автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Обеспечение надежности сложных программных средств на основе искусственных нейронных сетей

доктора технических наук
Кабак, Илья Самуилович
город
Москва
год
2015
специальность ВАК РФ
05.13.01
Автореферат по информатике, вычислительной технике и управлению на тему «Обеспечение надежности сложных программных средств на основе искусственных нейронных сетей»

Автореферат диссертации по теме "Обеспечение надежности сложных программных средств на основе искусственных нейронных сетей"

На правах рукописи

Кабак Илья Самуилович

ОБЕСПЕЧЕНИЕ НАДЕЖНОСТИ СЛОЖНЫХ ПРОГРАММНЫХ СРЕДСТВ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Специальность: 05.13.01 — Системный анализ, управление и обработка информации (технические системы)

о Ш 2015

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

/Ж---

005569908

Москва 2015

005569908

Работа выполнена в ФГБОУ ВПО «Московский государственный технологический университет «СТАНКИН».

Официальные оппоненты: Шубинский Игорь Борисович, доктор технических наук, профессор, советник Генерального директора ОАО «Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте» (ОАО «НИИАС») (г. Москва); Барский Аркадий Бенционович, доктор технических наук, профессор, профессор кафедры «Вычислительные системы и сети» ФГБОУ ВПО «Московский государственный университет путей сообщения» (МИИТ); Казарин Олег Викторович, доктор технических наук, старший научный сотрудник, доцент кафедры комплексной защиты информации Института информационных наук и технологий безопасности ФГБОУ ВПО «Российский государственный гуманитарный университет» (г. Москва); Ведущая организация: ФГБОУ ВПО «Московский государственный технический университет имени Н.Э. Баумана»

Защита состоится « » 2015 г. в на заседании

диссертационного совета Д 212.142.03 при ФГБОУ ВПО МГТУ «СТАНКИН» по адресу: 127055, г. Москва, Вадковский пер., д.За.

С диссертацией можно ознакомиться в библиотеке и на сайте ФГБОУ ВПО МГТУ «СТАНКИН» www.stankin.ru.

Автореферат разослан « »_2015 г.

Ученый секретарь

диссертационного совета Д 212.142.03, к.т.н., доц.

Семячкова Елена Геннадьевна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В условиях рыночной экономики главным фактором становится качество продукции. Качество включает ряд показателей, в том числе - надежность.

АСУ широко используются при управлении техническими системами, технологическими процессами и оборудованием в промышленности, на транспорте, в авиационно-космическом комплексе, в оборонных и др. областях. Современные АСУ - это сложные комплексы оборудования, где используются компьютеры, сети передачи данных, контроллеры, датчики, исполнительные механизмы и другие устройства с программным управлением. Они включают в себя, как необходимый компонент, сложные программные средства (ПС).

Надежность ПС АСУ - это комплексное свойство, где главным показателем является безотказность. Безотказность - это свойство, характеризующее способность сохранять работоспособное состояние при соблюдении заданных режимов и условий эксплуатации.

Надежность работы всей автоматизированной системы управления в существенной степени зависит от надежности ПС. Требования к надежности ПС необходимо обеспечивать при выполнении всех процессов их жизненного цикла. Для оценки надежности ПС АСУ необходимо собирать и обрабатывать данные об отказах, как во время разработки ПС, так и при их эксплуатации. Причиной отказов в ПС АСУ являются, в первую очередь, ошибки в программном коде.

Особый класс АСУ составляют системы управления реального времени (РВ). АСУ РВ принято разделять на два основных типа: системы жесткого и мягкого РВ, в зависимости от последствий отказа. Для систем жесткого РВ нарушение времени выполнения программы означает отказ и может привести к аварийной ситуации. В системах мягкого РВ нет жестких требований к времени выполнения. Для систем мягкого РВ нарушение времени выполнена программы означает уменьшение производительности и может привести к экономическому ущербу.

з

В составе ПС обычно выделяют системные и прикладные ПС. Объектом исследования являются сложные прикладные ПС АСУ мягкого РВ. Предметом исследования является обеспечение надежности сложных прикладных программных средств АСУ, включая анализ, моделирование, оптимизацию, совершенствование управления процессами их жизненного цикла.

Основное содержание работы связано с теоретическими и прикладными исследованиями системных связей и закономерностей функционирования процессов жизненного цикла ПС АСУ, в разработке новых и совершенствовании уже существующих методов и средств повышения надежности сложных программных средств.

На современном этапе ПС являются наиболее сложным и дорогостоящим компонентом АСУ. Аппаратная часть АСУ строится из стандартных унифицированных модулей, что обеспечивает заданный уровень их надежности. ПС АСУ являются логически сложным и уникальным продуктом, т.к. при переносе, установке и адаптации к новым задачам и требованиям заказчика приходится дорабатывать и изменять, модернизировать его модули. Любое изменение в ПС делает необходимой повторную оценку их надежности, т.к. возможно как выявление скрытых ошибок, так и внесение новых.

В АСУ используются инструментальные и заимствованные ПС от внешних разработчиков. Эти средства, как правило, не достаточно полно документированы, поэтому отсутствует достоверная информация об их надежности.

Будем называть модулем фрагмент программы, выполняющий определенные функции, начиная от отдельного оператора (как модуля нижнего уровня) и до подсистем (как модулей верхнего уровня). ПС АСУ имеют модульную структуру, являются сложной системой и имеют свои специфические особенности:

-характеризуются большим объемом- кода, состоят из различных по назначению подсистем;

- подсистемы включают большое число модулей;

-модули разрабатывались параллельно несколькими независимыми коллективами специалистов с использованием различных алгоритмических языков, технологий и стилей программирования, тестирования и отладки;

-модули верхнего уровня таких ПС, в свою очередь, состоят из модулей нижнего уровня, которые существенно различаются по значениям интенсивностей их отказов.

Программные модули управляют комплексом разнообразного технического оборудования, например, технологическими комплексами и контролируют работоспособность этого оборудования. ПС анализируют сигналы от датчиков, идентифицируют фактическое состояние оборудования, контролируют его соответствие информационной модели и обнаруживают большое количество нештатных ситуаций (например, отказов устройств и ошибок операторов). Нештатные ситуации, возникающие при работе АСУ, должны обрабатываться в автоматическом или автоматизированном режиме. Как правило, их обработка не требует сложных вычислений, но сопровождается выполнением логических операций; команд сравнения и условного перехода.

К числу наиболее известных теоретических исследований в области надежности программных средств относятся, в частности, работы зарубежных ученых Майерса Г.Дж. (Myers G.J.), Диллона Б.С. (Dhillon B.S.), Сингха Ч„ (Singh Ch.) Шумана M.Jl (Shooman M.L), Джелински 3. (Jelinsky Z.), Моранды П.Б. (Moranda Р.В.), Шика T.fl.(Shick G.J.), Волвертона Р.В (Wolwerton R.W.), а также советских и российских ученых Шубинского И.Б., Ушакова И.А., Казарина О.В., Любатова Ю.В., Иыуду К.А., Пальчуна Б.П. и др.

До настоящего времени для оценки надежности ПС АСУ использовались расчетно-статистические методы и аналитические модели. Научная проблема оценки и прогнозирования надежности ПС АСУ остается до конца не решенной. Требуется разработка новых методов и моделей для прогнозирования и оценки надежности ПС АСУ, в том числе, на базе

искусственных нейронных сетей (ИНС). Использование ИНС позволяет, дополнить традиционные методы моделирования новыми математическими и нейросетевыми моделями для оценки и прогнозирования надежности ПС.

Целью диссертационной работы является обеспечение заданного уровня надежности сложных программных средств на основе комплекса моделей для прогнозирования и оценки надежности.

Для достижения цели диссертационной работы необходимо решить следующие задачи:

- провести исследование, систематизацию существующих методов прогнозирования и оценки надежности ПС АСУ и их сравнительный анализ;

- разработать комплекс моделей для прогнозирования и оценки надежности, связывающих интенсивность отказов ПС со структурой и временем отладки модулей;

- разработать методику оптимизации времени отладки ПС АСУ;

- разработать средства для прогнозирования и оценки надежности ПС АСУ на основе ИНС, включая:

а) математическую модель для прогнозирования и оценки надежности ПС АСУ,

б) нейросетевую модель для прогнозирования и оценки надежности ПС АСУ;

в) новую структуру для большой ИНС, которая позволит реализовать разработанную нейросетевую модель;

г) метод построения ИНС, реализующий новую структуру ИНС и позволяющий увеличивать размер сети во время ее функционирования;

д) методику последовательного обучения большой ИНС, базирующуюся на специфике ее реализации;

е) пакет компьютерных программ для поддержки предложенного в диссертации метода прогнозирования и оценки надежности ПС АСУ;

ж) анализ экспериментальных данных, проверку и подтверждение полученных теоретических результатов.

