Развитие методов контроля и диагностирования распределенных систем железнодорожной автоматизации на основе анализа информационных потоков тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Терновой, Владимир Павлович

• Терновой, Владимир Павлович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Терновой, Владимир Павлович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 ПРОБЛЕМЫ ОБЕСПЕЧЕНИЯ ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКОГО КОНТРОЛЯ

И ДИАГНОСТИРОВАНИЯ РАСПРЕДЕЛЕННЫХ СИСТЕМ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИЗАЦИИ

1.1 Алгоритмические особенности контроля технологических процессов и аппаратно-программных средств распределенных

систем железнодорожной автоматизации

1.2 Анализ информационных потоков и трафиков в распределенных интегрированных системах

диспетчерского управления

1.3 Современное состояние проблемы обнаружения аномалий, обоснование подхода и постановка задач

1.4 Выводы

2 РАЗРАБОТКА МЕТОДОВ ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКОГО КОНТРОЛЯ СИСТЕМ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИЗАЦИИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИММУННОЛОГИЧЕСКИХ ТЕХНОЛОГИЙ

2.1 Иммунологический подход к выявлению аномалий в трафиках

и общая архитектура информационно-диагностической системы

2.2 Разработка динамических моделей темпоральных паттернов

для иммунологического алгоритма распознавания аномалий

2.3 Иммунологический метод выявления аномалий в трафике

на основе фазовой модели временного ряда

2.4 Упреждающее онлайн-распознавание темпоральных паттернов

в сетевых трафиках

2.5 Выводы

3 ИНТЕЛЛЕКТУАЛЬНЫЕ МОДЕЛИ ИДЕНТИФИКАЦИИ СЕТЕВЫХ ТРАФИКОВ И ПРОГНОЗИРОВАНИЕ АНОМАЛЬНЫХ ПРОЦЕССОВ В СИСТЕМАХ

ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИЗАЦИИ

3.1 Метод интеллектуальной идентификации информационных потоков по временным рядам в автоматизированных системах управления железнодорожным транспортом

3.1.1 Предварительный анализ свойств информационного потока

3.1.2 Метод и алгоритм идентификации трафика

по временным рядам

3.2 Прогнозирование динамики функционирования информационно-управляющих систем железнодорожного транспорта на основе нелинейного анализа телекоммуникационного трафика

3.2.1 Особенности информационного обмена в автоматизированных

системах управления железнодорожным транспортом

3.2.2 Этапы предлагаемого метода и сбор исходных данных

3.2.3 Оценка возможности применения методов нелинейного

анализа и прогноза

3.2.4 Реконструкция фазового пространства по одномерным временным рядам с вычислением временного лага

и размерности вложения

3.2.5 Алгоритм локального прогнозирования на основе метода

реконструкции фазового пространства

3.3 Выводы

4 АЛГОРИТМЫ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ

ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ В СЕТЕВЫХ ТРАФИКАХ СИСТЕМ ЖЕЛЕЗНОДОРОЖНОЙ АВТОМАТИЗАЦИИ

4.1 Экспериментальное исследование характеристик

телекоммуникационного трафика в подсистемах АСУЖТ

4.2 Обработка временных рядов телетрафика численными методами восстановления динамики системы

4.3 Определение аномалий в телекоммуникационном трафике средствами нелинейной динамики

4.4 Реализация предложенных алгоритмов в виде программ

4.5 Выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Развитие методов контроля и диагностирования распределенных систем железнодорожной автоматизации на основе анализа информационных потоков»

ВВЕДЕНИЕ

Актуальность темы исследования. Работа железнодорожного транспорта в современных условиях, характеризующихся изменением объемов перевозок и вовлечением в сферу автоматизации все более сложных технологических процессов, требует создания новых классов интегрированных систем железнодорожной автоматизации (ИСЖА), отвечающих повышенным требованиям к уровню их надежности и безопасности. Проблемы повышения контролепригодности, надежности и безопасности ИСЖА в настоящее время затрагивают не только традиционные аспекты диагностирования программно-аппаратных средств ИСЖА, но и распространяются на область информационно-технологического контроля и диагностирования. Особо остро проблемы обеспечения информационно-технологического контроля и диагностирования стоят перед разработчиками распределенных систем управления, основанных на компьютерных сетях, обладающих сложной разветвленной архитектурой.

Анализ современных автоматизированных систем контроля и управления распределенными технологическими процессами на железнодорожном транспорте выявил ряд факторов, приводящих к нарушению ритмичности и безотказности их работы. К таким факторам относятся аппаратные сбои в работе устройств ИСЖА, различного рода технологические нарушения в функционировании объектов автоматизации (ОА), сбои в работе программного обеспечения, включая нарушения, вызванные информационными атаками на компьютерную сеть. Для обеспечения требуемого уровня надежности функционирования таких систем, повышения достоверности их контроля и безопасности в настоящее время активно разрабатываются новые подходы, базирующиеся на современных информационно-диагностических технологиях. В этом плане инновационными являются интеллектуальные и гибридные технологии, основанные на использовании в контрольно-диагностических системах нескольких типов математических моделей, оперирующих различными

признаковыми пространствами и использующих различные механизмы выработки решений.

В качестве эффективных моделей поддержки процессов контроля и диагностирования распределенных автоматизированных систем могут использоваться математические модели, основанные на анализе сетевых трафиков, описывающих процессы информационного взаимодействия между отдельными элементами распределенной системы, с привлечением статистической и экспертной информации о характере их поведения в различных режимах функционирования системы. Основная идея заключается в том, что большинство технологических, аппаратных и программных сбоев в конечном итоге приводит к информационным сбоям, то есть к искажениям информации в процессе ее передачи, обработки или хранения. Искажение конкретной информации в той или иной части распределенной сети приводит к искажениям трафика, описывающего характер соответствующего информационного потока, а следовательно, характеристики информационного трафика могут выступать в качестве информационных диагностических признаков в подсистемах информационно-технологического контроля и диагностирования ИСЖА. Кроме того, важным классом диагностических признаков могут служить статистические признаки, извлекаемые из имитационных и стохастических моделей информационных систем. Выявленные или извлеченные из имитационных моделей параметры сетевых трафиков выступают в качестве диагностических признаков, характеризующих различные режимы функционирования ОА. Диагностирование информационно-технологических отказов сводится к выявлению отклонений в трафиках информационных потоков от нормальных режимов на основании методов распознавания и идентификации аномальных процессов, разрабатываемых в рамках интеллектуальных технологий, и в частности в теории искусственных иммунных систем. Искусственные иммунные системы, обладая рядом замечательных свойств, заимствованных у их биологических аналогов, открывают новые возможности по диагностированию программных, инфор-

мационных, технологических и иных типов отказов при неполной априорной информации об отказах или даже ее полном отсутствии, что недоступно традиционным методам диагностирования.

