На правах рукописи РАЗРАБОТКА МЕТОДИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ
advertisement
На правах рукописи
Нарыжная Наталья Юрьевна
РАЗРАБОТКА МЕТОДИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ
ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ
КОРПОРАТИВНОЙ СЕТИ
Специальность 05.13.01 – «Системный анализ, управление и обработка
информации (информационные и технические системы)»
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Краснодар – 2009
2
Работа выполнена в ГОУ ВПО «Кубанский государственный
технологический университет»
Научный руководитель:
кандидат технических наук, доцент
Петриченко Григорий Семёнович
Официальные оппоненты:
доктор технических наук, профессор
Марков Виталий Николаевич
кандидат технических наук, профессор
Бухонский Михаил Иванович
Ведущая организация:
Краснодарское высшее военное
авиационное училище летчиков имени
героя Советского Союза А.К. Серова
Защита состоится « 13 » мая 2009 г. в 16.00 часов на заседании
диссертационного совета Д 212.100.04 в ГОУ ВПО «Кубанский
государственный технологический университет» по адресу: 350072,
г. Краснодар, ул. Московская, 2, Г-251
С диссертацией можно ознакомиться в библиотеке ГОУ ВПО
«Кубанский государственный технологический университет»
Автореферат разослан « 13 » апреля 2009 г.
Ученый секретарь
диссертационного совета Д 212.100.04
канд. техн. наук, доцент
А.В. Власенко
3
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы
В связи с возрастающей ролью корпоративных сетей (КС), их
применением во многих областях деятельности и различных отраслях
народного хозяйства возрастает значение предвидения их состояния, что
дает возможность управлять им, своевременно предупреждать аварийные
ситуации. Прогнозирование технического состояния (ТС) является
наиболее
эффективным
методом
повышения
эксплуатационной
надежности корпоративных сетей путем своевременного проведения
мероприятий по техническому обслуживанию и ремонту.
При прогнозировании технического состояния корпоративных сетей
основная трудность состоит в том, что заранее неизвестна совокупность
признаков, обеспечивающая прогноз с требуемой точностью. Поэтому
необходимо выбрать совокупность информативных параметров, по
которым будет осуществляться прогноз с наилучшим качеством и
минимальными затратами на контроль и осуществление процесса
прогноза.
Процесс диагностики и прогнозирования ТС КС является довольно
дорогим и продолжительным по времени сбора и обработки данных.
Поэтому
актуальными
становятся
задачи
не
только
повышения
работоспособности корпоративной сети, но и снижения временных и
финансовых затрат на осуществление процесса прогнозирования ее
технического состояния.
Цель
исследования
состоит
в повышении
эксплуатационных
характеристик корпоративной сети за счет разработки и применения
методического
обеспечения
для
прогнозирования
ее
технического
состояния.
Для
практической
реализации
поставленной
сформулированы и решены следующие задачи:
цели
в
работе
4
1. Разработана структура методического обеспечения (МО) для
прогнозирования технического состояния корпоративной сети.
2. Разработаны методики выбора параметров прогнозирования.
3. Разработана
классификационная
схема
выбора
методов
прогнозирования.
4. Разработана комплексная методика прогнозирования ТС КС.
5. Осуществлен параметрический прогноз технического состояния
корпоративной сети.
6. Произведена оценка эффективности разработанного методического
обеспечения.
Объект исследования – корпоративная сеть.
Предмет
исследования
–
методическое
обеспечение
прогнозирования ТС КС.
При
решении
математической
поставленных
статистики,
методы
задач
использовался
системного
анализа,
аппарат
теории
множеств, теории экспертных оценок, теории вероятностей, методы
прогнозирования.
Научная новизна работы заключается в следующем:
1.
Разработан подход к выбору параметров прогнозирования с
учетом
возможности
их
количественного
измерения,
исключения
малозначащих параметров и измерением количества потерь информации
при этом.
2.
Разработана
классификационная
схема
выбора
метода
прогнозирования в зависимости от вход-выходной модели корпоративной
сети.
3.
Получена методика прогнозирования технического состояния КС.
Практическая значимость результатов исследования предполагает,
что применение МО позволит осуществлять процесс прогнозирования ТС
КС на единой методической базе, на основе чего можно будет
осуществлять
научно-обоснованный
выбор
параметров
для
5
прогнозирования
исключения
с
вычислением
малозначащих
информативности,
параметров,
а
также
возможностью
выбора
методов
прогнозирования в зависимости от модели сети.
Положения, выносимые на защиту:
1.
Подход к выбору параметров прогнозирования, включающий две
методики:
- информационный подход на основе имеющихся количественных
данных по параметрам ТС КС;
- методика выбора параметров, применяемая в случае неполного
контроля параметров ТС КС.
2.