Научная новизна. В работе получены следующие новые научные результаты:

1. Установлены количественные связи между надежностью ПС АСУ, структурой и временем отладки модулей.

2. На базе выявленных связей и особенностей программных средств теоретически разработан комплекс моделей для прогнозирования и оценки надежности ПС АСУ. Комплекс моделей включает математическую модель в виде системы нелинейных алгебраических уравнений и нейросетевую модель.

3. Применение математической модели для прогнозирования и оценки надежности программных средств требует сложных математических расчетов и оценки параметров. Для упрощения оценки параметров и моделирования надежности была разработана нейросетевая модель для прогнозирования и оценки надежности ПС АСУ, которая реализована как большая обученная искусственная нейронная сеть, с новой коммутаторно- доменной структурой.

4. Пространство состояний сложных программных средств описано с помощью ИНС.

5. Созданы новые методы и технологии ИНС для реализации нейросетевой модели: разработаны и исследованы методы построения больших ИНС, позволяющие динамически изменять состав и структуру ИНС за счет активации избыточных нейронов во время работы ИНС.

6. Разработаны механизмы обучения большой ИНС особой структуры, характерной для прогнозирования и оценки надежности ПС АСУ.

7. На основе разработанных моделей и методов была поставлена, исследована и решена задача прогнозирования, оценки и оптимизации времени отладки, как одного из процессов жизненного цикла ПС АСУ. Задача оптимизации времени отладки ПС АСУ была решена с применением разработанной модели прогнозирования и оценки надежности на базе искусственных нейронных сетей.

Методы исследований

Поставленные в работе задачи решались методами аналитических,

численных и экспериментальных исследований. В работе использованы методы оптимизации, теории вероятности и математической статистики, теории случайных процессов, математической теории надежности, методы построения компьютерных и промышленных сетей, теории искусственного интеллекта (нечеткая логика, искусственные нейронные сети, генетические алгоритмы).

Практическая ценность работы

Разработаны методики и программные средства для прогнозирования и оценки надежности ПС АСУ, позволяющие:

- определить оптимальное, экономически обоснованное время разработки программных средств, обеспечивающее указанный в техническом задании уровень их надежности и соответствующее этому распределение времени отладки между модулями;

- прогнозировать изменение надежности ПС АСУ во время их отладки, что позволяет принимать решение об окончании этой стадии разработки.

Полученные в работе результаты могут также использоваться не только при разработке ПС АСУ, но и при разработке интеллектуальных систем различного назначения, в том числе, систем автоматизации проектирования, систем технологической подготовки производства.

Соответствие диссертации паспорту специальности .

Диссертация соответствует формуле научной специальности 05.13.01-«Системный анализ, управление и обработка информации (по отраслям)», посвящена вопросам анализа, моделирования, оптимизации, совершенствования управления и принятия решений, с целью повышения эффективности функционирования объектов исследования - сложных программных средств автоматизированного управления техническими системами. Значение решенных в работе научных и технических проблем для народного хозяйства состоит в разработке новых и совершенствовании существующих методов повышения эффективности, надежности и качества ПС АСУ технических систем и включает следующие области исследования:

- Методы и алгоритмы прогнозирования и оценки эффективности, качества и надежности сложных систем (п. 11). В главе 2 работы проведен вывод формулы для количественной оценки показателей надежности (интенсивности отказов) сложных программных средств с учетом времени проектирования, структуры и состава ПС. В главе 3 работы предложен способ количественной оценки интенсивности отказов сложных программных средств на базе искусственных нейронных сетей. В главе 5 рассмотрен метод оптимизации процесса разработки сложных программных средств, повышающий их эффективность и качество.

- Теоретико-множественный и теоретико-информационный анализ сложных систем (п.8). В главе 2 на основе анализа взаимодействия модулей проведена количественная оценка показателей надежности сложных программных средств.

- Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации (п.5). В главе 5 работы предложен способ обучения ИНС для конкретной задачи моделирования показателей надежности сложных программных средств и приведен алгоритм его функционирования.

На защиту выносятся:

1. Комплекс моделей прогнозирования и оценки надежности сложных

ПС.

2. Метод построения нейросетевой модели прогнозирования и оценки надежности ПС с помощью ИНС особой структуры.

3. Метод создания искусственных коммутаторно-доменных ИНС для прогнозирования и оценки надежности сложных ПС АСУ.

Реализация результатов работы

Результаты диссертационной работы внедрены в образовательный процесс на факультете «Информационные технологии и системы управления» ФГБОУ ВПО МГТУ «СТАНКИН» (в виде лабораторного практикума и разделов лекционных курсов) и использованы при подготовке бакалавров и

магистров в рамках образовательной программы «Распределенные системы управления технологическими процессами», а также на факультете «Системы управления, информатика и электроэнергетика» ФГБОУ ВПО «Московский авиационный институт» (Национальный исследовательский университет) по направлениям «Вычислительные машины, комплексы, системы и сети», «Программное обеспечение средств вычислительной техники и автоматизированных систем», «Автоматизированные системы обработки информации и управления», «Программная инженерия». Результаты работы использованы и внедрены в работе по проекту № 1.7 «Архитектурные и системные решения для аппаратно-программных вычислительных комплексов с элементами искусственного интеллекта», выполняемой в соответствии с Программой фундаментальных научных исследований ОНИТ РАН "Архитектурно-программные решения и обеспечение безопасности суперкомпьютерных информационно-вычислительных комплексов новых поколений".

Апробация работы

Результаты работы были доложены на заседаниях кафедры «Компьютерные системы управления» ФГБОУ ВПО МГТУ «СТАНКИН», на семинаре кафедры «Вычислительные машины, системы и сети» ФГБОУ ВПО «Московский авиационный институт» (Национальный исследовательский университет), на заседании секции «Кибернетика» Центрального дома ученых (2010 и 2012 гг.), а также на Международных конференциях: «Информационные средства и технологии» (2006 г., 2007 г., 2008 г., 2009 г., 2010г., 2011 г. Москва), "Стратегия качества в промышленности и образовании" (2009 г., 2010г., Варна, Болгария), «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (САО/САМ/РОМ-2010)» (2010г., 2011г., г. Москва, ИПУ РАН).

Публикации

По результатам работы имеется 45 публикаций: 33 статьи в журналах и

сборниках, в том числе 20 статей в журналах из перечня периодических изданий, рекомендованных ВАК; 14 докладов на международных научно-технических конференциях, 1 учебник для ВУЗов, 5 патентов на изобретение, 5 патентов на полезную модель.

В совместных печатных работах с соавторами, соавторам принадлежит определение области возможного применения результатов работы, а диссертанту принадлежит постановка задачи, разработка математической модели, способов, методов и алгоритмов решения задач. Структура диссертации

Диссертация состоит из введения, 5 глав, заключения, списка литературы и приложений, содержит 186 страниц текста, 3 таблицы, 19 рисунков. Список цитируемой литературы содержит 129 наименований.

СОДЕРЖАНИЕ РАБОТЫ Во введении сформулирована цель и перечислены основные задачи научного исследования, обоснована актуальность выбранной темы, сформулирована научная новизна, показана практическая значимость полученных результатов и кратко описано содержание остальных разделов диссертации.

В первой главе проведено исследование текущего состояния проблемы оценки и прогнозирования надежности ПС АСУ техническими системами. Проведенный анализ включает в себя:

1. Исследование особенностей ПС АСУ техническими системами и определение основных требований к ПС АСУ;

2. Исследование существующих методов оценки надежности программного обеспечения (ПО);

3. Систематизацию существующих аналитических методов оценки надежности.

В настоящее время во всем мире разработка программного обеспечения существенно отстает от практических потребностей. Для разработки ПО используют два подхода - экстенсивный и интенсивный.

Экстенсивный подход состоит в привлечении большего количества разработчиков и выделения больших материальных ресурсов, что не всегда возможно, рационально и эффективно.

Интенсивный, подход представлен в научно-технических публикациях (Липаева В.В., Брукса Ф.П., Соколовой Е.Б.), в которых подробно рассмотрен один из методов управления отладкой - выбор оптимального времени отладки для сокращения стоимости разработки. Основу метода составляет стоимостная модель качества программного обеспечения. Она учитывает, с одной стороны, рост затрат на проектирование программного обеспечения (рост затрат связан с длительной отладкой программного обеспечения), а с другой стороны-снижение эксплуатационных расходов при сопровождении более надежного программного обеспечения (в том числе уменьшение размера предотвращенного ущерба, связанного с устранением последствий отказов). Результатом применения этого метода является выбор экономически обоснованного уровня надежности программного обеспечения и соответствующего времени отладки. Другой аспект, а именно, прогнозирование и оценка надежности, планирование сроков отладки, не получил должного освещения в научно-технической литературе.