Целью диссертации является разработка новых методов информационно-технологического контроля и диагностирования распределенных систем железнодорожной автоматизации на основе интеллектуальных моделей анализа и обработки трафиков информационных потоков.

Объектом исследования являются распределенные технологические процессы на железнодорожном транспорте и интегрированные системы железнодорожной автоматизации.

Предметом исследования являются интеллектуальные и стохастические модели представления, анализа и обработки трафиков информационных потоков в системах железнодорожной автоматизации.

Степень разработанности проблемы. Вопросы автоматизации сложных объектов и процессов на транспорте рассматривались в трудах В.Н. Иванченко, Э.К. Лецкого, В.М. Лисенкова и др.

Новые концепции диагностики и мониторинга распределенных объектов контроля и диагностики разработаны в трудах П.П. Пархоменко, Д.А. Поспелова, В.В. Сапожникова, Вл.В. Сапожникова, И.Б. Шубинского и др.

Технологии искусственного интеллекта в исследуемой сфере разрабатывались H.H. Лябахом, И.Д. Долгим, Л.С. Берштейном, С.М. Ковалевым, А.О. Таракановым, Б.К. Хуангом, Б. Ченом, А.Н. Шабельниковым, Дж. Эл-маном и др.

Математические вопросы обеспечения работы автоматизированных систем на транспорте рассматривались в работах М.А. Бутаковой, А.Н. Гуды, H.H. Лябаха, Э.А. Мамаева, C.B. Соколова, В.Н. Тарана и др.

Апробация и внедрение результатов исследования. Теоретические и практические результаты работы прошли апробацию и докладывались на семинарах кафедр «Автоматика и телемеханика на железнодорожном транспорте» и «Информатика» РГУПС, на международных научно-практических

конференциях «Интеллектуальные системы на транспорте» (Санкт-Петербург, 2011) и «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2009), на Международном конгрессе по интеллектуальным системам и информационным технологиям «AIS-IT» (Див-номорск, 2010), Российской выставке научно-технического творчества молодежи (Москва, НТТМ, 2010), отраслевых выставках ОАО «РЖД» и ОАО «НИИАС» (Москва, Санкт-Петербург), на Молодежной научно-технической конференции «Интеллектуальные системы - 2010» («ИС-2010») в рамках Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'10» (Дивноморское, 2010), Молодежной научно-технической конференции «Интеллектуальные системы - 2011» («ИС-2011») в рамках Конгресса по интеллектуальным системам и информационным технологиям «AIS-IT'll» (Дивноморское, 2011), на 1-м Международном симпозиуме «Гибридные и синергетические интеллектуальные системы: теория и практика» (Калининград, 2012).

Структура и объем работы. Диссертационное исследование последовательно раскрывает цель и задачи исследования и состоит из введения, четырех глав, заключения, списка использованных источников, включающего 1 18 наименований, и приложения. Работа проиллюстрирована 39 рисунками, 1 таблицей. Общий объем диссертации составляет 138 страниц основного текста.

1 ПРОБЛЕМЫ ОБЕСПЕЧЕНИЯ ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКОГО КОНТРОЛЯ И ДИАГНОСТИРОВАНИЯ РАСПРЕДЕЛЕННЫХ СИСТЕМ ЖЕЛЕЗНОДОРОЖНОЙ

АВТОМАТИЗАЦИИ

Проблемы повышения контролепригодности и безопасности функционирования интегрированных систем железнодорожной автоматизации (ИС-ЖА) возникли с появлением микропроцессорных и компьютерных технологий. Широкое распространение компьютерных технологий на транспорте обеспечило благоприятную почву для интеграции традиционных методов технической диагностики аппаратно-программных средств ИСЖА с современными методами информационного контроля и обеспечения безопасности. В настоящей главе проводится исследование алгоритмических и технологических особенностей функционирования ряда типовых ИСЖА с целью выявления возможности повышения их надежности и контролепригодности средствами современных интеллектуальных технологий. Исследуются общие свойства информационных потоков, циркулирующих в сети ИСЖА, с целью обоснования возможности использования характеристик сетевых трафиков в качестве информационных признаков диагностических моделей. Приводится описание общего подхода к идентификации аномальных процессов в сетевых трафиках распределенных ИСЖА, и ставятся задачи исследования.

1.1 Алгоритмические особенности контроля технологических

процессов и аппаратно-программных средств распределенных систем железнодорожной автоматизации

Современные информационно-управляющие системы на железнодорожном транспорте (ИУСЖД) строятся на основе распределенных вычислительных сетей с развитыми измерительными и сенсорными подсистемами сбора и обработки первичной информации, получаемой от напольного обо-

рудования. К таким системам, в частности, относятся распределенные системы горочной автоматизации [21, 22, 59], автоматизированные системы распределенного мониторинга объектов железнодорожной инфраструктуры [60, 61], системы диспетчерского управления «ДЦ-ЮГ» с распределенными контролируемыми пунктами [17, 18, 50] и др. С целью повышения уровня надежности и безопасности функционирования ИУСЖД последние снабжены специальными средствами технологического и технического контроля. Организация технологического и технического контроля в различных типах распределенных ИСУЖД отличается друг от друга, однако имеет схожие алгоритмические особенности. Рассмотрим их на примере интегрированной системы диспетчерского управления распределенными контролируемыми пунктами (ИСДЦ).

ИСДЦ управляет процессами движения поездов на станциях и перегонах. Технологический процесс движения поезда от пункта отправления до пункта прибытия условно можно разделить на два чередующихся этапа: движение поезда по станциям и движение поезда по перегонам. При движении поезда по перегону или станции происходит последовательное занятие и освобождение им блок-участков, что контролируется специальными устройствами (напольным оборудованием (НО)), к которым относятся реле контроля состояния приемоотправочных путей, стрелочно-путевых секций, участков удаления/приближения, блок-участков на перегоне, сигнальные реле входных и выходных светофоров, реле контроля положения стрелок и др. Каждый акт перемещения поезда, связанный с освобождением или занятием им блок-участка, сопровождается передачей соответствующих информационных сообщений от НО в систему. Так как длина блок-участков на перегоне составляет 1,0-2,6 км, то передача информационных сообщений происходит со значительным интервалом времени. При подходе поезда к станции работник службы движения задает маршрут движения поезда. В результате чего осуществляется перевод всех стрелок, входящих в маршрут,

что вызывает изменение состояния плюсовых и минусовых реле контроля положения стрелок. Задание маршрута приводит к обесточиванию замыкающих реле всех секций, входящих в маршрут, и возбуждению сигнальных реле. Таким образом, изменение состояний контролируемых объектов в распределенной ИСДЦ тесно связано с процессом перемещения подвижной единицы на участке или станции и имеет детерминированный характер. Однако следует отметить, что незначительное количество изменений может быть вызвано случайными процессами, связанными с непредвиденным техобслуживанием устройств пути, аппаратуры энергообеспечения или внезапным выходом из строя технологического оборудования, однако в целом динамика изменений состояний напольного оборудования для большинства поездных ситуаций является предсказуемой. Поскольку устройства железнодорожной автоматики и телемеханики являются основными источниками первичной информации для систем диспетчерского управления, информационные потоки, циркулирующие в компьютерной сети, имея в целом де-терминированно-стохастический характер, в большинстве случаев являются предсказуемыми.