Классификационная схема выбора метода прогнозирования в
зависимости от эксплуатационной модели сети (или ее составных частей),
которая характеризуется набором входных параметров о техническом
состоянии КС и условиях ее эксплуатации, множеством выходных
сигналов, а также оператором преобразования входных сигналов в
выходные.
3.
Методика
предполагающая
прогнозирования
определение
технического
тренда
временного
состояния
ряда
КС,
значений
параметра, выявление функции тренда, прогнозирование по полученной
функции значений параметра через заданный промежуток времени
методом экспоненциального сглаживания, оценка погрешности прогноза,
прогнозирование величины погрешности на тот же интервал упреждения
методом авторегрессии.
Достоверность
результатов
исследования
обеспечивается
корректным использованием математического аппарата, применением
методов статистического анализа, системного анализа, экспертных оценок,
прогнозирования, экспериментальными исследованиями и результатами
полученных расчетов на примере корпоративной сети компании.
Реализация результатов исследования. Теоретические положения
работы включены в учебный процесс при чтении лекций и проведении
6
лабораторных
работ
по
дисциплинам:
«Диагностика
и
ремонт
вычислительных сетей», «Телекоммуникация и сети», «Сети ЭВМ»,
проводимым
преподавателями
кафедры
информатики
Кубанского
государственного технологического университета; «Аппаратные средства
вычислительной
техники»
на
кафедре
защиты
информации
автоматизированных систем Краснодарского высшего военного училища
имени генерала армии С.М. Штеменко; «Вычислительная техника» на
кафедре математики и информатики Краснодарского высшего военного
авиационного
училища
летчиков
имени
героя
Советского
союза
А.К. Серова. Результаты разработок внедрены в ООО «Медицинский
центр «Сантэ», ООО «М.видео Краснодар», ООО «Югкабель».
В Федеральной службе по интеллектуальной собственности, патентам
и товарным знакам получены два свидетельства об официальной
регистрации программ для ЭВМ.
Апробация
работы.
Основные
положения
и
результаты
диссертационной работы докладывались и обсуждались на Седьмой
всероссийской научной конференции молодых ученых и аспирантов
«Новые информационные технологии. Разработка и аспекты применения»
ТГРУ (г. Таганрог, 25-26 ноября 2004 г.); Седьмой межвузовской научной
конференции «Инновационные технологии в образовательном процессе»
КВВАУЛ (г. Краснодар, 21-22 апреля 2005 г.); Девятой межрегиональной
научно-практической
конференции
«Инновационные
технологии
в
образовательном процессе» (КВВАУЛ, г. Краснодар, 19-20 апреля 2007 г.);
Десятой юбилейной международной научно-практической конференции
«Инновационные технологии в образовательном процессе» КВВАУЛ
(г. Краснодар, апрель 2008 г.). Работа «Разработка информационного
обеспечения прогнозирования технического состояния корпоративной
сети» участвовала в краевом конкурсе научных и творческих работ
аспирантов, соискателей ВУЗов Краснодарского края за 2007 год «Олимп
7
науки» и была удостоена диплома III степени по техническому
направлению.
Публикации. По материалам диссертации опубликовано 27 работ: 16
статей, из которых 5 статей в журналах, рекомендованных ВАК РФ, 2
свидетельства об официальной регистрации программ для ЭВМ, 1 отчет по
НИР, 8 тезисов докладов конференций.
Структура и объем диссертации. Диссертация состоит из введения,
четырех разделов, заключения, списка использованных источников из 102
наименований и приложений. Основная часть работы изложена на 140
страницах машинописного текста. Работа содержит 17 рисунков и 31
таблицу.
КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обосновывается актуальность темы, определяются цель
и задачи исследования, формулируются научная новизна и практическая
значимость результатов.
В первом разделе рассмотрены основные понятия и определения
теории
прогнозирования,
выделены
направления
прогнозирования,
сформулированы задачи прогноза по соответствующим направлениям,
приведен анализ существующих способов прогнозирования состояния
объекта исследования. Данный анализ показал, что в законченной
структурированной форме не разработаны классификационные таблицы
выбора методов прогнозирования; нет сформированной экспертной
системы для выбора методов прогнозирования с учетом имеющейся
входной
информации,
выходных
параметрах,
способе
и
модели
эксплуатации составных частей корпоративной сети.
Проведен
корпоративных
эксплуатацию
анализ
сетей,
по
существующих
выявлено,
фактическому
что
способов
при
переводе
техническому
эксплуатации
техники
состоянию
на
(ФТС)
повышается достоверность получения информации о возникновении
8
отказа составной части КС в заданный момент времени, на 26% возрастает
коэффициент
технического
использования
составных
частей
КС,
эксплуатационные расходы по обслуживанию составных частей сети
сокращаются на 29-30%.
