Разработка моделей функционирования и методики формирования интеллектуальной системы поддержки принятия решений по управлению сетью передачи данных тема диссертации и автореферата по ВАК РФ 05.12.13, кандидат наук Сахарова, Мария Александровна

• Сахарова, Мария Александровна
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Сахарова, Мария Александровна

СОДЕРЖАНИЕ

СОКРАЩЕНИЯ

ВВЕДЕНИЕ

1. Анализ сетей передачи данных и современных систем управления сетью

передачи данных

1.1. Сеть передачи данных как объект управления

1.2. Анализ состояния сетей передачи данных на железнодорожном транспорте и направления ее развития

1.3. Анализ современных систем управления сетью передачи данных

1.4. Концептуальная модель системы управления сетью передачи данных

1.5. Постановка задачи научного исследования

1.6. Выводы по разделу 1

2. Нейросетевые модели обработки диагностических данных для оценки

состояния и определения причин возникновения неисправностей в сети передачи данных

2.1. Анализ и обоснование моделей и методов оценки состояния и обнаружения неисправностей в сети передачи данных

2.2. Разработка комплекса нейросетевых моделей для решения задач технического диагностирования сетей передачи данных

2.2.1. Нейросетевая модель для решения задач технического диагностирования сети передачи данных малого и среднего масштаба

2.2.2. Нейросетевая модель для решения задач технического диагностирования сети передачи данных крупного масштаба

2.3. Выводы по разделу 2

3. Математические модели процессов функционирования системы управления сетью передачи данных, построенной с применением комплекса нейросетевых моделей

3.1. Анализ различных подходов к математическому моделированию процессов функционирования системы управления сетью передачи данных

3.2. Математические модели процесса функционирования системы управления сетью передачи данных при периодических запросах от системы управления на оценку технического состояния сетей передачи данных

3.3. Математическая модель процесса функционирования системы управления сетью передачи данных при обращении пользователей сети в службу поддержки в связи с изменением перечня предоставляемых услуг или при снижении показателей качества обслуживания

3.4. Математическая модель процесса функционирования системы управления сетью передачи данных при поступлении в систему управления сообщения о выходе из строя одного или нескольких элементов сети передачи данных

3.5. Математическая модель функционирования системы управления сетью передачи данных при модернизации сети передачи данных

3.6. Выводы по разделу 3

4. Методика формирования интеллектуальной системы поддержки

принятия решений

4.1. Методика формирования плана восстановления сети передачи данных в интеллектуальной системе поддержки принятия решений

4.2. Методика формирования интеллектуальной системы поддержки принятия решений системы управления сетью передачи данных

4.3. Оценка качества функционирования системы управления сетью передачи данных

4.4. Научно-технические предложения по формированию элементов системы управления сетью передачи данных

4.5. Выводы по разделу 4

ЗАКЛЮЧЕНИЕ

Список литературы

Приложение А Реализация нейросетевой модели для оценки состояния сети

передачи данных малого и среднего масштаба

Приложение Б Результаты моделирования оценки состояния сети передачи данных крупного масштаба на основе нейронных сетей типа

многослойный персепртрон

Приложение В Математические модели процессов функционирования системы управления сетью передачи данных при периодических запросах на оценку технического состояния сети передачи данных на

уровнях управления EMS и NMS

Приложение Г Алгоритмы процессов функционирования системы управления сетью передачи данных

СОКРАЩЕНИЯ

Сокращение Расшифровка

1

АСУ Автоматизированная система управления

БД База данных

БЗ База знаний

ИС Информационная система

ИСППР Интеллектуальная система поддержки принятия решений

ИУС Информационно-управляющая система

ЛВС Локально-вычислительная сеть

НС Нейронные сети

ОТУ Оперативно-технический уровень управления

ОУ Организационный уровень управления

ПСС Первичная сеть связи

СМА Система мониторинга и администрирования

спд Сеть передачи данных

СПД ОбТН СПД общетехнологического назначения

СПД отн СПД оперативно-технологического назначения

СППР Система поддержки принятия решений

СУ Система управления

ТПСС Топологическое преобразование стохастических сетей

ТУ Технологический уровень управления

цки Департамент информатизации ОАО «РЖД»

цсс Центральная станция связи - филиал ОАО «РЖД»

MIB Информационная база данных (Management Information Base)

QoS Качество обслуживания (Quality of Service)

SNMP Простой протокол сетевого управления (Simple Network Management Protocol)

Введение диссертации (часть автореферата) на тему «Разработка моделей функционирования и методики формирования интеллектуальной системы поддержки принятия решений по управлению сетью передачи данных»

ВВЕДЕНИЕ

Актуальность темы исследования.

Эффективность организации железнодорожных перевозок зависит от степени проникновения средств автоматизации во все структурные подразделения и процессы на железнодорожном транспорте. Физической основой функционирования автоматизированных систем управления территориально-распределенных объектов управления являются сети передачи данных (СПД), которые функционируют в интересах информационно-управляющих систем (ИУС). Данные ИУС предъявляют высокие требования к качеству предоставления услуг в СПД, в том числе по времени задержки доставки информации как составляющего общего времени цикла управления.

Для эффективного управления СПД, которая является большой и сложной организационно-технической системой, администратору необходимо знать и контролировать большое количество разнородного оборудования СПД, своевременно обрабатывать значительный объем поступающей информации в условиях плохо формализованных и слабо структурированных задач при отсутствии полной и достоверной информации о состоянии элементов СПД, а также при ограниченном времени на анализ ситуаций и принятие решения.

С целью обеспечения требуемой устойчивости функционирования СПД и предоставления пользователям услуг заданного качества требуется разработка дополнительных элементов системы управления (СУ) СПД, в которых будут реализованы принципы поддержки принятия решений при решении задач своевременного обнаружения неисправностей и выявление причин их появления, управления конфигурацией, формирования плана восстановления СПД, а также управления сетевым трафиком. Таким образом, следует считать актуальной разработку моделей и методики формирования интеллектуальной системы поддержки принятия решений (ИСГТПР) с учётом требований своевременности и обоснованности принимаемых решений по управлению СПД как элемента ИУС на железнодорожном транспорте.

Степень разработанности. Вопросам формирования интеллектуальных систем поддержки принятия решений посвящены работы Г.В. Рыбиной, Н.В. Васильева, В.А. Рыжкова, В.П. Евменовым И.А. Башмакова, И.Г. Котенко, Д.А. Поспелова. Основы построения систем управления сетями связи рассмотрены A.B. Боговиком, Н.Д. Егуповым, Е.П. Поповым, И.Г. Котенко, А.Ю. Гребешковым. Рассмотрение процессов функционирования СПД, а также теоретические и прикладные разработки в области построения СПД представлены в трудах Т.Н. Алиева, Б.С. Гольдштейна, А.Б. Шамшаева, С.Бигелоу, Г.Ф. Кохановича.

Цели и задачи.

Целью исследования является обеспечение оперативного и обоснованного формирования решений по управлению сетью передачи данных в связи с необходимостью обеспечения устойчивого функционирования сети передачи данных.

Для достижения поставленной цели решены следующие задачи:

1. Проведен анализ существующих СПД на железнодорожном транспорте;

2. Сформировано множество параметров, характеризующих как отдельные элементы, так и СПД в целом, а также параметры качества обслуживания;

3. Проведен анализ основных задач и функций СУ СПД, на основе которых разработана концептуальная модель системы управления СПД;

4. Разработана структура ИСППР с учетом вычислительных ресурсов СУ СПД;

5. Разработан комплекс нейросетевых (НС) моделей для ИСППР в СУ СПД, обеспечивающий обработку диагностических данных элементов СПД, сетевых параметров и параметров качества обслуживания (QoS), а также формирование гипотез о причинах возникновения неисправностей в СПД;

6. С учетом условий и особенностей функционирования СПД разработан комплекс математических моделей функционирования СУ СПД с ИСППР, отличающихся от известных учетом процессов технического диагностирования, принятия решения на восстановление СПД и выбора плана восстановления.