Объекты автоматизации в ИСДЦ оснащаются специальными средствами контроля подвижного состава на ходу поезда (ТСКПС) [23, 57]. Структура ТСКПС приведена ниже, на рис. 1.1.

Средства контроля устанавливаются перед станциями, на которых имеются пункты технического обслуживания, пункты подготовки вагонов или пункты контрольно-технологического осмотра. Расстояние между пунктами контроля должно быть в пределах 25-35 км. Средства контроля включают в себя перегонное и станционное оборудование. В состав перегонного оборудования входит напольное и постовое оборудование. В состав станционного оборудования входит регистрирующая и сигнальная аппаратура. Напольное оборудование средств контроля устанавливается на пути и предназначено для считывания информации с подвижного состава. Сигналы от дат-

чиков напольного оборудования поступают по кабелю к постовому оборудованию, здание для которого размещают в непосредственной близости от напольного оборудования.

Рис. 1.1- Структура технических средств контроля подвижного состава

После предварительной обработки сигналов о состоянии проконтролированного подвижного состава информация по кабелю передается устройствам станционного оборудования. Станционное оборудование осуществляет регистрацию полученной информации. Сигнализирующее оборудование (в момент обнаружения средствами контроля неисправных подвижных единиц) выдает световые и звуковые сигналы тревоги: «Тревога-0» - предаварийного уровня; «Тревога-1» - аварийного уровня; «Тревога-2» - критического уровня.

Базовым средством является система обнаружения перегретых букс, которая обеспечивает контроль бесконтактным методом температуры корпусов букс. Остальные системы обнаружения заторможенных колес, обнаружения волочащихся деталей, обнаружения дефектов колес по кругу катания, системы контроля габарита, обнаружения перегруза вагонов могут дополнять ее. Для извещения дежурного по станции о наличии в прибывающем поезде неисправных подвижных единиц устанавливаются сигнализирующие устройства.

При обнаружении средствами контроля неисправных подвижных единиц дежурный по станции (при диспетчерской централизации - поездной диспетчер) обязан сообщить локомотивной бригаде и осмотрщикам-ремонтникам место и вид неисправности. По сигналу «Тревога-2» принять меры к остановке поезда на перегоне. По сигналу «Тревога-1» закрыть выходной сигнал и сообщить машинисту о необходимости остановки поезда на станции.

При этом для безопасного пропуска поездов дежурный по станции (поездной диспетчер) информирует машинистов поездов, следующих по смежным путям, задерживает отправление поездов со станции до момента выяснения ситуации по докладу машиниста остановленного поезда.

С целью повышения уровня безопасности движения поездов и ответственности оперативных работников за подготовку состава в рейс организуется централизованный контроль технического состояния подвижного состава [6]. Централизованный контроль включает в себя информацию в текущем времени, получаемую от современных технических средств контроля подвижного состава на ходу поезда, а также сбор, обработку и регистрацию сведений о задержках поездов из-за неисправностей подвижного состава.

В системах ДУ устройства обработки и регистрации информации устанавливаются на центральном посту автоматического контроля, который, как правило, организуется в помещении ПТО, ПКТО или отделения.

Математическое обеспечение ИСДЦ включает модели представления и обработки информационных потоков, представленных в виде числовых временных рядов, циркулирующих в сети.

Таким образом, все вышеперечисленные средства централизованного контроля и ТСКПС, контролируя изменение поездных ситуаций в течение технологического процесса, функционируют по четко определенным алгоритмам, а следовательно, потоки генерируемой ими информации имеют, так же как и первичная информация, получаемая от НО, детерминированный или детерминировано-стохастический характер. Это означает, что потоки генерируемой информаг[ии в случае нормального течения технологического процесса являются предсказуемыми с точностью до незначительных флуктуации, вызванных ранее указанными причинами.

Далее для объективного сравнения алгоритмических особенностей функционирования различных типов ИСУЖТ и характера циркулирующей в них информации рассмотрим организацию отличающейся от ИСДЦ интеллектуальной мониторинговой системы, построенной на основе многоагентных интеллектуальных технологий [60].

Интеллектуальная мониторинговая ИУСЖА (ИСМ) предназначена для распределенного мониторинга объектов железнодорожной инфраструктуры. В основу архитектуры положена многоуровневая система распределенного сбора и обработки информации на основе автономных интеллектуальных агентов, интегрированных в беспроводную сенсорную сеть (БСС). На нижнем уровне иерархии располагаются сенсорные узлы БСС, основная задача которых заключается в сборе локальной информации о контролируемом процессе в зоне расположения агента. Следующий уровень иерархии представлен координатором сети, в функции которого входят управление мультиа-

гентной системой, адаптация и обучение всех входящих в MAC метамоделей на основе оперативной информации, собранной интеллектуальными агентами. Агенты самого верхнего уровня решают задачи, связанные с непосредственным принятием диагностических решений.

Структура ИМС приведена на рис. 1.2.

Рис. 1.2 - ИМС для мониторинга железнодорожного моста,

интегрированная в БСС

Мобильные агенты посредством специальных классифицирующих алгоритмов производят мониторинг состояния объекта, патрулируя по сенсорной сети, развернутой на нем. Мобильный агент хранит обобщенный образ нормального и/или аномального течения контролируемого процесса (состояния объекта), представленный классифицирующей моделью агента. Результаты распознавания передаются на верхний уровень ИМС.

Главными компонентами иллюстрируемой рис. 1.2 структуры ИМС являются базы знаний (БЗ) входящих в нее автономных агентов. Автономные БЗ агентов нижнего уровня включают модели локальных динамических про-

цессов, протекающих в контролируемых объектах, а центральная БЗ - модель глобального деформационного процесса и алгоритмов выработки диагностических решений. Математические модели динамических процессов разрабатываются с использованием технологии мягких вычислений [117]. Каждый из агентов сети нижнего уровня в течение определенного интервала времени АТ получает с контролируемого объекта информацию о развитии деформационного процесса в зоне расположения агента. На основе этой информации с использованием собственной БЗ агент вычисляет шейп развития динамического процесса на интервале АТ и передает его через БСС агентам верхнего уровня в виде небольшого числа интегральных параметров, описывающих этот шейп. Агенты верхнего уровня на основе информации о развитии процесса в отдельных зонах конструкции определяют общую динамику процесса на интервале АТ, интегрируют ее по всему контролируемого интервалу времени Т и выносят диагностических решения.