Отладка включает поиск и устранение ошибок в ПО. Отладка, как правило, сопровождается тестированием. Тестирование - это испытания ПО с целью выявления ошибок. Вопросы планирования и организации тестирования в диссертации не рассматривались. Предметом исследования является только процесс отладки. При определении времени отладки ПС были рассмотрены:

1.Оценка влияния надежности каждого из модулей на надежность ПС.

2. Оценка зависимости надежности программного модуля от времени его отладки.

3. Оценка оптимального времени отладки для каждого из модулей, что обеспечивает заданные в технической документации показатели надежности ПС.

Анализ публикаций по теме исследования позволяет выявить три подхода к оценке надежности программных средств:

-статистические методы оценки надежности (модель Литтлвуда-Веррола,);

-аналитические модели надежности (модели Нельсона, Шумана, Джелински-Моранда и др.);

-экспертные оценки надежности.

При использовании статистических методов для оценки надежности требуется проведение испытаний ПС, сбор и обработка данных об отказах.

Известны статистические модели с введением ошибок, когда в программное средство случайным образом вводят ошибки. По результатам отладки получают оценки надежности исходного кода программного средства. Например, в модели Миллса, количество оставшихся ошибок в программном средстве оценивается на основе количества внесенных ошибок и соотношения выявленных в процессе отладки собственных и введенных ошибок. На надежность программного средства влияет не только количество оставшихся ошибок, но и другие факторы, которые не учитывались в этой модели (например, частота проявления ошибки). В связи с этим, точность оценок по модели Миллса является недостаточно высокой.

Модель надежности Литтлвуда-Веррола учитывает частотные характеристики проявления ошибок. На основе данных о времени безотказной работы до выявления ошибок прогнозируется последующее время безотказной работы. Эта модель имеет следующие недостатки - высокую сложностью вычислений, необходимость сбора большого количества экспериментальных данных о времени отказов (требования к мощности статистики), невозможность прогнозирования изменения надежности во времени.

Применение статистических методов для оценки надежности возможно только после процесса проектирования ПС и разработки исполняемого кода. Качество ПС обеспечивается на всех этапах их жизненного цикла, причем оно

закладывается на этапе проектирования, поэтому статистические методы дают приближенную оценку надежности и не позволяют ее существенно изменить.

Аналитические модели надежности соотносят число выявленных ошибок с показателями надежности, например, с интенсивностью отказов. Проанализированы модели Нельсона, Шумана, Джелински-Моранды, Шика-Волвертона, Мусы и других. Все рассмотренные модели и методы не позволяют с заданной точностью дать оценку и прогноз показателей надежности для сложных программных средств, таких как ПС АСУ.

Для решения поставленной задачи оценки и прогнозирования надежности ПС АСУ были разработаны новые методы на базе искусственных нейронных сетей, которые относятся к области искусственного интеллекта. Мозг человека включает примерно 109-1012 нейронов. На момент начала исследований отсутствовали технологии, которые бы позволяли реализовать большую ИНС, сопоставимую с мозгом человека по числу нейронов.

Методы искусственного интеллекта, в частности ИНС, использовались для прогнозирования поведения сложных объектов во времени. К настоящему времени известны случаи применения искусственных нейронных сетей для построения моделей сложных устройств и систем.

В широко известных работах С. Хайкина, С. Рассела, П. Норвига, Галушкина А.И., Барского А.Б., Корнеева Д.С., Курейчика В.М. описаны способы построения и обучения искусственных нейронных сетей. Эти способы имеют ряд ограничений: на размер искусственной нейронной сети, на ресурсы вычислительной системы, но главным препятствием является большое время обучения ИНС.

Анализ известных способов построения и обучения искусственных нейронных сетей показал, что ИНС с традиционной структурой, состоящие только из нейронов, не позволяют построить адекватную модель для прогнозирования и оценки надежности сложных ПС. Необходимо создать новую структуру для больших ИНС и новый способ их обучения.

Таким образом, не только возникла необходимость разработать и

обосновать новые методы для прогнозирования и оценки надежности программных средств (например таких, как ПС АСУ), но и потребовалось создать теоретическую базу для проведения таких исследований.

На надежность современных ПС АСУ влияют следующие факторы, которые пока не были учтены в аналитических моделях:

- При разработке ПС АСУ техническими системами используются результаты работы нескольких независимых групп программистов. Разработка ПС ведется с использованием различных алгоритмических языков, технологий программирования (например, процедурных, объектно-ориентированных, функциональных и др.), библиотек (классов и программ) и различных инструментальных средств. Все это приводит к различиям в распределении ошибок в разных модулях программы.

- Управляющие аппаратно-программные комплексы объединяют различные технические средства (компьютеры, программируемые логические контроллеры, сетевую аппаратуру и др. устройства) с программным управлением. Это также вызывает увеличение погрешности при оценке надежности модулей ПС.

- при разработке ПС АСУ техническими системами широко используется инструментальное и заимствованное программное обеспечение, причем данные о его параметрах надежности отсутствуют.

Возникла необходимость создания математической модели для прогнозирования и оценки надежности ПС АСУ с учетом всех перечисленных факторов, влияющих на надежность.

Во второй главе диссертации выведена математическая модель для прогнозирования и оценки надежности ПС АСУ.

Рассмотрен жизненный цикл программных средств АСУ. Надежность ПС должна обеспечиваться во время всех процессов жизненного цикла их разработки, особенно во время отладки.

К разрабатываемой математической модели для прогнозирования и оценки надежности ПС АСУ предъявляются следующие требования:

- высокой точности, достоверности, обоснованности оценок,

- адекватности разработанной модели для прогнозирования и оценки надежности реальным процессам жизненного цикла ПС АСУ.

Как правило, повышение надежности продукта сопровождается увеличением затрат на его создание и соответствующим ростом его цены. В диссертации показано, что при разработке ПС АСУ возможно достижение заданного уровня надежности ПС с меньшими затратами за счет оценки и обоснованного распределения времени отладки между модулями.

Основываясь на полученных в результате анализа данных и выводах, было принято решение о необходимости разработки:

-комплекса моделей для прогнозирования и оценки надежности ПС АСУ, включающего математическую и нейросетевую модели,

- средств для реализации разработанного комплекса моделей, которые включают:

- структуры большой обученной ИНС, реализующей нейросетевую модель для прогнозирования и оценки надежности ПС АСУ,

-нового метода построения больших обученных ИНС,

-метода обучения больших ИНС,

-метода сокращения времени разработки программных средств за счет распределения времени отладки модулей на основе модели для прогнозирования и оценки надежности.

ПС АСУ техническими системами состоят из большого числа модулей. Сгруппируем модули таким образом, чтобы в одной группе были модули, которые мало различаются между собой по наиболее важным с точки зрения надежности характеристикам: по интенсивностям отказов, по времени безотказной работы и др.

Разработанная математическая модель описывается следующим образом:

Обозначим число разных групп модулей как N. перенумеруем группы модулей. Номер группы модуля 1 может принимать значения 1< 1 <Ы.

Для расчета математического ожидания интенсивности отказов программных средств Н используем формулу:

Ж0 = 2>,(0Л(0 , (1)

/=1

где И, -интенсивность отказов программных модулей ¡-той группы, V, -частотный коэффициент, вероятность выполнения модуля ¡-той группы в момент времени I.

Частотный коэффициент V, является внешней характеристикой по отношению к модулю. Он не зависит от количества ошибок в модуле, от его состава и внутренней структуры. Он зависит только от структуры программных средств в целом и от соотношения времени выполнения разных модулей в ПС.

Различают отладку и эксплуатацию программных средств.

При эксплуатации в программные средства не вносятся изменения, поэтому интенсивность их отказов не меняется во времени. При отказе программных средств в процессе эксплуатации производится их перезапуск.

При отладке отказ приводит к поиску и устранению ошибок, интенсивность отказов ПС уменьшается.

Общее время отладки ПС I складывается из времени отладки всех модулей Ъ, согласно формуле (2):

N

'=]&. (2)

1=1

Разобьем все модули на группы, получим формулу для расчета вероятности отказа р, при выполнении ¡-ой группы модулей:

уУ.

А=

N. > (3)

(

где И,, - количество ошибочных модулей 1 -ой группы; N1 - общее количество модулей I -ой группы.

