автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Автоматизированное проектирование вычислительных сетей крупных проектных организаций

На правах рукописи

Стецко Александр Алексеевич

АВТОМАТИЗИРОВАННОЕ ПРОЕКТИРОВАНИЕ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ КРУПНЫХ ПРОЕКТНЫХ ОРГАНИЗАЦИЙ

Специальность 05.13.12 -Системы автоматизации проектирования по техническим наукам (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Ульяновск -2008

003459773

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Ульяновский государственный технический университет» на кафедре «Информационные системы»

Научный консультант: доктор технических наук, профессор Ярушкина Надежда Глебовна

Официальные оппоненты: доктор физико-математических наук, профессор

Валеев Султан Галимзянович

доктор технических наук, профессор Курейчик Владимир Викторович

доктор технических наук, профессор Ковалев Сергей Михайлович

Ведущая организация: ОАО «Концерн «Моринформсистемы-Агат»

Защита состоится 18 февраля 2009 г. в 15-00 на заседании диссертационного совета Д 212.277.01 при ГОУ ВПО «Ульяновский государственный технический университет» по адресу: 432027, Ульяновск, ул. Северный венец, 32, ауд. 211 (главный корпус).

С диссертацией можно ознакомиться в библиотеке Ульяновского государственного технического университета

Автореферат разослан «_»_2009г.

Ученый секретарь

диссертационного совета Д 212.277.01 доктор технических наук, профессор

Казаков М.К.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

За последнее десятилетие отмечается интенсивное развитие вычислительных сетей (ВС) различных конфигураций, интегрированных в глобальную информационную сеть. Несмотря на широкое распространение ВС, очень часто сети проектируются и устанавливаются без привлечения соответствующих теоретических научных результатов, что приводит в итоге к частым выходам сетей из строя и их большим перегрузкам. Для малых сетей это не является критичным, в то время как для ВС крупных проектных организаций ошибки разработчиков непосредственно сказываются на эффективности эксплуатации сетей.

ВС предприятия представляет собой эволюционирующий объект, который за время эксплуатации переживает несколько модификаций. Условия модификации существенно отличаются от условий проектирования тем, что существующая ВС доступна для измерений. Результаты измерения параметров трафика и эксплуатационных параметров ВС могут быть использованы для прогнозирования параметров новой конфигурации ВС, создаваемой в процессе проектирования. При проектировании с нуля гипотетические параметры могут быть получены в результате вычислительного эксперимента в ходе имитации (моделирования) или в результате экстраполяции результатов какого-то «типового» варианта на рассматриваемый вариант сети.

Следовательно, автоматизированное проектирование (АП) ВС предполагает в качестве обязательной компоненты подсистему моделирования сети. Математическая модель ВС описывает топологию узлов, каналов и коммуникационного оборудования. Взаимодействие узлов на прикладном уровне описывается как взаимодействие производственных процессов. Однако современные средства АП ВС не решают задачу комплексно, в частности не включают специальные подсистемы математического моделирования трафика ВС.

Важная научно-техническая проблема АП ВС крупной проектной организации связана с отсутствием известного и развитого целостного теоретического похода к проектированию, интегрирующего собственно проектирование, моделирование и оптимизацию. Без комплексного подхода невозможно получить архитектуру САПР ВС, обеспечивающую высокое качество проектных решений за счет согласования в ходе проектирования транспортного и прикладного уровня описания сети.

Цель диссертационной работы

Целью диссертации является разработка нового теоретического подхода к автоматизированному проектированию ВС на основе интеграции процессов принятия проектных решений, моделирования и оптимизации в условиях не- / четко заданного трафика и нечетких метрик маршрутизации, разработка на ос- (

нове данного подхода нового структурно-функционального решения САПР ВС, позволяющего повысить качество автоматизированного проектирования в условиях неопределенности.

