автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Автоматизация предварительной обработки данных в задачах мониторинга состояния оборудования технических систем

На правах рукописи

Лежебоков Валерий Валерьевич

АВТОМАТИЗАЦИЯ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ В ЗАДАЧАХ МОНИТОРИНГА СОСТОЯНИЯ ОБОРУДОВАНИЯ ТЕХНИЧЕСКИХ СИСТЕМ

05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

1 о СЕН 2003

Волгоград - 2009

003476239

Работа выполнена на кафедре "Системы автоматизированного проектирования и поискового конструирования" Волгоградского государственного технического университета.

Ведущая организация

Официальные оппоненты:

Научный руководитель

доктор технических наук, профессор Камаев Валерий Анатольевич, доктор технических наук, профессор Лукьянов Виктор Сергеевич, кандидат технических наук, доцент Долгов Игорь Апполонович. Астраханский государственный технический университет.

Защита диссертации состоится 29 сентября 2009 г. в 15 часов на заседании диссертационного совета Д 212.028.04 при Волгоградском государственном техническом университете по адресу: 400131, Волгоград, пр-т. им. В. И. Ленина, 28.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан 28 августа 2009 г.

Ученый секретарь

диссертационного совета

Водопьянов В.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Одной из характерных тенденций развития научных исследований является появление и использование информационных систем большой сложности. Важным классом данных систем являются автоматизированные системы мониторинга, обеспечивающие сбор данных, отражающих определенные характеристики состояния объекта наблюдения, с последующей их передачей конечному множеству заинтересованных клиентов. В данном контексте актуальной становится задача автоматизации предварительной обработки больших массивов информации в масштабах реального времени, что обуславливает создание высокопроизводительных распределенных систем препроцессинга данных.

В настоящее время существует довольно большое количество типов задач обработки информации в различных областях науки и производства, таких как: обработка статических и видеоизображений, обработка аудиоданных, задачи комбинаторной оптимизации и т.д. На протяжении последних десятилетий было создано множество формальных методов, позволяющих эффективно решать обозначенные задачи. В тоже время, специфика задачи препроцессинга массивов данных, получаемых от оборудования технических систем, состоит в том, что функциональный состав моделей, разрабатываемых в рамках решения задач данного класса, определяется подходами к мониторингу и управлению технической системой. Данные подходы зачастую существенно отличаются для различных классов ТС, что объясняет отсутствие единых формальных методов в этой области.

Одним из видов процесса предварительной обработки данных является вычисление значения параметра «верхнего уровня» на основании массивов данных получаемых от технических устройств. Данное отношение на множестве параметров может быть представлено в виде иерархической структуры, задающей правила исчисления значения параметра в совокупности с необходимыми для этого информационными ресурсами. Тогда автоматизация предварительной обработки данных может быть достигнута за счет построения распределенной системы, структурные элементы которой осуществляют исчисление значений параметров на основе иерархических структур в рамках процессов, управляемых на основе системы событий. Также необходимо учесть необходимость обработки данных в условиях недостатка информации, обусловленного неидеальностью элементов ТС и каналов передачи данных. Принимая во внимание распределенность процессов обработки данных, наиболее эффективным подходом к решению обозначенной задачи можно считать использование теории многоагентных систем (MAC). Апробацию разработанных методов, моделей и алгоритмов предполагается провести на

оборудовании комплекса ускорителей элементарных частиц, созданного Европейской организации ядерных исследований ЦЕРН.

Цель и задачи работы. Целью диссертационной работы являете] повышение производительности систем мониторинга состояния оборудована за счет разработки масштабируемой модели распределенной системь обработки данных. Для достижения указанной цели необходимо решит; следующие задачи:

1. разработать методы и алгоритмы исчисления значений параметров на основ» иерархических структур;

2. используя основные положения теории MAC, разработать модел] распределенной системы предварительной обработки данных;

3. разработать модель автоматизации управления процессами предварительной обработки данных;

4. построить модель системы мониторинга состояния оборудования технической системы;

5. разработать прототип системы мониторинга состояния оборудования комплекса ускорителей элементарных частиц.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, теории многоагентных систем, теории управления, теории автоматов, общей алгебры, а также методы проектирования информационных систем.

Научная новизна результатов, выносимых на защиту, заключается в том

что:

1. на основе абстрактной модели BDI-агента разработан и формализован алгоритм уточнения интенциональных характеристик;

2. предложена модель распределенной системы предварительной обработки данных на основе теории MAC;

3. предложена модель автоматизации информационных процессов в многопоточной среде выполнения, использующая верификацию допустимости выработки управлений на основе конечного автомата.

Практическая значимость и внедрение. Практическая ценность представленной работы определяется возможностями применения разработанных в диссертации формализмов, подходов, моделей и алгоритмов в сложных информационных системах:

1. формализмы описания автоматизированной системы управления информационными процессами могут быть использованы в рамках решения различных задач подразумевающих автоматизацию конечного множества ИП;

2. использование теории MAC при проектировании распределенной системы предварительной обработки данных создает базис для разработки методов

интеллектуальной обработки информации (например, в условиях полного или частичного отсутствия информации);

3. формализмы описания модели системы мониторинга состояния оборудования сложной распределенной системы могут быть использованы в процессе проектирования системы мониторинга оборудования сложной технической системы;

4. приведенные формализмы описания моделей были использованы в рамках построения системы мониторинга состояния оборудования ускорителя элементарных частиц, вошедшей в состав информационно-программного комплекса мониторинга и управления большинством ускорителей ЦЕРНа.

Публикации. По теме диссертации опубликовано 12 печатных работ.

Апробация работы. Основные положения и результаты, полученные в диссертации, обсуждались на следующих научных конференциях: V всероссийская конференция «Прогрессивные технологии в обучении и производстве» (Камышин 2008); международная научно-практическая конференция «Информационные технологии в науке и образовании» (Шахты 2009); VIII международная научно-техническая конференция «Новые информационные технологии и системы» (Пенза 2008).

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем диссертации - 157 страниц, включая 63 рисунка, 24 таблицы, список литературы из 125 наименований и 6 приложений.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи исследования, определена научная новизна, изложено краткое содержание глав диссертации.

В первой главе приведены результаты аналитического обзора существующих решений и основных понятий предметной области, обозначены различные аспекты задачи автоматизации процесса мониторинга состояния оборудования сложных технических систем.

Обзор подходов, использованных при построении систем мониторинга состояния оборудования разработанных в крупнейших международных организациях ядерных исследований, позволил выявить определенные недостатки:

• ограничения производительности систем мониторинга, обусловленные отсутствием распределенности в процессах предварительной обработки данных;

• отсутствие методов обработки данных в условиях недостатка информации;

• отсутствие централизованного механизма управления процессами предварительной обработки данных;

• отсутствие механизмов динамического распределения нагрузки между подсистемами предварительной обработки данных;

• трудоемкость расширения функциональности рассмотренных систем;

• использование узкоспециализированного программного обеспечения.

Кроме того, в силу причин, обусловленных спецификой объекта мониторинга, процессов управления ускорителем, требованиями предъявляемыми к системе конечными пользователями, необходимостью интеграции с уже существующими системами и протоколами передачи данных, рассмотренные модели систем являются неприменимыми в контексте решаемой задачи. Наконец, потенциальное масштабирование проектируемой системы мониторинга, обуславливает необходимость в разработке высокопроизводительных методов распределенной обработки данных в рамках построения собственной системы мониторинга.

В настоящее время существует несколько подходов к построению систем мониторинга различного назначения, одним из которых является построение системы мониторинга на основе двухуровневой архитектуры. Системы на основе данной архитектуры обладают некоторыми недостатками, связанными с нерациональным использованием вычислительных ресурсов и асинхронностью получения и отображения информации. Разработка систем мониторинга на основе трехуровневой архитектуры позволяет избежать перечисленных недостатков, за счет создания дополнительного промежуточного уровня, обеспечивающего концентрацию информационных потоков, а также централизацию управления процессами предварительной обработки данных.

Учитывая размерность массивов данных, поступающих от оборудования, сам процесс предварительной обработки должен иметь распределенный характер и использовать ресурсы совокупности вычислительных комплексов.

Как уже отмечалось, одним из наиболее эффективных подходов к созданию распределенных систем является использование теории MAC, модели и методы которой достигли определенного успеха благодаря работам A. Pao, М. Джорджефа, В. Тарасова, М. Дженнингса, Н. Вулбриджа и др. Использование интеллектуальных агентов на основе BDI (Belief Desire Intention) архитектуры позволит решить задачу функционирования агента в изменяющейся среде, а также создаст платформу для применения интеллектуальных методов обработки информации.

