Методы и модели обработки информации в хранилищах данных тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Кузьмин, Андрей Николаевич

• Кузьмин, Андрей Николаевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Кузьмин, Андрей Николаевич

Введение.

Глава 1. Анализ и исследование существующих способов хранения данных и принятия решений в банковской сфере.

1.1. Организация электронного документооборота в Сберегательном банке без использования единой базы данных.

1.2. Концепция принятия решений без использования технологии хранилищ данных.

1.3. Использование реляционных моделей баз данных.

1.3.1. Аномалии реляционных баз данных.

1.3.2. Декомпозиция отношений.

1.3.3. Функциональные зависимости как способ устранения информационной избыточности.

1.3.4. Применение ограничений ссылочной целостности в реляционных моделях.

1.3.5. Другие ограничения реляционной модели.

1.3.6. Проблемы нормализации.

1.4. Централизация баз данных.

1.4.1. Организация единого хранения баз данных.

1.4.2. Сравнение быстродействия работы систем с территориально разрозненными и централизованными базами данных.

1.4.3. Сравнение пригодности разных типов СУБД для централизации ресурсов.

1.5. Концепция хранилищ данных.

1.5.1. Отличия хранилищ данных от традиционных баз данных.

1.5.2. Обзор имеющихся решений в области создания хранилищ данных и банковского программного обеспечения.

1.6. Технология OLAP.

1.6.1. Многомерная модель данных.

1.6.1.1. Срез.

1.6.1.2. Вращение.

1.6.1.3. Консолидация и детализация.

1.6.2. Типы архитектур OLAP-систем.

1.6.2.1. MOLAP.

1.6.2.2. ROLAP.

1.6.2.3. HOLAP.

1.6.3. Применение OLAP-технологии в кредитном мониторинге банка «Сосье Женераль Восток».

Выводы.

Глава 2. Методы интеллектуального анализа, применяемые в создании систем поддержки принятия решений, основанных на хранилищах данных.

2.1. Интеллектуальный анализ данных.

2.2. Классификация.

2.2.1. Алгоритм покрытия.

2.2.2. Метод Naive Bayes.

2.3. Поиск ассоциативных правил.

2.3.1. Применение задачи поиска ассоциативных правил.

2.3.2. Алгоритмы выявления часто встречающихся наборов.

2.3.3. Визуальное представление ассоциативных правил.

2.4. Вероятностные методики Байеса и методы нейросетей.

2.4.1. Модель использования сети Байеса для принятия решения об изменении процентной ставки.

2.4.2. Примеры применений вероятностных сетей Байеса в различных сферах деятельности человека.

2.4.3. Нейросетевые методики.

2.4.4. Построение модели, основанной на картах Кохонена, для определения неблагонадёжных предприятий-заёмщиков.

Выводы.

Глава 3. Проектирование архитектуры хранилища данных.

3.1. Уровни абстракции при разработке архитектуры.

3.2. Состав архитектуры хранилища данных.

3.3. Концептуальное моделирование.

3.3.1. Математические модели тематических хранилищ данных.

3.3.2. Классификация видов архитектур хранилищ данных в зависимости от использования витрин данных.

3.3.3. Классификация архитектурных решений хранилищ данных по Спирли.

3.3.4. Выбор архитектуры.

3.4. Выбор программных средств создания хранилища данных.

3.5. Логическое моделирование.

3.6. Физическая архитектура хранилища данных.

3.6.1. Выбор варианта физической архитектуры.

3.6.2. Управление физической памятью.

3.7. Обеспечение безопасности в Oracle.

Выводы.

Глава 4. Повышение производительности работы с данными в хранилищах и реализация алгоритмов.

4.1. Загрузка данных в хранилище.

4.1.1. Периодичность загрузки данных для некоторых направлений банковской деятельности.

4.1.2. Способы реализации первоначальной загрузки.

4.1.3. Параллельная обработка в процессах загрузки.