Разработана обобщенная структура МО для прогнозирования ТС КС,
обоснована необходимость создания универсальной системы для прогноза
ТС КС. Сформулированная задача разработки методического обеспечения
прогнозирования ТС составных частей КС при эксплуатации по ФТС
включает:
- разработку МО выбора параметров технического состояния
корпоративной сети с возможностью формирования новой системы
характеристик ТС КС (с меньшим числом параметров) и возможностью
расчета потерь информации о первоначальной системе характеристик при
исключении малозначащих параметров;
- разработку МО для выбора метода прогнозирования ТС КС, которая
состоит в создании эксплуатационных моделей КС, прогнозных моделей
КС, классификационных таблиц методов прогнозирования ТС КС;
- разработку методики прогнозирования ТС КС, позволяющей
выявить
функцию
тренда
по
имеющимся
исходным
данным
контролируемого параметра, произвести экстраполяцию его значения на
некоторый интервал упреждения, прогнозировать значения погрешности
вычислений и формировать в итоге окончательный прогноз.
Во
втором
прогнозирования,
разделе
приведены
разработан
подход
основы
к
их
выбора
выбору,
параметров
включающий:
информационный подход на основе имеющихся количественных данных
по параметрам ТС КС и метод анализа иерархий, применяемый в случае,
если параметры невозможно точно количественно измерить.
Информационный
подход
включает
процесс
составления
корреляционной матрицы по значениям исходных параметров ТС КС, учет
вероятностей соответствия значений рассматриваемых характеристик
9
требуемому
уровню,
построение
преобразования,
позволяющего
определить коэффициенты приоритетности параметров, использование
функции информации Шеннона для определения информативности
различных совокупностей параметров, а также потерь информации при
исключении малозначащих характеристик. Ставится следующая задача.
Пусть некоторая система характеризуется совокупностью N пара
метров x1 ,...x N , которые обозначим вектором x = (х1, ..., xN). Необходимо
найти такую функцию f(x), которая бы, описывая свойства системы,
отвечала следующим требованиям: вектор z f (x ) содержал бы ту же
информацию о свойствах системы, что и вектор x ; число компонент М
вектора z ( z1...., zM ) было бы меньше числа компонент N вектора x .
Используются данные наблюдений, полученные при контроле Р
аналогичных систем в различные моменты времени. В этом случае имеем
набор из N параметров для каждой системы {xij(k)}, где i = 1, …, N, j = 1,
…, Р – номер контролируемой системы, k – номер замера параметров (k =
1, …, T).
При ограниченном времени испытаний вводится
дополнительный
параметр xN+1, который определяется как вероятность отказа системы к
концу времени испытаний. Значения параметра xN+1 при каждом замере k
равны PN 1, k
no, k
, k = 1, …, T, где no,k – общее число отказавших систем по
P
всем параметрам при k-том замере.
Алгоритм методики выбора информативной совокупности параметров
можно представить следующим образом.
На первом этапе на основе расчета элементов ковариационной
матрицы производится построение корреляционной матрицы С = ||Сij||,
C ij
C ij*
C ii* C *jj
, i = 1, …, N+1, j = 1, …, N+1. При этом в качестве Сi,N+1
(СN+1,j) вычисляется корреляция между вероятностями отказа по выходу за
допуски параметра xi и отказа к концу испытания xN+1. Из полученной
10
матрицы выделяются вспомогательные: А = ||Сij||, i = 1, …, N, j = 1, …, N;
В = ||СN+1,N+1||.
На
втором
этапе
строится
преобразование
α,
описывающее
внутренние связи рассматриваемых параметров контролируемой системы:
11 21 ... i1 ... N 1,1
0 22 ... i 2 ... N 1, 2
...
... ii ... N 1, i
0 0
0 0
...0
... N 1, i 1
...
0 0
...0
... N 1, N 1
(1)
Обозначив через еi – столбцы координатной матрицы || ij || и
определив их так, чтобы Cij = (ei, ej), получаем координаты ij по
рекуррентным соотношениям (i = 1, …, N+1, j = 1, …, N+1):
11 (e1e1 ) С11 ; 21
(e2e1 )
11
С21
11
2
;
; 22 С 22 21
(2)
j 1
i1
(ei e1 )
11
Производится
Ci1
11
; ij
C ij im jm
m 1
jj
вычисление
i 1
2
; ii Cii im
.
m 1
коэффициентов
приоритетности
параметров аi путем решения системы (3):
N 1,1 a111 a2 21 ... a N N 1 ;
N 1, 2 ...a2 22 ... a N N 2 ;
(3)
...
N 1, N ...a N NN .
Алгоритмом решения системы являются рекуррентные соотношения
i 1
aN
На
N 1, N
;
N ,N
следующем
приоритетности
по
a N 1
N 1, N 1 a N N , N 1
;
N 1, N 1
этапе
их
происходит
абсолютной
ai
N 1,i a j ji
j 1
i ,i
сравнение
величине,
.
коэффициентов
перегруппировка
и
11
переиндексация исходных параметров по возрастанию абсолютной
величины аi.