Основными процедурами, реализованными в БЗ мобильных агентов, являются алгоритмы классификации шейпов временных рядов, характеризующих динамику контролируемого процесса. Шейп формируется в виде не-четко-трендовых представлений процесса с использованием таких лингвистических термов, как «малое нарастание», «резкое снижение» и т. п. Для их вычисления на интервале АТ используются нейросетевые модели (ИНС). Последовательность выявленных с помощью ИНС шейпов представляет образ состояния динамического процесса или объекта.

Анализ объектов мониторинга показал [1, 24, 25], что количество типовых образов возможных состояний мониторируемых объектов относительно невелико и определяется вариантами сочетаний контролируемых параметров процесса, число которых также незначительно. Поэтому при нормальном течении контролируемых процессов генерируемые потоки информации от мобильных агентов нижнего уровня к координатору верхнего уровня имеют детерминированный характер. В случае же появления анома-

лий в развитии процесса, вызванных непредвиденными воздействиями окружающей среды на объекты контроля, мобильные агенты распознают соответствующие ситуации, и передаваемая ими на верхний уровень ИМС информация претерпевает изменения, что влечет в конечном итоге изменение трафика. Однако и в этом случае, при известных типах аномалий, трафик является вполне предсказуемым, а незначительные случайные выбросы обусловлены наличием непредвиденных отклонений в течении процесса. Таким образом, циркулирующие в БСС распределенной ИМС потоки информации имеют детерминировано-стохастический характер и являются, как правило, предсказуемыми.

В завершение параграфа рассмотрим еще один тип распространенной на сети железных дорог ИУСЖА, предназначенной для контроля и управления технологическими процессами на сортировочных станциях и горках [21].

Микропроцессорная информационно-управляющая система сортировочной станции (МИУС СС) является автоматизированным комплексом, решающим множество функциональных задач, связанных с формированием-расформированием составов, среди которых одной из важнейших является обеспечение взаимодействие устройств низовой автоматики с верхними уровнями автоматизации. МИУС СС представляют собой совокупность вычислительных и управляющих устройств, средств преобразования, отображения и регистрации сигналов, устройств сопряжения с объектом, контроля и диагностики, передачи данных, а также непосредственного цифрового управления (что очень важно для опорных и региональных центров управления).

С точки зрения технологии процесса управления СС является сложным, многофункциональным объектом с распределенными технологическими зонами управления (рис. 1.3).

С

#

V-

л

ее:

л

ы

18 Ф \

I

о^-Т

уЮ ' - \ I \ ^^

/шшШ\7

ПП /\СГ./\

пф V

"7 \

17

/ I, /

II

Ф

ш

Рис. 1.3 - Технологические зоны управления процессом расформирования-формирования поездов

На рис. 1.4 представлена организационно-технологическая структура взаимосвязей с локальными устройствами, обеспечивающими программно-аппаратный стык низовой автоматики с АСУ СС.

Региональный ЦУП

7Г

ЛЕ.

АСУСС

1

/

V V

X дспп V

J

эс

дгц }

дспг у,

■ Т

1 ДСПФ ]£

тчд

;г

/д- по\ Ш

ЗС

ЛИУК пп

кгм

ЛИУК ПФ ЛИУК ПО

ПКО >

г

тк

г

и

гпч

Станщюнные устройства автоматики, телемеханики и связи

X

Л£

Технологический процесс

Рис. 1.4 - Организационно-технологическая структура ИУС СС

Непосредственная связь с технологическим процессом и устройствами станционной автоматики осуществляется через локальные информационно-управляющие комплексы парка приема (ЛИУК ПП), парка формирования (ЛИУК ПФ), парка отправления (ЛИУК ПО) и комплекса горочного микропроцессорного (КГМ). КГМ выполняет задачи автоматизации роспуска составов, позволяет формировать в реальном масштабе времени и передавать диспетчерскому персоналу для оценки ситуаций необходимые данные о фактическом ходе расформирования-формирования поездов. К такой информации относится продолжительность роспуска составов с горки, фактически исполненная программа роспуска, количество и номера «чужаков» на путях ПФ, номера вагонов, переставленных по путям ПФ со стороны спускной части горки, пути, на которые невозможен роспуск (ограждение, отсут-

ствие проходов, неисправность напольных устройств и т. д.), информация об отклонениях от программы роспуска и их причинах, местоположение маневрового локомотива.

ЛИУК СС, взаимоувязанные с устройствами электрической централизации (ЭЦ) станции и АСУ СС, предназначены для сбора, обработки, хранения, отображения и протоколирования оперативно-технологической информации. Комплексы обеспечивают автоматическое получение достоверной и своевременной оперативно-технологической информации по паркам, что способствует повышению качества оперативного планирования и управления работой СС.

Самой важной задачей, которую решает МИУС СС, является оптимальное взаимодействие ЛИУКов с верхним уровнем оперативного управления. В соответствии с эталонной моделью архитектуры «открытых систем», предложенной международной организацией стандартов, МИУС СС может быть представлена как распределенная среда (рис. 1.5), взаимодействующая с локальными автоматами, в нашем случае ЛИУК ПИ, ЛИУК ПФ, ЛИУК ПО и КГМ, увязанными с устройствами низовой автоматики. Территориально рассредоточенный объект управления (7 состоит из N локальных зон С|, ■ ■ ■ С„.

В пределах каждой С,, / = 1, 2, ... , тУ, сосредоточено К, датчиков /-й локальной группы входных переменных

Х1 ={х[,х'2,...,х1},1 = ], (1.1)

и Р, исполнительных механизмов (светофоры, стрелки, замедлители, локомотивы и др.), управляемых /-й группой выходных переменных

¥={у:,у'2,...,у'р1},1 = 1,2,...,Л^. (1.2)

ч Рис. 1.5 - Структура единого информационного пространства

при управлении СС

Для рассматриваемого класса задач в качестве технической базы ЛИУК используются ПК и интеллектуальные микроконтроллеры. Каждый из таких комплексов связан интерфейсом с определенным компьютером (А\, А2, верхнего уровня управления СС. Выполнение основных функций МИУС СС , можно рассматривать как результат взаимодействия ее компонентов (А(),

Список литературы диссертационного исследования кандидат наук Терновой, Владимир Павлович, 2013 год

СПИСОК ИСПОЛЬЗОВАННЫХ источников

1 Абовский, Н.П.Нейроуправляемые конструкции и системы / Н. П. Абовский. - М.: Радиотехника, 2003. - 368 с.