7. Разработана методика формирования плана восстановления в ИСППР по устранению неисправностей в СПД;

8. Разработана методика формирования ИСППР в СУ СПД с учетом сетевых параметров и параметров С)о8.

Объектом исследования является интеллектуальная система поддержки принятия решений в составе системы управления СПД.

Предметом исследования являются модели функционирования и методика формирования интеллектуальной системы поддержки принятия решений в системе управления СПД.

Научная задача: разработка методики формирования интеллектуальной системы поддержки принятия решений в системе управления сетью передачи данных, функционирующей в условиях ограниченности вычислительных и временных ресурсов на принятие решений.

Научная новизна диссертационной работы заключается в следующем:

1. На основании проведенного анализа существующих СПД как подсистемы телекоммуникационной сети (ТКС) высокой степени сложности на железнодорожном транспорте сформулирован перечень требований к СПД и ее элементам в их структурной и функциональной взаимосвязи;

2. Представлено множество элементов СПД, классифицированных по группам, с выделением множества диагностических параметров для каждого элемента;

3. Проведен анализ основных задач и функций СУ СПД и сформулированы основные требования к ней, сформирована концептуальная модель системы управления СПД с указанием роли и места ИСППР;

4. Разработана структура ИСППР, представленная в виде совокупности взаимосвязанных подсистем, с учетом вычислительных ресурсов СУ СПД;

5. Разработан комплекс НС моделей для ИСППР, обеспечивающий обработку диагностических данных элементов СПД, определение технического состояния СПД и формирование гипотез о причинах возникновения неисправностей в СПД;

6. Разработаны математические модели функционирования ИСППР в системе управления СПД, отличающиеся от известных учетом процессов технического диагностирования, принятия решения на восстановление СПД и выбора плана

восстановления, что позволяет снять ряд существующих ранее ограничений и получить ВВХ функционирования системы управления СПД;

7. Разработана методика формирования решений в ИСППР СУ СПД по устранению неисправностей в СПД, основанная на вычислительной модели вывода по прецедентам, которая позволила обеспечить оперативность и адекватность выработки решения;

8. Разработана методика формирования ИСППР СУ СПД, отличающаяся от известных учетом сетевых параметров и параметров качества обслуживания С>о8 и включающая процессы формирования вариантов решений по управлению СПД и процессы формирования обоснованного выбора плана восстановления СПД на множестве альтернативных решений, поддерживающего систему предпочтений лица, принимающего решение (ЛПР).

Теоретическая значимость работы состоит в расширении методической базы по формированию и проектированию ИСППР в структуре СУ СПД с учётом требований к своевременности и обоснованности принимаемых решений. В качестве теоретической базы в диссертации сформирована концептуальная модель системы управления СПД с указанием роли и места ИСППР.

Практическая ценность результатов диссертационной работы.

Практическая значимость диссертации определяется применимостью ее результатов в существующих и перспективных комплексах систем технического диагностирования состояния СПД малого и среднего масштаба на основе НС моделей, реализованных в программе Ма^аЬ, для СПД большого масштаба, которые реализованы в прикладном пакете программ 81а^51юа; в существующих и перспективных комплексах СУ СПД.

Практическая значимость разработанных математических моделей функционирования ИСППР заключается в возможности формирования требований к системе управления СПД по значениям ВВХ функционирования отдельных подпроцессов на этапе проектирования системы управления СПД при различных условиях ее функционирования.

Практическая значимость методики формирования ИСГТПР в СУ СПД заключается в оценке длительности цикла управления до полного устранения неисправности в СПД или до выполнения поставленных задач.

Методология и методе исследования. В работе использованы как теоретические, так и экспериментальные методы исследования.

Теоретические методы исследования основаны на фундаментальных положениях теории систем, теории вероятностей, теории принятия решений, теории построения интеллектуальных систем, теории сетей и графов, теории надёжности, теории распознавания образов.

Экспериментальные методы исследования включают: метод математической статистики, метод обнаружения сигнатур, метод топологического преобразования стохастических сетей (ТПСС), а также нейронные сети.

Основные положения, выносимые на защиту:

1. Комплекс нейросетевых моделей, позволяющих решать задачи технического диагностирования СПД различного масштаба в условиях большого объема измерений по множеству диагностических параметров элементов СПД, сетевых параметров и параметров С^оБ и ограниченности временных ресурсов.

2. Математические модели функционирования интеллектуальной системы поддержки принятия решений системы управления СПД, отличающиеся от известных учетом процессов технического диагностирования и позволяющие получить вероятностно-временные характеристики функционирования системы управления СПД.

3. Методика формирования интеллектуальной системы поддержки принятия решений в системе управления СПД, отличающаяся от известных учетом требований к качеству обслуживания при выработке решений и включающая блок подготовки вариантов решений по управлению СПД и блок формирования обоснованного плана мероприятий по восстановлению СПД.

Личный вклад. Все результаты, излагаемые в диссертационной работе, получены автором самостоятельно.

Реализация и внедрение работы. Результаты диссертационной работы, включая все модели, методики и научно-технические предложения, используются на ряде предприятий: «ГТСС» филиал ОАО «Росжелдорпроект», ООО «МИКС», ОАО «Супертел» и в учебном процессе ФГБОУ ВПО ПГУПС.

Степень достоверности. Обоснованность и достоверность полученных результатов в диссертации обеспечивается системностью подхода к построению концептуальной модели СУ СПД на основе современных стандартов и регламентирующих документов. Формирование ИСППР проводилось с применением фундаментальных достижений в области СУ сетями связи как объектом, относящимся к сложным техническим системам электросвязи.

Обоснованность и достоверность полученных результатов в диссертации подтверждается их непротиворечивостью практике функционирования СПД и строгой аргументацией полученных теоретических результатов при применении математического аппарата топологического преобразования стохастических сетей (ТПСС), используемого при описании процессов функционирования СУ СПД, обоснованным выбором исходных данных, корректностью вводимых ограничений и допущений, а также при применении аппарата НС моделей при решении задач технического диагностирования СПД различного масштаба.

Подтверждение достижения цели диссертационной работы выполнено по критериям своевременности и обоснованности формирования решений по управлению СПД.

Достоверность полученных результатов подтверждается положительными отзывами и одобрением, полученными при апробации новых научных результатов на научно-технических и научно-практических конференциях и семинарах.

Апробация работы. Основные результаты и положения диссертационной работы обсуждались на научных конференциях и семинарах: международный конгресс, Научно-практическая конференция «Геополитические факторы устойчивого развития Арктики и инновационные технологии прогнозирования и предотвращения чрезвычайных ситуаций», Санкт-Петербург, 2012, 2013; научно-техническая конференция, посвященная Дню радио Секция: «Телекоммуникации

на железнодорожном транспорте», Санкт-Петербург, 2012 (3 доклада), 2013 (2 доклада), 2014 (2 доклада), 2015 (2 доклада); вторая международная научно-практическая конференция «Интеллектуальные системы на транспорте» Санкт-Петербург, 2012; IV Международная научно-техническая и научно-методическая конференции «Актуальные проблемы инфотелекоммуникаций в науке и образовании» в 2015 (3 доклада); VIII международный симпозиум «ЭЛТРАНС-2015» в 2015 году.

Публикации. Всего по теме диссертации опубликовано 23 печатных работы [121-143], в том числе четыре - в рецензируемых изданиях, включенных в перечень ВАК Министерства образования и науки РФ

Объем и структура работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы из 143 наименований, 4 приложений, изложена на 161 страницах машинописного текста, содержит 22 таблицы и 93 рисунка.

1. Анализ сетей передачи данных и современных систем управления сетью передачи данных

1.1. Сеть передачи данных как объект управления 1.1.1. Параметры и характеристики сети передачи данных и ее элементов

Сеть передачи данных (СПД) как подсистема телекоммуникационной сети (ТКС) высокой степени сложности представляет собой совокупность узлов и каналов электросвязи, специально созданная для организации связей между определенными точками с целью обеспечения передачи данных между ними [8]. Принято классифицировать СПД по масштабу на: персональные, локальные, городские и глобальные сети [46,62,100]. На рисунке 1.1 представлены основные элементы СПД. Основные аппаратные и программные компоненты СПД - в таблице 1.1.