Вычисление функций информации I0, I1, I2, ... осуществляется по
формулам:
I 0 0,5 ln
где
I0
–
общая
det A det В
;
det C
I j 0,5 ln
информативность
det A j det B
det C j
параметров
(4)
,
системы;
Ij
–
информативность параметров системы при отбрасывании первых j
параметров, j = 1, 2 ... N-1; Aj и Cj – матрицы, полученные из матриц А и
С вычеркиванием первых
j-строк и
j-столбцов, соответствующих
отброшенным j параметрам.
Потери информации вычисляются по формуле:
j
I0 I j
I0
100% .
(5)
В случае, когда нет возможности измерять все рассматриваемые
характеристики ТС КС, предлагается использовать метод анализа
иерархий, который позволяет определить приоритетность исследуемых
признаков. Данная методика предусматривает построение матриц парных
сравнений параметров ТС КС, расчет вектора приоритетов, компоненты
которого и являются коэффициентами приоритетности рассматриваемых
характеристик.
В работе обобщены условия выбора метода выявления оптимальной
совокупности параметров прогнозирования ТС КС. С этой целью
разработана классификационная таблица методов, по строкам которой
размещены методы выбора параметров, а по столбцам – признаки метода.
В качестве признаков рассматриваются количество входных параметров,
количество выходных параметров, вид выходных оценок параметров, учет
потерь информации, область использования метода.
12
Для эффективного проведения процесса прогнозирования ТС КС,
эксплуатируемых
по
ФТС,
метод
выбора
параметров
должен
соответствовать следующим требованиям:
1) количество входных параметров должно быть не менее 5;
2) количество выходных параметров должно быть более одного;
3) выходные оценки параметров должны быть взвешены;
4) информативность параметров должна учитываться;
5) потери информации при исключении менее информативных параметров
должны просчитываться;
6) отказы системы по параметру должны учитываться.
Для
индивидуального
использовать
методы
прогнозирования
выбора
параметров,
предпочтительней
которые
определяют
информативность параметра или группы параметров, а также позволяют
учитывать
потери
информации
при
исключении
малозначащих
параметров.
Перечисленным требованиям соответствуют приведенные выше
методы выбора параметров.
Третий раздел посвящен выбору метода прогнозирования и
осуществлению
прогноза.
Обобщены
условия
выбора
метода
прогнозирования ТС КС, дано формализованное представление метода в
виде системы.
Классификационная схема выбора метода прогнозирования (МП) в
зависимости от модели исследуемой системы характеризуется набором
входных параметров о техническом состоянии системы и условиях ее
эксплуатации, множеством выходных характеристик, а также оператором
преобразования входных данных в выходные. Приведены всевозможные
классы эксплуатационных моделей корпоративных сетей.
Разработаны
методические
рекомендации
по
построению
и
классификации эксплуатационных моделей корпоративных сетей, которые
учитывают,
что
в
эксплуатационных
документах
содержатся
13
эксплуатационные модели составных частей КС с различной структурой
содержания и полнотой. Субъект прогнозирования реализует процесс
прогноза на основе имеющейся эксплуатационной модели КС. В
зависимости от структуры содержания и полноты этой модели субъект
прогнозирования
проводит
выбор
соответствующих
МП.
Информационную основу выбора методов прогнозирования составляют
классификационные модели объекта прогнозирования, базой для которых
являются признаки моделей, удовлетворяющих требованиям:
- информативности, т.е. содержащие необходимую информацию об
эксплуатационной модели, обеспечивающую однозначный выбор методов
прогнозирования;
- однозначности, т.е. обеспечивающие разбиение множества эксплуатационных моделей на их однозначные классы;
- полноты, т.е. охватывающие классификацию всего множества известных эксплуатационных моделей.
В соответствии с этим построены таблицы классов эксплуатационных
моделей КС.
Применительно
к
эксплуатации
корпоративных
сетей
метод
прогнозирования ТС КС является совокупностью правил и приемов,
используемых для определения состояния КС в заданный момент или
интервал прогнозирования. Если объектом прогнозирования технического
состояния является множество КС, то применяются методы массового
прогнозирования.
Если
объект
прогнозирования
–
отдельная
КС,
эксплуатируемая в конкретной обстановке внешней среды, используемая
для
выполнения
конкретных
задач,
–
применяются
методы
индивидуального прогнозирования.
В соответствии с приведенным определением понятие МП в
формализованном
виде
M n X M , YM , AM , где
может
быть
представлено
как
система
Mп – формализованное описание метода как
системы, XM – описание исходных данных, YM – описание результатов
14
применения метода, AM – множество операций метода, задаваемых на
описании
исходных
YM AM X M .