2 Авиженис, А. Отказоустойчивость - свойство, обеспечивающее постоянную работоспособность цифровых систем /А.Авиженис// ТИИЭР. -1978. - Т.66. - №10.-С.5-25.

3 Азов, М.С. Система моделирования вычислительной сети на основе нечеткого трафика / М.С. Азов // Труды 8-й Национальной конференции по искусственному интеллекту с международным участием. Т. 1. -М.:ФИЗМАТЛИТ, 2002. - С. 275-278.

4 Бард, Й. Нелинейное оценивание параметров / Й. Бард. - М.: Статистика, 1979.

5 Методы и модели анализа данных: OLAP и DataMining /А.А. Барсе-гян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. - СПб. : БХВ-Петербург, 2004.-336 с.

6 Бил, Дж.ЗпоП 2.1. Обнаружение вторжений / Дж Бил. - М. : Бином, 2006. - 656 с.

7 Бобров, А. Системы обнаружения вторжений [Электронный ресурс] /

A. Бобров. - Режим доступа: http://www.icmm.ru/~masich/win/lexion/ids/ids.html.

8 Бутакова, М.А. Модели информационных потоков в системах массового обслуживания на транспорте / М.А. Бутакова. - Ростов н/Д: Изд-во Рост.ун-та, 2006.

9 Бутакова, М.А.Способы генерации случайных процессов в задачах имитационного моделирования информационных систем / М.А. Бутакова,

B.П. Терновой // Обозрение прикладной и промышленной математики. - М. : Изд-во ОППМ, 2010.-Т. 17,-№6.-С. 859-860.

10 Достоверный и правдоподобный вывод в интеллектуальных системах /В.Н. Вагин, Е.Ю. Головина, A.A. Загорянская, М.В. Фомина. - 2-е изд-М. : ФИЗМАТ ЛИТ, 2008.

11 Винцюк, Т.К. Анализ, распознавание и интерпретация речевых сигналов / Т.К. Винцюк. - Киев: Наук. Думка. 1987. - 264с.

12 Системы диспетчерской централизации / Д.В. Гавзов, O.K. Дрей-ман, В.А. Кононов, А.Б. Никитин; под ред. Вл.В. Сапожникова. - М.: Маршрут, 2002. - 407 с.

13 Системы автоматизации и информационные технологии на железнодорожном транспорте: учебник для вузов ж.-д. транспорта /В.А. Гапано-вич, A.A. Грачев [и др.]. - М.: Маршрут, 2006. - 544 с.

14 Многоагентные технологии комплексной защиты информации в телекоммуникационных системах / В.И. Городецкий, И.В. Котенко, O.B. Кар-саев, A.B. Хабаров// ISINAS 2000 : сб. науч. тр. - СПб., 2000.

15 Гриняев, С. Системы обнаружения вторжений / С. Гриняев // BYTE Россия. - 2001. - № 10.

16 Гуда, А.Н. Алгоритмы и программное обеспечение для обнаружения аномалий в телекоммуникационном трафике автоматизированных систем управления железнодорожным транспортом методами нелинейной динамики / А.Н. Гуда, М.А. Бутакова, В.П. Терновой // Вестник Ростовского государственного университета путей сообщения. - 2011.- №3.-С. 21-30.

17 Диспетчерская централизация «ДЦ-ЮГ» с распределенными контролируемыми пунктами / И.Д. Долгий, А.Г. Кулькин, Ю.Э. Пономарев, Л.П. Кузнецов // Автоматика, связь, информатика - 2002. - №8.

18 Система диспетчерского контроля и управления движением поездов «ДЦ-ЮГ с РКП»» : монография /под общ.ред. И.Д. Долгого, А.Г. Кулькина. -Ростов н/Д, 2010. - 468 с.

19 Дэн, Г. Строки, деревья и последовательности в алгоритмах: Информатика и вычислительная биология / Г. Дэн ; пер. с англ. И.В. Романовского. - СПб.: Невский Диалект; БХВ-Петербург, 2003. - 654 с.

20 Иванченко, В.Н. Микропроцессорные информационно-управляющие системы автоматизации сортировочных процессов : учеб.пособие / В.Н. Иванченко.- Ростовн/Д : РИИЖТ, 1984. - 96 с.

21 Иванченко, В.Н.Микропроцессорные технические средства автоматизации и информатизации технологических процессов на железнодорожном транспорте: учеб.пособие / В.Н. Иванченко, С.М. Ковалев, А.Н. Шабель-ников; Рост. гос. ун-т путей сообщения. - Ростовн/Д, 2005. - 76 с.

22 Иванченко, В.Н. Новые информационные технологии: интегрированная информационно-управляющая система автоматизации процесса расформирования-формирования поездов: учебник / В.Н. Иванченко, С.М. Ковалев, А.Н. Шабельников; Рост.гос. ун-т путей сообщения. - Ростов н/Д, 2002.-276 с.

23 Инструкция по размещению, установке и эксплуатации средств автоматического контроля технического состояния подвижного состава на ходу поезда. - М. : МПС, ЦВ-ЦШ-453, 1997. - 45 с.

24 Инструкция по содержанию искусственных сооружений. - М. : Транспорт, 1999.

25 Интеллектуальные транспортные системы: перспективы развития // Железнодорожный транспорт. - 2009. - № 5.

26 Искусственные иммунные системы и их применение / под ред. Д. Дасгупты ; пер. с англ. под ред. A.A. Романюхи. - М.: ФИЗМАТ ЛИТ, 2006. -344 с.

27 Каменский, В.В. Автоматическая расшифровка результатов контроля технического состояния подвижного состава на основе теории распознавания образов / В.В. Каменский // Вестник РГУПС. - 2003. - №1. - С. 57-60.

28 Каменский, В.В.Исследование статистических характеристик объектов контроля диспетчерской централизации /В.В. Каменский // Вестник РГУПС. - 2002. -№3. -С. 74-77.

29 Каменский, В.В. Параметры изменения объектов контроля диспетчерской централизации во времени / В.В. Каменский // Тр. науч.-теор. конф. проф.-преп. состава «Транспорт-2002». - Ростов н/Д: РГУПС, 2002. - С. 3-4.

30 Классификация атак [Электронный ресурс] // Библиотека 12Я. [сайт]. [2002]. - Режим доступа: http://www.i2r.ru/static/450/out_14782.shtml.

31 Ковалев, С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем / С.М. Ковалев // Изв. вузов. Сев.-Кав. регион. Естественные науки. -2002. -№ 2. - С. 10-13.