Задачи исследования

Для достижения поставленной цели необходимо решить следующие основные задачи исследования:

• необходимо провести сравнительный анализ известных интеллектуальных методов оптимизации, существующих систем автоматизированного проектирования и моделирования ВС, в том числе языков имитационного моделирования;

• необходимо построить математическую модель АП ВС, позволяющую использовать современные методы поиска проектных решений, в том числе генетическую оптимизацию; адаптировать генетические алгоритмы (ГА) к задаче оптимизации ресурсов в ВС;

• необходимо разработать интеллектуальную систему АП ВС на основе моделирования рассуждений проектировщика ВС, исследовать применимость схемы рассуждений на основе распространенного метода байесовских сетей доверия (БСД);

• необходимо разработать формализованную модель трафика ВС, позволяющую использовать как качественные оценки, так и результаты статистических измерений;

• необходимо выработать ряд дополнений к известным языкам имитационного моделирования с целью их адаптации к задаче АП ВС, построить методику слияния двух видов описаний сети: прикладного описания и описания транспортной структуры сети;

• необходимо разработать средства представления структуры ВС, позволяющие описывать структуру ВС с разной степенью требуемой точности, например, на основе нечетких гиперграфов; построить методику учета нечетких метрик; сформировать алгоритм маршрутизации с использованием нечетких гиперграфов и нечетких метрик;

• необходимо разработать функциональные модели узлов на прикладном уровне: имитационные модели серверов и клиентов;

• необходимо разработать алгоритм для решения задачи генерации транспортной схемы ВС, позволяющий успешно решить прикладные задачи в условиях неопределенности;

• необходимо разработать и реализовать средства оптимизации ВС как программную систему и исследовать ее результативность на примере ВС конкретных проектных организаций.

Методы исследования

Современная теория неопределенности, неточности и нечеткости; теория нечетких систем; теория графов, теория имитационного моделирования, методы генетической и байесовской оптимизации

Результаты, выносимые на защиту

Основные положения, выносимые на защиту.

1. Теоретический подход к построению САПР ВС, сочетающий проектные процедуры с моделированием трафика и оптимизацией проектируемой ВС.

2. Методы оптимизации проектных решений на основе генетических алгоритмов (ГА) и байесовских сетей доверия (БСД), позволяющие определить состав коммуникационного оборудования и пропускную способность каналов.

3. Язык дополненных потоковых диаграмм взаимодействия прикладных задач, позволяющий выполнить имитационное моделирование трафика ВС.

4. Математическая модель трафика корпоративной сети на основе нечеткой случайной величины, позволяющая оперировать прогнозными данными о трафике и вычислительной загрузке сети, использовать нечеткие метрики при маршрутизации.

5. Формализованные функциональные модели прикладных процессов: имитационные модели серверов и клиентов на основе сетей Петри.

6. Гибридный метод, объединяющий нечеткое моделирование и распознавание нечетких тенденций для временного ряда трафика ВС и позволяющий строить результативные модели серверов приложений и клиентов.

Научная значимость работы.

Автор защищает: разработанные модели автоматизации проектирования

ВС; результаты теоретических, экспериментальных и практических разработок,

внедрение в промышленную и опытно-промышленную эксплуатацию САПР

ВС, в целом составляющие комплексный теоретический подход к построению

САПР ВС.

Научная новизна. Впервые:

1. Адаптированы методы генетической оптимизации для всех основных этапов автоматизированного проектирования ВС.

2. Построена мера трафика как нечеткая случайная величина и разработана формализованная модель сети на основе теории нечетких гиперграфов, позволяющая на основе вероятностных нечетких величии оперировать прогнозными данными о трафике и вычислительной загрузке сети.

3. Разработаны методы поиска проектных решений на основе байесовской оптимизации.

4. Предложен язык модифицированных DFD-диаграмм (Data Flow Diagram), дополненных расписанием, для автоматизированного проектирования ВС.

5. Предложен метод моделирования протоколов маршрутизации с использованием нечетких метрик;

6. Разработаны формализованные функциональные модели узлов, как элементов прикладных процессов: имитационные модели серверов и клиентов на основе сетей Петри;

7. Разработан новый гибридный метод, объединяющий нечеткое моделирование и распознавание нечетких тенденций трафика и позволяющий строить

имитационные модели сервера приложений и клиентов как системы нечетких правил.