Автоматизация управления процессом предварительной обработки данных является одним их ключевых аспектов проектирования любой системы мониторинга. Вопросам автоматизации управления посвящено множество научных трудов различных специалистов в этой области, таких как Б. Волик, Ш. Алиев, Р. Дорф, Е. Попов и д.р. Несмотря на то, что большая часть рассмотренных методов ориентирована на их применение в области параметрического управления техническими объектами, автоматизация

6

управления информационными процессами может быть достигнута за счет применения общих методов и моделей теории управления.

Вторая глава посвящена разработке моделей, методов и алгоритмов организации распределенной обработки данных, представленных значениями параметров, каждый из которых характеризует некоторое свойство / технического устройства d, т.е p(d, I). Множество параметров, значения которых, в процессе мониторинга, считываются непосредственно с технического устройства, являются параметрами нижнего уровня {р/0}. В общем случае в виду высокой степени сложности современных технических устройств (а, следовательно, большого количества параметров), восприятие и анализ конечным пользователем больших массивов данных представляет собой нетривиальную задачу. Зачастую возникает необходимость в исчислении значения параметра более высокого уровня, как функции от значений совокупности параметров нижнего уровня, т.е. рх = J[[pi°}). Полученное значение является значением параметра верхнего уровня первой степени. В свою очередь данное значение может быть использовано в вычислениях значения параметра верхнего уровня второй степени р2 = J{{pi}), и т.д. Тогда автоматизация предварительной обработки данных может быть достигнута за счет построения распределенной системы, структурные элементы которой осуществляют исчисление значений параметров на основе иерархических структур в рамках процессов, управляемых на основе системы событий.

В терминах искусственного интеллекта и иерархическая структура представима в виде семантической сети следующего вида:

Л =(?,©, П), (1)

где: Р - множество параметров технических устройств; 0 — множество правил исчисления значений параметров; П - множество предикатов: if - «использует значение», - «использует правило исчисления». Причем для любого параметра в заданной сети допустима истинность не более одного предиката к0. Полная семантическая сеть Я будет описывать все иерархические структуры, определенные для параметров заданной ТС.

В результате формализации механизмов исчисления значений параметров на основе данного подхода, был разработан рекурсивный алгоритм, который на верхнем уровне представим в виде следующей последовательности действий:

1. поиск/синтез иерархии hip') для параметра р';

2. исчисление значения для каждого отсутствующего значения параметра pjA множества {pj'1}, путем рекурсивного выполнение данного алгоритма, полагая р =pjA~,

3. проверка достаточности данных и корректности определения правила исчисления 0;

4. вычисление значения параметра посредством выполнения алгоритмов соответствующего правила 0.

Таким образом, иерархии параметров позволяют организовать вычисления на основе общего механизма, абстрагированного от специфики применяемых в процессе исчисления алгоритмов.

С ростом количества технических устройств, размерность множества иерархий параметров линейно возрастает. При достаточно больших размерах технической системы описание иерархий параметров для каждого устройства будет представлять собой довольно ресурсоемкую задачу. В целях сокращения общего количества иерархических структур, описание общих зависимостей целесообразно производить на более высоком уровне - семантических сетей мета-параметров.

В рамках предлагаемой модели построение иерархии и исчисление значений параметров осуществляется на основе многоагенткой системы, как теории с наиболее гибким и эффективным в настоящий момент подходом к созданию распределенных систем. Центральным типом агентов в проектируемой MAC является класс агентов предварительной обработки Ар. Функционирование агентов данного типа носит делиберативный характер, что обусловлено перспективой разработки и применения интеллектуальных методов обработки данных в условиях недостатка информации. Предложенная Рао и Джоржеффом модель делиберативного BDI-агента опирается на использование CTL логики вычислительных деревьев, в которой каждому моменту времени приписывается некоторая ситуация, характеризующаяся тремя множествами миров: миров убеждений W8, желаний W° и намерений W1.

Примитивами логики являются: Ф - непустое множество атомарных высказываний пропозициональной логики; v, -i - операторы; BEL, DES и INTEND - опер аторы модальной логики; X (еле дующий), U (до), F (к огда-нибудь в будущем), Е (по какому-либо пути в будущем) - временные операторы.

Описания ментальных характеристик агента на основе BDI архитектуры опирается на понятия формулы состояния, которая определяется для каждого состояния принадлежащего определенному миру и формулы пути, которая определяется для конкретного пути в отдельно взятом мире.

Формализация модели агента на основе данного подхода подразумевает использование структуры Крипке, адаптированной к задаче моделирования поведения интеллектуального агента:

M=(W,y\,yi,T,B,D,I), (2)

где: W - множество возможных миров убеждений W8, предпочтений W° и намерений W1, т.е. W=WBuWDvWt,W: ({Sw: w е W},{Rn: w s W })■,

т| - функция назначения, ставящая в соответствие каждому состоянию л из мира м/ набор высказываний (формулу состояния) из множества Фкоторые истинны в данном состоянии, т.е. Г|(14', х) -> Ф', н> е IV, Ф'сФ;

\х - функция назначения, ставящая в соответствие каждому отношению достижимости г, определенному в мире некоторое действие, т.е. ц(-и>, г) -> с,, у/ е Щге

Г - система целей агента, представленная совокупностью целевых функций у(^)еГ, определяющих приоритеты достижения агентов заданных состояний;

В, Д / - отношения на множествах миров и состояний (в рамках представления убеждений агента получим В с

В основе процессов формирования возможных миров убеждений лежит использование дерева принятия решений агента, имеющего следующую структуру:

Л = (^,Л\Н,У,ц\ф,т1х,у), (3)

где: ^ - непустое множество состояний в мире агента, состоящее из элементов двух непересекающихся конечных множеств: множества состояний принятия решений ¡>* и множества состояний определяемых окружающим миром 5е, т.е. 5х: ^ = 5е, &

П 5^=0; Я — множество бинарных отношений достижимости, определенное на множестве состояний, т.е. Як с У х 5^; Н - непустое множество атомарных действий предпринимаемых агентом; У - множество исходов действий агента, результат которых частично или полностью определяется состоянием окружающего мира в момент выполнения агентом действия; ц'' -функция назначения, ставящая в соответствие каждому отношению достижимости некоторое действие или исход действия, т.е. ц'"(г) —» {!;, и}; Г|Х -функция назначения, ставящая в соответствие каждому состоянию .^вЗ1 набор высказываний из множества Ф, истинных в состоянии з1'; у - целевая функция определяющая приоритеты агента.

Согласно алгоритму, описанному Джорджефом, множество миров убеждений агента формируется путем исключения из дерева принятия решений состояний подмножества при этом для каждой исключенной вершины sc создается совокупность миров, в каждом из которых агент переходит в следующее состояние с одним из возможных исходов и.

На основе убеждений агент формирует множество предпочтений, основываясь на системе целей, которых он стремится достичь, путем исключения явно не предпочтительных вариантов.

Далее агентом, формируется множество намерений, определяющих совокупность действий, подлежащих реализации. Элемент множества миров намерений представляет собой некоторый путь в дереве соответствующего мира предпочтения выбранного агентом в качестве плана действий.

В каждый момент времени t¡ агент, обладая знаниями о своем внутрен. состоянии и характеристиках окружающего его мира, определяет текут состояние s¡, в котором соответствующая формула состояния ф,- являет истинной. Некоторый мир w 6 W считается достижимым в состоянии se если формула состояния ф, определенная для данного состояния в данном ми w функцией T|(w,s), является истинной. Причем, в общем случае достижимое некоторого мира w характеризуется заданной вероятностью, а отношен достижимости миров задаются базовыми элементами В, D, I структуры Крипк

В своей работе Pao и Джоржефф дали абстрактную спецификащ модели делиберативного агента и предложили расширения, которые могли ( удовлетворять различным возможным аксиомам BDI-теории. Однако да нн спецификация является высокоуровневой абстракцией и не допуска непосредственной технической реализации.

Следовательно, в целях построения делиберативного аген предварительной обработки данных, возникает необходимость в четк формализации существующей модели и алгоритмов функционирования ВЕ агента.

Учитывая структуру дерева принятия решений (3), а также вид алгории формирования миров убеждений расширим описание множеств миров И W°, W:

W* = ({.Sj: e W»), {RWB: wB e W8}, Ея, Фв), (4)

ff° = «Sf: wD e W0}, {Rw°: WD € W0}, Ф% (5)

W1 = ({Sj: w' e W1}, {Rj: w1 e IV1}, E1, Ф'), (6)

где: - множество состояний мира; JVW - множество бинарных отношен] достижимости, K*w ç S*w х S'w', S1 - множество допустимых действий в мир агента, приводящих к изменению текущего состояния, Нвс Е; Ф* - множест атомарных высказываний пропозициональной логики убеждений агент Ф"сФ.