4.2. Применение индексов при работе с отношениями небольших размеров.

4.3. Влияние количества получаемых атрибутов на производительность системы.

4.4. Влияние длины ключа в В -дереве на коэффициент ветвления.

4.5. Алгоритм определения благонадёжности предприятий, основанный на картах Кохонена.

4.6. Использование индексов при работе с многомерными данными.

4.7. Интерфейс запросов.

4.8. Оценка автоматизированной банковской системы, основанной на использовании хранилища данных, при помощи показателей теории массового обслуживания.

4.9. Проектирование базы данных подсистемы учёта операций по международным банковским картам.

Выводы.

Введение диссертации (часть автореферата) на тему «Методы и модели обработки информации в хранилищах данных»

Корпоративные структуры часто сталкиваются с проблемой анализа больших объёмов данных, имеющих сложную структуру. Помочь в решении данной проблемы могут системы поддержки принятия решений (СППР), основанные на использовании технологии хранилищ данных (ХД).

Хранилище данных (data warehouse) - накопитель информации из других систем, на основе которых строятся процессы принятия решений и анализа данных. Целью построения хранилищ данных является своевременное предоставление необходимой информации только тем сотрудникам предприятия, которые действительно в ней нуждаются.

Хранилище данных - это набор данных, предназначенный для поддержки принятия управленческих решений и характеризующийся предметной ориентацией, интеграцией, поддержкой хронологии и неизменяемостью.

Построение СППР актуально для крупных банков, предприятий нефтяной, газовой отрасли, машиностроения, металлургии и т.д. Причём, система поддержки принятия решений, основанная на технологии хранилищ данных (а большинство СППР сегодня опираются именно на ХД), будет быстрее окупаться на крупных предприятиях или организациях с развитой филиальной сетью и разнообразной деятельностью.

Среди отечественных коммерческих информационно-аналитических систем, основанных на технологии хранилищ данных и предназначенных для автоматизации банковских процессов, можно выделить такие продукты, как RS-DataHouse, InterBank v 5.2 (обе системы разработаны специалистами компании R-Style Softlab), IQ DW (разработка фирмы CSBI), 5NTe RETAIL (предложение компании «Диасофт»), Из зарубежных банковских технологий, использующих хранилища данных, наиболее перспективными являются разработки компании Misys Retail Banking. Некоторые банки предпочитают использовать собственные системы (к таким банкам относятся, например, Внешторгбанк и Центр-Инвест).

Но, несмотря на наличие уже готовых банковских систем, использующих технологию ХД, как правило, все имеющиеся на сегодня решения, ориентированы на конкретный тип банков: Альфа-Банк использует систему Equation при доработке 20% программного кода; продукт IQ DW предназначен для задач розничного банковского обслуживания; Interbank v 5.2. разрабатывался в первую очередь для удобства корпоративных клиентов; Bankmaster Plus является специальной разработкой для небольших банков.

За рубежом имеется множество работ, посвященных вопросам применения хранилищ данных в различных отраслях, но в отечественной литературе данная тематика освещена недостаточно.

Проблемами хранилищ данных занимались такие специалисты, как Э. Спирли [4], Л.Хоббс [6], С. Хилсон [6], С. Чаудхури [15], В. Ганти [15], С. Федечкин [43], К. Лисянский [49], Д. Шаша [50], Р. Кимбал [99], С. Архипенков [100] и др. Вопросы анализа данных и добычи знаний поднимали в своих работах А. Барсегян [5], М. Куприянов [5], С. Арсеньев [12], Эйриэнн X. Слотер [13], М. Киселев [16], Е. Соломатин [16], Т. Кохонен [22] и др.

Целью работы является повышение эффективности обработки больших объёмов информации за счёт использования технологии хранилищ данных (на примере банковской области).

Для достижения поставленной цели необходимо:

1. Провести анализ и исследование существующих способов хранения данных и принятия решений, а также методов интеллектуального анализа, применимых в банковских системах на основе технологии ХД.