В
данных
качестве
для
исходных
получения
данных
результатов
МП
метода
рассматривается
информация о результатах наблюдения за предыдущим поведением
объекта, подлежащего прогнозу, а именно изменению его состояния за
определенный предыдущий интервал времени. Множество операций
метода
представляет
собой
взаимосвязанную
последовательность
арифметических и логических операций, выполняемых над множеством
исходных данных для получения конечного результата. Изменение состава
исходных данных, результатов или операций приводит к изменению
метода прогнозирования.
Для представления классов эксплуатационных моделей используется
декартово произведение признаков эксплуатационных моделей X A Y ,
где X ( X 1 , X 2 , X 3 ) ; Y (Y 1 , Y 2 , Y 3 ) ; A ( A1 , A2 , A3 ) и каждая строка декартова
произведения представляет собой определенный класс эксплуатационных
моделей.
Выбор метода прогнозирования может включать ряд последовательно
выполняемых этапов:
1) определение класса эксплуатационной модели сети (ее элемента);
2) определение вида прогнозирования технического состояния сети, в
качестве которого могут выступать:
а) метод индивидуального прогнозирования (статистические методы),
где множество Y состоит из измеренных (регистрируемых) значений
выходных сигналов ( Y 3 );
б) метод массового прогнозирования (аналоги, опережающие методы),
при котором Y – множество допустимых значений параметра выходных
сигналов ( Y 2 );
в) экспертный метод прогнозирования (прямые, с обратной связью), где
Y – неконтролируемые значения параметра выходных сигналов ( Y 1 );
15
3) формирование признаков модели в виде заданной длины выборки
значений временного ряда, заданного интервала упреждения, заданных
весов значений временного ряда;
4) выбор МП на основе полученного класса эксплуатационных моделей
и класса прогнозных моделей.
Классы
эксплуатационных
моделей
и
схема
выбора
метода
прогнозирования могут быть представлены следующим образом:
Рисунок 1 – Классификационная схема выбора методов прогноза
В приведенной классификации в качестве Х 1 , Х 2 , Х 3 выступают
определенные экспертно, допустимые и измеренные значения входных
параметров соответственно; в качестве А1 – модель, содержащая только
наименование составной части КС,
А2
– алгоритм нормального
функционирования составной части, А3 – алгоритм функционирования с
учетом старения составных частей и расходования ресурса.
Сформулированы и обобщены условия выбора и применения МП,
разработана комплексная методика осуществления прогноза ТС КС.
В качестве МП по предложенной классификации из группы методов
экстраполяции выбран метод экспоненциального сглаживания. Данный
метод является надежным, предполагает возможность учета весов
информации, достаточно прост в вычислениях, гибок при описании
различных динамик процессов, описывает не средний уровень процесса, а
тенденцию, сложившуюся к моменту последнего наблюдения, дает
16
хорошую точность прогноза (не менее 95%) на основе исходного ряда
данных, имеющего до 20-30 значений.
Последовательность
расчетов
при
прогнозировании
методом
экспоненциального сглаживания включает:
1) представление временного ряда (расчет коэффициентов тренда
методом наименьших квадратов), проверка последовательности исходных
значений на наличие циклов внутри интервала наблюдения;
2) определение интервала и расчет параметра сглаживания α;
3) определение начальных условий S 0k ;
t 1
4) вычисление экспоненциальных средних S tk (1 ) i S tk11 ;
i 0
5) определение оценок коэффициентов а0, а1 и т.д.;
6) расчет прогнозных оценок характеристики x*(l) = F*(l).
Для уточнения прогноза временного ряда необходимо прогнозировать
случайную компоненту εt (отклонения фактических значений параметра от
прогнозных), что предлагается осуществлять методом авторегрессии: εt=b1
εt-1+b2 εt-2+b3 εt-3+…+bр εt-р+ut, где b1, b2, …, bр – коэффициенты уравнения
авторегрессии, ut – ошибка авторегрессии. Тогда прогноз временного ряда
будет суммой прогноза по тренду и прогноза εt: xt = f(t)+ εt.
Четвертый раздел представляет собой практическое применение
разработанного в диссертационной работе МО. В качестве объекта
прогнозирования выбрано техническое состояние корпоративной сети
организации. Последовательность практических расчетов включает: выбор
оптимальной
совокупности
наиболее
информативных
параметров
корпоративной сети, определение зависимостей между параметрами
системы, осуществление прогноза значений характеристик КС с помощью
методики, включающей методы экспоненциального сглаживания для
прогноза значений характеристик ТС КС и авторегрессии для прогноза
значений погрешности, а также оценку эффективности предложенного
методического обеспечения.
17
Произведен анализ данных наблюдений, полученных при контроле
характеристик ТС корпоративных сетей пяти предприятий в различные
моменты времени. Контроль осуществлялся по шести параметрам: число
абонентов (х1); пропускная способность (х2); загрузка сети данными (х3);
загрузка конфликтами (х4); время восстановления сети (х5); интенсивность
абонента (х6). Вводится параметр х7 – вероятность выхода за границы
интервала
допустимых
значений
параметра,
устанавливаемых
администратором сети согласно предъявляемым к корпоративной сети
требованиям.