Оценка вероятности pw достижимости мира w производится на эта; формирования возможных миров на основе вероятностей (как условных, так обычных) исходов действий в w как произведение вероятностей исход действий, которые истинны в данном мире vv:

P(ív) = n?=oP(uj)> (7)

где p(uj) - вероятность наступления uj исхода из множества Y', т.е. Оу e Yl,j

[0; |У-1|].

На основе спецификации предложенной Pao и Джоржеффом бь разработан алгоритм определения интенциональных характеристик BDI-arein состоящего из следующих шагов:

1. определить множество достижимых миров убеждений IVв для текущего состояния 5,- с помощью отношения достижимости В;

2. на основе элементов множества \Л/В сформировать предпочтения агента

путем устранения путей в мирах для которых значение целевой функции для последующих состояний у(.у) < 0, у(5)еГ;

3. если = 0 (у агента нет предпочтений), то завершение выполнения алгоритма;

4. в каждом из миров выделить поддерево единичной глубины, описывающее возможности агента по переходу из текущего состояния я,- в одно из следующих состояний {5/+1};

с - Т0'1

5. для каждой из вершин поддеревьев Лд определить значение целевой функции;

5.1. определить множество терминальных вершин {$'} для поддерева корнем которого является вершина 57+1;

5.2. определить значение целевой функции как: у(.У;+|) = тах'у(у(У));

6. на основе элементов множества ]Л/° сформировать совокупность доступных действий

7. если |Н°| = 1 (имеется ровно одно допустимое к реализации действие £'), то перейти к пункту 10;

8. принимая во внимание вероятностные характеристики достижимости миров, рассчитать комплексную оценку оптимальности реализации каждого

допустимого действия по формуле:

_ (8)

N

где - состояние, в которое переидет агент из текущего состояния в мире й>у при реализации действия Ъ;, N - мощность множества достижимых миров предпочтений, Лг= {IV

9. определить действие для которого было получено максимальное значение комплексной оценки оптимальности тах(к=);

10. сформировать множество достижимых миров намерений IV', в которых принято к реализации;

11. реализовав выбранное действие определить текущее состояние.

Рассмотрим применение описанных формализмов к задаче построения

агента предварительной обработки данных. Дерево принятия решений для

процесса исчисления значения параметра будет иметь вид представленный на

рисунке 1.

уМ-г)

Рисунок 1 - Дерево принятия решений агента предварительной обработки

данных

Совокупность действий реализуемых агентом ограничена следующим множеством:

3 Г, ГЬ (9)

где: - извлечение данных из буфера; - получение иерархической структуры; - проверка наличия значений; ^ - вычисление значения

параметра на основе заданной иерархической структуры; - сохранение множества параметров для заданной иерархической структуры в буфере данных; Е,* - экспорт значения параметра.

Множество действий, результат которых частично или полностью не зависит от агента, а в большей степени определяется состоянием окружающего мира, включает в себя два элемента: 5' = З'с Е. В соответствии с

типами выделенных действий получим:

Г={иов,и,? ,1)„}, л = (Ю)

УЛ = {и0А,и,А}, (11)

описывающие исходы действий: У - количество значений параметров отсутствующих в буфере данных; Уи - результаты поиска иерархии для заданного параметра.

Каждой терминальной вершине данного дерева ставится в соответствие некоторое численное значение (вес вершины), величина которого определяется целевой функцией у(з). Специфика рассмотренного дерева принятия решений состоит в том, что для большинства состояний множество допустимых к реализации действий содержит только один элемент. Таким образом, расчет вероятностных характеристик достижимости миров не имеет смысла, что объясняет отсутствие вероятностных характеристик на этапе построения дерева принятия решений.

В условиях отсутствия части значений параметров иногда целесообразно рассчитать наиболее вероятное значение параметра верхнего уровня. Рассмотрим дерево принятия решений для описанной ситуации (рис. 2)

Множество действий предпринимаемых агентом в соответствии с приведенным деревом ограничено следующими элементами:

(12)

где: - получение списка устройств, принадлежащих одному классу с устройством, к которому принадлежит параметр р'\ ^ - оценка вероятностей р(ио*) и р(и/) на основе анализа имеющихся данных о множестве значений параметровР = {р'Дир', ^(Р).

Как и в случае исчисления значений параметров определим конечное множество исходов для действий различных типов. Множества исходов действий Е," и ¿;А в данном случае идентичны множествам У и Yh, описанным ранее (см. (10) и (11)).

Множество У1 содержит два различных исхода действия:

Г={ио>,*}, (13)

где: и0* - рассчитанное и экспортированное вероятное значение параметра не соответствует действительному; и^ - рассчитанное и экспортированное вероятное значение параметра соответствует действительному.

YKs'c) Y-<S'7>

Рисунок 2 — Дерево принятия решений в условиях недостатка информации Тогда в процессе формирования BDI-агентом возможных миров, с помощью ранее описанного алгоритма, каждый возможный мир будет характеризоваться значением вероятностной величины р®, определяющей достижимость данного мира.

В процессе функционирования агент меняет свои представления относительно вероятностей достижимости миров на основе анализа информации о состоянии внешней среды.

Процесс проектирования распределенной MAC требует проектирования её архитектуры с учетом особенностей и возможностей выбранной агентной платформы. Среди наиболее известных агентных платформ можно выделить OMG, KAoS, FIPA и другие. Учитывая широкую популярность и гибкость

FIPA, с точки зрения построения многоагентных систем различного масштаба, данная спецификация была выбрана в качестве основы при проектировании архитектуры MAC, приведенной на рисунке 3.

Представленная архитектура распределенной MC включает в себя несколько агентных платформ, на базе которых функционирует конечное множество агентов, выделенных ранее типов: множество агентов контекста обработки данных {а(с}; агент доступа к буферу данных аь\ агент иерархии параметров а\ агент иерархии мета-параметров amh; агент иерархии виртуальных параметров ah\ множество агентов предварительной обработки данных {а/}, агент доступа к базе знаний акЬ.

( Сервис транспортировки сообщений )

JL ifit JL

SZ.

(^^АКОдГ^)

Служба каталога

SZ.

Подсистема управления агентами

Рисунок 3 — Архитектура MAC распределенной обработки данных Глава 3 посвящена вопросу проектирования системы мониторинга состояния оборудования технической системы.

Разработанная в предыдущей главе модель MAC обеспечивает исчисление значений параметров в масштабах реального времени за счет распределенного подхода к организации вычислений. Очевидно, что существует необходимость в управлении данными процессами, что создает предпосылки к разработке модели соответствующей автоматизированной системы управления информационными процессами (АСУ ИП). В рамках предлагаемой модели функция управления достигается за счет инкапсуляции (частичной или полной) алгоритмов информационных преобразований

управляемого процесса в модуле автоматизации информационного процесса (МАИП), управляемом на основе системы событий. Разработка МАИП контекстной обработки данных позволит обеспечить управление процессами, протекающими в MAC, за счет взаимодействия с агентами контекста обработки данных ас.

Будем рассматривать автоматизированную систему управления в виде совокупности основных подсистем, обеспечивающих выполнение определенных задач в соответствии с функциональной структурой, и множества модулей автоматизации ИП:

SN = {jm, sc, /, Й), (И)

где: sm — подсистема обработки сообщений, выполняющая отображение множества входящих сообщений М среды на множестве событий Е, т.е. М—► Е; / - подсистема управления модулями автоматизации ИП, анализирующая выявленные события Е в целях выработки управлений А в многопоточной среде выполнения, т.е. Е —► A; sd - подсистема распределения нагрузки между множеством МАИП; / - подсистема доступа к конфигурации МАИП; Н -множество модулей автоматизации ИП.

Конечное множество определенных в рамках данной модели управляющих воздействий А включает: а - синтез нового МАИП; а' -инициализация МАИП; а - выполнение алгоритмов МАИП; St - завершение выполнения алгоритмов МАИП. Выработка управлений осуществляется в многопоточной среде выполнения, что позволяет распараллелить процессы управления совокупностью модулей автоматизации ИП.

Процесс управления модулем автоматизации опирается на политику жизненного цикла МАИП. Под политикой жизненного цикла модуля понимается совокупность продукций, определяющих управляющие воздействия, подлежащие выработке в ответ на поступившее событие, в целях достижения желаемого поведения.

Представим модуль автоматизации ИП в следующем виде:

А, = (Xt, Y,\ /', е, ccf); fy е Я, (15)

где: Xt и у/ - множество входных и выходных информационных потоков; i1 -тип модуля автоматизации ИП; - комплексный алгоритм инициализации, преобразований, завершения выполнения, т.е. Ч7/ = {у';, чЛ, v|'c/}; 6, - булева функция оценки завершенности ИП; а| - конечный детерминированный автомат Мили, определенный на множестве состояний модуля S.

Множество состояний 5 модуля определено как: ss - модуль синтезирован (created); sr - способен к выполнению (runnable); sc - выполнение завершено (completed).