2. Разработать модели существующих архитектур ХД.

3. Используя разработанные модели, произвести выбор архитектуры ХД для создания СППР, предназначенной для использования в банковской сфере.

4. Провести исследование повышения производительности работы с данными в хранилищах.

5. Осуществить программную реализацию выбранных алгоритмов СППР, основанных на интеллектуальном анализе.

Методы исследований. Для решения поставленных задач использованы методы математического и имитационного моделирования, теория вероятностей, теория множеств, теория массового обслуживания.

Научная новизна работы представлена следующими результатами:

1. Систематизированы архитектурные принципы хранилищ данных.

2. Предложены модели взаимодействия пользователей с источниками данных и различными архитектурами хранилищ данных.

3. Предложена трёхуровневая архитектура хранилища данных с интерфейсом запросов.

Практическая ценность диссертации состоит в следующем:

- разработан комплекс SQL-запросов, при помощи которого реализован алгоритм, основанный на идее карт Кохонена, для распределения заёмщиков-юридических лиц по заданным группам риска;

- разработана структура системы поддержки принятия решения, основанная на применении технологии хранилищ данных и предназначенная для крупных банков и предприятий, имеющих развитую филиальную сеть;

- разработана подсистема для осуществления операций по банковским картам;

- разработан программный модуль интерфейса управления запросами, предназначенный для ускорения работы аналитиков без знания структуры конкретных отношений, составляющих витрины и хранилище данных;

- разработан программный модуль для расчета показателей качества обслуживания, оказываемого многоканальной системой массового обслуживания с ограниченной длиной очереди при простейшем входящем потоке требований и распределении времени обслуживания по показательному закону.

Апробация работы. Основные положения диссертационной работы и её отдельные результаты докладывались и обсуждались на следующих конференциях и симпозиумах:

1. Естественные науки: 5-я международная конференция молодых учёных и студентов, Самара, 2004.

2. Туполевские чтения: Международная молодёжная научная конференция, посвящённая 1000-летию города Казани, Казань,

2005.

3. IV Спиридоновские чтения: Актуальные проблемы современной экономики. Международная научно-практическая конференция, Казань, 2006.

4. Доклад на кафедре автоматизированных систем обработки информации и управления, Казан, гос. техн. ун-т, 2006 г.

5. Информационная культура в системе подготовки будущего инженера: Региональная научно-практическая конференция, Нижнекамск, 2006.

6. XIX международная научная конференция: Математические методы в технике и технологиях, Воронеж, 2006;

7. Научно-техническая конференция по вопросам информатики, вычислительной техники и информационной безопасности, Казань,

2006.

8. Инфокоммуникационные технологии глобального информационного общества: 4-я ежегодная международная научно-практическая конференция, Казань, 2006.

На защиту выносятся:

1. Методы интеллектуального анализа и добычи знаний, применяемые для создания систем поддержки принятия решений, основанных на хранилищах данных.

2. Модель трёхуровневого хранилища данных с интерфейсом запросов, сохраняющая возможность создания запросов непосредственно витрине данных, общему ХД и предоставляющая пользователю возможность работы с лаконичным описанием данных.

3. Способы выбора вариантов загрузки данных, типов индексов и количества получаемых атрибутов, приводящие к повышению производительности работы с ХД.

4. Результаты вычислений основных показателей многоканальной банковской системы массового обслуживания с ограниченной длиной очереди, предназначенной для обработки информации в ХД.

Публикации. Основные результаты диссертации опубликованы в 12-ти печатных работах, включая 3 статьи, 8 тезисов докладов (из них 5 на международных научных конференциях) и один препринт.

