Б01: 10.12731^8^2015-2-18 УДК 00.004.942
СПОСОБ ОЦЕНКИ СОСТОЯНИЯ РАСПРЕДЕЛЕННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ
Скорик Ф.А.
В связи с территориальной разнесенностью и большим количеством объектов у администратора информационной системы не всегда есть возможность оценить ее текущее состояние. Для получения такой оценки необходимо обработать большое число значений различных показателей состояния. В статье рассматривается способ оценки текущего состояния распределенной информационной системы, реализованный с использованием элементов искусственного интеллекта. Использование искусственных нейронных сетей для кластеризации и обобщения данных, а также в качестве ассоциативной памяти, позволяет свести к минимуму время, необходимое для вычислений и поиска решений возникающих проблем. Предложенный способ реализован в виде модели, исходными данными которой выступают обработанные соответствующим образом данные, полученные от подконтрольных объектов распределенной информационной системы. В модели осуществляется расчет обобщенного показателя, определяющего текущее состояние распределенной информационной системы в виде одного, легко вычисляемого значения.
Ключевые слова: распределенная информационная система; искусственные нейронные сети; показатели состояния; модель оценки состояния.
A METHOD FOR THE STATE EVALUATION OF DISTRIBUTED INFORMATION SYSTEM
Skorik F.A.
Information system has many geographically distributed objects and a administrator can't evaluate its current state or he must process too many indicators of state and this is not always possible. Article describes the method of evaluation a state the distributed information system that has realized with elements of the artificial intelligence. Artificial neural networks may be used for clustering and generalization of data and as a associative memory. This enables to minimize the time required for computing and search the solutions to emerging problems. This method is realized as the model that uses the processed data received from controlled objects of the distributed information system. The model calculates generalized indicator that determines the state of distributed information system as one value that is easy ranked. Because of territorial width and large numbers of objects, the administrator does not always have the opportunity to assess the current state of the information system. Processing a large number of values of different indicators is necessary for such an evaluation. The article describes a way to assess the current state of the distributed information system
that is implemented using elements of artificial intelligence. The use of artificial neural networks for clustering and aggregation of the data, as well as associative memory, can minimize the time required for the calculations and searching solutions for emerging problems. The proposed method is implemented as a model, which has the source data that are processed by the data collected from sites of the distributed information system. The model calculates the common ratio that defines the current state of the distributed information system in a single and easy calculated value.
Keywords: distributed information system; neural networks; state indicator; state evaluation model.
В настоящее время практически в любой организации или на предприятии функционирует одна или несколько информационных систем различного назначения. Зачастую они взаимно интегрированы, либо объединены в единую информационную систему, причем территориальная распределенность отдельных сегментов такой системы не имеет существенного значения.
Сопровождение и администрирование такого рода распределенных систем существенно затруднено из-за существенных различий используемых программных и аппаратных средств, либо предполагает их значительное резервирование, что не всегда возможно и нецелесообразно [1]. Поэтому актуальность вопросов разработки и применения различных способов и методов оценки состояния сложных систем со временем только возрастает.
Определение взаимосвязей и формализация данных реальной информационной системы представляет собой практически
неразрешимую обычными математическими методами задачу, поскольку структура ее информационного обмена формируется динамически, под влиянием разнородных, зачастую несогласованных между собой внешних и внутренних факторов [2]. Однако использование нечеткого логического вывода на основе искусственных нейронных сетей позволяет построить достаточно точную модель, формализующую текущее состояние распределенной информационной системы.
Тематически данное исследование посвящено вопросам применения элементов искусственного интеллекта в системах управления и мониторинга распределенных информационных систем.
Областью применения результатов настоящей статьи также может являться область обеспечения информационной безопасности в критических инфраструктурах. В настоящее время эта область интенсивно развивается, известны некоторые подходы, в частности [3, 4], связанные применением методов искусственного интеллекта и созданием нового поколения систем мониторинга и управления инцидентами безопасности [5].
Исходными данными являются:
К = {ку, у = 1, У} - множество узлов распределенной информационной системы, участвующих в информационном обмене.
р = {рп, п = 1, N} - —-мерный вектор показателей, описывающих распределенную информационную систему.