32 Ковалев, С.М. Структурно-параметрическая идентификация нечетких систем с использованием обобщенного критерия адекватности / С.М. Ковалев // Интеллектуальные САПР: Известия ТРТУ. - 2005. - №3. - С. 10-17.

33 Ковалев, С.М. Точный метод подстройки темпоральных параметров интеллектуальных динамических моделей на основе обучающих процессов / С.М. Ковалев // Научная мысль Кавказа. Приложение. -Ростов н/Д : Изд-во СКНЦ ВШ,2002. - № 8(34).- С. 93-98.

34 Ковалев, С.М. Модель слежения за перемещением подвижных единиц на сортировочных станциях на основе формальной логической системы / С.М. Ковалев, А.Н. Шабельников// Междунар. интернет-журнал «Перспективные информационные технологии и интеллектуальные системы». -Таганрог : ТРТУ, 2001. - №2. - С. 118-122.

35 Ковалев, С.М.Иммунный подход к выявлению аномалий во временных рядах / С.М. Ковалев, В.П. Терновой- М.:ОПиМ, 2011. - Т. 18. -Вып. 4.

36 Ковалев, С.М.Прогнозирование динамики функционирования автоматизированных систем управления железнодорожным транспортом на основе нелинейного анализа телекоммуникационного трафика/ С.М. Ковалев, В.П. Терновой//Изв.ЮФУ. Технические науки. - 2012. - № 2. - С. 212-220.

37 Ковалев, С.М.Упреждающее онлайн-распознавание нечетких темпоральных паттернов в потоковых данных // Гибридные и синергетические интеллектуальные системы: теория и практика : материалы 1-го Междуна-

родного симпозиума / С.M. Ковалев, В.П. Терновой ; под ред. проф. A.B. Колесникова. - Калининград : Изд-во БФУ им. И. Канта, 2012. - С. 364-375.

38 Ковалев, С.М. Автоматическое построение нечетких темпоральных систем на основе обучающих примеров / С.М. Ковалев, А.Н. Шабельни-ков// Известия ТРТУ. Тем.вып.: Интеллектуальные САПР. - Таганрог: Изд-во ТРТУ, 2001.-№ 4.-С. 357.

39 Ковалев, С.М. Адаптация нечетких классификационных регуляторов на основе статистической информации/ С.М. Ковалев, А.Н. Шабельников // Изв. ТРТУ. Тем.вып.: Интеллектуальные САПР. - Таганрог: ТРТУ, 2000. -№2.-С. 331-332.

40 Корниенко, А.А.Системы и методы обнаружения вторжений: современное состояние и направления совершенствования [Электронный ресурс] / A.A. Корниенко, И.М. Слюсаренко. - 2009. - Режим доступа: http://www. citforum.ru/securi ty/internet/ids_overview/.

41 Крылов, B.B. Теория телетрафика и ее приложения / В.В. Крылов, С.С. Самохвалова. - СПб.: БХВ-Петербург, 2005.

42 Лисенков, В.М. Безопасность технических средств в системах управления движением поездов / В.М. Лисенков. - М. : Транспорт, 1992. -192 с.

43 Макаров-Землянский, Н.В. Организация живучих вычислительных структур / Н. В. Макаров-Землянский, И.В. Машечкин; под ред. Л.Н. Королева. - М. : Наука, 1985. - 95 с.

44 Малинецкий, Г.Г.Современные проблемы нелинейной динамики / Г.Г. Малинецкий, А.Б. Потапов. - М.: Изд-во URSS, 2000.

45 Метод функционального диагностирования параллельных микропроцессорных систем по информационно-логическим схемам алгоритмов / В.В. Барашенков, В.Н. Балакин, А.Ф. Казак, С.А. Никищенков // Микропроцессоры в системах контроля и управления: тез.докл. науч.-техн. семин., 1516 сент. 1986 г. - Пенза: ПДНТП, 1986. - С.27-29.

46 Нечеткое моделирование и управление / А. Пегат; пер. с англ. - М. : БИНОМ. Лаборатория знаний, 2009. - 798 с.(Адаптивные и интеллектуальные системы).

47 Орлюк, A.A. Состояние и перспективы развития системы ДИСКОН / A.A. Орлов, A.B. Крестинин, Ю.Т. Козлов // Автоматика, связь, информатика. -М.,2002. -№ 9.

48 Поспелов, Д.А. Искусственный интеллект : Справочник. В 3 т. / Д.А. Поспелов. - М.: Радио и связь, 1990.

49 Сапожников, В.В. Надежность систем железнодорожной автоматики, телемеханики и связи / В.В. Сапожников, В.И. Шаманов. - М. : Маршрут, 2003.-263 с.

50 Сапожников, В.В. Концентрация и централизация оперативного управления движением поездов / В.В. Сапожников, Д.В. Гавзов, А.Б. Никитин. -М.: Транспорт, 2002. - 102 с.

51 Модели информационных трафиков и методы их идентификации в распределенных системах диспетчерского управления /В.П. Терновой[и др.]// Вестник РГУПС. Научно-технический журнал. - 2012,- №4.

52 Детектирование темпоральных аномалий на основе распознавания циклов фазовой модели представления временного ряда /В.П. Терновой[и др.]// Труды конгресса по интеллектуальным системам и информационным технологиям. - М.:ФИЗМАТЛИТ, 2012. - Т. 1. - С. 432-438.

53 Иммунологические системы технического мониторинга и обеспечения безопасности рассредоточенных объектов железнодорожного транспорта /В.П. Терновой[и др.]// Обозрение прикладной и промышленной математики. - М.ЮПиМ, 2011.- Т. 18. - Вып. 4.

54 Терновой, В.П. Метод интеллектуальной идентификации информационных потоков по временным рядам в автоматизированных системах управления железнодорожным транспортом / В.П. Терновой // VI межд. науч. - практ. конф. «Интегрированные модели и мягкие вычисления в искусствен-

ном интеллекте» г. Коломна, 16-19 мая 2011 г. - М. : ФИЗМАТЛИТ, 2011. -Т. 1.-С. 261-271.

55 Терновой, В.П.Упреждающее онлайн-распознавание нечетких темпоральных паттернов в потоковых данных // Гибридные и синергетические интеллектуальные системы: теория и практика : материалы 1-го Международного симпозиума / В.П. Терновой, С.М. Ковалев ; под ред. проф. A.B. Колесникова. - Калининград : Изд-во БФУ им. И. Канта, 2012. - С. 364-375.

56 Терновой, В.П.Моделирование информационных потоков на основе нечетких динамических систем/ В.П. Терновой, С.М. Ковалев // Известия ЮФУ. Технические науки. Тем.вып.: Методы и средства адаптивного управления в энергетики. - 2011. - № 2. - С. 132-137.