Структура и объём диссертации. Диссертационная работа состоит из введения, четырёх глав, заключения, библиографического списка и приложений. Общий объем работы содержит 193 страницы, включая 153 страницы основного текста, 39 формул, 55 рисунков и 16 приложений. Список литературы содержит 103 наименования.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Кузьмин, Андрей Николаевич

Основные результаты и выводы работы:

1. Проанализированы и исследованы существующие способы хранения данных и принятия решений в банковской сфере.

Для ускорения процесса анализа данных, представимых в многомерном виде, было предложено более интенсивное применение OLAP-технологии в СППР, основанных на ХД.

В ходе проведённого исследования методов интеллектуального анализа и добычи знаний, применимых в банковских системах на основе технологии ХД, было сделано следующее:

• решена задача автоматизации закрытия глобального операционного дня двумя способами: с использованием алгоритма покрытия и методом Naive Bayes;

• предложено решение задачи об учёте влияний курсов валют на величины процентных ставок вкладов при помощи вероятностных методик Байеса;

• решена задача распределения заёмщиков-юридических лиц по группам риска методом, основанном на идее карт Кохонена.

2. Разработаны математические модели следующих хранилищ данных:

• зависимое тематическое;

• независимое тематическое;

• двухуровневое ХД.

Впервые предложена архитектура трёхуровневого хранилища данных с интерфейсом запросов. Разработана математическая модель предложенной архитектуры.

3. Для использования в банковской сфере была выбрана архитектура трёхуровневого хранилища данных с интерфейсом запросов, как наиболее перспективная и обладающая наилучшими возможностями для добавления новых предметных областей.

4. Проведено исследование способов повышения производительности работы с данными в хранилищах.

Разработана математическая модель параллельной загрузки в режиме прямого пути. Разработаны алгоритм работы интерфейса управления запросами и его математическая модель. Предложен алгоритм определения степени благонадёжности предприятий-заёмщиков, основанный на идее самоорганизующихся карт Кохонена.

Доказана эффективность применения иерархических индексов при работе с частоповторяющимися данными, и индексов на основе битовых карт при работе с редкоповторяющимися данными многомерной структуры.

Произведён расчёт основных показателей качества обслуживания автоматизированной банковской системы, основанной на использовании ХД, при её рассмотрении как системы массового обслуживания с ограниченной длиной очереди.

5. Алгоритмы систем поддержки принятия решений на основе интеллектуального анализа реализованы в разработанном комплексе SQL-запросов и программных модулях.

Заключение

Список литературы диссертационного исследования кандидат технических наук Кузьмин, Андрей Николаевич, 2006 год

1. Джексон Г. Проектирование реляционных баз данных для использования с микро-ЭВМ, М.: Мир, 1991. 252 С.

2. Hector Garcia-Molina, Jeffrey D. Ullman, Jennifer Widom «Database System: The Complete Book», Department of Computer Science Stanford University, Prentice Hall, Upper Saddle River, New Jersey 07458, p. 1083

3. Мейер Д. Теория реляционных баз данных, М.:, Мир, 1987. 608 С.

4. Спирли Э. Корпоративные хранилища данных: планирование, разработка, реализация, Том 1, М.-СПб-Киев, Вильяме, 2001. 396 С.

5. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining, СПб: БХВ-Петербург, 2004.-333 С.

6. Л. Хоббс, С. Хилсон, Ш. Лоуенд Oracle 9iR2: Разработка и эксплуатация хранилищ баз данных, М.: Кудиз-Образ, 2004. 585 С.

7. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров, Издание шестое, СПб-М.-Краснодар, Лань, 2003. 831 С.

8. Козлов В.Н. Математика и информатика // Учебное пособие, М.-СПб, Питер, 2004. 265 С.

9. Сборник задач и упражнений по высшей математике: математическое программирование // Под ред. проф. Кузнецова А.В., Минск, Вышэйшая школа, 1995. 382 С.

10. Мантуров О.В. Элементы тензорного исчисления, М.: Просвещение, 1991.-255 С.

11. Банковское дело // Под ред. проф. Лаврушина О.И., М.: Финансы и статистика, 2003. 667 С.