В процессе отладки разработчик находит и устраняет ошибки в программе, поэтому изменяется количество ошибочных модулей 1 -ой группы Ые1. Обозначим первоначальное количество ошибочных модулей 1 -ой группы -№е. Первоначальная вероятность отказа р°, модуля 1 -ой группы равна:

где №е| - первоначальное количество ошибочных модулей 1 -ой группы; N1 -общее количество модулей \ -ой группы.

Вероятность исправления ошибок в модуле ! -ой группы представляет собой вероятность наступления трех независимых событий:

1. выполнения модуля 1 -ой группы;

2. наступление отказа (проявления ошибки) в модуле 1 -ой группы при условии, что выполняется эта группа модулей;

3. исправления ошибки в ¡-ой группе модулей при условии наступления отказа ПС.

По теореме умножения вероятностей получим формулу для расчета вероятности исправления ошибки за одно выполнение модуля:

где рс| - вероятность исправления ошибки за одно выполнение модуля ¡-ой группы; - отладочный коэффициент - вероятность исправления ошибки в модуле 4 -ой группы после наступления отказа, р, - вероятность отказа модулей ¡-ой группы; V, - частотный коэффициент -вероятность того, что выполняется модуль ¡-ой группы.

Величина математического ожидания количества исправлений за одно выполнение модуля ¡-ой группы равна:

Ра =4 -Р, 'V,

/ 9

(5)

Яе,=рс1'1 = <1гргу1.

(б)

Количество ошибочных модулей N^1 после одного выполнения и отладки модуля ¡- той группы, определим по формуле:

И'е, = №а - И'а

(7)

где - первоначальное количество ошибочных модулей \ -ой группы, N °с| -количество исправленных модулей ¡- ой группы.

Вероятность отказа модуля \ - ой группы при одном выполнении составит:

pi

TV0 -d -v • —

. _ К K-N° « • • N,

N.

"i

К

N,

о f J

J d,-v,

N,

= рГ

/ > \ l_d,-v,

N,

1 _ о ИЛИ Pi "Pi

f J ^

J d, -vi

v Ni y

N.

= PÏ-<*,,

(8)

где величина а, меньше 1.

Проведем аналогичные выводы для последующих выполнений модуля. За к выполнений модуля ¡- ой группы получим:

Р* = /?* ' а1 = Р/ ~2'а2' = Р°' а*'>

Вероятность отказа модуля ¡- ой группы рк, уменьшается, как убывающая геометрическая прогрессия со знаменателем а;.

Учитывая, что времена выполнения модулей разных групп различаются, перейдем от зависимости рк| от к (количества выполнений) к зависимости от времени.

Вероятность безотказной работы модуля ¡- ой группы за время I равна:

ехр

- Ja(j}&

(9)

где R(t)- вероятность безотказной работы модуля i- ой группы за время t, h(s) -функция интенсивности отказов от времени.

Обозначив вероятность безотказной работы R(t) и вероятность отказа P(t) получим:

R(t)=\-P(t). do)

Выразив интенсивность отказов модуля ¡- ой группы Ь через вероятность отказа за время получим формулу:

А(0 = ~-/и[/-Р(0]. (11)

Анализ процесса изменения интенсивности отказов модулей во времени, позволил различать два случая:

1-интенсивность отказов во время выполнения модуля ¡- ой группы. Она является постоянной величиной, т.к. программный модуль во время выполнения не меняется.

2-интенсивность отказов модуля ¡- ой группы после выполнения и отладки (обнаружения и исправления ошибок). После отладки уменьшается количество ошибок в модулях ¡- ой группы на величину И,,; определяемую по формуле (7). Интенсивность отказов ПС должна соответственно уменьшиться.

Первоначальная вероятность отказа в модуле ¡-ой группы Р° рассматривается как вероятность отказа р, за время выполнения модуля Т;:

Подставив это значение в формулу (11), получим:

А," =--•//.[/-/>,"]. (12)

г,

Изменение интенсивности отказов в зависимости от параметра к-количества выполнений модуля ¡- ой группы определим по формуле:

= (13)

Среднее время выполнения модулей ПС равно:

N

= 2><-т', (14)

где V; -вероятность выполнения модуля ¡- ой группы, т, - время его выполнения.

Количество выполнений модуля ¡- ой группы выразим через функцию "целая часть числа" (как наибольшее целое число, не превосходящее аргумент):

Ё V,

(15)

где

- целая часть числа

Наряду с функцией K(t) рассмотрим функцию K*(t).

к'М-г1—.

(16)

Оценим разницу между K(t) и К (t) и соответствующую погрешность от замены K(t) на функцию K*(t). Эта погрешность Д может быть оценена, как:

4 <Р,-О"«,)- (17)

Для программных средств АСУ техническими системами величина погрешности Д составляет малую величину.

Переходя к независимой переменной - времени t, с использованием значения функции K*(t), определенного по формуле (16), получаем формулу для прогнозирования и оценки интенсивности отказов модулей ПС АСУ техническими системами:

, (,) = _ L. Ы [/ _ Ptf . а '(о ] = _ L. i„

1-Р? • а

(18)

h^-Un^-il-e-^ar'Y — -

In

Разработанная математическая модель для прогнозирования и оценки надежности ПС АСУ техническими системами описывается следующими выражениями:

N

1=1 1=1

или

(19)

¡=1 Т/

N

(20)

где N. а,, т,, Ь,, и,- параметры модели, 1- индекс суммирования.

Показано, что модели Джеллински-Моранды и Шика-Волвертона являются частными случаями разработанной математической модели, см. формулы (19,20).

Все параметры модели (19,20) (1^, а,, Т(, Ьи и,) могут быть оценены или вычислены до начала разработки и отладки сложных программных средств на основе статистических данных, полученных в процессе эксплуатации аналогичных ПС, что позволяет предсказать протекание процесса отладки во времени.

Применение модели (19,20) для прогнозирования и оценки надежности программных средств требует сложных математических расчетов и оценки параметров (Ы, а„ т„ Ь,, и;). Для упрощения оценки параметров и моделирования надежности предложено использовать нейросетевую модель, которая является обученной большой ИНС специального вида. Реализация нейросетевой модели надежности ПС АСУ на основе (19,21), как ИНС особой, новой структуры, описана в третьей главе диссертации.

Третья глава диссертации посвящена оценке и прогнозированию надежности программных средств по нейросетевой модели, разработанной на основе математической модели (19,20).

В диссертации было показано, что после некоторых преобразований

можно привести формулу (20) к виду (21). После разложения формулы (20) в ряд Тейлора , отбросим младшие члены этого ряда и получим следующее выражение для математической модели:

N

Н(0 = 2 ехр(-6, •' + «,), (21)

/=1

где а„ bj-параметры модели, t- время отладки, i-индекс суммирования, N-общее число групп модулей.

Для программных средств сложных АСУ число групп модулей N составляет от нескольких тысяч до сотен тысяч.

Для определения интенсивности отказов H(t) по выражению (21) необходимо решить задачу определения параметров модели а;, Ь, Таким образом, требуется оценить 2 N параметров модели.

Определение параметров проводится на основе полученных при отладке данных об отказах ПС, которые связаны с суммарным временем их отладки, и с интервалами безотказной работы ПС.

Выборка значений времени отказа позволяет оценить значения параметров разработанной модели прогнозирования и оценки надежности программного средства, например с использованием метода наименьших квадратов.

Программные средства во время цикла выполнения не меняются, все изменения в них вносятся после завершения очередного цикла, если были обнаружены ошибки. Таким образом, интенсивность отказов постоянна в промежутке времени между двумя последовательными отказами ПС. Постоянная интенсивность отказов соответствует экспоненциальному распределению времени безотказной работы. Для этого распределения интенсивность отказов является обратной величиной к средней наработке на отказ.

На основе выборки значений времени отказа аппроксимируем модель, описанную формулами (19) или (21). Отложим на оси абсцисс суммарное время

отладки, а на оси ординат отложим интенсивность отказов и получим множество точек, отражающих изменения интенсивности отказов программных средств во времени.

Проведем через точки кривую, уравнение которой задано формулами (19) или (21), с минимальным отклонением по эвклидовой (среднеквадратичной) мере. Задача построения такой кривой соответствует вычислению элементов множеств {%}, {Р°|},{ъ} для формулы (19) или {Ь|>,{а;> для формулы (21). Требуемое количество точек должно превосходить суммарную мощность этих множеств. Нахождение множеств параметров {У|}, {Р°,},{т1} для формулы (19) или {Ь|},{а;} для формулы (21) при больших значениях N является сложной задачей.

Вместо вычисления значений параметров была разработана модель для прогнозирования и оценки надежности ПС АСУ на базе больших обученных искусственных нейронных сетей.