8. Разработан алгоритм для решения задачи генерации транспортной схемы

ВС, обеспечивающей успешное выполнение прикладных задач.

Практическая ценность и внедрение результатов

Созданная система автоматизированного проектирования вычислительных сетей используется на производстве и позволяет достичь улучшенных технико-экономических показателей объектов проектирования. Предлагаемый теоретический подход, методы и средства автоматизированного проектирования были успешно применены в проектных работах, выполняемых предприятием ФНПЦ ОАО «НПО «МАРС» в интересах АСУ ВМФ РФ (Море-99, Мелодия, Запевала и др.). Созданная САПР ВС активно используется в производстве и позволяет эффективно перераспределять высокопроизводительный трафик путем применения предлагаемого подхода и автоматической оптимизации, а так же сокращать время, затрачиваемое на проектирование вычислительных сетей.

Практическая ценность состоит в том, что разработанные модели и алгоритмы реализованы в форме программной системы и внедрены в деятельность ФГУП НПО "Марс" (г. Ульяновск). Практическое использование результатов диссертационной работы подтверждено соответствующими документами о внедрении.

Основания для выполнения работы

Данная научная работа выполнялась в рамках тематического плана научных исследований Федерального агентства по образованию в 2005, 2006, 2007, 2008 г., была поддержана грантами РФФИ № 06-01-02012 и 06-01014087 в 2006 г., № 08-01-97006 в 2008 г., ряд задач исследования решался в рамках х/д НИР № 100/05, выполняемого Ульяновским государственным техническим университетом по заказу ФНПЦ ОАО «НПО МАРС»

Достоверность результатов диссертационной работы.

Достоверность научных положений, выводов и рекомендаций подтверждена результатами экспериментов, а так же результатами использования материалов диссертации и разработанной системы в проектной организации.

Апробация работы и публикации

Основные положения и результаты диссертации докладывались, обсуждались и получили одобрение на Международной конференции "Континуальные логико-алгебраические и нейросетевые методы в науке, технике и экономике" (г. Ульяновск, 2005 г., 2006 г.), на Международной конференции "Интерактивные системы" (г. Ульяновск, 2005 г.), на Научных сессиях МИФИ (г. Москва, 2007 г., 2008 г.), на Международном научно-практическом семинаре "Интегри-

рованные модели и мягкие вычисления в искусственном интеллекте", (г. Коломна, 2007 г.), на Международной научно-технической конференции "Интеллектуальные системы", "Интеллектуальные САПР" (г. Дивноморское, 2006 г., 2007 г., 2008 г.), на Первой Всероссийской конференции «Нечеткие системы и мягкие вычисления » (г. Тверь 2006 г.), на Второй Всероссийской конференции «Нечеткие системы и мягкие вычисления » (г, Ульяновск, 2008 г.), на Национальных конференциях с международным участием по искусственному интеллекту (г. Обнинск 2006 г., г. Дубна 2008 г.), на Всемирном конгрессе 1Р5Л'07 (Мексика, г. Канкун, 2007 г.), на 34-ом международном салоне изобретений, новой техники и товаров "Женева-2006" (г. Женева, Швейцария, 2006 г.).

Структура и объем работы

Диссертация состоит из введения, шести глав, заключения и приложений. В диссертации приведены 96 рисунков, 23 таблицы и 7 приложений.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении рассмотрена актуальность работы, определена ее цель и задачи, сформулированы положения, выносимые на защиту, их научная новизна и практическая ценность. Представлены основания для выполнения работы, ее апробация и структура.

В первой главе изложены результаты анализа состояния автоматизированного проектирования вычислительных сетей. Отмечено, что автоматизированное проектирование и создание комплексных информационных систем является сложным поэтапным многоуровневым процессом, который заключается в построении системы, оптимально использующей свои ресурсы и технические возможности. В настоящее время научные исследования в области САПР ВС направлены на моделирование уже существующих сетей для проверки их эффективности и выявления ошибок. В главе обоснована важность разработки единого теоретического подхода к построению САПР ВС, сочетающего проектные процедуры с моделированием трафика и оптимизацией проектируемой ВС.