Построенные корреляционная матрица С, преобразование α и
решение системы линейных уравнений дают следующий набор
коэффициентов приоритетности: 7,39 для параметра х1, -49,08 – для х2,
9,8 – для х3, -3,63 – для х4, 34,3 – для х5, 2,21 – для х6. Таким образом,
наиболее информативны характеристики х2 и х5, а наименьшую
информативность несут параметры х4 и х6.
Общая информативность исходной системы параметров ТС КС
составила 2,588 ед. информации. При исключении параметра с
наименьшим коэффициентом приоритетности х6 потери информации
равны 0,2%. Исключая следующий по приоритетности параметр х4,
получаем потерю информации порядка 10%. При исключении далее
характеристики х1 потеря информации составляет 23,4%.
Определение приоритетности характеристик ТС КС методом анализа
иерархий дает следующие результаты: для параметра х1 коэффициент
приоритетности составил 0,062, х2 имеет вес 0,457, х3 – 0,079, х4 – 0,057, х5
– 0,198, х6 – 0,145. Таким образом, наименее информативны параметры х1,
х3, х4, а наибольшую информативность несут характеристики х2 и х5. При
исключении в данном случае параметров х1, х4 информативность
снижается на 12,1%.
В ходе определения уравнений регрессии рассмотрены несколько
зависимостей между параметрами ТС корпоративной сети: зависимость
18
загрузки канала данными от его пропускной способности и зависимость
времени доставки пакета от пропускной способности сети. В первом
случае получено уравнение функции тренда линейного вида, погрешность
отклонений значений которого от исходных значений временного ряда не
превышает 0,3 %. Для второй зависимости в качестве функции тренда
определена гиперболическая функция. Погрешность отклонений в данном
случае не превышает 0,1 %. Таким образом, расчеты, проводимые с
помощью приведенных методик, дают результаты с высокой степенью
точности.
На основе определенной степени значимости параметров ТС КС
можно последовательно осуществлять прогноз технического состояния
сети.
Пропускная
способность
сети
–
характеристика,
имеющая
наибольший коэффициент приоритетности. В диссертационной работе
произведен прогноз значений этого параметра на основе разработанной
методики.
Замеры производятся в течение дня с интервалом 40-60 мин.
Продолжительность рабочего дня составляет 10 часов (с 8 до 18):
Таблица 1 – Временной ряд значений пропускной способности
t
1
2
3
4
5
6
7
8
9
10
11
12
xi
91
89
90
88
86
84
84
85
86
86
88
89
Таким образом, пиковая нагрузка на сеть приходится на середину
рабочего дня (ориентировочно с 11 до 14 ч). Пропускная способность к
середине дня снижается, а к концу рабочего времени увеличивается.
Визуально можно сделать вывод о параболическом виде тренда исходного
временного ряда. По значениям коэффициентов тренда выявляем его вид:
F(t) = 0,1758∙t2–2,5375∙t+94,136. Точность построения функции тренда
составляет выше 97%.
Спрогнозируем значения пропускной способности в момент t = 14.
Прогнозное значение пропускной способности для точки t = 14: F*(14) =
93,067. Точность прогноза при этом составляет 99,9%.
19
Прогноз на интервале наибольшей загруженности сети t =(4, …, 9),
для t = 8, тех же начальных условиях (количество шагов m=4) дает
прогнозное значение пропускной способности F*(8) = 87,265, точность
прогноза – 97,5%.
Итак, приближение функцией тренда ряда исходных данных значений
пропускной способности сети дает погрешность вычислений 2,2%, а
вычисление прогнозного значения дает погрешность 0,1%. В целом метод
экспоненциального сглаживания в совокупности с методом авторегрессии
для ошибки прогноза дает погрешность в пределах 3% или точность
вычислений – не менее 97%.
При
оценке
эффективности
применения
разработанного
методического обеспечения для прогнозирования ТС КС учитывались
следующие характеристики:
1) время сбора и обработки информации до и после внедрения;
2) финансовые
затраты
на
приобретение
диагностирующего
оборудования до и после предложения о внедрении;
3) экономический эффект от внедрения предложенного МО.
В случае диагностики сети стандартными программными средствами
на сбор статистической информации в течение рабочего дня с 68 рабочих
станций затраты времени составляют порядка 20 мин., а обработка
полученных данных (ПО или анализатором) – 30-40 мин. Однако, в данном
случае следует помнить, что такого рода средства не осуществляют выбора
наиболее информативных параметров, а также прогноза значений
измеряемых
параметров,
так
как
диагностирующее
оборудование
производит только сбор статистических данных и их анализ. Если
диагностика сети осуществляется с помощью утилит диагностики,
встроенных в операционную систему, то затраты времени на сбор и
обработку данных значительно увеличиваются и составляют около 5 часов.