Конечный автомат ccf предназначен для фильтрации управляющих воздействий со стороны подсистемы / на основании текущего состояния

МАИГТ. Необходимость фильтрации обусловлена тем, что не во всех состояниях выработка всех управлений является допустимой. В то же время, в силу многопоточности выработки управлений невозможно гарантировать, что с момента принятия решения о необходимости выработки управления (а') до момента непосредственной выработки управления а состояние МАИП не изменится. Тогда с учетом допустимости выработки управлений для различных состояний МАИП получим логику конечного детерминированного автомата Мили, представленную в таблице 1.

Таблица 1. Таблица переходов и выходов конечного автомата Мили

Текущее состояние (Sv) Входной сигнал (X,) Следующее состояние (S,) Выходной сигнал (У,,)

ss <5" sr OVÍ)

¿f ss -

3е 3е -

sr d- sr -

á" sr ¿V.)

3е sc -ад

6/ sc -

9/ sr -

sc 3' sc -

а" sc -

3е sc -

Определив механизмы управления процессами обработки данных, перейдем к синтезу архитектуры системы мониторинга состояния оборудования технической системы (СМСО ТС). В силу использования классических технологий в процессе проектирования АСУ в совокупности с агентным подходом, использованным при создании распределенной системы обработки данных, архитектура СМСО ТС будет иметь гибридный характер (рис. 4).

В состав системы мониторинга входит совокупность МАИП предварительной обработки данных, выполняющих роль связующего звена между распределенной MAC и остальными структурными элементами системы. Данный модуль формирует и передает агенту a¡ контекст обработки данных ас, содержащий: Р^ - множество параметров процесса предварительной обработки; Тас — множество характеристик временного интервала обработки; - инструкция выполнения. Обработанные агентами MAC данные передаются модулю автоматизации, который их экспортирует заинтересованным клиентам посредством соответствующей подсистемы с использованием механизмов группировки.

¡Ядро АСУИП г Подсистема ^ синтеза событий ^ таймера >

' Подсистема \ синтеза событий ] времени _J

Подсистема синтеза МАИП

Подсистема буферизации событий

>F<

С Подсистема доступа к A /f

конфигурации МЛИП J L

Подсистема анализа событий

Подсистема выполнения алгоритмов МАИП

Агеитяая платформа ;

БД

| ( МЛИН(сЧ) )

( МАИП(сЬ) )

К-

Подсистема распределения нагрузки

С

Подсистема доступа

кБД J

^Подсистема кэширования j

Подсистема ипморта данных ["подсистема экспорта данных ■ I Подсистема экспотра сервисов

i i i i i i i i i i i , i i i i i i i i i i i и . ^-—-—.

Г— rrr-^i—í

•j (Клиент подсистемы мониторинга! I Г П0ДС1

г

Подсистема группировки Л значений_J I

(Подсистема экспорта Л _сервиса_/

Подсистема мониторинга значений параметров

Подсистема публикации _сообщений_

Подсистема управления процессами мониторинга параметров

±

)

с

Подсистема экспорта^ сервиса J

Сервер

j Сервис обмена сообщениями

I ÉÉÜ Ш SI | ZZZIZIIZZIIZE

(«дроСМСОТС) RPC.............

^ Подсистема импорта значений ^ Подсистема отображения значений^

потенциальных проблем, связанных с отказами в функционировании элементов инфраструктуры сети организации; 3. использует механизм группировки информационных объектов, учитывающий скорость поступления данных, обеспечивая передачу клиентам большого количества информации в ограниченное время.

В главе 4 рассмотрены вопросы применения разработанных формализмов описания моделей, методов и алгоритмов к задаче автоматизации мониторинга состояния оборудования комплекса ускорителей элементарных частиц.

Множество типов предварительной обработки данных поступающих от комплекса ускорителей, включает в себя исчисление значений параметров верхнего уровня (различных степеней), исчисление минимальных и максимальных значений параметров, исчисление статуса параметра и единиц измерения. Одним из наиболее комплексных типов обработки является процесс исчисления статуса параметра, заключающийся в сравнении значения параметра с некоторой эталонной величиной с последующим анализом результатов сравнения. Кроме того, в процессе исчисления учитывается общее состояние устройства, а также такие характеристики параметра как дискретность/непрерывность значений, тип параметра, тип сравнения (абсолютная погрешность, относительная погрешность и т.д.). Множество допустимых значений статуса параметра определено в виде: ОК(все в порядке), И^у1/?ММ7(предупреждение), Е/У?СУ?(ошибка), NONE(статус не определен).

В силу отсутствия определения статуса параметра в качестве параметра в БД, построение обычной иерархии параметров для его исчисления представляется невозможным, что обуславливает использование механизмов синтеза виртуальных иерархий. В рамках данного подхода вид иерархии определяется на основании анализа информации в БД. Примером типовой виртуальной иерархии параметров в РЭ является иерархия исчисления статуса для одного из параметров (АОМ) преобразователя мощности РЯ.БШО! (рис. 5).

ря.онгошо^ашз

рк.онгси/этАО ря.онгоч/сзтла Рисунок 5 - Пример виртуальной иерархии

Процедура синтеза данной иерархии параметров является прерогативой агента а\ который получает соответствующий запрос от агента ан. На основе полученной иерархии агент предварительной обработки данных </ производит исчисление значения параметра.

В целях рассмотрения механизма принятия решения агентом сР в условиях неопределенности рассмотрим подмножество возможных миров достижимых из состояния я/ (рис. 2). Данное подмножество будет состоять из двух миров Щ с вероятностью достижимости р(й/1)-5рхр(и|Д:) и й/2 с вероятностью р(й/2) = 5рхр(и0*) (рис. 6), где 6Р - вероятностный коэффициент, определенный как произведение вероятностей исходов действий:

В результате выполнения оценки вероятностей р(й>1) и р(ш2) будут пересчитаны (р'С^) и р'(й/2) соответственно) как следствие изменения вероятностных характеристик исходов ио* и иД исходя из результатов анализа имеющихся данных о множестве значений параметров Р.

Рисунок 6 - Достижимые в состоянии .$,• миры убеждений агента Тогда в состоянии агенту необходимо определить действие, подлежащее реализации, которое потенциально приведет к конечному состоянию с наибольшим значением целевой функции у,-. Согласно (8) вычислим комплексные оценки оптимальности реализации допустимых действий и

5р=р(и0А)хр(и1а)хр(ио<').

2 2 2

Выбор дальнейшего действия агента зависит от значений целевой функции, а также вероятностей достижимости миров (результатов анализа имеющихся данных о множестве значений параметров Р).

Управление процессами обработки данных осуществляется с помощью АСУ ИП. В процессе построения контекста выполнения МАИП предварительной обработки данных формирует множество параметров, значения которых необходимо вычислить с учетом подмножества виртуальных параметров ($-параметры). Все вычисленные значения дополнительных характеристик, наряду со значением основного параметра, помещаются в комплексное значение параметра (КЗП), представляющее собой результат процесса предварительной обработки и имеющего следующую структуру: х = (vr, v\,„, vrmax, s\ u\ где vT - значение параметра, vxmin и vmax - минимально и максимально допустимые значения параметра соответственно; sx - статус параметра; и - единицы измерения.

Политика жизненного цикла данного МАИП предварительной обработки данных определяется исходя из характера процесса функционирования ускорителя, который можно представить в виде совокупности интервалов времени - циклов. В рамках каждого из циклов, системой мониторинга производится сбор данных, их обработка и передача обработанных данных заинтересованным клиентам. Тогда для каждого ускорителя комплекса необходима конфигурация соответствующих МАИП обеспечивающих обработку данных в соответствии с системой циклов ускорителя.

Разрабатываемая на основе спроектированной модели система мониторинга является частью информационно-программного комплекса мониторинга и управления InCA (Injector Control Architecture), призванного унифицировать механизмы мониторинга состояния оборудования и предоставить средства безопасного и централизованного управления совокупностью ускорителей системы инжекции пучка элементарных частиц. В качестве средств реализации спроектированной системы были использованы язык программирования и технологии платформы Java.

Прототип системы, реализованный на основе предлагаемой модели, прошел успешные испытания в рамках серии централизованных тестирований комплекса мониторинга и управления оборудованием (13.08.08, 14.11.08, 20.04.2009-21.04.2009) в ЦЕРНе. В процессе тестирования работоспособности системы были получены показатели различных характеристик процесса функционирования объекта испытаний (таблица 2).

В основу архитектуры системы мониторинга была положена предложенная в работе модель, за исключением распределенной MAC предварительной обработки данных. Данное решение мотивировано наличием достаточных ресурсов для обработки данных поступающих от оборудования PS

ускорителя. Дальнейшее расширение системы, в целях мониторинга состояния оборудования комплекса ускорителей системы инжекции пучка, предполагает использование распределенного подхода к обработке данных.