12. Арсеньев С. Извлечение знаний из медицинских баз данных. Поисковая система eBoogle: http://www.eboogle.ru. 123 С.

13. Эйриэнн X. Слотер. Архитектуры OLAP // Перевод Interlab, Образовательный портал Ханты-Мансийского автономного округа: http://www.eduhmao.ru.

14. Пушников А.Ю. Введение в системы управления базами данных. Часть 1. // Учебное пособие, Уфа, Изд-во Башкирского ун-та, 1999. 108 С.

15. С. Чаудхури, У. Дайал, В. Ганти. Технология баз данных в системах поддержки принятия решений, Открытые системы, № 1, 2002.

16. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах, Открытые системы, № 4, 1997, С. 41-44

17. Коваленко Е. Система Sequent Extreme NUMA-Q, Открытые системы, №2, 1997, С. 6-13.

18. Дунаев С.Б. Доступ к базам данных и техника работы в сети: практические приёмы современного программирования, М.: Диалог-МИФИ, 2000.-416 С.

19. Сафрай В.М. Справочник по высшей математике (для студентов ВУЗов): с примерами решения задач, М.: Элит, 2004. 356 С.

20. Уоссермен Ф. Нейрокомпьютерная техника, М.: Мир, 1992.

21. Бойко В.В., Савинков В.М. Проектирование баз данных информационных систем, М.: Финансы и статистика, 1989. 350 С.

22. Кохонен Т. Ассоциативная память, М.: Мир, 1980. 239 С.

23. Розенблатт Ф. Принципы нейродинамики. Персептроны и теория механизмов мозга, М.: Мир, 1965. 480 С.

24. Минский М., Пейперт С. Персептроны, М.: Мир, 1971. 261 С.

25. Веденов А.А. Моделирование элементов мышления, М.: Наука, 1988. -160 С.

26. Лоскутов А.Ю., Михайлов А.С. Введение в синергетику, М.: Наука, 1990.-272 С.

27. Мкртчян С.О. Нейроны и нейронные сети, М.: Энергия, 1971. 232 С.

28. Горбань А.Н. Обучение нейронных сетей, М.: Параграф, 1990.

29. Галушкин А.И. Синтез многослойных схем распознавания образов, М.: Энергия, 1974.-367 С.

30. Гантмахер Ф.Г. Теория матриц, М.: Наука, 1988. 548 С.

31. Шеперд Г. Нейробиология. В 2-х томах. Том 1, М.: Мир, 1987. 454 С.

32. Банди Б. Методы оптимизации, М.: Радио и связь, 1988. 128 С.

33. D'Agostini G. «Bayesian reasoning in high energy physics principles and applications», CERN Yellow Report 99-03, July, 1999.

34. Bishop C.M. «Neural networks for pattern recognition», Oxford University Press, 1995.

35. Вентцель E.C. Теория вероятностей, M.: Высшая школа, 2001.

36. Giarratano J., Riley G. «Expert systems: Principles and programming», PWS Publishing, 1998.

37. Гнеденко Б.В. Курс теории вероятностей: 7-е издание, М.: Эдиториал УРСС, 2001.

38. Hastie Т., Tibshirani R., Friedman J. «The Elements of statistical learning. -Data Mining, Inference, and Prediction», Springer, 2001.

39. Лекции по нейроинформатике, Часть 1 // Научная сессия МИФИ-2003, V Всероссийская научно-техническая конференция, «Нейроинформатика-2003», М., МИФИ, 2003. 188 С.

40. Терехов С.А. Нейросетевые аппроксимации плотности в задачах информационного моделирования // Лекция для школы-семинара «Современные проблемы нейроинформатики»», М., МИФИ, 2002.

41. Cooper G.F. «The computational complexity of probabilistic inference using Bayesian belief», Artificial Intelligence, 1990.