Анализ предметной области позволил выделить следующие особенности ВС крупных проектных организаций:

• ВС за время эксплуатации постоянно изменяется - эволюционирует, так как увеличение объема проектных работ требует адекватного роста ресурсов ВС.

• Особенностью производственных процессов проектной организации является сложное взаимодействие серверов данных различных типов: серверов данных, файл-серверов, прокси-серверов и различных клиентских станций: толстых и тонких клиентов.

• Существенной особенностью крупной проектной организации, определяющей трафик ее вычислительной сети, является наличие развитого

проектного репозитория, например, архива конструкторско-проектной документации. Запросы к такому репозиторию - это специфический прикладной процесс информационной системы проектной организации.

По результатам анализа текущего состояния исследований и существующего программного обеспечения можно сделать следующие выводы:

• в настоящее время не существует целостного теоретического подхода, комплекса методов, универсального программного средства проектирования ВС, которые были бы способны учесть не только все аспекты физической структуры сети, но и круг задач, программных средств и функций, которые эта сеть должна выполнять, а также, с помощью которых можно было бы делать прогнозы относительно будущей загрузки сети.

• подход к моделированию осуществляется без учета задач, которые сеть должна выполнять, то есть в современных САПР ВС не применяется в необходимом масштабе функциональное моделирование прикладных процессов, происходящих в проектируемой сети.

В первой главе диссертации рассмотрены известные математические модели трафика ВС, с помощью которых возможно получить прогнозные значения на основе обработки измерений на каждом отдельно взятом сетевом канале. Если такие результаты измерений отсутствуют, то прогнозировать трафик сети можно лишь с определенной вероятностью, изучив все влияющие на нее факторы. При этом для каждой отдельно взятой сети набор типовых факторов является специфическим. В главе описан формализм нечетких множеств, который применяется для моделирования трафика с использованием нечеткой случайной величины. Для представления понятия трафика на основе нечеткой случайной величины выделены следующие основания:

» для того чтобы прогнозировать трафик на том или ином канале ВС, необходимо понимать его нечеткую и одновременно вероятностную природу;

» для того чтобы САПР могла обрабатывать прогнозные значения трафика, необходимо использовать специализированный математический аппарат, в котором заложена возможность работы с подобными величинами.

В главе рассмотрены структурные модели ВС на основе нескольких теорий: графов, теории нечетких множеств и нечетких гиперграфов. Сделан вывод о том, что традиционные графовые модели структуры ВС достаточны лишь для моделирования небольших ВС или их фрагментов. Кроме того, при использовании в крупной проектной организации телекоммуникационной сети структура сети может быть отражена в таблицах маршрутизации не полностью, поэтому для вычислительных сетей с маршрутизацией необходимы более сложные модели.

В главе представлен обзор методов оптимизации трафика в условиях неопределенности. В частности рассматривается подход к проблеме нечеткой оптимизации с позиций аксиоматики теории возможностей. Подчеркивается, что

адекватным средством формализации предлагаемого принципа оптимальности является математический аппарат случайных нечетких переменных. Приводятся основные цели и задачи исследования генетической оптимизации ВС. В данной главе рассмотрены способы интеллектуального моделирования рассуждений проектировщика на основе системы нечетких правил, байесовских сетей доверия. Представлен формализм сетей Петри как возможная основа систем имитационного моделирования ВС.

В главе сделан вывод о том, что автоматизированное проектирование ВС требует в качестве обязательной компоненты систему моделирования сети. Сеть представляет собой топологию узлов, каналов и коммуникационного оборудования. Каналы обеспечивают передачу сигналов - пакетов трафика. Природа трафика - нечеткая случайная величина. Топология задается графом, в развитом виде - нечетким гиперграфом. Узлы на транспортном уровне представляют собой генераторы и потребители трафика и могут быть заданы матрицей интенсивности. На прикладном уровне узлы делятся на серверы: данных, файлов, прокси и на «толстых» и «тонких» клиентов. Взаимодействие узлов на прикладном уровне может быть описано на уровне прикладных процессов, например с помощью модифицированных БРО-диаграмм (дополненных расписанием работы ВС).