Таблица 2. Результаты тестирования СМСО ускорителя PS

~ —---______Количество параметров Показатель "——------ 995 5067 10522

Количество клиентов 7 32 46

Среднее количество итерации препроцессинга (за базовый период) 7 5 2

Количество МАИП препроцессинга 4 4 4

Потребление времени ЦП (%) 8 18 50

Потребление ОЗУ (МБ) 320 350 400

Общее количество потоков 275 310 435

В результате выполнения работы достигнуты следующие основные

результаты:

1. предложены алгоритмы синтеза иерархических структур на основе многоуровневой системы определения зависимостей;

2. спроектирована архитектура MAC распределенной обработки данных, построена модель BDI агента предварительной обработки, рассмотрены структурные элементы MAC и взаимодействие между ними;

3. разработана модель управления процессами предварительной обработки данных в многопоточной среде выполнения;

4. предложена модель системы мониторинга состояния оборудования сложной технической системы с гибридной архитектурой;

5. рассмотрено применение формализмов описания моделей, методов и алгоритмов к задаче автоматизации процесса мониторинга комплекса ускорителей, разработан прототип системы мониторинга и произведена верификация прототипа посредством тестирования.

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Лежебоков В.В. Управление информационными процессами обработки массивов данных большой размерности / В.В. Лежебоков // Известия Волгоградского государственного технического университета: межвуз. сб. науч. ст. /ВолгГТУ. - Волгоград, 2009. - №6. -С. 56-59.

{журнал рекомендованный ВАК)

2. Лежебоков В.В. Решение задачи препроцессинга данных в рамках разработки информационно-программного комплекса мониторинга и управления оборудованием ускорителей /В.В. Лежебоков, В.А. Камаев // Известия высших учебных заведений. Поволжский регион. Сер. Технические науки. - Пенза: Изд-во Пенз. гос. ун-та, 2009. - № 2 . - С. 43-53. (журнал рекомендованный ВАК)

3. Лежебоков B.B. Разработка и применение модели автоматизированной системы управления информационными процессами к задаче мониторинга состояния оборудования / В.В. Лежебоков, В.А. Камаев //Вестник компьютерных и информационных технологий. - 2009. - №9. - С. 18-22. (журнал рекомендованный ВАК, принята к публикации за № 489)

4. Лежебоков В.В. Модель автоматизированной системы высокопроизводительной обработки информационных массивов большой размерности / В.В. Лежебоков, В.А. Камаев // Новые информационные технологии и системы: Труды VIII международной научно-технической конференции. Ч. 1. - Пенза, ПТУ, 2008 г. - С. 82-85.

5. Лежебоков В.В. Распределенные механизмы предварительной обработки данных в задачах мониторинга состояния оборудования сложных технических систем [Электронный ресурс] / В.В. Лежебоков // Электроника и информационные технологии. - [2009]. URL: http://fetmag.mrsu.ru/2009-1 /pdf/Legebokov_spreaded.pdf

6. Лежебоков В.В. Автоматизация управления процессами предварительной обработки данных в многопоточной среде выполнения /В.В. Лежебоков // Журнал научных публикаций аспирантов и докторантов.- 2009.- №5. - С. 162-164.

7. Лежебоков В.В. Автоматизация мониторинга состояния оборудования распределенной технической системы / В.В. Лежебоков II Вестник развития науки и образования, 2009. - № 3 - С. 28-31.

8. Лежебоков В.В. Разработка и применение модели автоматизированной системы управления информационными процессами к задаче мониторинга состояния оборудования / В.В. Лежебоков, В.А. Камаев // Инновационные технологии в обучении и производстве: Материалы V Всероссийской научно-практической конференции, 4-6 декабря 2008 г.: В 3 т. Том 2. -Волгоград, 2008.-С. 170-173.

9. Лежебоков В.В. Визуальное моделирование структуры состояний сложных информационных процессов / В.В. Лежебоков, В.А. Камаев, М.В. Набока II Системные проблемы надежности, качества, информационных и электронных технологий,/ Материалы X Международной конференции и Российской научной школы. Ч. 3. -М.: Радио и связь, 2005. - С. 246-250.

10. Лежебоков В.В. Модель автоматизированной системы структурного управления сложными информационными процессами / В.В. Лежебоков, М.В. Набока // Моделирование. Теория, методы и средства: Материалы V Междунар. науч.-практ. конф., г. Новочеркасск, 8 аир. 2005 г. / Юж.-Рос. гос. техн. ун-т (НПИ). - Новочеркасск: ЮРГТУ, 2005. - С. 50-51.

11.Лежебоков В.В. Разработка модели системы обработки информации о состоянии технических устройств в рамках построения программного комплекса управления ускорителем / В.В. Лежебоков // Информационные

Ib

технологам в науке и образовании. Материалы международной научно-практической интернет-конференции и семинара "Применение Moodle в сетевом обучении", 1-3 апреля 2009. - Шахты: Изд-во ЮРГУЭС, 2009г. - С. 244-247.

12.Лежебоков В.В. Построение системы мониторинга состояния оборудования сложной распределенной технической системы / В.В. Лежебоков // Материалы XXXVI научной конференции и дискуссионного научного клуба "Информационные технологии в науке, социологии, экономике и бизнесе" IT+SE'09,20-30 мая 2009. - С. 45-50.

Подписано в печать 26. Ой. .2009 г. Заказ №37/ . Тираж 100 экз. Печ. л. 1,0 Формат 60 х 84 1/16. Бумага офсетная. Печать офсетная.

Типография ИУНЛ Волгоградского государственного технического университета. 400131, г.'Волгоград, ул. Советская, 35

Введение.

1 Анализ задачи автотизации мониторинга состояния оборудования.

1.1 Обзор основных аспектов автоматизации процесса мониторинга.

1.1.1 Подходы к проектированию АСУ.

1.1.2 Обзор типовых архитектурных решений для систем мониторинга.

1.1.3 Обзор моделей обработки информации.

1.2 Основные положения теории многоагентных систем.

1.2.1 Понятие агента. Его основные свойства и характеристики.

1.2.2 BDI архитектура интеллектуальных агентов.

1.2.3 Взаимодействие интеллектуальных агентов в процессе функционирования.

1.3 Процесс функционирования ускорителя элементарных частиц.

1.3.1 Основные аспекты процессов мониторинга и управления ускорителем элементарных частиц.

1.3.2 Потоки передачи данных.

1.3.3 Классификация параметров технического устройства.

1.4 Обзор комплексов мониторинга и управления оборудованием ускорителей.

1.4.1 Распределенный объектно-ориентированный ИПК управления DOOCS.

1.4.2 Информационно-программный комплекс управления акселераторами ACNET.

1.4.3 Информационно-программный комплекс мониторинга и управления БАК.

1.4.4 Сравнительная характеристика систем мониторинга входящих в состав ИПК мониторинга и управления ускорителями.

1.5 Постановка задачи.

2 распределенная система предварительной обработки данных.

2.1 Модель предварительной обработки данных.

2.1.1 Зависимости между параметрами технических устройств.

2.1.2 Исчисление значений параметров на основе иерархических структур.

2.1.3 Определение иерархий параметров мета-уровня.

2.2 Построение многоагентной системы распределенной обработки данных.

2.2.1 Модель BDI-агента предварительной обработки данных.

2.2.1.1 Формализация модели BDI-агента.

2.2.1.2 Предварительная обработка данных.

2.2.1.3 Обработка данных в условиях недостатка информации.

2.2.2 Многоагентная система предварительной обработки данных.

2.2.2.1 Агентная платформа MAC.

2.2.2.2 Архитектура распределенной MAC предварительной обработки данных.

2.2.3 Процессы коммуникации структурных элементов MAC.

2.3 Выводы к главе 2.

3 Модель автоматизации мониторинга состояния оборудования технической системы.

3.1 Автоматизированная система управления информационными процессами.

3.1.1 Формализованное описание модели автоматизированной системы управления ИП.

3.1.1.1 Механизм обработки сообщений.

3.1.1.2 Механизмы управления информационными процессами.

3.1.2 Жизненный цикл модуля автоматизации ИП.

3.1.3 Архитектура автоматизированной системы управления ИП.

3.2 Система мониторинга состояния оборудования технической системы.

3.2.1 Концептуальная структура автоматизированной системы мониторинга.

3.2.2 Основные структурные элементы автоматизированной системы мониторинга.

3.2.2.1 Элементы подсистемы передачи массивов данных.

3.2.2.2 Управление процессами мониторинга значений параметров.

3.2.2.3 Организация доступа к удаленным сервисам.

3.2.3 Архитектур а системы мониторинга.

3.3 Выводы к главе 3.