57 Технические требования на создание и размещение на основных направлениях грузопассажирских перевозок сети железных дорог комплекса технических средств диагностики для предотвращения возникновения аварийных ситуаций подвижного состава на ходу поезда. - М.: МПС, 2000.

58 Торокин, A.A. Основы инженерно-технической защиты информации / A.A. Торокин. - М. :Ось-89, 1998. - 336 с.

59 Системы автоматизации сортировочных горок на основе современных компьютерных технологий: учебник для вузов ж.-д. транспорта / А.Н. Шабельников[и др.] ; под общ.ред. проф. А.Н. Шабельникова. - Ростов н/Д: НИИАС, Рост.гос. ун-т путей сообщения, 2010. - 436 с.

60 Шабельников, В.А. Автоматизированная система управления и мониторинг состояния железнодорожных мостов / В.А. Шабельников // Актуальные проблемы развития железнодорожного транспорта. - Ростов н/Д: Рост.гос. ун-т путей сообщения, 2009.

61 Шабельников, В.А.Использование мобильных агентов распределенных систем контроля напряженно-деформированных состояний / В.А. Шабельников // Сборник тезисов докладов 68-й студенческой научно-практической конференции. - Ростов н/Д: Рост.гос. ун-т путей сообщения, 2009.

62 Шелухин, О.И.Самоподобие и фракталы. Телекоммуникационные приложения / О.И. Шелухин, А.В. Осин, С.М. Смольский. - М.: ФИЗМАТ-ЛИТ, 2008.

63 Юнусов, Т.Р. Моделирование трафика терминал-сервера на основе анализа нечетких тенденций временных рядов / Т.Р. Юнусов // Инфокомму-никационные технологии. - 2008. - Т. 6. - № 1.- С. 55-64.

64 Ярушкина, Н.Г. Интеллектуальный анализ временных рядов : учеб.пособие / Н.Г. Ярушкина, Т.В. Афанасьева, И.Г. Перфильева. - М. : ИД «ФОРУМ», 2012. - 160 с.

65 Abarbanel, H.D.I. Analysis of observed chaotic data / H.D.I.Abarbanel. -Springer-Verlag, New York, 1996,272 p.

66 Allen, J.F.Towards a General Theory of Action and Time / J.F. Allen// Artificial Intelligence, 1984, 23(2).

67 Bard. Y. Nonlinear estimation of parameters/ Y. Bard. -M. : Statistics,

1979.

68 Bersini, H. Immune network and adaptive control. Toward a practice of autonomous systems / H. Bersini// Proc. 1st ECAL (Eds. F. Varela, P.Bourgine). MIT Press, 1993. P. 217-225.

69 Chandola, V. Anomaly detection: a survey/ V.Chandola, B. Arindam, V. Kumar // ACM Computing Surveys (2009) 1-72.

70 Chawla, N.V.Editorial: special issue on learning from imbalanced data sets /N.V.Chawla, N.Japkowicz, A. Kotcz //SIGKDD Explorations 6 (1) (2004) 16.

71 Dasgupta,A.Immunity-based systems: A survey /A.Dasgupta, N. Attoh-Okine// Presented at the ICMAS workshop on Immunity-Based Systems, Japan, December, 1996.

72 Diks, C. Estimating invariants of noisy attractors /C.Diks // Physical Review E, V. 53: R4263-R4266, 1996.

73 Dorigo, Af. A comparative analysis of Q-learning and classifier systems /Af. Dorigo, H. Bersini// Proc. SAB'94. MIT Press, 1994, pp. 248-255.

74 Elbert, T. Chaos and physiology: Deterministic in Excitable Cell Assemblies / T.Elbert, W.Z. Ray[et al.] // Phisiol. Rev. V. 74, 1994, № 1, pp. 1-47.

75 Eskin, E. Anomaly detection over noisy data using learned probability distributions/ E. Eskin // In P. Langley, editor, Proceedings of the 17th International Conference on Machine Learning (ICML'OO), pp. 255-262.MorganKaufmann, 2000.

76 Feng, H. Nonlinear analysis of wireless LAN traffic /H.Feng, Y.Shu, O.W. Yang//Nonlinear Analysis: Real World Applications, V. 10, Iss. 2, 2009, pp. 1021-1028.

77 Fombellida, M.Methodesheuristiquesetmethodesd'optimalisation non contraintes pour l'apprentissage des perceptronsmulticouches/M. Fombellida// Proc. 5th Int. Conf. on Neural Networks and their Application :Neuro-Nimes, 1992, pp. 349-366.

78 A sense of self for unix processes /S.Forrest, S.A.Hofmeyr, A.Somayaji, T.A. Longstaff// In: Proc. of IEEE symposium on research in security and privacy, Oakland, CA, May 1996.

79 Using genetic algorithms to explore pattern recognition in the immune system /S.Forrest, B.Javomik, J.Smith, A.S. Perelson// Evol. CoTp. 1993. V. 1, №3, pp. 191-211.

80 Self-nonself dis-crimination in a computer /S.Forrest, A.S.Perelson, L.Allen, R. Cherukuri// In: Proc. of IEEE symposium on research in security and privacy, Oakland, CA, 16-18 May 1994, pp. 202-212.

81 Fu, C. On the Chaotic Dynamics Analysis of Internet Traffic /C.Fu, H. Jiang// Intelligent Computation Technology and Automation (ICICTA), 2008, pp. 840-844.

82 Multiscale analysis of complex time series integration of chaos and random fractal theory, and beyond /J.Gao[et al.]. - John Wiley & Sons. New Jersey, 2007, 354 p.

83 Herbst, G.Short-Time Prediction Based on Recognition of Fuzzy Time Series Patterns /, G. Herbst, S.F. Bocklisch. - IPMU, 2010, pp. 320-329.

84 Glassman, J.A.A generalization of the Fast Fourier Transform /J.A. Glassman// IEEE Transaction on Computers, 1970, № 19(2), pp. 105-116.

85 Gomez, J. An immuno-fuzzy approach to anomaly detection / J. Gomez, F.Gonzalez, D. Dasgupta // In Proceedings of The IEEE International Conference on Fuzzy Systems (FUZZIEEE), IEEEPress, 2003, V. 2, pp. 1219-1224.

86 Grassberger, P. Measuring the Strangeness of Strange Attractors /P. Grassberger, I. Procaccia// Physica D,1983, V. 9.

87 Guo, X. Chaos Theory as a Model for Interpreting Weblog Traffic /X.Guo, D.Vogel, Z. Zhou, X. Zhang// Proceedings of the 41st Hawaii International Conference on System Sciences, 2008, pp. 289-297.