Приведенные в главе обзор и анализ состояния автоматизированного проектирования ВС позволяют сформулировать основные задачи исследования.

Во второй главе представлена математическая модель транспортной схемы ВС. Далее данная модель называется Т-моделью. Т-модель является теоретической базой для построения средств автоматизированного проектирования и моделирования ВС, представленной транспортным уровнем. Т-модель описывает ВС, как сложный многоуровневый объект, поэтому в Т-модели выделяются следующие уровни описания:

• уровень топологии, включающий в себя структуру ВС и схему коммуникационного оборудования (Топ-уровень);

• уровень генерации, передачи и потребления трафика (Тр-уровень);

• уровень маршрутизации ВС (М-уровень).

Для построения Топ-уровня в Т-модели необходимо выбрать математический аппарат, позволяющий представить динамически изменяющиеся конфигурации ВС и предоставляющий возможность описывать структуру различных фрагментов ВС с разной степенью точности. В диссертационной работе в качестве такого математического аппарата использован аппарат нечетких гиперграфов. Для построения схемы коммуникационного оборудования в составе Т-модели необходимо разработать функциональные модели активного коммуникационного оборудования. При построении моделей все активные узлы были разделены на три крупных класса: концентраторы, коммутаторы и маршрутизаторы.

Для построения Тр-уровня в Т-модели каждый узел сети описывается набором переменных, характеризующих его как генератора или потребителя трафика (входной и выходной трафик), а каждый канал характеризуется пропускной способностью. Для адекватного представления в Т-модели величины тра-

фика необходимо учесть как объективную вероятностную природу измеряемого трафика, так и качественное описание прогнозных значений трафика, используемых в процессе проектирования. С целью интеграции в Т-модели качественного (лингвистического) и количественного способов описания трафика нечеткая случайная величина выбрана в качестве основы его представления.

Отображение в Т-модели уровня маршрутизации (М-уровня) подразумевает моделирование протокола маршрутизации. Современные интеллектуальные динамические протоколы маршрутизации используют различные метрики при построении маршрута прохождения трафика. Гибкость протокола означает учет значимых факторов, влияющих на производительность ВС, выражаемых только качественным способом. Поэтому в диссертационной работе для моделирования протоколов маршрутизации построены нечеткие метрики.

Рассмотрим составные части Т-модели < Топ-уровень, Тр-уровень, М-уровень> последовательно.

Топ-уровень представления Т-модели - это нечеткий гиперграф. Из большого разнообразия графовых моделей представления структуры ВС выбран гиперграф, так как каждая вершина гиперграфа может раскрываться в самостоятельный граф (гиперграф) по мере уточнения проекта топологии ВС. Нечеткий гиперграф позволяет учесть вариативность фрагментов топологии на тех стадиях проектирования, когда проектное решение еще не выбрано.

Дадим определение нечеткого неориентированного гиперграфа, следуя понятию четкого гиперграфа. Пусть V = {V,},/6 /{1,2,3,...,п) - конечное множество и Е - {<?}, у е У = {1,2,,..,т) - семейство нечетких подмножеств в V.

Пара Н = {У,Е} называется нечетким неориентированным гиперграфом, если ^0, у'е У и и ) где элементы у,,уг,...,ул еV являются

Уь/

вершинами гиперграфа, множество Е, состоящее из ?¡,22,множество нечетких ребер гиперграфа.

Если все различны, гиперграф называется простым, иначе, получаем нечеткий мультигиперграф.

Степень принадлежности вершины V, ребру называется степенью инцидентности вершины V, и ребра е}, и обозначается ).

Из приведенного определения можно сделать следующий вывод: нечеткие гиперграфы являются обобщением понятия нечетких графов на случай, когда произвольные ребра могут иметь любое, в пределах данного числа вершин, количество нечетко инцидентных им вершин. Исходя из этого, нечеткий ориентированный гиперграф можно рассматривать либо как произвольный набор нечетких подмножеств, определенных в одном множестве, либо как совокупность нечетких отношений. Использование такого подхода позволяет привлекать возможности теории графов для построения алгоритмов принятия проектных решений и исследования возможных структур ВС в ходе проектирования и оценки проектных вариантов.