Перед использованием ИНС в качестве модели, ее необходимо обучить. Для первоначального обучения ИНС используется информация об отказах аналогичного программного обеспечения и об отказах модулей. При отладке модель уточняется, с использованием данных, полученных в процессе отладки ПС. Таким образом, различают первоначальное обучение ИНС и дополнительное обучение ИНС во время ее работы.

Первоначальное обучение ИНС производится следующим образом. На вход нейронной сети и одновременно на специальный блок «УЧИТЕЛЬ» подаются данные из выборки значений. времени отказа. Искусственная нейронная сеть обрабатывает полученные входные данные и формирует выходное значение НО). Это выходное значение сравнивается с эталонным выходным значением. Полученная разница значений используется для корректировки ИНС и ее последующего обучения, которое осуществляется программой «УЧИТЕЛЬ». Корректировка ИНС связана с изменением коэффициентов передачи информации между нейронами ИНС.

Функционирование модели для оценки и прогнозирования надежности с

использованием ИНС заключается в следующем, см. рис.1:

1. На вход обученной ИНС подадим время отладки t сложных программных средств.

2. На выходе ИНС получим оценку значения интенсивности отказов H(t) программных средств для заданного времени отладки t.

Рис.1. Моделирование надежности программных средств с использованием искусственных нейронных сетей

Математическая модель для оценки и прогнозирования надежности сложных программных средств содержит сумму экспонент (21). Экспоненты вычисляют от линейных функций, где аргументом является общее время отладки ПО.

Предложено реализовать каждое из слагаемых формулы (21) отдельным фрагментом обученной нейронной сети. В этом случае устройство модели для оценки и прогнозирования надежности программных средств состоит из фрагментов обученной ИНС, см. рис. 1.

Нейронная сеть может моделировать работу любого алгоритма, но для ее массового применения необходимо ограничить стоимость затрат на реализацию такой модели. Рассмотрим возможные пути снижения затрат на моделирование надежности ПО.

В модели для прогнозирования и оценки надежности задействовано большое количество слагаемых, по числу групп модулей в составе ПС. Для реализации модели ПС АСУ потребуется большая ИНС. Реализация такой ИНС программным методом вызовет большие временные задержки и потребует применения суперкомпьютеров. Реализация такой ИНС аппаратным или программно-аппаратным методами приведет к существенному усложнению аппаратного решения при моделировании работы ИНС.

Для реализации модели прогнозирования и оценки надежности ПС АСУ был предложен новый вид ИНС- это коммутаторные и доменные ИНС. Сравнение структуры такой сети и традиционной ИНС представлено на рис. 2. В состав коммутаторной ИНС, кроме нейронов (Ы) входят устройства для передачи информации, называемые коммутаторами (К). Большая ИНС разделяется на фрагменты, которые называются доменами.

1 - к—А - I

I N -N |

С - ^

а) б)

Рис.2 Сравнение структуры ИНС (а- традиционная, б- коммутаторная и

доменная)

При аппаратной реализации фрагментов большой нейронной сети, важной и актуальной проблемой являются взаимные связи нейронов и передача информации между ними. Нейронная сеть является распределенной системой обработки информации. Можно выделить две основных функции, осуществляемые нейронной сетью - обработка и передача информации с выхода одного нейрона на вход другого с масштабированием. В традиционной нейронной сети (см. рис. 2-а) обе эти функции осуществляет нейрон. Коммутаторные и доменные нейронные сети (см. рис.2-б) защищены патентами РФ. Такие нейронные сети состоят не только из нейронов, но включают

дополнительные средства передачи данных между нейронами (коммутаторы). Второй особенностью нейрона в коммутаторной и доменной ИНС является наличие только одного входа и только одного выхода. Нейрон становится проще и выполняет только вычисление выходного значения по функции активации.

Коэффициенты масштабирования для каждого нейрона сети сведены в матрицу XV, где элемент этой матрицы \vfij]- масштабный коэффициент передачи информации с выхода нейрона 1 на вход нейрона]. Коэффициенты масштабирования формируются при обучении ИНС. Матрицы коэффициентов масштабирования хранятся в коммутаторах сети.

Нейронная сеть для моделирования и оценки надежности ПС АСУ включает интеллектуальные модули (фрагменты ИНС Ы), а также алгоритмические модули (А), выполняющие функцию экспоненцирования, см. рис. 1.

На рис. 1 изображены вертикальные слои такой ИНС. Входные данные поступают одновременно на все слои, параллельно обрабатываются каждым слоем и поступают на сумматор - выход ИНС.

Применение искусственных нейронных сетей позволило упростить процесс моделирования надежности, т.к. нет необходимости аналитически определять параметры модели а, и Ь, . Оценки параметров математической модели формируются при обучении ИНС, как коэффициенты взаимных связей нейронов. Коэффициенты взаимных связей нейронов записываются в матрицу коэффициентов масштабирования, которая хранится в коммутаторе. Применение коммутаторных ИНС позволяет копировать и тиражировать уже обученную ИНС.

В четвертой главе разработан способ реализации больших искусственных нейронных сетей. ПС АСУ техническими системами содержат большое количество модулей, которые взаимодействуют друг с другом и образуют сложную систему. Для реализации модели надежности ПС АСУ техническими системами необходимы большие ИНС с числом нейронов

порядка 104-105.

Для реализации разработанной модели оценки и прогнозирования надежности ПС АСУ техническими системами была разработана новая технология создания больших ИНС, которая получила условное название МОДУС-НС ( как сокращение от полного названия-многослойная объемная модульная управляющая система на безе нейронных сетей).

Технология МОДУС-НС была разработана и запатентована для создания интеллектуальных систем различного назначения, в том числе - для моделирования надежности ПС сложных технических объектов, например, таких как, гибкие производственные системы (ГПС), системы управления промышленными роботами и др.

Технология МОДУС-НС предполагает, что аппаратный комплекс системы управления сложным объектом представляет собой набор унифицированных аппаратных модулей, соединенных высокоскоростной сетью передачи информации. Все модули системы можно разделить по своим функциям на два класса, см. рис. 3.

Рис. 3. Классификация модулей в технологии МОДУС-НС

Модули, которые реализуют цели и задачи управления, называют базовыми. Модули, выполняющие вспомогательные функции, называют периферийными.

В разработанной нейросетевой модели для оценки и прогнозирования надежности ПС АСУ техническими системами используются два типа базовых модулей (см. рис.3):

- Алгоритмические модули, представляющие собой вычислительное устройство с процессором, оперативной памятью и программным принципом управления,

- Интеллектуальные модули, содержащие фрагменты обученной большой ИНС, т.е. устройства с интеллектуальным управлением.

Модель для прогнозирования и оценки надежности ПО АСУ реализована на базе многослойной модульной вычислительной системы, см. рис. 4.

Все модули одного типа одинаковы и взаимозаменяемы, имеют форму куба. К каждому базовому модулю системы подходят шесть линий связи, расположенные на шести гранях базового модуля, см. рис. 4-5.

- Базовый модуль

Базовый модуль также имеет кубическую форму и шесть внешних выходов, по одному на каждой грани

- Связь между модулями

Связи обеспечивают взаимодействие между базовыми модулями с помощью встроенных в них сетевых контроллеров

Рис.4. Структура сети многослойной модульной вычислительной системы

Сеть кубической формы, в каждом узле которой находится базовый модуль

Все сетевые средства обмена данными размещены в каждом из модулей комплекса. Коммуникационный процессор обеспечивает быструю передачу информации с входа модуля на соответствующий выход, если эта информация транзитная или на внутренний вход, если информация предназначена для данного модуля. Высокоскоростная сеть передачи информации обеспечивает обмен данными между всеми модулями. Сеть передачи информации построена по гиперкубической топологии.

Задача оптимизации работы сети передачи информации в ИНС сводится к объединению взаимосвязанных нейронов в фрагменты большой ИНС, называемые доменами. Каждый фрагмент большой ИНС реализован в одном или нескольких аппаратных интеллектуальных модулях.

Система обеспечивающая первоначальное

обучение и инициализацию нейронной сети

Шесть выходов связи с другими контроллерами

Базовый модуль

Коымдкшсацийшшй процессор

Г

Функциональный блок

7

Алгоритмическая Нв подсистема

Нейросетевая подсистема

Обеспечивает маршрутизацию > данных между базовыми модулями

Интеллектуальная часть системы 16 содержащая нейроны и коммутаторы

Рис.5. Структура базового модуля ИНС В диссертации предложен метод группирования нейронов в домены, на основе баланса сил притяжения и отталкивания взаимосвязанных нейронов.