Рисунок 1.1 - Элементы СПД

Современные СПД характеризуются совокупностью параметров [46,100,121], которые описывают структурно-функциональную организацию сети, ее взаимодействие с внешней средой и создаваемую в сети нагрузку. Группы параметров СПД представлены на рисунке 1.2. Характеристики являются вторичными дан-

ными о состоянии СПД по отношению к параметрам, но позволяют шире оценить ее возможности. Характеристики СПД отражают взаимосвязь между зависимыми или независимыми величинами определяющими состояние технической системы или процесса [25,52], а также отражают некоторые свойства СПД, представленные в таблице 1.2 [24,46,96,121,122,123].

Таблица 1.1 - Аппаратные и программные элементы СПД

Основные компоненты СПД

аппаратные программные

1. Абонентские устройства: рабочие станции, клиенты, серверы, сетевые карты, принтеры, сканеры и др. 2. Сетевое оборудование: сетевые адаптеры; концентраторы; мосты; маршрутизаторы и др. 3. Направляющие системы: кабели; разъемы; устройства передачи и приема данных в беспроводных технологиях. 1. Сетевые операционные системы: Novell NetWare, LANtastic, Microsoft Windows (NT, XP, Vista, 7, 8), UNIX (Solaris, FreeBSD), GNU/Linux, 10S и т.д. 2. Сетевое программное обеспечение: клиент сети; протокол; служба удаленного доступа.

Структурные

Функциональные

Нагрузочные

Параметры СПД

Количество узлов, входящих в

состав сети, и их взаимосвязь

1.1.

Типы узлов, состав и количество оборудования ^ 2

Технические данные устройств (производительность ВС и сетевых устройств) ^ ^

Способ коммутации 21

Метод доступа к каналу связи

Алгоритм выбора маршрута передачи данных в сети

2.3.

Распределение прикладных задач по узлам сети 2.4.

Режим функционирования ВС, ^

Последовательность выполнения прикладных задач в ВС 2.6.

Приоритеты задач

JJL

Число типов потоков данных

3.1.

Интенсивность поступления сообщений 32.

Длина передаваемых по сети блоков данных 3 3

Число типов прикладных за^ач

Ресурсоемкость каждой задачи

Рисунок 1.2 - Параметры СПД

Достаточными сведениями о состоянии СПД можно считать характеристики производительности СПД, однако стоит учитывать параметры элементов СПД.

Для определения производительности СПД необходимо учитывать совокупность следующих показателей: пропускную способность, задержки передачи и время реакции [46,62,100].

Таблица 1.2 - Свойства СПД

Свойство СПД Примечание

производительность мера мощности сети, определяющая количество работы, выполняемой сетью в единицу времени [46]

надежность свойство объекта сохранять во времени и в установленных пределах значения всех параметров, характеризующих способность выполнять требуемые функции в заданных режимах и условиях применения, технического обслуживания, ремонтов, хранения и транспортирования. [4]; свойство готовности и влияющие на него свойства безотказности и ремонтопригодности, и поддержка технического обслуживания [14]

отказоустойчивость как устойчивость к неисправности или способность изделия продолжать функционирование при определенных видах неисправности [14]

управляемость возможность централизованно контролировать состояние основных ее элементов, выявлять и разрешать возникающие проблемы и планировать развитие сети

масштабируемость возможность наращивать количество узлов и протяжность связей в очень широких пределах, не ухудшая производительности

доступность возможность обнаружения и восстановления вследствие аппаратной, программной или операторской ошибок до момента, когда это повлияет на качество предоставляемой услуги связи [24] свойство быть доступным и используемым по запросу со стороны уполномоченного логического объекта [19]

обслуживаемость возможность тестирования, проверки и обновления компонентов системы без влияния на её функционирование [24]

безопасность возможность аутентификации присутствия и доступности компонента системы и его выходных данных [24]

Для эффективного управления СПД администратору необходимо знать большое количество разнородного оборудования СПД, своевременно обрабатывать большой объем поступающей информации в условиях плохо формализован- . ных и слабо структурированных задач при отсутствии полной и достоверной информации о состоянии элементов сети, а также при ограниченном времени на анализ ситуаций и принятие решения.

Особенностью современных ТКС и СПД являются автоматизированные процессы управления, что предполагает наличие средств встроенной диагностики элементов сети.

В связи с этим сформирован комплекс диагностических параметров элементов СПД ОспдСМ^Ом.Нох), где 1ч1кэ - группу классов элементов СПД: МКЭ={М,, И2, где N1 - класс линий передачи данных N,={0/, а2, а3, а4}, принимая а\ - элек-

трические линии связи, а2 - волоконно-оптические линии связи, а3 - радиолинии для передачи данных, а4 - спутниковые линии связи; Ы2 - класс систем передачи данных Л12={Ь!, Ь2> Ъ3}, принимая 6/ - мультиплексор, Ь2 - демультиплексор, Ъ3 -модем; Ы3 - класс узлов связи для передачи данных N¡={01, с2, с3, с4},принимая с/концентратор, с2 - коммутатор, с3- маршрутизатор, с4~ шлюз. Ду, - набор диагностических параметров для каждого элемента соответствующего класса. Набор диагностических параметров Dд/; для каждого элемента соответствующего класса представлен на рисунках. Нт - нормативные значения диагностических параметров из Ду(. Диагностические параметры для элементов класса /V/, Ы2 и М3 представлены на рисунке 1.3.

Диагностические параметры ^ ¡—

Количество портов '

Скорость передачи Тип сетевого носителя

Гип питания

ЙЙ -т

Диагностические параметры

Скорость фильтрации кадров Скорость продвижения кадров^. Протскная способность

ис2

©

Задержка передачи кадра

Режим работы

-т

Размер б> фера

Размер вн> гренней Dc2

_ адресной таблицы___dp?

Произво штельность Dc2 ____внутренней шины_dpjj

Dc2

Производительность процессоров

_Jip.9,

Диагностические параметры ^—

Перечень протоколов Dc ___маршрутизации_dpi

Перечень интерфейсов Кочичество слотов Производительность

Диагностические параметры dDi

Наличие механизмов Dc4

резервирования ресурсов Поддержка интерфейсов Масштабируемость Транспортные архитекторы

ЙЯ йй< -ЙЙ-

Обеспечение факс связью Возможность управления ^ Возможность установки различий^ алгоритмов кодирования речИф,

Классы элементов^

Линии передачи

Системы передачи Узлы связи

Элементы класса

»IS-

Nj

1

С2_Г

Концентратор Комм\ га юр

Маршрутизатор Шлюз

Элементы класса

Мультиплексор

Демультиплексор

t

Модем

-й

Диагностические параметры

Уровни приема/передачи

Уровни обнаружения несущей

.del

Параметры защитного и вызывного тона

Синхронизация передачи ^ Параметры тонального набора ^ Параметры имп\ тьсною набора й

Диагностические параметры '

---^

Вхотные потери

----

Диапазон аттенюатора _^

Максимальная мощность на входе^ Размер карты Слоты для установки

Потребляемая электроэнергия

Диагностические параметры

Входные потери

Диапазон аттенюатора

Максимальная мощность на входе^ Размер карты Слоты для установки ^ Потребляемая электроэнергия .

— Элементы класса

Электрические

волсГ

Радиолинии Сттниквые

■rflf -гй

Диагностические параметры

Время распространения сш налов Пропускная способность

Расстояния до пункта назначения

Диагностические параметры

Диапазон частот

Длина волны

Мощность излучения

Напряженность поля изучения

-dpi

Диагностические параметры

Перекрестные навочки Емкое lb Импе'щнс

№

Активное сопротивчение

Затухание

Нормированные значения

Нормированные значения

Диагностические параметры

Затухание Импеданс

Перекрестные наводки

Активное сопротивпение Ьмкость

№ dp"-

Рисунок 1 3 — Диа! ностические параметры для каждого элемента СПД

1.1.2. Показатели качества обслуживания

Качество обслуживания представляет собой комплексную характеристику степени удовлетворения пользователя как от полученной услуги, так и от самой системы обслуживания [5,17,22,83,134,136].