4 Автоматизация процесса мониторинга состояния оборудования комплекса ускорителей элементарных частиц.

4.1 Предварительная обработка данных получаемых от ТУ.

4.1.1 Исчисление ДХ значений параметров.

4.1.2 Иерархические структуры предварительной обработки данных

4.1.3 Агент предварительной обработки данных.

4.2 Управление ИП предварительной обработки данных.

4.2.1 Источники событий.

4.2.2 Политика жизненного цикла.

4.2.3 Модуль автоматизации ИП предварительной обработки данных

4.3 Модель автоматизированной системы мониторинга состояния оборудования комплекса ускорителей.

4.3.1 Архитектура системы мониторинга.

4.3.2 Оценка производительности модели предварительной обработки.

4.4 Апробация полученных результатов.

4.4.1 Определение средств реализации поставленной задачи.

4.4.2 Информационно-программного комплекс InCA.

4.4.3 Тестирование прототипа системы мониторинга состояния оборудования комплекса ускорителей.

4.5 Выводы к главе 4.

Одной из характерных тенденций развития научных исследований является появление и использование информационных систем большой сложности. Важным классом данных систем являются автоматизированные системы мониторинга, обеспечивающие сбор и предварительную обработку данных, отражающих определенные характеристики состояния объекта наблюдения, с последующей их передачей конечному множеству заинтересованных клиентов. В данном контексте актуальной становится задача автоматизации предварительной обработки больших массивов информации в масштабах реального времени, что обуславливает создание высокопроизводительных распределенных систем препроцессинга данных.

В настоящее время существует довольно большое количество типов задач обработки информации в различных областях науки и производства, таких как: обработка статических и видеоизображений, обработка аудиоданных, задачи комбинаторной оптимизации и т.д. На протяжении последних десятилетий было создано множество формальных методов, позволяющих эффективно решать обозначенные задачи. В тоже время, специфика задачи препроцессинга массивов данных, получаемых от оборудования технических систем, состоит в том, что функциональный состав моделей, разрабатываемых в рамках решения задач данного класса, определяется подходами к мониторингу и управлению конкретной технической системой. Данные подходы зачастую существенно отличаются для различных классов ТС, что объясняет отсутствие единых формальных методов в этой области.

Одним из видов процесса предварительной обработки данных является вычисление значения параметра «верхнего уровня» на основании массивов данных получаемых от технических устройств. Данное отношение на множестве параметров может быть представлено в виде иерархической структуры, задающей правила исчисления значения параметра в совокупности с необходимыми для этого информационными ресурсами. Тогда автоматизация предварительной обработки данных может быть достигнута за счет построения распределенной системы, структурные элементы которой осуществляют исчисление значений параметров 7 на основе иерархических структур в рамках процессов, управляемых на основе системы событий. Также необходимо учесть необходимость обработки данных в условиях недостатка информации, обусловленного неидеальностью элементов ТС и каналов передачи данных. Принимая во внимание распределенность процессов обработки данных, наиболее эффективным подходом к решению обозначенной задачи можно считать использование теории многоагентпых систем (MAC).

Апробацию разработанных методов, моделей и алгоритмов предполагается провести на оборудовании комплекса ускорителей элементарных частиц, созданного в Европейской организации ядерных исследований ЦЕРН.

Цель и задачи работы. Целью диссертационной работы является повышение производительности систем мониторинга состояния оборудования за счет разработки масштабируемой модели распределенной системы обработки данных. Для достижения указанной цели необходимо решить следующие задачи:

1. разработать методы и алгоритмы исчисления значений параметров на основе иерархических структур;

2. используя основные положения теории MAC, разработать модель распределенной системы предварительной обработки данных;

3. разработать модель автоматизации управления процессами предварительной обработки данных;

4. построить модель системы мониторинга состояния оборудования технической системы;

5. разработать прототип системы мониторинга состояния оборудования комплекса ускорителей элементарных частиц.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, теории многоагентных систем, теории управления, теории автоматов, общей алгебры, а также методы проектирования информационных систем.

Научная новизна результатов, выносимых па защиту, заключается в том что:

1. на основе абстрактной модели BDI-агента разработан и формализован алгоритм уточнения интенциональных характеристик;

2. предложена модель распределенной системы предварительной обработки данных на основе теории MAC;

3. предложена модель автоматизации информационных процессов в многопоточной среде выполнения, использующая верификацию допустимости выработки управлений на основе конечного автомата.

Практическая значимость и внедрение. Практическая ценность представленной работы определяется возможностями применения разработанных в диссертации формализмов, подходов, моделей и алгоритмов в сложных информационных системах:

1. формализмы описания автоматизированной системы управления информационными процессами могут быть использованы в рамках решения различных задач подразумевающих автоматизацию конечного множества ИП;

2. использование теории MAC при проектировании распределенной системы предварительной обработки данных создает базис для разработки методов интеллектуальной обработки информации (например, в условиях полного или частичного отсутствия информации);

3. формализмы описания модели системы мониторинга могут быть использованы в процессе проектирования системы мониторинга оборудования сложной технической системы;

4. приведенные формализмы описания моделей были использованы в рамках построения системы мониторинга состояния оборудования ускорителя элементарных частиц, вошедшей в состав информационно-программного комплекса (ИПК) мониторинга и управления большинством ускорителей ЦЕРНа.

Публикации. По теме диссертации опубликовано 12 печатных работ.

Апробация работы. Основные положения и результаты, полученные в диссертации, обсуждались на следующих научных конференциях: V всероссийская конференция «Прогрессивные технологии в обучении и производстве» (Камышин 2008); международная научно-практическая конференция «Информационные технологии в науке и образовании» (Шахты 2009); VIII международная научно-техническая конференция «Новые информационные технологии и системы» (Пенза 2008).

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем диссертации — 157 страниц, включая 63 рисунка, 24 таблицы, список литературы из 125 наименований и 6 приложений.

4.5 ВЫВОДЫ К ГЛАВЕ 4 Основные результаты, полученные в данной главе:

1. показано применение разработанных моделей, методов и алгоритмов предварительной обработки данных на примере комплекса ускорителей элементарных частиц;

2. представлено формализованное описание МАИП предварительной обработки данных, определена политика жизненного цикла модуля;

3. представлена модель системы мониторинга состояния оборудования ускорителя элементарных частиц;

4. показана роль разработанной системы в информационно-программном комплексе мониторинга и управления InCA;

5. приведены результаты апробации предложенных формализмов описания моделей, методов и алгоритмов.

ЗАКЛЮЧЕНИЕ

Разработанные в рамках выполнения работы модели, методы и алгоритмы позволяют повысить производительность систем мониторинга состояния оборудования за счет применения распределенного подхода к обработке данных. Использование MAC в качестве инструмента обработки существенно.упрощает проблему организации удаленного взаимодействия структурных элементов систем, предоставляя широкие возможности применения интеллектуальных методов обработки данных. Предложенная модель управления информационными процессами позволяет организовать выработку управлений в многопоточном режиме, что также положительно сказывается на производительности системы в целом.

Достигнуты следующие основные результаты:

1. предложены алгоритмы синтеза иерархических структур на основе многоуровневой системы определения зависимостей;

2. спроектирована архитектура MAC распределенной обработки данных, построена модель BDI агента предварительной обработки, рассмотрены структурные элементы MAC и взаимодействие между ними;

3. разработана модель управления процессами предварительной обработки данных в многопоточной среде выполнения на основе системы событий;

4. предложена модель системы мониторинга состояния оборудования сложной технической системы с гибридной архитектурой;

5. рассмотрено применение формализмов описания моделей, методов и алгоритмов к задаче автоматизации процесса мониторинга комплекса ускорителей, разработан прототип системы мониторинга и произведена верификация прототипа посредством тестирования.

Дальнейшее развитие данного исследования возможно по следующим направлениям:

1. разработка онтологий агентов распределенной системы обработки данных;

2. реализация интеллектуальных методов,распределенной обработки информации;

3. повышение надежности элементов системы за счет методов структурного резервирования .

В целом полученные результаты подтвердили состоятельность предлагаемых моделей, методов и алгоритмов с точки зрения решения задачи автоматизации мониторинга состояния оборудования сложных технических систем.

1. Agent Communication Language Электронный ресурс. // F1.A Specefication 2. -1999. URL: http://www.fipa.org/repositorv/aclspecs.html

2. Aho A., Ullman J., Hopcroft J. Data Structures and Algorithms. Addison Wesley, 1993.-427 p.

3. Andrews G. Foundations of Multithreaded, Parallel, and Distributed Programming. -Addison Wesley, 1999. 664 p.

4. Appel A. Modern Compiler Implementation in Java. Cambridge University Press, 1997.-558 p.

5. Bass L., Clements P., Kazman R. Software Architecture in Practice. Addison Wesley, 2003.-560 p.

6. Bau J. Sequencing at the PS Электронный ресурс. URL: http://ab-div-co-ht.web.cern.ch/ab-div-co-ht/presentations/SeqAtPS.pdf

7. Beginning XML / D. Hunter, J. Rafter, J. Fawcett, et al. Wrox, 2007. - 1080 p.

8. Benedikt M., Bias A., Borburgh J. The PS complex produces the nominal LHC beam // 7th European Particle Accelerator Conference, Vienna, Austria, 26 30 Jun 2000. -p. 527-530.

