y., Cheng J., Ng W. Efficient Correlation Search from Graph Databases // IEEE Trans, on Knowledge and Data Engineering, № 12 (20), - 2008. - PP. 1601-1615.

73. Klement E.P., Pap E. Triangular Norms. Springer Science + Business Media, Dordrecht. - 2000. - 390 c.

74. Kulkarny K., Michels J.-E. Temporal features in SQL: 2011 // ACM SIGMOD'12. - 2012. - V. 41, No. 3.-PP. 34-43.

75. Li Y., Olson D.L., Qin Z. Similarity measures between intuitionistic fuzzy (vague) sets: A comparative analysis // Pattern Recognition Letters, № 28. -2007.-PP. 278-285.

76. Malewitcz G., et. al. Pregel: a system for large-scale graph processing // SIGMOD '10 Proceedings of the 2010 ACM SIGMOD International Conference on Management of data. New York, 2010. PP. 135-146.

77. Martin N., Pons O., Vila M.A. Fuzzy types: A new concept of type for managing vague structures // Int. Jour, of Int. Syst., № 15(11). - PP. 1061 - 1085.

78. Media J.M., Pons O., Vila M.A. GEFRED: A generalized model of fuzzy relational data bases // Inf. Science, № 76(1-2). - 1994. PP. 87 - 109.

79. Mille D.R., Harris Sh., Harper A.A., VanDyke S., Black Ch. Security Information and Event Management (SIEM) Implementation. — McGraw-Hill Companies. - 2011. - 430 p.

80. Mouaddib N., Subtil P. Management of uncertainty and vagueness in databases: The FIRMS point of view // Int. Jour, of Uncertainty, Fuzziness and Knowledge Based Systems, № 5(4). - 1997. PP. 437 - 457.

81. Neo4j. - URL: http://www.neo4j.org.

82. Online community for the Web Services Business Process Execution Lan-guage OASIS Standard. - URL:http://bpel.org.

83. OrientDB - URL: http://www.orientechnologies.com /orientdb/.

84. Papakonstantinou, Y. Object exchange across heterogeneous information sources / Y. Papakonstantinov, H. Garcia-Molina, J. Widom //11 -th International Conference on Data Engineering (ICDE'95). - 1995. PP. 251 - 261.

85. Petry F.E. Fuzzy Databases. Principles and Application. Kluwer Academic Publishers, - 1999. 235 p.

86. Prade H., Testenale C. Fuzzy relational databases: Representational issues and reduction using Similarity measures // Jour, of the American Society of Inf. Sciences, № 38(2). - 1987. - PP. 118 - 126.

87. RedisGraph - URL: https://github.com/tblobaum/redis-graph/.

88. Resource Description Framework. URL: http://www.w3.org/RDF/ (дата обращения 19.02.2014).

89. Robertson S.E. The Probability Ranking Principle in IR // Readings in information retrieval. Morgan Kaufmann Publishers Inc. - San Francisco. - 1997. -PP. 281 -286.

90. Robinson I., Webber J., Eifrem E. Graph Databases. O'Reilly Media, Inc. 2013.-210 p.

91. Sangiorgi, D. On the Origins of bisimulation and coinduction / ACM Transactions on Programming Languages and Systems (TOPLAS), V. 31, Iss. 4, 2009.-Article No. 15.

92. Shenoi S., Melton A. Proximity Relations in Fuzzy Relational Databases // Int. Jour. Fuzzy Sets and Systems, №31.- 1989. - PP. 287 - 296.

93. Simmen D. Reveal Relationships // Teradata Magazine Online, № 1, 2014. - URL:http://www.teradatamagazine.com/vl4n01/Tech2Tech/Reveal-Relationships/.

94. Singh K., et. al. Security on the IBM Mainframe. IBM Redbooks, IBM Corp., 2010, 294 p.

95. SMILA.-URL: http://www.eclipse.org/smila/.

96. Snodgrass R. A taxonomy of time databases // SIGMOD'85 Proc. of the 1985 ACM SIGMOD Int. Conf. on Management of Data. - 1985. - V. 14, Is. 4. -PP. 236-246.

97. Snodgrass R. The temporal query language TQuel // ACM Trans, on Database System (TODS). - 1987. - V. 12, Is. 2. - PP. 247 - 298.

98. Snodgrass R. The TSQL2 Temporal Query Language. - Springer Science Business Media, LLC. - 1995. - 647 p.

99. Snodgrass R., Ilsoo Ahn. Temporal Databases // Computer. - 1986. -V. 19, Is. 9.-PP. 35-42.

100. Sparksee. - URL: http://sparsity-technologies.com.

101. Trinity - URL: http://research.microsoft.com/en-us/projects/trinity/.

102. Umano M., Fukami S. Fuzzy relational algebra for possibility-distribution-fuzzy-relation model of fuzzy data // Jour, of Intell. Inf. Syst., № 3. - 1994. -PP. 7-28.

103. Van Gyseghem N. Imprecision and uncertainty in the UFO database model // Jour, of Amer. Soc. For Inform. Sci., № 49(3). - 1998. - 236 - 252.

104. VertexDB - URL: http://www.dekorte.com/projects/opensource/ver-texdb/.

105. W3C Resource Description Framework (RDF) Model and Syntax Specification. // World Wide Web Consortium. - 1999. - http ://www.w3c. org/TR/REC-rdf-syntax.

106. W3C XML Linking Language (XLink) 1.0. // World Wide Web Consortium. - 2000. - URL:http://www.w3.org/TR/xlink.

107. W3C XML Path Language (XPath) 1.0. // World Wide Web Consortium. - 1999. - URL:http://www.w3 .org/TR/xpath.

108. W3C XML Pointer Language (XPointer) 1.0. // World Wide Web Consortium. — 2000. — URL:http://www.w3. org/TR/xptir.

109. West M. Developing High Quality Data Models. Morgan Kaufmann Publishers, Waltham, 2010 - 408 P.

110. Zhou Feng, W. Hsu, Mong Li Lee. Efficient pattern discovery for sem-istructured data // 17th IEEE International Conference on Tools with Artificial Intelligence (ICTAT05). - 2005. - PP. 301-309.