В этом случае также отсутствует прогноз данных.
20
В
результате
внедрения
разработанного
методического
и
программного обеспечения для прогнозирования ТС КС время на сбор
информации составляет около 20 мин., а на обработку данных (занесение в
систему и осуществление прогноза) – 40 мин.
Сравнение финансовых затрат в разных случаях. При использовании
стандартного программного обеспечения для диагностики параметров
корпоративной сети затраты на его приобретение составят 30 – 70 тыс. руб.
Стоимость аппаратного обеспечения колеблется в пределах 500 – 1000 тыс.
руб.
Диагностика
с
помощью
встроенных
утилит
не
требует
дополнительных затрат, однако их отсутствие несоизмеримо с затратами
времени на контроль параметров каждой рабочей станции в сети.
Таким образом, учитывая имеющиеся возможности, временные и
финансовые затраты, разработанное в диссертационной работе МО для
прогнозирования ТС КС следует признать более предпочтительным. Стоит
отметить,
что
предложенная
прогнозированию
ТС
КС
с
система
комплексного
необходимостью
влечет
подхода
к
повышение
работоспособности исследуемого объекта, повышению его технических
характеристик (до 2 раз), предупреждению внезапных отказов, и кроме
того
возможность
выбора
совокупности
наиболее
информативных
параметров ТС КС удешевляет процесс диагностики и прогноза (от 2 до 20
раз в зависимости от способа диагностики), так как позволяет существенно
сократить затраты на приобретение диагностирующего оборудования или
ПО.
В заключении сформулированы основные выводы, перечислены
полученные в работе результаты.
Приложения
содержат
копии
свидетельств
об
официальной
регистрации программ для ЭВМ, листинг программ, акты внедрения
результатов диссертационной работы.
21
Основные выводы и результаты работы
1. Предложен
включающий
две
подход
к
методики:
выбору
параметров
информационный
прогнозирования,
подход
на
основе
имеющихся количественных данных по параметрам ТС КС; метод анализа
иерархий, применяемый в случае, если параметры невозможно точно
количественно измерить.
2. Разработана
классификационная
схема
выбора
метода
прогнозирования в зависимости от эксплуатационной модели КС, которая
характеризуется набором входных параметров о ТС КС, условиях ее
эксплуатации, множеством выходных сигналов, а также оператором
преобразования входных сигналов в выходные, приведены классы
эксплуатационных моделей КС.
3. Предложена
комплексная
методика
параметрического
прогнозирования КС, предполагающая определение тренда временного
ряда значений параметра, выявление функции тренда с помощью метода
наименьших
квадратов,
прогнозирование
по
полученной
функции
значений параметра через заданный промежуток времени (с применением
метода экспоненциального сглаживания), оценка погрешности прогноза,
прогнозирование величины погрешности методом авторегрессии на тот же
интервал упреждения.
4. Проведены расчеты в соответствии с предложенной системой МО
процесса прогнозирования ТС КС. Выявлено влияние использования
разработанного методического аппарата на повышение работоспособности
сети, снижение затрат времени и средств на диагностику и прогноз
технического состояния корпоративной сети.
Публикации по теме диссертации
в изданиях, рекомендованных ВАК РФ:
1. Нарыжная Н.Ю. Подход к выбору технического обеспечения для
корпоративной сети / Г.С. Петриченко, Н.Ю. Нарыжная, Д.Н. Шабельник //
22
Журнал «Научно-технические ведомости СПбГПУ» – СПб – 2007 – №4 –
С. 60-63.
2. Нарыжная Н.Ю. Метод обобщенного параметра и прогнозирование
технического состояния корпоративной сети / Г.С. Петриченко, Н.Ю.
Нарыжная, Ю.С. Поверенный // Научный журнал «Телекоммуникации» М.: Наука и технологии - 2008– №3 – С.2-5.
3. Нарыжная Н.Ю. Моделирование управленческих ситуаций по
защите
информации
с
применением
иерархической
системы
неисправностей / Г.С. Петриченко, Н.Ю. Нарыжная, В.Н. Гоголев //
Журнал «Научно-технические ведомости СПбГПУ» – СПб – 2008 – №2 –
С.103-107.
4.
Нарыжная
Н.Ю.
Выбор
информативных
параметров
при
прогнозировании технического состояния компьютерной сети предприятия
/ Г.С. Петриченко, Н.Ю. Нарыжная // Журнал «Автоматизация и
современные технологии» – М.: Машиностроение – 2008 – №9 – С.33-35.
5. Нарыжная Н.Ю. Особенности построения и классификации
эксплуатационных
моделей
автоматизированной
системы
при
прогнозировании ее технического состояния / Г.С. Петриченко, Н.Ю.
Нарыжная // Журнал «Научно-технические ведомости СПбГПУ» – СПб –
2008 – №4 – С.129-134.
в других изданиях:
1.
Нарыжная
Н.Ю.