9. Billen R., Cuperus J. The configuration database for the CERN accelerator control system // 9th International Conference on Accelerator and Large Experimental Physics Control Systems, Gyeongju, Korea, 13 17 Oct 2003. - P. 309-317.

10. Bloomer J. Power Programming with RPC O'Reilly Media, 1992. - 518 p.

11. Bolton F. Pure Corba. Sams, 2001. - 944 p.

12. CMW Homepage. Products cmw-rda. Электронный ресурс. URL: http://cmw.web.cern.ch/CMW/products/cmw-rda/cmw-rda.pdf

13. Czech W. Testing active MQ broker report Электронный ресурс. URL: ht1ps://twild.cem.ch/twiki/bin/viewfile/LCG/GridPublisherDevelopment?rev=l;filen ame=report2. p df

14. Design patterns: elements of reusable object-oriented software. / Gamma E., Helm R., Johnson R. et al. Addison-Wesley Professional, 1994. - 416 p.

15. Deutsches Elektronen-Synchrotron. Flash Accelerator Электронный ресурс. URL:http://fl ash.desy.de/accelerator/

16. Distributed Object Oriented Control System Электронный ресурс. URL: http://tesla.desy.de/doocs/doocs.html

17. Eclipse Public License v 1.0 Электронный ресурс. URL: http://www.eclipse.org/legal/epl-vlO.html

18. ETM professional control: PVSS Электронный ресурс. URL: http://www.pvss.com/indexe.asp?id=&sbl=&sb2=&sb3=&sname=&sid=&seiteid

19. FESA essentials Электронный ресурс. URL: http:Miep.phys.utk.edu/BRMInterface/images/I/14/FesaEssentialsBundle.pdf

20. FIPA Agent Management Specification. Электронный ресурс. URL: http://www.fipa.org/specs/fipa00023/index.html

21. Franklin M. Client data caching: a foundation for high performance object database systems. Kluwer Academic Publishers, 1996. - 232 p.

22. Graesser A., Franklin S. Is it an Agent, or just a Program? Электронный ресурс. // A Taxonomy for Autonomous Agents. URL:http: //www. m s ci. memphi s. e du/~franklin/ AgentProg .html

23. Gray R., Kotz D., Peterson R. Mobile-agent versus client/server performace: scalability in an information-retrieval task // Mobile agents fifth int'l conference, 2001.

24. Haase K. JavaTM Message Service Tutorial Электронный ресурс., 2002. URL: http: // www. huiho о. org/j fox/j foxmq/j mstutorial/j mstutori alTO С. html

25. Handy J. Cache Memory Book. Morgan Kaufmann, 1998. - 229 p.

26. Harrop R. Pro Spring / R. Harrop, J. Machacek Apress, 2005. - 832 p.

27. Henning M., Vinoski S. Advanced CORBA programming with С++. Addison-Wesley Professional, 1999. - 1120 p.

28. Horstmann C., Gary C. Core Java(TM) 2. Fundamentals. Prentice Hall, 2004. -784 p.

29. IntelliJ IDEA. Licensing & Upgrade Электронный ресурс. URL: http://www.jetbrains.eom/idea/buy/index.jsp#newuser

30. Java Message Service (JMS) Электронный ресурс. URL: http://java.sun.com/products/jms/

31. Java Remote Method Invocation Distributed Computing for Java Электронный ресурс. URL:http ://j ava. sun. com/j avase/technologies/core/basic/rmi/whitepaper/index.j sp

32. JMS Performance Benchmarks. Электронный ресурс. URL: http://www.codeproject.com/KB/showcase/PcrfonnanceBenchmarks.aspx

33. Johnson R. Introduction to the Spring Framework. Электронный ресурс. URL: http://www.theserverside.com/tt/articles/article.tss?l=SpringFramework

34. Lewis J. A proposal for a CERN accelerator timing strategy Электронный ресурс. URL: http://ab-div-co-ht.web.cern.ch/ab-div-co-ht/presentations/TimingStrat.pdf

35. LHC Software architecture Электронный ресурс. / Kruk G., Deghaye S., Lamont M. et al. // Evolution towards LHC beam commissioning. URL: http://accelconf.web.cern.ch/AccelConf/ica07/PAPERS/WOPA03.PDF

36. LHC: Facts and figures Электронный ресурс. URL: http://public.web.cern.ch/public/en/LHC/Facts-en.html

37. Managing the real-time behaviour of a particle beam factory: the CERN Proton Synchrotron complex and its timing system principles / Bau J., Daems G., Lewis J. et al. // IEEE Transactions on Nuclear Science, 1998.

38. Martin J. Design and Strategy for Distributed Data Processing. Prentice Hall, 1981. - 642 p.

39. Matthews C. Introduction to Java Remote Method Invocation (RMI) Электронный • ресурс. URL: http://www.edm2.com/0601/rmil.html

40. Mcmanis C. The basics of Java class loaders. Электронный ресурс. URL: http://www.javaworld.com/javaworld/jw-10-1996/jw-10-indepth.html

41. Mikhalenko P. Implementing the callback pattern in Java Электронный ресурс. URL: http://blogs.techrepublic.com.com/programming-and-development/?p=676

42. Milojicic D. MASIF. The OMG Mobile Agent System Interoperability Facility Электронный ресурс. URL:http://www.hpl.hp.co.uk/personal/DejanMilojicic/ma4.pdf

43. Monson-Haefel R., Chappell D. Java Message Service. O'Reilly Media, 2000. -240 p.

44. Mutex synchronization APIs Электронный ресурс. URL: http://publib.boulder.ibm.com/iseries/v5rl/ic2924/index.htm7info/apis/users48.htm48.0dell J. Advanced Object-Oriented Analysis & Design Using UML. Cambridge

45. University Press, 2006. 246 p. 49.0dell J., Kerr D., Laamanen H. Agent Technology Электронный ресурс. URL: http://www.jamesodell.com/ec2000-Q8-01 .pdf

46. Patrick J. ACNET Control System Overview Электронный ресурс. URL: http://beamdocs.fiial.gov/AD-public/DocDB/ShowDocument?docid=1762

47. Patrick J. Handling memory leaks in Java programs. Электронный ресурс. URL: http://www.ibm.com/developerworks/libraiy/j-leaks/index.html

48. Petrov D., Nicklaus D. Secure client tier for the accelerator control system Электронный ресурс. URL:http://accelconf.web.ccrn.ch/AccelConf/ica05/proceedings/pdl7P3034.pdf

49. Raich U. Beam Diagnostics. Электронный ресурс. URL: http.V/indico.cem.ch/getFile.py/access?contribId=29&resId=0&inaterialId=paper&co nfld= 11749

50. Rao A., Georgeff M. BDI Agents from Theory to Practice Электронный ресурс. 11 Technical Note 56 AAII, 1995. URL: http://citeseer.ist.psu.edu/rao95bdi.htiHl

51. Rao A., Georgeff M. Formal models and decision procedures for multi-agent systems // Australian Artificial Intelligence Institute, Melbourne, Australia, 1995.

52. Reilly D. Introduction to Java RMI Электронный ресурс. URL: http://www.javacoffeebreak.com/articles/javarmi/javarmi.html

53. Research centres // Heme Data Systems Ltd. Электронный ресурс. URL: http://www.radwaste.org/research.htm

54. Serrano J. The PS Controls for newcomers. Электронный ресурс. URL: http://ab-div-co-ht.web.cern.ch/ab-div-co-ht/documents/psconewcomers2.pdf

55. Shehory O. Agent-based systems: do they provide a competitive advantage? // Agen-tLink News, 2003.- №13 p. 8-9.

56. Terry S. Enterprise JMS Programming Wiley, 2002. - 408 p.

57. The accelerator control systems at DESY Электронный ресурс. / Agababyan A., Bruns Т., GesslerP. at al. URL: http://tesla.desy.de/doocs/papers/ICFA-BD-newsletter/DOOCSICFA-BD-letter.pdf

58. The Java Knobs Электронный ресурс. URL: http://ab-dep-co-ap.web.cern.ch/ab-dep-co-ap/dev/java/gui/knob.html

59. The Java WorkingSets Электронный ресурс. URL: http://ab-dep-co-ap.web.cern.ch/ab-dep-co-ap/dev/java/gui/workingset.html

60. Use of diakoptics and finite automata for modelling virtual information space agent societies / Ermolayev V. A., Borue S. U., Tolok V. A. et al // "Вестник запорожского государственного университета", №1, 2000. — С. 34-44.