Критерий качества обслуживания определяется набором показателей как предоставляемой телекоммуникационной услуги, которые представляют собой параметры качества услуги, так и используемых сетевых ресурсов или параметры № сети.

Конкатенация параметров качества услуги и ЫР сети представляют параметры качества обслуживания [83,95,122,127,134,136].

В процессе обеспечения качества предоставления услуг в СПД предполагается разделение параметров качества обслуживания С^о8 на следующие группы [1 1,15,95,125]: сетевые параметры (ИРспд); параметры С^оБ для определения качества предоставления услуг ((ЭоБспдУ, независимые параметры С>о8 (ССиш). При этом используют разделение множество видов услуг на дифференцированные услуги (ориентированы на обслуживание пользователей с учетом конкретной структуры их требований относительно С^оБ) и «стандартные» услуги (предоставляются путем использования унифицированных механизмов, встроенных в оборудование СПД; ориентированы на широкую группу пользователей с приблизительно одинаковыми требованиями к С)о8) [7,9,10,12,18,83].

Распределение параметров качества обслуживания ()о5 представлено в таблице 1.3 для транспортной сети на базе 1Р протокола и сети абонентского доступа. Основные требования к (}о8 для различных служб представлены в таблице 1.4 и соответствуют [5,3,21,22,23,26,27,28,95].

Сетевые характеристики и соответствующие им нормы с распределением по классам качества обслуживания представлены в таблице 1.5 [21,22,23].

Таблица 1.3 - Распределение параметров качества обслуживания

Транспортная сеть на базе IP протокола Сеть абонентского доступа

! v ''Лч - * „ . Сетевые.параметры (NPcnji) i ~ -" '

IPLRmax - Показатели потерь 1Р-пакетов во время их транспортировки - вероятность потерь пакетов 1РЕЯ - Показатели потерь 1Р-пакетов во время их транспортировки - количество пакетов с ошибками

IPSLBRmax - Показатели потерь последовательностей IP-пакетов во время их транспортировки - коэффициент потерь JP-пакетов 1РЬЯ* - Показатели потерь 1Р-пакегов во время их транспортировки - вероятность потерь пакетов

IPERmax - Показатели некорректной транспортировки IP-пакетов - количество пакетов с ошибками Кг оборудования - Показатели эксплуатационной надежности сетевого оборудования - коэффициент готовности оборудования

Кг min - Показатели эксплуатационной надежности сетевого оборудования - коэффициент готовнос ги оборудования Среднее IPER - Показатели некорректной транспортировки 1Р-пакетов - количество пакетов с ошибками

Среднее 1Р1^ - Показатели потерь 1Р-пакетов во время их транспортировки - вероятность потерь пакетов

Параметры QoS для определения качества предоставления услуг; {.QoScntv''., ? ". 1

IPTDmax - Показатели задержки в передаче IP-пакетов - граница не превышения среднего значения величины задержек пакетов 1РТО* - Показатели задержки в передаче 1Р-пакетов - граница не превышения среднего значения величины задержек пакетов

lPDVmax - Показатели вариации в задержке IP-пакетов — граница не превышения среднего значения вариации задержек пакетов 1РЭУ - Показатели вариации в задержке 1Р-пакетов - граница не превышения среднего значения вариации задержек пакетов

Pmax(IPTDmax) - Показатели задержки в передаче IP-пакетов - порог допустимой вероятности превышения значения IPTDmax Кд услуги - коэффициент доступности услуги

PIPSAmin (PIA) - Показатели доступности сетевой услуги - нижняя граница допустимого процента времени доступности услуги распределение задержки между потоками трафика

TIPUmax (TIU) - Показатели доступности сетевой услуги - верхняя граница допустимого времени недоступности услуги распределение девиации задержки между потоками трафика

Независимые параметры QoS (ССспд)

ЯРтах - Показатели удобства использования сетевой услуги - периодичность представления пользователю услуги отчетов о текущем состоянии обслуживания МТВР - Показатели эксплуатационной надежности сетевого оборудования — среднее время между отказами

\4TTR - Показатели эксплуатационной надежности сетевого оборудования - среднее время ремонта

МТТЯтах - Показатели эксплуатационной надежности сетевого оборудования — значение среднего времени восстановления работоспособности \1TRS - Показатели эксплуатационной надежности сетевого оборудования - среднее время восстановления работоспособности

Список литературы диссертационного исследования кандидат наук Сахарова, Мария Александровна, 2015 год

Список литературы

1. ГОСТ 27605-2103 Надежность в технике. Ремонтопригодность оборудования. Диагностическая проверка. - М.: Стандартинформ, 2014. - 24 с.

2. ГОСТ 27518-87. Диагностирование изделий. Общие требования. - М.: Стандартинформ, 2009. - 5 с.

3. ГОСТ 20911-89 Техническая диагностика. Термины и определения. - М.: Стандартинформ, 2009. - 11 с.

4. ГОСТ 27.002-89 Надежность в технике. Основные понятия. Термины и определения. - М.: Госстандарт СССР, 1989. - 24 с.

5. ГОСТ 30335-95: Услуги населению. Термины и определения - М.: Госстандарт России, 1996. - 7 с.

6. ГОСТ Р53532-2009 Качество услуг связи. Показатели качества услуг телефонной связи в сети общего пользования. Общие требования. - М.: Стандартинформ, 2011. - 12 с.

7. ГОСТ Р 53727-2009 Качество услуги «Местная телефонная связь». Показатели качества. - М.: Стандартинформ, 2011. - 12 с.

8. ГОСТ Р 53728-2009. Качество услуги «Передача данных». Показатели качества. - М.: Стандартинформ, 2011.- 12 с.

9. ГОСТ Р 53729-2009 Качество услуги «Предоставление виртуальной частной сети (VPN)». Показатели качества. - М.: Стандартинформ, 2011. - 7 с.

10. ГОСТ Р 53730-2009 Качество услуги «Предоставление каналов связи в аренду». Показатели качества. - М.: Стандартинформ, 2011. - 8 с.

11. ГОСТ Р 53731-2009 Качество услуг связи. Термины и определения. - М.: Стандартинформ, 2011. - 8 с.

12. ГОСТ Р 53732-2009 Качество услуг сотовой связи. Показатели качества. - М.: Стандартинформ, 2011. - 7 с.

13. ГОСТ Р 5311 1-2008 Устойчивость функционирования сети связи общего пользования. Требования и методы проверки. - М.: Стандартинформ, 2009. -

19 с.

14. ГОСТ Р 53480-2009 Надежность в технике. Термины и определения. - М.: Стандартинформ, 2010. - 33 с.

15. ГОСТ Р 53724-2009. Качество услуг связи. Общие положения. - М.: Стандартинформ, 2011. - 12 с.

16. ГОСТ Р 53801-2010 Связь федеральная. Термины и определения. - М.: Стандартинформ, 2011. - 32 с.

17. ГОСТ Р 53953-2010 Электросвязь железнодорожная. Термины и определения. - М.: Стандартинформ, 2011. - 58 с.

18. ГОСТ Р 55387-2012 Качество услуги "доступ в интернет". Показатели качества. -М.: Стандартинформ, 2014. - 12 с.

19. ГОСТ Р ИСО 7498-2-99 Информационная технология. Взаимосвязь открытых систем. Базовая эталонная модель. Часть 2. Архитектура защиты информации. - М.: Госстандарт России, 1999. - 36 с.

20. Сектор стандартизации Электросвязи МСЭ Серия Е: общая эксплуатация сети, телефонная служба, функционирование служб и человеческие факторы. Качество услуг электросвязи: концепции, модели, цели и планирование надежности работы - термины и определения, связанные с качеством услуг Электросвязи. Принципы и методики определения и применения параметров (}о8. - МСЭ-Т Е.802, 2007. - 32 с.

21. РД 45.174-2001 Построение систем управления сетями связи операторов взаимоувязанной сети связи Российской Федерации. Основные положения. -Минсвязи РФ: 2001. - 38 с.