Используя данный метод группирования многократно, выполняется оптимизация трафика информации в ИНС, включая следующие стадии: 1. Группировка нейронов в домены.

2. Разбиение доменов на подгруппы определенного размера.

Применение коммутаторных и доменных нейронных сетей существенно упрощает реализацию разработанной математической модели для прогнозирования и оценки надежности ПС. Предложенный в диссертации метод создания больших искусственных нейронных сетей позволят создавать динамические нейронные сети, которые содержат как активные, так и избыточные нейроны и могут изменять свою структуру и число активных нейронов. За счет активации избыточных нейронов выполняется дополнительное обучение ИНС в процессе ее работы.

Работоспособность предложенного метода создания ИНС была проверена имитационным моделированием работы модулей, а также созданием аппаратного и аппаратно-программного макетов системы на базе предложенной технологии.

В первом случае при моделировании надежности ПС использовался макет сети, состоящий из контроллеров фирмы Texas Instruments (TI). включающий 3 контроллера TMDSEZS2812-0E и 3 контроллера TMS320C6416. Каждый из контроллеров выполнял функции одного из модулей по технологии МОДУС-НС, причем один контроллер являлся периферийным модулем, один контроллер- алгоритмическим базовым модулем и четыре контроллера -интеллектуальными модулями.

Во втором случае в макете использовались программируемые логические интегральные схемы (ПЛИС) Virtex - Е фирмы Xilinx для проектирования чипа использовался пакет Xilinx ISElO.li.

В этой же главе разработан метод обучения нейросетевой модели прогнозирования и оценки надежности с использованием генетических алгоритмов. Основное преимущество использования генетических алгоритмов заключается в возможности постоянного обучения нейронной сети, одновременно с ее использованием. Генетические алгоритмы используются для послойного обучения нейронной сети особого вида, см. рис.1. При обучении ИНС изменяется матрица весовых коэффициентов взаимных связей нейронов.

Для использования генетических алгоритмов необходимо преобразовать матрицу весовых коэффициентов взаимных связей нейронов в строку значений этих коэффициентов, см. рис. 6, где 1 .^-строки матрицы.

Матрица

Рис.6. Преобразование матрицы весовых коэффициентов в строку

Метод послойного обучения ИНС состоит в следующем, см. рис. 7:

1. На первом этапе создается ИНС, состоящая из одного слоя.

2. Эта сеть обучается традиционным методом, например, методом обратного распространения ошибки.

3. К обученной сети добавляется еще один слой.

4. Проводится повторное обучение новой нейронной сети на том же наборе тестовых примеров, но уже с помощью генетических алгоритмов.

5. Определяется д- разница между выходами предшествующей и текущей сети.

6. Эта разница сравнивается с требуемой точностью модели для прогнозирования и оценки надежности ПС.

7. Если д- больше точности моделирования, то повторяем предшествующие действия, начиная с пункта 3.

8. Если д- не больше точности, то обучение ИНС закончено.

Разработанная нейросетевая модель для прогнозирования и оценки

надежности ПС и технология создания больших ИНС позволяют определять надежность ПС АСУ на основе данных об отказах, а также предсказывать изменение надежности в процессе отладки. Как уже было показано ранее, надежность ПС АСУ зависит от структуры ПС и времени отладки модулей.

В диссертации показано, что рациональное распределение времени отладки между модулями позволяет сократить затраты на разработку и обеспечить заданный в технической документации уровень надежности ПС АСУ.

В пятой главе диссертации решена задача оптимизации надежности программных средств и минимизации затрат на отладку. Показано, что затраты на отладку сложных ПС зависят от показателей надежности, в частности от интенсивности отказов.

Затраты на отладку сложных ПС включают две составляющих- СО (зависит от количества отказов, обнаруженных и исправленных за время 1) и С1 (зависит от времени отладки 1), см. рис.8:

С1 = с, •/, (22)

где Ь время отладки, сг средние эксплуатационные затраты на 1 ч. отладки ПС.

Рис. 7. Блок-схема алгоритма послойного обучения ИНС

Определим СО на основе разработанной математической модели прогнозирования и оценки надежности ПС:

N

СО=с0■ ^ехр^ • / ■+а,)> (23)

ы

где с0-средняя стоимость выявления и устранения одного отказа в программных средствах, а^Ъг параметры модели для прогнозирования и оценки надежности (21).

Суммарные затраты на отладку ПС определим по формуле :

N

с=а+со=с1 л+с0 (24)

/=1

где С- суммарные затраты, СО- затраты, которые зависят от количества отказов, обнаруженных и исправленных за время I, С1 - затраты, которые зависят от времени отладки I.

На рис. 8 показано, что суммарные затраты имеют минимум. Таким образом, существует оптимальное время отладки (Топт), для которого суммарные затраты на отладку будут минимальными при заданном уровне надежности ПС.

В этой же главе решена задача минимизации интенсивности отказов сложного программного обеспечения за ограниченное время отладки. Задача поиска минимально возможной интенсивности отказов ПС сведена к классической задаче математического программирования. Интенсивность отказов сложных ПС представлена как функция многих переменных и зависит от времени отладки модулей Мг,...^.

Теоретически задача является разрешимой, но применение методов нелинейного программирования связано с большой трудоемкостью.

Время отладки То складывается из времени отладки всех входящих в систему модулей (см. 25):

г1>0,<2>0,...,(„>0 Изменяя значения ^ при соблюдении ограничений, будем получать различные значения функции интенсивности отказов Щ^г,...,

\ \

\ \ °

\ \ \ \

• — • — • —" _ — — —

«^г"" ~~ со

Т опт

Т отладки

Рис. 8. Затраты на отладку программного обеспечения Минимизируем значение интенсивности отказов программных средств -функции Щ^г, •.., и стоимостную функцию С, используя модель для прогнозирования и оценки надежности ПС АСУ на базе ИНС.

Отметим преимущества такого подхода. Во-первых, вместо использования сложной аналитической формулы, прогноз или оценка значения интенсивности отказов определяется на выходе ИНС.

Во вторых, после обучения ИНС для оценки и прогнозирования надежности, она может использоваться для оптимизации затрат на отладку ПС.

Проведен анализ традиционной методики проверки адекватности модели и результатов прогнозирования и оценки надежности программного обеспечения по разработанной модели. Показано, что традиционная методика

проверки адекватности моделей непригодна для разработанной модели прогнозирования и оценки надежности ПС АСУ техническими системами.

Разработана новая методика проверки адекватности разработанной модели, которая позволяет отделить проверку адекватности модели от отладки программных средств. Разработанная методика повышает точность результатов оценки надежности, т.к. результаты получены не в реальном, а масштабируемом модельном времени.

Разработанная методика позволяет получать результаты с высокой точностью для широкого диапазона значений средней наработки на отказ (наработки между моментами обнаружения очередной ошибки). В методике используется вычислительная среда, которая позволяет автоматизировать процесс проверки модели для прогнозирования и оценки надежности программных средств. Определены требования к вычислительной среде для проверки адекватности модели. Разработана программа для адаптации операционной системы в соответствии с этими требованиями.

Разработана программа для проведения эксперимента с помощью адаптированной операционной системы, автоматизирующей проведение проверки адекватности разработанной модели для прогнозирования и оценки надежности.

Проведена проверка адекватности разработанного комплекса моделей для прогнозирования и оценки надежности программных средств на примере ПС ГПС. Проведенная проверка показала высокую (85%) степень совпадения теоретических прогнозируемых и полученных в результате проверки эксперимента данных.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ РАБОТЫ

1. Выполненная диссертация представляет собой научно-квалификационную работу, в которой разработаны новые методы и средства обеспечения, оценки и моделирования надежности программных средств АСУ на базе методов искусственного интеллекта, что решает важную научно-

техническую проблему, имеющую существенное значение для развития машиностроения и других отраслей техники, где оценка и прогнозирование надежности является приоритетной задачей.

2. Установлены зависимости, связывающие показатели надежности ПС АСУ со структурой и временем отладки отдельных модулей, что позволило разработать метод оценки надежности ПС и комплекс моделей для прогнозирования и оценки надежности программных средств автоматизированных систем управления техническими системами. Основу комплекса составила теоретически разработанная математическая модель для прогнозирования и оценки надежности ПС. Проведенная экспериментальная проверка модели показала высокую степень ее адекватности (85%).

3. Математическая модель для прогнозирования и оценки надежности ПС была реализована как нейросетевая модель. Нейросетевая модель для прогнозирования и оценки надежности программных средств представляет собой искусственную нейронную сеть, построенною по новому способу, как многослойная модульная вычислительная система. Разработана структура многослойной модульной вычислительной системы для моделирования, прогнозирования и оценки надежности ПС АСУ.