Топ-уровень Т-модели включает в себя кроме описания топологии и коммуникационную схему. Коммуникационное оборудование представлено маршрутизаторами, концентраторами и/или коммутаторами. Каждый узел (рабочая станция) может быть подключен только к одному коммутатору/концентратору. Таким образом, каждый коммутатор/ концентратор определяет сегмент ВС. Вид коммуникационного оборудования (коммутаторов или концентраторов) значительно влияет на загруженность каналов связи. Реальная ВС содержит как коммутаторы, так и концентраторы. Улучшить пропускные способности каналов связи можно за счет оптимального выбора коммутаторов или концентраторов.

Задача выбора коммуникационного оборудования задается на уровне каналов связи, каждый канал к характеризуется пропускной способностью - реальной Л: и максимальной Р"""* (бит/сек.). Интенсивность взаимодействия (передачи сообщений) любой пары узлов - это величина В у (бит/сек.). Величина В., измеряется в течение длительного промежутка времени Т и усредняется. Усреднение может быть представлено вычислением среднего значения В,[р, или построением на основе гистограммы распределения вероятностей, или построением функции принадлежности на основе распределения возможностей.

Суммарный трафик, приходящийся на канал связи, зависит от типа канала. Рассмотрим на Топ-уровне только каналы типа <коммутатор/концентратор> — — <коммутатор/концентратор>. Тогда можно выделить следующие подвиды каналов:

<коммутатор > ----- <коммутатор>;

<концентратор> ----- < концентратор^;

<коммутатор > ----- < концентратор>.

Суммарный трафик выражается по-разному для 3-х подвидов каналов

связи. Дня суммарного трафика канала типа <коммутатор > -----<коммутатор>

справедлива формула:

Множество вершин М| и множество вершин М2 - это множества узлов по одну и другую стороны от канала связи.

Суммарный трафик канала <концентратор>-----< концентратор> измеряется по-другому, так как канал, образованный концентраторами, образует общую магистраль:

±В,

Суммарный трафик канала <концентратор>-----<коммутатор> может

быть вычислен следующим образом:

п = I 2Х

Необходимость модификации (перепроектирования) ВС определяется по степени близости суммарного трафика и пропускных способностей каналов связи.

При построении Тр-уровня Т-модели основной задачей является построение переменной, значения которой могут быть либо измерены, либо выражены лингвистически в форме словесной экспертной оценки. Поэтому использование в качестве формы представления трафика либо вероятностной величины, либо лингвистической переменной недостаточно. Модель трафика ВС в Т-модели представляет собой нечеткую случайную величину (НСВ), которая имеет вид:

Тг={А,/Р],А,/Рг,...,Ап/Р), где А,,Аг,...,Ап - нечеткие значения, которые величина Тт принимает с вероятностями Р,,/■,,...,/>„, =1.

Поскольку при проектировании ВС специалист прогнозирует трафик в лингвистической форме, набор вероятностей Я можно также выражать с помощью слов. Для этого вводится понятие «степень уверенности НСВ». Каждый вектор вероятностей кодирует степень уверенности НСВ, которая представляет собой лингвистическую оценку вида «точно», «скорее всего» («скорее»), «наверное» («возможно»). Каждую такую оценку можно представить в виде функции распределения НСВ.

Каждый процесс в функциональной модели ВС рассматривается как генератор сетевого трафика с величиной, заданной словесной оценкой. На рассматриваемом интервале времени значение трафика распределяется в соответствии с мерой возможности оценки его значения. Например, оценка «скорее высокий» расшифровывается как НСВ {«низкий»/0, «средний»/0.25, «высокий»/0.75}. На рис. 1 показано распределение значения трафика в интервале времени.

Тг, (лингв.)