Выбор
информационных
параметров
для
прогнозирования сложных систем / Г.С. Петриченко, С.А. Капустин, Н.Ю.
Нарыжная, Ю.С. Поверенный // Сб. трудов КубГТУ. Краснодар, 2004.
2.
Нарыжная
Н.Ю.
Методика
выбора
параметров
для
индивидуального прогнозирования сложных систем с использованием
метода корреляционных групп / Г.С. Петриченко, Н.Ю. Нарыжная, Л.М.
Фридман // Сб. трудов седьмой всероссийской научной конференции
молодых ученых и аспирантов Новые информационные технологии.
23
Разработка и аспекты применения. 25-26 ноября 2004 г. – ТГРУ. –
Таганрог, 2004.
3. Нарыжная Н.Ю. Теоретические и экспериментальные исследования
и
разработка
информационно-математического
обеспечения
АСУ
отработкой качества ракетного вооружения / А.Б. Стефанович, С.А.
Капустин, И.В. Самборский, Н.Ю. Нарыжная // Отчет по НИР «Кама2002», разд. 1, 3. – КВВАУЛ. – Краснодар, 2004.
4. Нарыжная Н.Ю. Оценка погрешности в системах учета контроля
электропотребления информационных объектов и пути ее уменьшения /
В.А. Атрощенко, Г.С. Петриченко, Н.Ю. Нарыжная, Л.М. Фридман //
Межвузовский сборник научных трудов – Краснодарский военный
институт. – Краснодар, 2004. – №5 – т. 1 – С.206-208.
5. Нарыжная Н.Ю. Применение информационных технологий при
прогнозировании технического состояния автоматизированных систем /
Г.С. Петриченко, Н.Ю. Нарыжная, Ю.С. Поверенный, К.А. Фролов //
Материалы VII межвузовской научной конференции Инновационные
технологи в образовательном процессе. 21-22 апреля 2005 г. – КВВАУЛ. –
Краснодар, 2005. – С.147-150.
6.
Нарыжная
Н.Ю.
Выбор
метода
прогнозирования
при
проектировании автоматизированных систем / Ю.С. Поверенный, Н.Ю.
Нарыжная, К.А. Фролов, Л.М. Фридман // Материалы VII межвузовской
научной конференции Инновационные технологи в образовательном
процессе. 21-22 апреля 2005 г. – КВВАУЛ. – Краснодар, 2005. – С.141-144.
7. Нарыжная Н.Ю. Выбор метода прогнозирования сложных систем
АСУ в зависимости от модели / Г.С. Петриченко, Л.М. Крицкая, Н.Ю.
Нарыжная // Политематический сетевой электронный научный журнал
КГАУ. – Краснодар, 2005. – №14 (06).
8.
Нарыжная
Н.Ю.
Методика
состояния автоматизированных
прогнозирования
технического
систем / Г.С. Петриченко, Н.Ю.
24
Нарыжная, К.А. Фролов, Ю.С. Поверенный // Сб. трудов КубГТУ. –
Краснодар, 2005. – С.169-173.
9. Нарыжная Н.Ю. Оценка качества корпоративных сетей при
различных способах эксплуатации / Г.С. Петриченко, Л.М. Крицкая, Н.Ю.
Нарыжная // Политематический сетевой электронный научный журнал
КГАУ. – Краснодар, 2006. – №19 (03).
10. Нарыжная Н.Ю. Характеристика надежности систем и сетей,
выбор оптимальной методики расчета параметров надежности системы /
Г.С. Петриченко, Л.М. Крицкая, Н.Ю. Нарыжная // Политематический
сетевой электронный научный журнал КГАУ. – Краснодар, 2006. – №22
(06).
11. Нарыжная Н.Ю. Условия выбора метода выявления оптимальной
совокупности параметров индивидуального прогнозирования технического
состояния корпоративной сети / Г.С. Петриченко, Н.Ю. Нарыжная, В.Н.
Гоголев // Материалы Х юбилейной международной научно-практической
конференции Инновационные технологи в образовательном процессе. –
КВВАУЛ. – Краснодар, 2008. – С.189-192 и др.
Свидетельства об официальной регистрации программ для ЭВМ:
1. Нарыжная Н.Ю. Выбор оптимальной совокупности элементов
корпоративной сети и расчет ее надежности / Г.С. Петриченко, Н.Ю.
Нарыжная, Л.Е. Горбачев // Свидетельство об официальной регистрации
программы для ЭВМ – РОСПАТЕНТ – № 2007612574 – М., 2007.
2.
Нарыжная
корпоративной
сети
Н.Ю.
/
Выбор
Г.С.
технического
Петриченко,
Н.Ю.
обеспечения
Нарыжная,
для
Ю.С.
Поверенный, М.Н. Грамин // Свидетельство об официальной регистрации
программы для ЭВМ – РОСПАТЕНТ – № 2007614314 – М., 2007.