22. РД 45.298-2002 Оборудование аналоговых транкинговых систем подвижной радиосвязи. Общие технические требования - Минсвязи: 2003 - 118 с.

23. РД.45.128-2000 Сети и службы передачи данных. - Министерство РФ по связи и информатизации: 2003 - 71 с.

24. Типовые материалы для проектирования 411404 Сети передачи данных ОАО «РЖД» на базе современных телекоммуникационных технологий и

технических решений / Институт по проектированию сигнализации, централизации, Связи и радио на железнодорожном транспорте «ГИПРОТРАНССИГНАЛСВЯЗЬ» - Филиал ОАО «РОСЖЕЛДОРПРОЕКТ», 2014- 106 стр.

25. Большая Советская Энциклопедия М.: "Советская энциклопедия", 1969-1978

26. МСЭ Т Recommendation Y.1291. An Architectural Framework for Support of Quality of Service in Packet Networks //May 2004.

27. МСЭ T Recommendation Y.1540. IP Packet Transfer and Availability Performance parameters//December 2002.

28. МСЭ T Recommendation Y.1541. Network Performance Objectives for IP Based Services//May 2002.

29. Schank, R.S. Dynamic Memory: A Theory of Reminding and Learning in Computers and People. Cambridge: Cambridge Univ. Press, 1982.

30. Veloso,M.V. Prodigy/Analogy: Analogical Reasoning in General Problem Solving// Lecture Notes in Artificial Intelligence, 1994, V.837. P.33-50.

31. Carbonell, J.G. Learning by analogy Formulating and generalizing plans fcrom past experience / Machine Learning: An Artificial Intelligence Approach / R.S. Michalski, J.G. Carbonell, T.M.Mitchcll (Eds.). Tioga, Palo Alto, CA. 1983. P, 137-161.

32. Dar Ren Chen, RueyFeng Chang, Yu Len Huang. Breast cancer diagnosis using Self-organizing Map for sonography / Ultrasound in Medicine and Biology, Vol. 26, 2000.-pp. 405-411;

33. Ferrandez, J. M., del Valle D., Rodellar, V., Gomez, P. An automatic speech recognition system using time-delays self-organizing maps with physiological parametric extraction / The Journal of the Acoustical Society of America, Vol. 102, Issue 5, 1997.-3165 p.;

34. Flexer,A. On the Use of Self-Organizing Maps for Clustering and Visualization / Principles of Data Mining and Knowledge Discovery, 1999. - pp. 80-88.

35. Hammer В., Micheli A., Neubauer N., Sperduti A., Strickert M. Self Organizing

Maps for Time Series / Proceedings of WSOM 2005, Paris, France. - pp. 115-122;

36. Haritopoulos, M., YinNigel, H., Allinson, M. Image denoising using self- organizing map-based nonlinear independent component analysis / Neural Networks, New developments in self-organizing maps, Vol. 15, Elsevier Science Ltd. Oxford, UK, 2002. - pp. 1085-1089;

37. Hertz J., Krogh A., and R Palmer, G., Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, Mass., 1991. -293 p.

38. Kohonen, T. "Exploration of very largedatabases by self-organizing maps", 1997 International Conerence on Neural Networks, 1997, vol. I, p. PL1-PL6, Houston;

39. Kohonen, T. "The self-organizing maps", Proceedings of the Institute of Electrical and Electronics Engineers, 1990, vol. 78, p. 1464-1480;

40. Kohonen, T. "Self-organizing formation of topologically correct feature maps", Biological Cybernetics, 1982, vol. 43, p. 59-69;

41. Mao, J., Kraaijveld, M. A., Jain A. K. A nonlinear projection method based on Ko-honen's topology preserving maps / IEEE Transactions on Neural Networks, 1995. -6(3).-pp. 548-559;

42. Ong, J. Data Mining Using Self-Organizing Kohonen Maps: A Technique for Effective Data Clustering ¿¿Visualization // International Conference on Artificial Intelligence (IC-AI'99), 1999;

43. Ritter, Y. "Self-organizing feature maps: Kohonen maps", in M.A. Arbib, ed., The Handbook of Brain Theory and Neural Networks, Cambridge, MA: MIT Press, 1995, p. 846-851

44. Абдуллаев, Д.А., Арипов, M.H. Основы эксплуатации систем передачи дискретных сообщений. - Т.: Фан, 1984. - 113с.;

45. Авдуевский, B.C. Надежность и эффективность в технике: Справочник в 10-ти томах. «Эффективность технических систем». - М.: Машиностроение, 1988.-328c.-3 т.

46. Алиев, Т.И. Сети ЭВМ и телекоммуникации, учебное пособие, СПб - СПбГУ ИТМО, 2011.-400 е.;

47. Барсегян, A.A., Куприянов, М.С., Степаненко, В.В., Холод, И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP - 2-е изд., ne-рераб. и доп. - СПб.: БХВ-Петербург, 2007. - 384 е.;

48. Барский, А. Б. Нейронные сети: распознавание, управление, принятие решений. (Прикладные информационные технологии) - М.: Финансы и статистика, 2004,- 176 е.;

49. Башмаков, А. И., Башмаков, И. А.. Интеллектуальные информационные технологии: учеб. пособие - М.: МГТУ им. Н.Э. Баумана, 2005. - 304 с.

50. Бегман, Ю.В. Нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети: дис. на соискание ученой степени канд. тех. наук: 05.13 / Бегман Юлия Викторовна: ГОУ ВПО «Кубанский государственный технологический университет», Краснодар, 2009. -215 е.;

51. Бессмертный, И.А. Искусственный интеллект - СПб: СПбГУ ИТМО, 2010. -132 с.

52. Бигелоу, С.; Сети: поиск неисправностей, поддержка и восстановление: пер. с англ. - СПб.: БХВ-Петербург, 2005. - 1200 е.;

53. Блюмин, С.Л., Шуйкова, И.А. Модели и методы принятия решений в условиях неопределенности. - Липецк: ЛЭГИ, 2001. - 138 с.

54. Бодянский, Е.В., Руденко, О.Г. Исскуственные нейронные сети: архитектуры, обучение, применение - Харьков: Телетех, 2004. - С. 369

55. Борисов, В.В., Круглов, В.В., Федулов, A.C. Нечеткие модели и сети - М.: Горячая Линия - Телеком, 2007. - 284 с.

56. Боровиков, В.П. Популярное введение в программу STATISTICA - М: КомпьютерПресс, 1998. - 267 е.;

57. Буренин, А. Н., Курносов, В. И. Теоретические основы управления современными телекоммуникационными сетями — М.:Наука, 2011. — 464 с.

58. Вандич, А. П. Моделирование процесса управления в единой системе мониторинга и администрирования связи ОАО «РЖД»/ А. А. Привалов, А. П. Вандич, Е. В. Опарин // Сборник материалов IV Международного конгресса

«Цели развития тысячелетия» и инновационные принципы устойчивого развития арктических регионов». - СПб.: ООО «ПИФ.СОМ», 2011. - С. 130-133.

59. Велихов, A.B., Строчников, К.С., Кошкин, Б.Л. Компьютерные сети: учебное пособие по администрированию локальных и объединенных сетей - М.: Бук-пресс, 2006. - 304 с.

60. Венцель, Е. С. Исследование операций: задачи, принципы, методология: монография / Е. С. Венцель. - М.: Наука, 1988. - 208 с.

61. Вознюк, М.А. Теоретические основы квалиметрии информационных систем / М.А. Вознюк, A.A. Мусаев, A.B. Елшин. - СПб.: ВУС, 1999. - 108 с.

62. Глушков, В. М., Калиниченко, Л. А., Лазарев, В. Г., Сифоров, В. И. Сети ЭВМ - М.: «Связь», 1977. - 280 с.

63. Гребешков А. Ю. Стандарты и технологии управления сетями связи -Москва: Эко-Трендз, 2003. - 288 с.

64. Гребешков, А.Ю. Управление сетями электросвязи по стандарту TMN: учеб. пособие.-М.: Радио и связь, 2004. - 155 с.