4. Предложен новый способ аппаратно-программной реализации искусственной нейронной сети, являющейся многослойной модульной вычислительной системой (МОДУС-НС), позволяющий существенно ускорить вычисления и оптимизировать надежность. Макет ИНС был построен как сеть контроллеров фирмы Т1 (3 контроллера ТМ08Е282812-ОЕ и 3 контроллера ТМ0503К641б), а также на базе ПЛИС. Испытания макета подтвердили работоспособность нейросетевой модели для прогнозирования и оценки надежности ПС АСУ.

5. Показано, что модель для прогнозирования и оценки надежности программных средств представляет собой особый вид искусственной нейронной сети - вертикально-слоистую сеть. Важным свойством разработанной ИНС является ее способность к обучению в процессе работы. На

основании этой структуры ИНС был разработан способ ее послойного обучения, с применением генетических алгоритмов. Разработанный способ является инструментарием, позволяющим существенно упростить и ускорить задачу обучения сети до заданного уровня ее надежности.

6. Решена задача оптимизации надежности программных средств АСУ техническими системами за счет рационального распределения времени отладки между его модулями, что позволило впервые обоснованно планировать отладку и без дополнительных затрат получать к заданному сроку программный продукт с заданным уровнем надежности.

7. Разработанные в диссертации положения нашли применение на предприятиях авиационной промышленности, в работах по архитектурным и системным решениям для аппаратно-программных вычислительных комплексов с элементами искусственного интеллекта.

8. Результаты диссертационной работы использованы при подготовке инженерных и научных кадров в ФГБОУ ВПО МГТУ «СТАНКИН» по направлениям подготовки: «Автоматизация технологических процессов и производств» и ФГБОУ ВПО Московском авиационном институте (Национальном исследовательском университете) по направлениям подготовки «Информатика и вычислительная техника» и «Программная инженерия».

ПУБЛИКАЦИИ

Статьи, опубликованные в периодических изданиях, рекомендованных

ВАК:

1. Кабак, И.С. Аппаратная реализация ассоциативной памяти произвольного размера [Текст] /И.С. Кабак, Н.В. Суханова //Вестник МГТУ СТАНКИН,-

2010.-№ 1(9).- с.135-139.

2. Кабак, И.С. Контроль знаний студентов на основе нейронных сетей [Текст] /Б.М. Позднеев, И.С. Кабак, Н.В. Суханова //Открытое образование. -

2011.-№6,- с.17-20.

3. Кабак, И. С. Алгоритм фрагментации больших нейронных сетей и

исследование его сходимости [Текст] /С. Ю. Степанов, И.С. Кабак // Информационные технологии. -2012.- №7,- с. 73 - 78.

4. Кабак, И.С. Моделирование надежности программного обеспечения систем управления автоматизированными технологическими комплексами на базе искусственного интеллекта [Текст] /И.С. Кабак, Н.В. Суханова //Вестник МГТУ СТАНКИН,- 2012,- № 1 (19).- с. 95-99.

5. Кабак, И. С. Технология реализации автоматизированных систем управления на базе больших искусственных нейронных сетей МОДУС-НС [Текст] /И.С. Кабак, Н.В. Суханова // Межотраслевая информационная служба.-2012.-№4,- с. 43-47.

6. Кабак, И.С. Создание больших аппаратно-программных нейронных сетей для систем управления [Текст] /И.С. Кабак //Авиационная промышленность.-2012.-№4,- с. 57-61.

7. Кабак, И.С. Повышение быстродействия суперкомпьютера за счет оптимизации информационного межпроцессорного трафика [Текст] / Ю. М. Соломенцев, С.А. Шептунов, И.С. Кабак, Н.В. Суханова //Известия Кабардино-балкарского государственного университета. -2012.-Т.2,- № 4,- с. 71-73.

8. Кабак, И.С. О моделировании и оценке надежности сложных программных комплексов [Текст] /И.С. Кабак, Н.В. Суханова //Известия Кабардино-балкарского государственного университета. -2012.-Т.2. -№4.-с. 7476.

9. Кабак, И.С. Применение нейронных сетей при диагностике состояния режущего инструмента [Текст] /И.С. Кабак, Н.В. Суханова, A.M. Гаделев // Известия Кабардино-балкарского государственного университета. -2012.-Т.2.-№ 4.-С.77-79.

10. Кабак, И.С. Оценка защищенности программного обеспечения с помощью интеллектуальных методов [Текст] /И.С. Кабак, Н.В. Суханова, Э. А. Гейдаров // Известия Кабардино-балкарского государственного университета. -2012.-Т.2.- № 4.-е. 80-83.

11. Кабак, И.С. Методика применения аппарата нейронных сетей для

решения задач диагностики процесса резания [Текст] /И.С. Кабак, Н.В. Суханова, A.M. Гаделев // Вестник МГТУ СТАНКИН. -2012.-№ 4 (22).- с 130133.

12. Кабак, И. С. Система диагностики технологического процесса резания с использованием аппарата нейронных сетей [Текст] /И.С. Кабак, A.M. Гаделев // Мехатроника, автоматизация, управление,- 2012.-№10,- с. 25 - 29.

13. Кабак, И.С. Система управления монорельсовым транспортом с подвижным составом на воздушной подушке [Текст] /Ю. М. Соломенцев, С.А. Шептунов, И.С. Кабак, Н.В. Суханова // Известия Кабардино-балкарского государственного университета. -2013.-T.3.- № 4.-е. 55-59.

14. Кабак И.С. К вопросу о диагностике технических и других объектов [Текст]/Ю. М. Соломенцев, С.А. Шептунов, И.С. Кабак, Н.В. Суханова // Известия Кабардино-балкарского государственного университета .-2013.-т. 3 -№ 6.- с. 18-20.

15. Кабак, И.С. Математическая модель для прогнозирования и оценки надежности программного обеспечения [Текст] /И.С. Кабак // Вестник МГТУ СТАНКИН. -2014.-№ 1 (28).- с. 123-126.

16. Кабак, И.С. Нейросетевая модель для прогнозирования и оценки надежности программного обеспечения [Текст] /И.С. Кабак // Вестник МГТУ СТАНКИН. -2014.-№ 1 (28).- с 107-111.

17. Кабак, И.С. Совершенствование работы городского транспорта на базе системы управления с элементами искусственного интеллекта [Текст]/ С.А. Шептунов, Ю. М. Соломенцев, Н.В. Суханова, И.С. Кабак // Вестник БГТУ.-2014.-№3(43).- с. 93-98.

18. Кабак, И.С. Технология МОДУС-НС в разработке высоконадежных и живучих систем управления техническими объектами [Текст] / С.А. Шептунов, Ю. М. Соломенцев, И.С. Кабак, Н.В. Суханова // Вестник БГТУ,- 2014,-№3(43).- с. 170-173.

19. Кабак, И.С. О повышении производительности суперкомпьютера путем оптимизации информационного межпроцессорного трафика [Текст]/Ю. М.

Соломенцев, И.С. Кабак, Н.В. Суханова // Известия Кабардино-балкарского государственного университета.- 2014.- т.4.-, № 5,- с. 9-11. 20. Кабак, И.С. О системе дистанционного обучения инженеров [Текст]/ С.А. Шептунов, И.С. Кабак, Н.В. Суханова // Известия Кабардино-балкарского государственного университета.- 2014,-т. 4,- № 5,- с. 12-14.

Авторские свидетельства СССР и патенты РФ:

1. Патент на изобретение 2488500 Российская Федерация МПК 7 В60УЗ/04, В61В13/04, В61В13/08 Монорельсовая транспортная система с вагонами на воздушной подушке [Текст]/ Соломенцев Ю. М., Шептунов С.А., Кабак И.С., Суханова Н.В.: заявитель и патентообладатель Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН.-№ 2011132604; заявл. 04.08.2011; опубл. 27.07.2013, Бюл. №21-11 е.: ил.

2. Патент на изобретение 2481715 Российская Федерация МПК 7 Н04Ь9/00 Способ блочного шифрования сообщений и передачи шифрованных данных с закрытым ключом [Текст]/ Позднеев Б. М., Кабак И.С., Суханова Н. В.: заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технологический университет "СТАНКИН" (ФГБОУ ВПО МГТУ "СТАНКИН").-№ 2011148733 ; заявл. 30.11.2011; опубл. 10.05.2013, Бюл. № 13- 13 е.: ил.