высокий

средний

низкий

1 1', Гг 14 Г, I'! Г6 1

Хг

Рис. 1. Распределение значения трафика по времени

Поскольку каждый канал в сети рассматривается как отдельное обслуживающее устройство, обозначим через Л. среднее число сообщений в секунду,

проходящих по 1-му каналу. Определим полный трафик в сети следующим образом:

л = £лг

При использовании НСВ в качестве формы выражения величины трафика операция сложение выполняется как сложение нечетких величин. Обозначим через л; нечетко заданное среднее число сообщений в секунду, проходящих по ;'-му каналу. Тогда полный трафик в ВС является НСВ

м

1-1

где сложение означает сложение НСВ.

Результат сложения двух операндов, выраженных НСВ, рассматривается как объединение трапециевидных нечетких интервалов параметров узлов и каналов. Каждый из этих нечетких интервалов А/, представлен пятеркой:

где - нижнее модальное значение нечеткого интервала М,; т, - верхнее модальное значение нечеткого интервала -Ц; а, - левый коэффициент нечеткости; Д - правый коэффициент нечеткости; /г, - высота нечеткого интервала. Нечеткая величина М,+Мг где А/,, М} - два трапециевидных нечётких интервала, есть также трапециевидный нечеткий интервал

{т ,т ,а ,/3 ,/г),где /г = тт (Л,,/),);

; т = т, + т) - а, - а} + а; т = т, + т) - Д - Д, + Д.

Топ-уровень и Тр-уровень для Т-модели определяют структуру и трафик ВС, но для моделирования передачи трафика необходимо адекватно представить уровень маршрутизации (М-уровень). Маршрут Р в распределенной ВС, которая представлена нечетким гиперграфом О = {У,Е,с}, определен как некоторый (у, и') путь:

у = —= у/ В территориально распределенных ВС существуют факторы, которые при различных условиях оказывают влияние на параметры узлов маршрутизации и каналов передачи данных. Факторы являются непостоянными и могут изменяться. Параметрические данные, которые изменяются под влиянием данных факторов, используются для определения метрики в протоколах маршру-

тизации. Длина пути Р может быть определена на основе метрик с, как величина

с (Р):

с(Р)=с(Е1)+ с(Е2)+...+ с(Ек).

Если для узлов маршрутизации определены следующие метрики: Рг -пропускная способность маршрутизатора; '¿г - задержка при передаче;5. - стабильность работы, а канал характеризуется метриками: Рк - пропускная способность канала;^ - стабильность работы; - задержка, то оценки узла и канала, как элементов маршрута, определяют следующие формулы:.

Ок=<о + б>2$к +«>Л , Ог = о, + + а^Р,

¿■к ¿г

где Ю|,©2 ©з _ коэффициенты на основе нечетких характеристик кана-

ла и узла. Для формирования интегральной оценки целесообразно использовать аддитивную свертку:

о,

Таким образом, общей метрикой маршрута является объединение нечетких величин параметров каналов связи и узлов маршрутизации, которые в свою очередь представляют собой объединение нечетких интервалов каждой из локальных характеристик.

Так как разработанная Т-модель транспорта ВС служит не только для решения задач собственно моделирования сети, но является основой для построения средства автоматизации проектирования, то для разработанной Т-модели адаптирована генетическая оптимизация. Для адаптации необходимо уточнять следующие параметры: способ кодировки решения (хромосомы), функцию оптимальности (оценки) каждой хромосомы, содержание операторов отбора (селекции), рекомбинации и мутации, вероятностные параметры управления сходимостью эволюции, условие завершения эволюции. Во второй главе приводится уточнение генетического алгоритма для решения задачи выбора коммуникационного оборудования и топологии ВС. Критерием оценки качества проектного решения, закодированного хромосомой, является значение трафика на главной магистрали (бэкбоне) при подключении узлов (хостов) так, как это закодировано в хромосоме. Более приспособленной считается хромосома, значение функции оптимальности для которой минимально.

Таким образом, вторая глава диссертационной работы содержит описание предложенной Т-модели транспортной схемы ВС. Т-модель позволяет выполнить имитационное моделирование варианта проектного решения ВС в процессе автоматизированного проектирования.