65. Гудков, М.А., Комиссаров, С.А. Научно-методическое обеспечение построения интеллектуальных систем поддержки принятия решений для реализации адаптивной автоматизированной системы' управления тактическим воинским формированием - Труды 66-ой научно-технической конференции посвященной дню радио. СПб.: ВАС, 2011. - 168-169 стр.;

66. Давыдов, П.С. Техническая диагностика радиоэлектронных устройств и систем. - М.: Радио и связь, 1988. - 256 е.;

67. Дж. Мартин Системный анализ передачи данных. Том 1 Технические и программные средства передачи данных, первевод с англ. B.C. Лапина, А.Т. Бе-левцева - М.издательство МИР, 1975. -256 с.

68. Дж. Мартин Системный анализ передачи данных. Том II Проектированиеси-стем передачи данных, перевод с англ. B.C. Лапина - М.: издательство МИР, 1975.-431 с.

69. Дудник, Б.Я. Надёжность и живучесть систем связи / Б.Я. Дудник, В.Ф. Ов-

чаренко, B.K. Орлов. - M.: Радио и связь, 1984. - 216 с.

70. Егупов, Н.Д. Методы робастного, нейро-нечеткого и адаптивного управления: учебник / Под ред. Н.Д. Егупова - М.: Изд. МГТУ им. Н.Э. Баумана, 2001.-744 е.;

71. Заенцев, И.В. Нейронные сети: основные модели: учебное пособие к курсу "Нейронные сети", Воронеж, 1999. - 76 с.

72. Овладевая ITIL / Р. Ингланд. - Москва: Лайвбук, 2011. - 132 с.

73. Концептуальные основы автоматизации поддержки принятия решения в системе технического обеспечения связи и управления / С. В. Ионов // Информация и космос. - 2001. -№2. - С. 25-28.

74. Карпов, Е.А. Основы теории управления в системах военного назначения / Е.А. Карпов, И.В. Котенко, A.B. Боговик, И.С. Ковалёв, А.Н. Забело, С.С. За-горулько, В.В. Олейник. - СПб.: ВУС, 2000. - 158 с.

75. Каширин, И.Ю. Автоматизированный анализ деятельности предприятия с использованием семантических сетей / И.Ю. Каширин, A.B. Крошилин, C.B. Крошилина. - М.: Горячая линия - Телеком, 2011. - 140 с.

76. Комашинский, В.И., Смирнов, Д.А. Нейронные сети и их применение в системах управления и связи. - М.: Горячая линия - Телеком, 2003 - 94 е.;

77. Корнеев, В.В., Гареев, А.Ф, Васютин, C.B., Райх, В.В.. Базы данных. Интеллектуальная обработка информации. - М.: «Нолидж», 2000. - 352 с.

78. Котенко, И.В. Интеллектуальные системы для управления связью: учебное пособие / И.В. Котенко, Г.А. Рябов, И.Б. Саенко. - СПб.: ВАС, 1996. - 150 с.

79. Котенко, И.В. Теория и практика построения автоматизированных систем информационной и вычислительной поддержки процессов планирования связи на основе новых информационных технологий. Монография / И.В. Котенко. - СПб.: ВАС, 1998. - 404 с.

80. Котенко, И.В. Методы вывода в экспертных системах по неполной и противоречивой информации. Текст лекций / И.В. Котенко. - СПб.: ВАС, 1992. -78 с.

81. Теория управления в системах военного назначения / Под редакцией И.В. Ко-тенко, Боговик А.В..-М.: МО РФ, 2001.-320 с.

82. Научно-методические основы управления надежностью и безопасностью эксплуатации сетей связи железнодорожного транспорта: монография / В.К. Котов, В.Р. Антонец, Г.П. Лабецкая, В.В. Шмытинский. - М.: ФГБОУ «Учебно-методический центр по образованию на железнодорожном транспорте», 2012.- 193 с.

83. Коханович, Г.Ф., Чуприн, В.М., Сети передачи пакетных данных, К.: МК-Пресс, 2006 - 272 с.

84. Ксенз, С.П., Полтаржицкий, М.И., Алексеев, С.П., Михеев, В.В. Борьба с диагностическими ошибками при техническом обслуживании и ремонте систем управления связи и навигации: учебное пособие. - СПб: ВАС, 2010 - 240 с.

85. Курносов, В. И. Методология проектных исследований и управление качеством сложных технических систем. / В. И. Курносов, А. М. Лихачев. -СПб.: Изд. "ТИРЕКС", 1998.-495 с.

86. Кучер, А.В. Интеллектуальная система поддержки принятия решения на основе нечеткой логики для диагностики состояния сети передачи данных: автореферат дис. канд. техн. наук: 05.13.01/ Кучер Алексей Викторович -Краснодар, 2007. - 24 е.;

87. Ларичев, О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах: учебник - М.: Логос, 2000 - 296 с.

88. Леоненков, А.В. Нечеткое моделирование в среде MATLAB и fuzzy TECH. -СПб.: БХВ-Петербург, 2005. - 736 с.

89. Майника, Э. Алгоритмы оптимизации на сетях и графах: пер. с англ., М.: Мир, 1981 -323 с.

90. Мауро, Д. Основы SNMP, 2-е издание / Д. Мауро, К. Шмидт - СПб.: Символ-Плюс, 2012.-520 с.

91. Медведев, B.C., Потемкин, В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к. т. н. В. Г. Потемкина - М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

92. Местецкий, Л.М., Математические методы распознавания образов, МГУ, ВМиК, кафедра «Математические методы прогнозирования» 2004. - 86 с.

93. Микони, C.B. Многокритериальный выбор на конечном множестве альтернатив: учебное пособие. — СПб.: Издательство «Лань», 2009. — 272 с.

94. Мирошник, И.В., Никифоров, В.О., Фрадков, А.Л. Нелинейное и адаптивное управление сложными динамическими системами, СПб.: Наука, 2000 - 549 е.;

95. Назаров, А.Н., Сычев, К.И. Модели и методы расчёта показателей качества функционирования узлового оборудования и структурно-сетевых параметров сетей связи следующего поколения. - Красноярск: Изд-во ООО "Поликом", 2010.-389 с.

96. Нейман, В.И. Системы и сети передачи данных на железнодорожном транспорте - М.: Маршрут, 2005. - 470 е.;

97. Ненадович, Д.М. Методологические аспекты экспертизы телекоммуникационных проектов. - М.: Горячая линия - Телеком, 2008. - 280 с.

98. Нестеренко, В.А. Статистические методы обнаружения нарушений безопасности в сети // Информационные процессы, Том 6, №3. - Ростов-на-Дону: РГУ, 2006.-С. 208-217;

99. Нечаева, О. И. Сравнительный анализ нейросетевых алгоритмов кластеризации символьных последовательностей / Автометрия. Том 41, №1, 2005.-С. 57-70.

100 Олифер, В.Г., Олифер, H.A. Компьютерные сети. Принципы, технологии, протоколы. О- СПб.: Питер, 2002. - 672 с.

101 Опарин, Е.В. Методика формирования интеллектуальной системы поддержки принятия решений по управлению сетью тактовой сетевой синхронизацией: дис. на соискание ученой степени к.т.н.: 05.12.13 / Опарин Евгений Валерьевич. - СПбГУТ им. проф. М.А. Бонч-Бруевича, 2013. - 159 е.;

102 Орлов, А.И. Теория принятия решений: учебное пособие / А.И. Орлов.- М.: Издательство «Экзамен», 2005. - 656 с.

103 Осипов, Г.В. Синхронизация при обработке и передаче информации в

нейронных сетях: учебно-методические материалы по программе повышения квалификации «Хранение и обработка информации в биологических системах», Нижний Новгород, 2007. - 99 с.

104 Осовский, С. Нейронные сети для обработки информации / перевод с польского И.Д. Рудинского - М.: Финансы и статистика, 2002. - 344 с.

105 Платонов, В.А. Программно-аппаратные средства обеспечения информационной безопасности вычислительных сетей: учеб. пособие. - М.: Издательский центр «Академия», 2006. - 240 с.