С = С, / = 1,1} - множество задач решаемых распределенной информационной системой.
Нечеткие эталонные ситуации определяются как экспертное заключение, и им сопоставляются некоторое фиксированное чис-
ло формализованных решений. Функционирование модели [6] подразумевает выявление определенной нечеткой ситуации, нахождение «ближайшей» эталонной ситуации и формирование на основе полученных данных сбалансированной оценки состояния распределенной информационной системы. В качестве кластеризующей и обобщающей структуру в предлагаемой модели предполагается использовать нейронные сети, содержащие в своем составе слой Кохонена. В качестве запоминающей и распознающей структуры, в силу простоты и минимальных требований к вычислительным ресурсам могут быть использованы нейронные сети Хопфилда, либо нейронные сети Хемминга [7, 8]. Их основным недостатком является ограниченное количество образов данных, которые они в состоянии запомнить. В случае если количество образов для запоминания превышает критическое значение, которое для сети Хопфилда считается равным 0Д4А^, где N = п х п - число нейронов в сети, а для сети Хемминга равно числу нейронов в первом или во втором слоях, возникает так называемая «ложная память», и в дальнейшем распознание образов будет проводиться некорректно [9, 10]. Поэтому при использовании такого рода нейронных сетей необходимо постоянно контролировать, чтобы число образов, которые необходимо запомнить, не превышало максимально допустимое для конкретной нейронной сети количество.
Структура нейросетевой модели оценки состояния распределенной информационной системы представлена на рисунке 1.
При использовании предложенной модели имеют место следующие ограничения и допущения:
■ на доступных узлах распределенной информационной системы функционируют клиентские приложения, реализующие функции вычисления значений целевых показателей состояния и гарантированной доставки этих значений на рабочее место администратора;
■ используется фиксированное число показателей состояния;
■ приложения, реализующие расчет значений показателей состояния взаимоувязаны в единую систему мониторинга;
■ база данных для хранения статистических данных и база данных для хранения метаданных находятся на одном, специально выделенном узле РИС;
■ имеет место некоторая погрешность вычислений, зависящая от времени доставки сообщений со значениями показателей состояния от разных узлов к приложению-обработчику [11];
■ для вычисления обобщенных показателей состояния применяется аддитивная свертка.
Процесс получения оценки текущего состояния распределенной информационной системы осуществляется в два этапа, рассмотренных ниже.
Рис. 1. Структура модели оценки состояния распределенной информационной системы
Этап 1. Подготовка системы к работе
В зависимости от решаемых задач выбирается перечень из Р показателей [12], совокупность значений которых позволяет однозначно принять верное управляющее решение, в случае возникновения нештатной ситуации, задаются их нормативные значения.
Путем опроса (блок 3, рис. 1) определяются К доступных объектов распределенной информационной системы (блок 1, рис. 1).
Для накопления необходимой статистической информации, через равные At промежутки времени, за общий промежуток времени Т > At, М = Т/At раз выполняются опросы доступных объектов распределенной информационной системы, целью которых является получение значений каждого из Р выбранных показателей для каждого из К доступных объектов (1).
<Ли ,..., 1 р <Л21,..., 2р
dkl,..., <1
кр
(1)
где с1кр - значение p-го показателя ^го объекта Р массивов значений показателей, полученных в результате одного опроса подаются на вход модуля кластеризации (субблок 4-1, рис. 1), где проверяется корректность значений, осуществляется приведение их к единому формату, а также отдельно для каждого из показателей выделяется фиксированное число О кластеров схожих значений. Выделяются нетипичные объекты, которые невозможно присоединить ни к одному кластеру. Осуществляется
проверка соответствия полученных значений ранее сохраненным нормативным. При выявлении несоответствия формируется сообщение соответствующего содержания. Полученные значения сохраняются в специальной базе данных (блок 5, рис. 2.5), предназначенной для хранения статистической информации. После накопления достаточного объема статистических данных опрос завершается.
Для каждого из кластеров устанавливаются значения приоритета и выделяется усредненное значение, из которых впоследствии, для каждого из показателей, формируется выборка из О значений. Последовательно, О раз формируются выборки значений всех целевых показателей с одинаковым приоритет
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.