61. Vlugt M., Sambasivam S. Redesign of Stand-Alone Applications into Thin-Client/Server Architecture // Issues in Informing Science & Information Technology; 2005, V. 2.-P. 723-742.

62. Walls C., Breidenbach R. Spring in Action. Manning Publications, 2007. - 650 p.

63. Wooldridge M., Jennings N.R. Intelligent agents: theory and practice // The Knowledge Engineering Review, №10, 1995. P. 115-152.

64. Али M. Что такое технология клиент-сервер и как ее внедрять Электронный ресурс. URL: http://oraclub.tomsk.ru/articles/mirora/general/a01.htm

65. Алиев Ш. Методологические аспекты проблемы управления. Баку: Элм, 1980.-217 с.

66. Аллен П. J2EE. Разработка бизнес-приложений. Киев: ДиаСофт, 2002. - 736 с.

67. Б. Я. Советов, Цехановский В. В., Чертовской В. Д. Теоретические основы автоматизированного управления: учебник для вузов. М.: Высш. шк., 2006. -463 с.

68. Белогорцев Е.В. Автоматизированные системы управления (Сложные системы) Электронный ресурс.: Учебное пособие. — Электрон, текст, дан. (715 кб). Мн.: "Электронная книга БГУ", 2004.

69. Бесекерский В. А., Попов Е.П. Теории систем автоматического управления. -СПб. Изд-во «Профессия», 2004. 752 с.7 5. Благо датских В.И. Введение в оптимальное управление. — М.: Высш. шк., 2001.- 239 с.

70. Борю С. Ю., Ермолаев В. А., Толок В. А. Диакоптический подход к моделированию процессов в многофункциональных информационных системах // Artificial Intelligence, 1999. №2. - С 211-219.

71. Бояркин О.М. Введение в физику элементарных частиц. М.: URSS, 2006. -260 с.

72. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. СПб.: Бином, Невский Диалект, 1998. - 560 с.

73. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем,— СПб.: Питер, 2001.-384 с.

74. Гома X. UML. Проектирование систем реального времени, распределенных и параллельных приложений. -М.: ДМК, 2002. 704 с.

75. Городецкий В. И., Грушинский М. С., Хабалов А. В. Многоагентные системы: обзор Электронный ресурс. URL: http://www.iias.spb.ru/

76. ГОСТ 24.104-85. Автоматизированные системы управления. Общие требования.

77. Грекул В.И., Дентценко Г.Н., Коровкина Н.Л. Проектирование информационных систем. — СПб.: Бином. Лаборатория знаний, 2008. — 304 с.

78. Девятов Б. Н., Демиденко— Новосибирск Н. Д. Теория и методы анализа управляемых распределенных процессов. -М.: Наука, 1983. 271 с.

79. Джарратано Д., Райли Г. Экспертные системы. Принципы разработки и программирование. М.: Вильяме, 2006. - 1152 с.

80. Дорф Р., Бишоп Р. Современные системы управления. М: Лаборатория Базовых Знаний, 2002,- 832 с.

81. Жмурко С. А. Интеллектуальные и мобильные агенты: FIPA и OMG архитектуры построения агентных систем // Перспективные информационные технологии и интеллектуальные системы, 2008. — №2.

82. Жмурко С. А. Основные принципы и модели построения многоагентых систем // Перспективные информационные технологии и интеллектуальные системы, 2008. №2.

83. Инверсия зависимостей при проектировании объектно-ориентированных систем Электронный ресурс. URL:http://wiki.agiledev.ru/doku.php?id=ooad:dependencyinjection

84. Ирвин Д., Харль Д. Передача данных в сетях: инженерный подход СПб.: БХВ-Петербург, 2003. - 448 с.

85. Йордон Э. Объектно-ориентированный анализ и проектирование систем. —М.: Лори, 2007. 264с.

86. Колесниченко С. Регулярные выражения Электронный ресурс. URL: http://phpclub .ru/detai 1/article/regexp 1

87. Крачтен Ф. Введение в Rational Unified Process. М.: Вильяме, 2002. - 240 с.

88. Кремер Н.Ш. Теория вероятности и математическая статистика. — М.: ЮНИТИ, 2001.-543с.

89. Липаев В.В. Системное проектирование сложных программных средств для информационных систем. М.: СИНТЕГ, 2002. - 268 с.

90. Матвеев В.Ф., Ушаков В.Г. Системы массового обслуживания. М.: Изд-во МГУ, 1984.

91. Мейер Б. Объектно-ориентированное конструирование программных систем. -М.: Издательско-торговый дом «Русская Редакция», «Интернет-университет информационных технологий», 2005. 1232 с.

92. Методы анализа и синтеза структур управляющих систем / Б. Г. Волик, Б. Б. Буянов, Н. В. Лубков и др.; Под ред. Б. Г. Волика,- М.: Энергоатомиздат, 1988.- 296 с.

93. Модели и алгоритмы концептуального проектирования автоматизированных систем управления/ Д.В. Богданов, Е.Б. Мазаков, О.Б. Неилко и др.; под ред. С. Г. Чекинова М.: Спутник+, 2004. - 323 с.

94. Мухин К. Н. Экспериментальная ядерная физика СПб.: Лань, 2008. - 1140 с.

95. Набока М.В. Проектирование систем управления сложными информационными процессами с применением многоагентной технологии // Дисс. канд. техн. наук / Науч. рук. Камаев В. А.; ВолгГТУ,- Волгоград, 2004.-175 с.

96. Никольский С.Н. Структурные системные модели в задаче автоматизации проектирования // Дисс. док. техн. наук, 2007.

97. Новикова Г. И. Введение в ядерную физику. Регулярная и хаотическая динамика // Институт компьютерных исследований, 2005 г. 208 с.

98. Обзор IDE средств для программирования гга Java Электронный ресурс. URL: http://www.iavaportal.ru/proiects/taidei/results.hfanl

99. Обзор IDE средств для программирования на Java Электронный ресурс. URL:http://javaportal.ru/projects/taidej7results.html

100. Основы RMI. Электронный ресурс. URL:http://ru. siin.com/java/j2ee/book/RMI.pdf

101. Охтилев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов: научное издание М.:Наука, 2006. - 410 с.

102. Паркер Т., Сиян К. TCP/IP. Для профессионалов. 3-е изд. СПб.: Питер, 2004. - 859 с.

103. Серверные системы. Электронный ресурс. URL: http://www.stss.ni/

104. Системный анализ в управлении: Учеб. пособие / В. С. Анфилатов, А. А. Емельянов, А. А. Кукушкин; Под. ред. А. А. Емельянова.- М.: Финансы и статистика, 2002.- 368 с.

105. Смирнов А. В., Шереметов Л. Б. Многоагентная технология проектирования сложных систем // Автоматизация проектирования,- 1998 №3.- С.45

106. Сорокин С. Системы реального времени // Современные технологии автоматизации. 1997. - №2. - С 22-29.

107. Спецификация унифицированного языка моделирования OMG версия 1.5 // Object Management Group Inc, 2003.

108. Стивене У., Феннер Б., Рудофф Э. UNIX. Разработка сетевых приложений. -СПб.: Питер, 2007. 1040 с.

109. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика М.: Эдиториал УРСС, 2002,- 352 с.

110. Теория автоматического управления / Под редакцией Ю.М. Соломенцева. — М.: Высшая школа, 1999. 268 с.

111. Теслинов А.Г. Развитие систем управления: методология и концептуальные структуры. М.: «Глобус», 1998. - 229 с.

112. Технология Java для новичков Электронный ресурс. URL: http://www.ibm.com/developerworks/ru/java/newto/

113. Трофимов С. UML диаграммы в Rational Rose Электронный ресурс. URL: http://www.caseclub.ru/articles/rose2.html

114. Убайдуллаев Р. Волоконно-оптические сети: монография. М. : ЭКО-Трендз, 2001.-267 с.

115. Фридл Д. Регулярные выражения. СПб.: Питер, 2003 г. - 464 с.

116. Хабибуллин И. Самоучитель XML. СПб.:БХВ-Петербург, 2003. - 336 с.

117. Хопкрофт Д., Мотвани Р., Джеффри У. Ведение в теорию автоматов, языков и вычислений, 2-е изд.: Пер. с англ. — М.: Вильяме, 2002. 528с.

118. Швецов А.Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям // Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению "Информационно-телекоммуникационные системы", 2008. — 101 с.

119. Яшин Я. М. Вопросы теории построения систем автоматизированного управления. — СПб.: Изд-во Ленингр. Ун-та. 1978.