42. Zachman J. «А Framework for Information Systems Architectures», IBM Systems Journal, № 3, vol. 26, 1987.

43. Федечкин С. Хранилище данных: вопросы и ответы, PCWeek, № 31, 2003.

44. Цикритзис Д., Лоховски Ф. Модели данных, М.: Финансы и статистика, 1985.-343 С.

45. Фокс Д. Программное обеспечение и его разработка, М.: Мир, 1985. -368 С.

46. Зиндер Е.З. Новое системное проектирование: информационные технологии и бизнес-реинжиниринг, 2-я часть, СУБД, № 1,1996.

47. Зиндер Е.З. Критерии выбора современной СУБД как объекта инвестиций для развития предприятия, СУБД, № 1, 1995.

48. Кречетов Н., Иванов П. Продукты для интеллектуального анализа данных, М.: ComputerWeek, № 14-15,1997.- С. 32-39.

49. Лисянский К. Архитектурные решения и моделирование данных для хранилищ и витрин данных // Образовательный портал Ханты -Мансийского автономного округа (http://www.eduhmao.ru).

50. Д. Шаша, Ф. Бонне Оптимизация баз данных: принципы, практика, решение проблем, М.: Кудиз-Образ, 2004. 431 С.

51. Кузьмин А.Н., Сапаркин П.В. Технология хранилищ данных // Туполевские чтения: международная молодёжная научная конференция, посвящённая 1000-летию города Казани, Том 3, Казань, Изд-во КГТУ им. А.Н. Туполева, 2005. С. 133- 134.

52. Шамис В.А. С++ Builder 4: Техника визуального программирования, М.: Нолидж, 2000. 650 С.

53. Р. Лейнекер Энциклопедия Visual С++, СПб.: Питер, 1999. 1147 С.

54. Paolo Franca С++: No experience required, Sybex, 1997. 521 P.

55. Тихомиров Ю.В. Самоучитель MFC, СПб.: БХВ-Санкт-Петербург, 2000.-640 С.

56. Шилдт Г. Самоучитель С++: 3-е издание, СПб.: БХВ-Санкт-Петербург, 1998.-683 С.

57. Скляров В.А. Программирование на языках Си и Си++: Учебное пособие, 2-е издание, М.: Высшая школа, 1999. 288 С.

58. Советов Б.Я., Яковлев С.А. Моделирование систем: Учебник для вузов, М.: Высшая школа, 1985. 271 С.

59. W. Richard Stevens «TCP/IP Illustrated: The Protocols», volume 1, Sydney, Bonn, Amsterdam, Tokyo, «Addison Wesley Longman», «Inc.», 1994. -671 P.

60. Мамаев E.B. Microsoft SQL Server 2000, СПб.: БХВ-Петербург, 2002. -1261 С.

61. Бритов П., Липчинский Е. Практика построения хранилищ данных: SAS System // Корпоративные системы, № 3,1999., СУБД, № 4-5, 1998.

62. Abiteboul Serge, Hull Richard, and Vianu Victor Foundation of Databases, Addison-Wesley, 1995.

63. Celko Joe, SQL for Smarties: Advanced SQL Programming, Morgan Kaufmann, 2000.-400 P.

64. Kim Won, On optimization an SQL-like nested query, TODS, 7(3), 1982. -443-469 P.

65. C. Mohan, ARIES/KVL: A Key-Value Locking Method for Concurrency Control of Multiaction Transactions on B-Tree Indexes, 16th Large Data Bases Conference, San Francisco: Morgan Kaufmann, 1990.

66. Weikum Gerhard, Vossen Gottfried, Transactional Information Systems: Theory, Algoritms, and Practice of Concurrency Control and Recovery, Morgan Kaufmann, 2001.