88 Hempel, A.J.Fuzzy pattern modelling of data inherent structures based on aggregation of data with heterogeneous fuzziness / A.J.Hempel, S.F. Bocklisch // In: Rey, G.R., Muneta, L.M. (eds.) Modelling Simulation and Optimization, chap. 28, pp. 637-655. INTECH (2010).

89 Hempel, A.J.Fuzzy pattern modelling of data inherent structures based on aggregation of data with heterogeneous fuzziness / A.J.Hempel, S.F.Bocklisch// In: Rey, G.R., Muneta, L.M. (eds.) Modelling Simulation and Optimization, chap. 28, pp. 637-655. INTECH (2010).

90 http://www. 1520mm.ru/traffic/index.phtml

91 http://www.cisco.com/web/RU/products/ps6601/products_ios_protoco l_group_home.html

92 http://www.microsoft.com/ru/ru/softmicrosoft/netmonitor.aspx

93 Joshi, M.V. Predicting rare classes: can boosting make any weak learner strong? / M.V. Joshi, R.C.Agarwal, V. Kumar// In: Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, New York, NY, USA, (2002), pp. 297-306.

94 Kantz, H. Nonlinear time series analysis / H. Kantz, T. SchreiberCambridge University Press, Edinburgh, 2003, 370 p.

95 Keogh, E. Finding surprising patterns in a time series database in linear time and space / E. Keogh, S. Lonardi, B. Chiu// In D. Hand, D. Keim, and R.

Ng, editors, Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'02), pages 550(556. ACM Press, 2002.

96 Lee, W.Information-theoretic measures for anomaly detection / W. Lee, D.Xiang// IEEE Symposium on Security and Privacy (2001).

97 On the self-similar nature of Ethernet traffic (extended version) /W.E. Leland, M.S. Taqqu, W. Willinger, D.V. Wilson// IEEEACM Trans. OnNetwork-ing, V. 2, 1994, pp. 1-15.

98 Lunt, T.F. Detecting Intruders in Computer Systems /T.F. Lunt// Conference on Auditing and Computer Technology, SRI International. - 1993.

99 Lunt, T.F. IDES: An Intelligent System for Detecting Intruders /T.F. Lunt// Proceedings of the Symposium on Computer Security; Threats, and Coun-termeasures; Rome, Italy, November 22-23, 1990, pp. 110-121.

100 Mukherjee, B. Network Intrusion Detection /B. Mukherjee, L.T. Heberlein, K.N. Levitt// IEEE Network, May/June 1994, pp. 26-41.

101 Predicting time series with support vector machines /K.-R. Muller, A.J. Smola, G. Ratsch, B. Scholkopf, J. Kohlmorgen, V. Vapnik //In W. Gerstner, A. Germond, M. Hasler, and J.-D. Nicoud, editors, Proceedings of the 7th International Conference on Artificial Neural Networks (ICANN'97), pp. 999-1004. Springer, 1997.

102 Oliveira, A.L. Combining MLP and RBF neural networks for novelty detection in short time series /A.L. Oliveira, F.B. Neto, S.R. Meira // In R. Mo-nroy, G. Arroyo-Figueroa, and L. E. Sucar, editors, Advances in Articial Intelligence: Proceedings 3rd Mexican International Conference on Arti_cial Intelligence (MICAI 2004), pages 844(853, Mexico City, Mexico, 2004. Springer.

103 Paxson, V. Bro: A System for Detecting Network Intruders in RealTime / V. Paxson //Proceedings of 7th USENIX Security Symposium. - San Antonio, TX, January 1998.

104 Rosenstein, M.T. A Practical Method for Calculation LagestLyapu-nov Exponents for Small Data Sets / M.T. Rosenstein, J.J. Collins, C.J. De Luca// Physica D, vol.65, no. 1 17, 1993.

105 Salvador, S. Learning states and rules for time series anomaly detection /S. Salvador, P. Chan, J. Brodie// In V. Barr and Z. Markov, editors, Proceedings 17th International Florida AI Research Society Conference (FLAIRS'04). AAAI Press, 2004.

106 Sano, M.Measurement of the' Lyapunov Spectrum From a Chaotic Time Series /M. Sano, J. Sawada// Physical Review Letters, 1985, V.55, № 1082.

107 Shahabi, C.TSA-tree: A wavelet-based approach to improve thee-ciency of multi-level surprise and trend queries on time-series data /C. Shahabi, X. Tian, W. Zhao // In Proceedings of the 12th International Conference on Scientific and Statistical Database Management (SSDBM'00), pp. 55-68. IEEEPress, 2000.

108 Steinwart, D. Hush.A classification framework for anomaly detection /Steinwart, D. Hush, C. Scovel//Journal of Machine Learning Research, 2005,№ 6, pp. 211-232.

109 Takens, F. Detecting Strange Attractors in Turbulence /F. Takens// Dynamical Systems and Turbulence, Lecture Notes in Mathematics. -SpringerVerlag, 1981 ,V. 898.

110 Theiler, J. Efficient Algorithm of Estimating the Correlation Dimension from a Set of Discrete Points/J. Theiler// Physical Review A, V. 36, № 9, 1987.

111 Varela, F.J. Second generation immune network /F.J. Varela, A. Cou-tinho// Immunol. Today. 1991. V. 12, №5, pp. 159-166.

112 Watkins, C.J.C.H. Learning with delayed rewards. Ph.D. dissertation / C.J.C.H. Watkins. - Psychology Department, University of Cambridge, England, 1989.

1 13 Watkins C.J.C.H. Technical note: Q-learning / C.J.C.H. Watkins, P. Dayan // Machine Learning. 1992. V.8, №3-4, pp. 279-292.

114 Assumption-free anomaly detection in time series /L. Wei, N. Kumar, V. Lolla, E. Keogh, S. Lonardi& C. Ratanamahatana // In J. Frew, editor, Proceedings of the 17th International Conference on Scientific and Statistical Database Management (SSDBM'05), 2005,pp. 237-242.

115 Willinger, W. Where mathematics meets the Internet / W. Willinger V. Paxson//Notices of the AMS, 1998,V. 45, pp. 961-970.

116 Determining Lyapunov exponents from a time series /A. Wolf, J. Swift, H. Swinney, J.Vastano// Physica D, 1985, №16, pp. 285-317.

117 Zadeh, L.A. Fuzzy Logic, Neural Network, and Soft Computing /L.A. Zadeh// Communication of the ACM. 1994, V. 37, №3, pp.77-84.

118 Zhang, W.Chaotic network attractor in packet traffic series /W. Zhang, Z. Wu, G. Yang // Comp. Phys. Comm., V. 161, Iss. 3, 2004, pp. 129-142.