3. Патент на изобретение 2459367 Российская Федерация МПК 7 Н04Ь9/00 Способ формирования переменного ключа для блочного шифрования и передачи шифрованных данных [Текст]/ Кабак И.С. , Суханова Н. В., Позднеев Б. М.: заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технологический университет "СТАНКИН" (ФГБОУ ВПО МГТУ "СТАНКИН").-№ 2010129310 ; заявл. 16.07.2010; опубл. 20.08.2012, Бюл. № 23- И е.: ил.

4. Патент на изобретение 2417442 Российская Федерация МПК 7 С06Ы7/02 Способ построения систем нечеткой логики и устройство для его реализации [Текст]/ Соломенцев Ю. М., Шептунов С.А., Кабак И.С., Суханова Н.В.: заявитель и патентообладатель Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН.-№ 2008150203; заявл. 19.12.2008; опубл. 27.04.2011, Бюл. № 12- 8 е.: ил.

5. Патент на изобретение 2398281 Российская Федерация МПК 7 вОбЫ 3/06 Многослойная модульная вычислительная система [Текст]/ Соломенцев Ю. М. , Шептунов С.А., Кабак И.С. , Суханова Н.В.: заявитель и патентообладатель Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН.-№ 2008143737 ;заявл.07.11.2008; опубл. 27.08.2010, Бюл. №24- 8с.: ил.

6. Патент на полезную модель 80979 Российская Федерация МПК 7 00801/00 Устройство контроля знаний [Текст]/ Кабак И.С. , Суханова Н.В.: заявитель и патентообладатель Кабак И.С. , Суханова Н. В.-№ 2007148691; заявл. 28.12.2007 ; опубл. 27.02.2009 Бюл.№ 6- 2 е.: ил.

7. Патент на полезную модель 77483 Российская Федерация МПК 7 С11С15/00 Ассоциативная память [Текст]/ Кабак И.С. , Суханова Н. В.: заявитель и патентообладатель Кабак И.С. , Суханова Н. В.-№ 2007147587; заявл.24.12.2007; опубл.20.10.2008, Бюл. № 29- 2 е.: ил.

8. Патент на полезную модель 75247 Российская Федерация МПК 7 С06Р15/16 Модульная вычислительная система [Текст]/ Кабак И.С., Суханова Н. В.: заявитель и патентообладатель Кабак И.С. , Суханова Н. В.-№ 2008106859; заявл.26.02.2008; опубл. 27.07.2008, Бюл. № 21- 2 е.: ил.

9. Патент на полезную модель 72084 Российская Федерация МПК 7 С06С7/60, С06С7/62, в06С7/66 Доменная нейронная сеть [Текст]/ Кабак

И.С., Суханова Н. В.: заявитель и патентообладатель Кабак И.С., Суханова Н. В .-№ 2007144359; заявл. 03.12.2007; опубл. 27.03.2008, Бюл. № 9 - 2 е.: ил.

10. Патент на полезную модель 66831 Российская Федерация МПК7 00607/66 Нейронная сеть [Текст]/ Кабак И.С., Суханова Н. В.: заявитель и патентообладатель Кабак И.С. , Суханова Н. В.-№ 2007111998; заявл.02.04.2007; опубл. 27.09.2007, Бюл. № 27- 2 е.: ил.

11. Заявка на изобретение 2013133304 Российская Федерация Способ и устройство технической диагностики сложного технологического оборудования на основе нейронных сетей [Текст]/ Соломенцев Ю. М. , Шептунов С.А., Кабак И.С. , Суханова Н. В.: заявитель и патентообладатель Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН).-; заявл. 18.07.2013; уведомление о положительном результате формальной экспертизы

Статьи в других периодических изданиях, сборниках научных трудов, трудах международных конференций:

21. Кабак, И.С. Оценка надежности программного обеспечения по его математической модели [Текст] /И.С. Кабак, Г.Н Рапопорт // Проблемы создания гибких автоматизированных производств, [под ред. И.М. Макарова, К.В. Фролова, П.Н. Белянина]-М. :Наука, 1987.- с.236-245.

22. Кабак, И.С. Повышение надежности программного обеспечения системы управления [Электронный ресурс] /И.С. Кабак, Н.В. Суханова //Электронный журнал ВС/ЫХУ.- 2008.-№2(13). Режим доступа: Ь«р://пеиуогк-]оита1.тре1.ас.ги^!-Ып/тат.р1?1=ги&п=13&ра=5, свободный.

23. Кабак И.С., Большие нейронные сети в системах управления [Текст] /И.С. Кабак, Н.В. Суханова //Труды международной научно-технической конференции «Информационные средства и технологии».-М: 2008.-том 3-с.204-210.

24. Кабак, И.С. Большие нейронные сети в системах управления [Электронный ресурс] /И.С. Кабак, Н.В. Суханова // Электронный журнал ВСЛ^М.- 2008.- №2 (13). Режим доступа: http://network-journal.mpei.ac.ru/cgi-Ып/тат.р1?1=ги&п=13 &ра= 10&аг=5, свободный.

25. Кабак, И.С. Повышение надежности программного обеспечения системы управления [Текст] /И.С. Кабак, Н.В. Суханова //Труды международной научно-технической конференции «Информационные средства и технологии»,-М.: -2008.-T.3.- с.242-249.

26. Кабак, И.С. Разработка интеллектуальных систем ЧПУ на базе искусственных нейронных сетей [Текст] /И.С. Кабак, Н.В. Суханова, A.M. Гаделев //Труды международной научно-технической конференции «Информационные средства и технологии».- М: -2009.- т. 2.- с. 176-182.

27. Кабак, И.С. Модульный принцип построения интеллектуальных систем управления и его использование для автоматизации и контроля качества в промышленности [Текст]/И.С. Кабак, Н.В. Суханова //Сборник материалов конференции "Стратегия качества в промышленности и образовании" (6-13 июня 2009 Варна, Болгария), 2009.-Т.2.

28. Кабак, И.С. Интеллектуальная система для дистанционного контроля знаний [Текст]/И.С. Кабак, Н.В. Суханова, J1.C Иванченко //Сборник материалов конференции "Стратегия качества в промышленности и образовании" (6-13 июня 2009, Варна, Болгария), 2009.-Т.2.

29. Кабак, И.С. Интеллектуальная система управления на базе нечеткой логики [Текст] /И.С. Кабак, Н.В. Суханова //Труды международной научно-технической конференции «Информационные средства и технологии»,- М:-2010.-Т. 1,-с. 125-133.

30. Кабак, И.С. Технология МОДУС-НС для разработки систем управления сложными комплексами оборудования в машиностроении [Текст]/И.С. Кабак, Н.В. Суханова //Труды международной научно-технической конф. «Информационные средства и технологии»,- М:-2010.-т. 1.-е. 134-143.

31. Кабак, И.С. Разработка автоматизированной системы для оперативной диагностики на базе нейронных сетей [Текст]/И.С. Кабак, Н.В. Суханова //Труды международной научно-технической конф. «Информационные средства и технологии»,- М:-2010.-т. 1.-е. 182-189.

32. Кабак, И.С. Построение аппаратного комплекса интегрированных систем

управления по технологии МОДУС-НС на примере системы числового управления станками [Электронный ресурс]/ И.С. Кабак, М.А. Григорьев, Н.В. Суханова //Сборник материалов VI-й международной конф. "Стратегия качества в промышленности и образовании" (4-11 июня 2010 г., Варна, Болгария), 2010-Т.2,- ч.2. Режим доступа: http://www.gipo.dp.ua/files/T2_l-2.pdf, свободный.

33. Кабак, И.С. Повышение эффективности системы технической диагностики оборудования на основе нейронных сетей [Электронный ресурс] /И.С. Кабак, A.M. Гаделев, Н.В. Суханова //Сборник материалов VI-й международной конф. "Стратегия качества в промышленности и образовании" (4-11 июня 2010 г., Варна, Болгария), 2010 .-т.2.- ч,2. Режим доступа: http://www.gipo.dp.ua/files/T2_l-2.pdf, свободный.

34. Кабак, И.С. Разработка подсистемы интеллектуальной диагностики оборудования для системы управления технологическими процессами [Текст] /И.С. Кабак, A.M. Гаделев, Н.В. Суханова // Международная конф. «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (CAD/CAM/PDM-2010)».- М.:ИПУ РАН, 2010.

35. Кабак, И.С. Модульное построение систем числового программного управления [Текст]/И.С. Кабак, М.А. Григорьев, Н.В. Суханова // Международная конф. «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (СAD/CAM/PDM-2010)».- М.:ИПУ РАН, 2010.

Подписано в печать: 15.05.2015 Тираж: 100 шт. Заказ № 144 Объем 1,95 усл.п.л. Отпечатано в типографии «Реглет» 125009, г. Москва, Страстной бульвар, д. 4 +7(495)978-43-34; www.reglet.ru