67. Oracle Corp. Performance and scalability in DSS environment with Oracle 9i, Oracle white paper, 2001.

68. Durbin Jason and Ashdown Lance, Oracle 8i Distributed Database System, Release 2 (8.1.6), Oracle Corporation, 1999.

69. Loney Kevin and Thierault Marlene, Oracle 9i DBA Handbook, Oracle Press, 1999.

70. T. Johson and D. Shasha, Utilization of B-trees with Inserts, Deletes, and Modifies // 8th ACM SIGACT-SIGMOD Conference on Principles of Database Systems, March, 1989. 235-246 P.

71. Кузьмин A.H. Проблемы реляционных баз данных в банковских системах, математические модели хранилищ данных и параллельной загрузки, Препринт 06П1, Казань, Изд-во Казан, гос. техн. ун-та, 2006. -12 С.

72. Джо Селко SQL для профессионалов: Программирование, М.: Лори, 2004.-442 С.

73. Ризаев И.С., Яхина З.Т. Базы данных, Учебное пособие, Казань, Мастер Лайн, 2004.- 100 С.

74. Кузьмин А.Н., Ризаев И.С. О внедрении современных информационных технологий в сферу управления банком // Исследования по информатике, Выпуск 10, Казань, Отечество, 2006. -151-158 С.

75. В. Дмитриев. OLAP-технология в кредитном мониторинге клиентов банка // Банковские технологии, № 10,2004.

76. И. Орехова CSBI о хранилище данных IQ DW // Банковские технологии, № 4,2004.

77. А. Шарак Новые технологии удаленного обслуживания для корпоративных клиентов // Банковские технологии, № 2, 2005.

78. Misys Retail Banking о будущей стратегии и продуктах // Банковские технологии, № 10,2004.

79. С. Иванов, В. Чернов, А. Зикунков, А. Курбатов Развитие компьютерной сети многофилиального банка // Банковские технологии, № 9, № 10, 2004.

80. JI. Хоревский, О. Старовойтова Потребительское кредитование: достижим ли успех с помощью автоматизации» // Банковские технологии, № 9, 2004.

81. М. Лазунский Корпоративное управление проектами на примере внедрения банковской АИС // Банковские технологии, № 9,2004.

82. И. Глушков Будущее рынка хранилищ данных // Банковские технологии, № 7, 2004.

83. В. Поливанов ИТ-департамент Альфа-банка отчитывается // Банковские технологии, № 4, 2004.

84. Калашников В.В., Рачёв С.Т. Математические методы построения стохастических моделей обслуживания, М.: Наука, Главная редакция физико-математической литературы, 1988. 312 С.

85. Беляева С.И. Имитационное моделирование систем массового обслуживания: текст лекций, Горький, Горьковский политехи, инст-т, 1988.-52 С.

86. Гантмахер Ф.Р. Теория матриц, М.: Наука, 1967. 576 С.

87. Бусленко Н.П. Моделирование сложных систем, М.: Наука, 1978. 350 С.

88. Теория вероятностей и математическая статистика: Учеб. пособие // Под ред. проф. Ермакова В.И., М.: ИНФРА-М, 2004. 287 С.

89. Дерк Луис. Borland С++ 5. Справочник // Пер. с нем., М.: БИНОМ, 1997.-560 С.

90. Женсыкбаев А.А. Проблемы восстановления операторов, М.-Ижевск: Институт компьютерных исследований, 2003. 412 С.

91. Ralph Kimball, John Wiley, The Data Warehouse Toolkit: Practical Techniques for Building Dimensional Data Warehouses, 1996.

92. С.Я. Архипенков, Д.В. Голубев, О.Б. Максименко Хранилища данных, М.: Изд-во МИФИ, 2002, 528 С.

93. Кельтон В., Лоу А. Имитационное моделирование. Классика CS. 3-е изд., СПБ: Питер; Киев: BHV, 2004. 847 С.

94. Кузьмин А.Н. Оценка качества автоматизированной системы, основанной на технологии хранилищ данных // Вестник Казанского технологического университета, Казань, Казан, гос. технол. ун-т, Отечество, №2,2006. С. 315-324.