106 Методы искусственного интеллекта для синтеза проектных решений. / В.Е. Подольский, И.Л. Коробова, И.В. Милованов, И.А. Дьяков, Н.В. Майстренко. - Тамбов: Изд-во ГОУ ВПО ТГТУ, 2010. - 80 с.

107 Поляк-Брагинский, A.B. Локальные сети. Модернизация и поиск неисправностей - С.Пб: БХВ-Петербург, 2006. - 640 с.

108 Привалов, A.A. Метод топологического преобразования стохастических сетей и его использование для анализа систем связи ВМФ / A.A. Привалов. -СПб: BMA, 2000 г. - 166 с.

109 Рунеев, А.Ю. Основы теории управления в системах военного назначения. Часть 2: учебное пособие / А.Ю. Рунеев, И.В. Котенко - СПб.: ВУС, 2000 -158 с.

110 Рутковская, Д., Пилиньский, М., Рутковский, Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. - М.: Горячая линия - Телеком, 2004. - 452 е.;

111 Рыжков, В.А. Совершенствование самоорганизующихся нейронных сетей Кохонена для систем поддержки принятия решений: автореферат дис. на соискание ученой степени к.т.н.: 05.13.01 / Рыжков Владимир Александрович. -Москва, 2010.-25 с.

112 Сабынин, В.Н., Привалов, A.A. Методы количественной оценки эффективности функционирования линий прямой радиосвязи в условиях радиоэлектронного противодействия - СПб.: ВАС, 1993. - 499 с.

113 Канаев, A.K. Формирование элементов интеллектуальной системы управления сетью тактовой сетевой синхронизации в телекоммуникационной системе ОАО «РЖД» / А.К. Канаев, В.В. Кренев, Е.В. Опарин // Интеллектуальные системы на транспорте: материалы I международной научно-практической конференции «ИнтеллектТранс-2011». - СПб.: Петербургский гос. ун-т путей сообщения, 2011. - С. 227-284.

114 Тузовский, А.Ф., Чириков, C.B., Ямиольский, В.З. Системы управления знаниями (методы и технологии) / Под общ. ред. В.З. Ямпольского. - Томск: Изд. НТЛ, 2005.-260 с.

115 Уоссерман, Ф. Нейрокомпьютерная техника: Теория и практика - М.: Мир, 1990-стр.

116 Филлипс, Гарсия-Диас А. Методы анализа сетей - М.: «Мир», 1984. - 496 с.

117 Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр.: пер. с англ. - М.: ООО «И.Д. Вильяме», 2006. - 1104 с.

118 Черноморов, ГЛ. Теория принятия решений: Учебное пособие / Юж.-Рос. гос. техн. ун-т. Новочеркасск: Ред. журн. «Изв. вузов. Электромеханика», 2002.-276 с.

119 Юдин, Д.Б. Вычислительные методы теории принятия решений. - М.: Наука. Гл. ред. Физ-мат. лит., 1989. - 320 с.

120 Ясницкий, Л.Н. Введение в искусственный интеллект: учебное пособие для студентов высш. учеб. заведений - М.: Издательский центр «Академия», 2005 г. - 176 с.

121 Камынина, М. А. Подход к построению интеллектуальной системы управления сетью передачи данных / А.К. Канаев, М.А. Камынина, А.К. Тощев // Известия Петербургского университета путей сообщения, вып. 4(37) - 2013 - С. 107-122.

122 Сахарова, М. А. Идентификация состояния сети передачи данных с применением нейронных сетей / А.К. Канаев, М.А. Сахарова // Автоматика, связь, информатика, вып. 2 - 2015 - С. 13-16.

123 Сахарова, М. А. Математическая модель процесса функционирования системы управления сетью передачи данных при запросах на определение технического состояния СПД / А.К. Канаев, М.А. Сахарова, Е.В. Скуднева // Известия Петербургского университета путей сообщения, вып. 1(42), 2015 - С. 9198.

124 Сахарова, М.А. Модель процесса функционирования системы управления сетью передачи данных при определении технического состояния элементов сети / А.К. Канаев, М.А. Сахарова // Научно-технический журнал Транспорт Урала, вып. №2 (45), 2015 - С. 48-51.

125 Камынина, М.А. Построение фреймовой модели представления знаний в интеллектуальной системе поддержки принятия решений системы управления сетью тактовой сетевой синхронизации [Электронный ресурс] / А.К. Канаев, М.А. Камынина, Е.В. Опарин // Бюллетень результатов научных исследований, выпуск 2 - СПб.: 2012. - С. 59-68.

126 Камынина, М.А. Формирование элементов системы управления сетью передачи данных с применением аппарата нейронных сетей [Электронный ресурс] / А.К. Канаев, М.А. Камынина, Е.В. Опарин // Бюллетень результатов научных исследований, выпуск 3(2) - СПб.: 2012. - С. 47-55.

127 Камынина, М.А. Способы обнаружения аномалий в функционировании сети передачи данных на технологическом уровне интеллектуальной системы управления / А.К. Канаев, М.А. Камынина, Е.В. Опарин //Материалы международного конгресса. Научно-практическая конференция «Геополитические факторы устойчивого развития Арктики и инновационные технологии прогнозирования и предотвращения чрезвычайных ситуаций», Санкт-Петербург, 29.11.2012 - СПб.: ООО «ПИФ.сом», 2012. - С. 96-101.

128 Камынина, М.А. Применение фреймового аппарата представления знаний в системе управления сетью тактовой сетевой синхронизации ОАО «РЖД» / М.А. Камынина, А.К. Канаев, Е.В. Опарин //67-я научно-техническая конференция, посвященная Дню радио Секция: «Телекоммуникации на железно-

дорожном транспорте», (труды конференции 19-27.04.2012, Санкт-Петербург) - СПб.: ООО «БалтСервисГрупп», 2012.-С. 141-142.

129 Камынина, М.А. Подход к решению задачи формирования элементов системы управления сетью передачи данных ОАО «РЖД» / М.А. Камынина, А.К. Канаев // 67-я научно-техническая конференция, посвященная Дню радио, Секция: «Телекоммуникации на железнодорожном транспорте», (труды конференции 19-27.04.2012, Санкт-Петербург) - СПб.: ООО «БалтСервисГрупп», 2012.-С. 144-145.

130 Камынина, М.А. Предложения по применению аппарата нейронных сетей в системе управления сетью передачи данных / М.А. Камынина, А.К. Канаев, Е.В. Опарин // 67-я научно-техническая конференция, посвященная Дню радио Секция: «Телекоммуникации на железнодорожном транспорте», (труды конференции 19-27.04.2012, Санкт-Петербург) - СПб.: ООО «БалтСервисГрупп», 2012.-С. 146-147.

131 Камынина, М.А. Способы обнаружения отклонений в функционировании элементов сети передачи данных в интересах системы управления [Электронный ресурс] / А.К. Канаев, М.А. Камынина, Е.В. Опарин //Бюллетень результатов научных исследований №3. - 2012. - С. 137-148.

132 Камынина, М.А. Методика расчета потоковой структуры сети передачи управляющей информации в системе управления сетью тактовой сетевой синхронизации [Электронный ресурс] / А.К. Канаев, Е.В. Опарин, М.А. Камынина // Бюллетень результатов научных исследований №3. - 2012. - С. 149-159.

133 Камынина, М.А. Формирование базы знаний интеллектуальной системы поддержки принятия решений по управлению сетью тактовой сетевой синхронизации ОАО «РЖД» / А.К. Канаев, Е.В. Опарин, М.А. Камынина // Сборник материалов второй международной научно-практической конференции «Интеллектуальные системы на транспорте» (28-31 марта 2012 г.; СПб.). - СПб.: ПТУПС, 2012. - С. 238-244.

134 Камынина, М.А. Возможности нейронных сетей при решении задач интеллектуального анализа данных в системе управления сетью передачи данных / М.А. Камынина, А.К. Канаев // 68- я научно-техническая конференция, посвященная Дню радио Секция: «Телекоммуникации на железнодорожном

*

транспорте», (труды конференции 19-27.04.2012, Санкт-Петербург) - СПб.: 2013.-С. 193-194.

135 Камынина, М.А. Применение нейронной сети Кохонена для обнаружения неисправностей в сети передачи данных / М.А. Камынина, А.К. Канаев //68-я научно-техническая конференция, посвященная Дню радио Секция: «Телекоммуникации на железнодорожном транспорте», (труды конференции 1927.04.2012, Санкт-Петербург)-2013.-С. 195-196.

136 Камынина, М.А. Поддержание заданных показателей качества обслуживания в условиях отсутствия информации о видах аномалий в СПД / А.К. Канаев, М.А. Камынина // Материалы VI международного конгресса. Научно-практическая конференция «Геополитические факторы устойчивого развития Арктики и инновационные технологии прогнозирования и предотвращения чрезвычайных ситуаций», Санкт-Петербург, 15-16 ноября 2013. - С. 158-163.

137 Сахарова, М.А. Подход к формированию интеллектуальной системы поддержки принятия решений в структуре СУ СПД / Э.В. Бенета, М.А. Сахарова, Е.В. Опарин // 69-я научно-техническая конференция, посвященная Дню радио Секция: «Телекоммуникации на железнодорожном транспорте», (труды конференции 17-25 апреля 2014) - СПб.: 2014.-С. 202-203.

138 Сахарова, М.А. Нейросетевая модель управления трафиком СПД с применением регулятора с предсказанием / А.К. Канаев, М.А. Сахарова // 69- я научно-техническая конференция, посвященная Дню радио Секция: «Телекоммуникации на железнодорожном транспорте», (труды конференции 17-25 апреля 2014) - СПб.: 2014. - С. 203-204.

139 Сахарова, М.А. Моделирование процессов обработки потоков 1Р-пакетов с различными типами информационных составляющих на основе глубокого

анализа трафика [Электронный ресурс] / А.К. Канаев, М.А. Сахарова // Бюллетень результатов научных исследований № 3 (12). - 2014. - С.85-93.

140 Сахарова, М.А. Обоснование выбора типа системы управления телекоммуникационной сетью связи [Электронный ресурс] / Э.В. Бенета, А.К. Канаев, М.А. Сахарова // Бюллетень результатов научных исследований, № 3 (12) -2014. - С. 94-101.

141 Сахарова, М.А. Предложения по развитию архитектуры ЕСМА средствами интеллектуальной поддержки принятия решений / А.К. Канаев, Е.В. Опарин, A.A. Привалов, М.А. Сахарова // Труды 70-ой межвузовской научно-технической конференция СПбНТОРЭС им. A.C. Попова, посвященной Дню радио: сборник трудов. - СПб: СПбГЭТУ «ЛЭТИ», 2015. - С. 231-233.

142 Сахарова, М.А. Основные положения формирования методики принятия решений в интеллектуальной системе поддержки принятия решений системы управления сетью передачи данных / А.К. Канаев, М.А. Сахарова // Труды 70-ой межвузовской научно-технической конференция СПбНТОРЭС им. A.C. Попова, посвященной Дню радио: сборник трудов Секция: «Телекоммуникации на железнодорожном транспорте», (труды конференции 21-29 апреля 2015) - СПб.: 2015.-С. 2'83-284.

143 Сахарова, М.А. Подход к формированию плана восстановления сети передачи данных в интеллектуальной системе поддержки принятия решений [Тезисы докладов] / А.К. Канаев, М.А. Сахарова // VIII Международный симпозиум «Электрификация, развитие электроэнергетической инфраструктуры и электрического подвижного состава скоростного и высокоскоростного железнодорожного транспорта» (Элтранс-2015), 7-9 октября 2015 - СПб.: 2015. -С. 35-36.

Приложение А Реализация нейросетевой модели для оценки состояния сети передачи данных малого и среднего масштаба

Обучение нейронных сетей производится при помощи следующих парадигм обучения [88,91]:

- обучение с учителем (рисунок АЛ), при котором для каждого примера х„ из обучающей выборки {хп} заранее известен желаемый результат 1Е{1п) работы нейронной сети. Это позволяет эффективно корректировать веса сети. Примером обучения может служить процедура обучения перцептрона;

- обучение без учителя предполагает (рисунок А.2), что желаемые выходы сети не определены, и алгоритм обучения нейронной сети подстраивает веса по своему усмотрению. Фактически при этом нейронная сеть ищет закономерности в обучающих данных и выполняет группирование схожих входных векторов по неявным признакам. Чаще всего этот метод используется для задач классификации.

Внешняя среда

Вектор состояния среды л

Vi

Желаемая реакция -обучающий сигнал d

I-fflC

v t

//

Фактический Ч___У

выход сети .1 II-

"77"

Правило (алгоритм) обучения

Сигнал ошибки в - d - v

Внешняя среда

JL

инс

Правило (алгоритм) самообучения

Рисунок А.1 - Схема обучения НС с учителем

Рисунок А.2 - Схема обучения НС без учителя

Оператор SIM моделирует нейронную сеть и имеет следующую запись (синтаксис) [88,91]:

[Y,Pf,Af,E,perf] = sim(net,P) [Y,Pf,Af,E,perf] = sim(net,{Q TS}) [Y,Pf,Af,E,perf] = sim(net,Q)

где net - сеть; Р - входы сети; Y - выходы сети; Pf- конечные входные задержки; Af- конечные задержки слоев; Е - ошибки сети; perf- параметр функционирования сети [88,91].

Аргументы SIM представлены в виде массива ячеек, что позволяет представлять последовательность входов [88,91]:

Р - NixTS массив ячеек, каждая ячейка P{i,ts} - матрица размером RixQ; Т - NtxTS массив ячеек, каждая ячейка T{i,ts} - матрица размером VixQ; Pi - NixID массив ячеек, каждая ячейка Pi{i,k} - матрица размером RixQ; Ai - NlxLD массив ячеек, каждая ячейка Ai{i,k} - матрица размером SixQ; Y - NOxTS массив ячеек, каждая ячейка Y{i,ts} - матрица размером VixQ; Е - NtxTS массив ячеек, каждая ячейка E{i,ts} - матрица размером VixQ; Pf - NixID массив ячеек, каждая ячейка Pf{i,k} - матрица размером RixQ; Af - NlxLD массив ячеек, каждая ячейка Af{i,k} - матрица размером SixQ, где: Ni = net.numlnputs, N1 = net.numLayers, No = net.numOutputs, ID = net.numlnputDelays, LD = net.numLayerDelays, TS = number of time steps, Q = batch size, Ri = net.inputs{i}.size, Si = net.layers{i}.size, Ui = net.outputs{i}.size [88,91].

Hidden

Output

2 2 Рисунок A.3 - Реализация в MatLab нейронной сети

Algorithms------------ - — ------ ---------

Data Division: Random (divderandi

Training: Scaled Conjugate Gradient (tramscg)

Performance: Mean Squared Error (mse)

Derivative: Default (defauStdenv)

Рисунок A.4 - Характеристики нейронной сети Тренирует сеть NET в соответствии с NET.trainFcn и NET.trainParam: TRAIN(NET,P,Pi,Ai) в качестве входных параметров использует (NET - сеть; Р -

входы сети; Pi - начальные входные задержки, по умолчанию - нули; Ai -начальные задержки слоев, по умолчанию - нули; VV - структура векторов верификации; TV - структура тестовых векторов) и возвращает (NET - новая сеть (тренированная); TR - результат тренировки (количество эпох и функция выполнения); Y - выходы сети; Е - ошибки сети; Pf- окончательные входные задержки; Af- окончательные задержки слоев).

Функция активации в виде гиперболического тангенса TANSIG(N) имеет один входной аргумент N и матрицу входных векторов (столбцов) SxQ и возвращает выходные векторы со значениями в диапазоне от -1 до 1.

TANSIG(code) - возвращает информацию об этой функции. Значения "code":

'deriv' - вид производной от функции активации;

'name' - полное название;

'output' - диапазон выходных значений;

'active' - диапазон входных значений.