В третьей главе содержится описание разработанной математической модели для представления прикладных процессов в ВС (П-модель). П-модель учитывает широкое распространение современной сервисо-ориентированной архитектуры прикладных информационных систем. Любая реальная прикладная среда представляет собой сложное сочетание взаимодей-

ствующих прикладных агентов ВС: сервисов и клиентов (уровень агентов: сервисов и клиентов). Такой уровень описания назовем А-уровень. Взаимодействие агентов формирует прикладной процесс, состоящий из событий, связанных между собой потоками передаваемых данных. Поэтому можно говорить о потоковом уровне описания П-модели. Потоки данных принято выражать с помощью какой-либо разновидности потоковых диаграмм (Data Flow Diagram) или DFD-диаграмм. Назовём уровень П-модели, отражающий потоки данных DFD-уровнем. Таким образом, П-модель состоит из двух составных частей: <А-уровень, DFD-ypoBeHb>.

В третьей главе приведены событийные модели прикладных агентов двух типов: серверов и клиентов. В свою очередь для серверов построены обобщенные модели файлового сервера, сервера данных и прокси-сервера. Основные функции серверов: анализ запроса, обработка отклика запрашиваемого ресурса и занятие ресурса (обработка запроса). Основные характеристики: время отклика ресурса, время обработки запроса и занятость.

На А-уровне П-модели разработаны формализованные модели «тонкого» и «толстого» клиентов. «Тонкий» клиент реализует только презентационную логику - прикладной интерфейс для пользователя. Основной функцией для «тонкого» клиента является генерация запроса, а, следовательно, основная характеристика - частота генерации запроса. «Толстый» клиент объединяет в себе презентационную логику и логику выполнения и представляет собой обычную архитектуру рабочей станции. Основными функциями «толстого» клиента являются генерация запроса, анализ запроса, обработка запроса. Основные характеристики: частота генерации запроса, время обработки запроса, занятость (выходная переменная).

Свойство «загрузка» является характеристикой компоненты логики выполнения, поэтому в модели «тонкого» клиента данное свойство не рассматривалось. Переменная «загрузка» показывает загруженность объекта («толстого» клиента, сервера) при существующем потоке запросов (наличии определенных производственных процессов). Время отклика ресурса зависит от вида сервера. Время обработки запроса также зависит от типа запрашиваемого ресурса, т. е. от вида сервера. Основные факторы, более всего влияющие на выходные характеристики - это частота генерации запросов, объем запрашиваемой информации, а также характеристики аппаратного обеспечения (оперативная память и быстродействие). На распределение прикладных процессов по сети влияет вероятность обращения клиентов к серверу и объем данных запроса. Для моделирования вычислительной сети на прикладном уровне была использована теория сетей Петри, несомненным достоинством которых является математически строгое описание параллельных взаимодействующих агентов.

Каждый прикладной агент А-уровня представляется в виде раскрашенной сети Петри. Поскольку моделирование проводится на прикладном уровне, то в сети передаются не пакеты, а абстрактный объект с данными (фрейм). С помощью раскрашенных сетей Петри удобно моделировать переходы данных по вычислительной сети, с выбором устройств на которых проводится обработка. Цветами выступают адреса (.mac), данные (data), коэффициенты загрузки (load).

Клиент генерирует запрос по заданному расписанию с частотой, указанной в базе данных приложений. Запросы генерируются каждый такт с вероятностью, пропорциональной частоте, по нормальному закону распределения. Пример А-модели сервера представлен на рис. 2.

Рис, 2 Общая модель сервера на основе раскрашенных сетей Петри.

Взаимодействие прикладных агентов: клиентов и серверов порождает события, составляющие, в свою очередь, прикладкой процесс (DFD-уровснь). В главе представлен анализ возможности применения DFD-диаграмм {Data Flow Diagram) для формализованного описания процесса проектирования. Основным источником сетевого трафика являются процессы, происходящие на узле сети. При составлении функциональной модели сети следует обозначить всс эти процессы и потоки данных, генерируемые ими. Кроме того, каждый из процессов имеет свос расписание выполнения а течение дня, и его необходимо учитывать при моделирования. В связи с этим к части языка DFD, описывающей сущность «процесс», были сделаны дополнения для полного описания процессов, происходящих в ВС, А именно, в свойства сущности «процесс», помимо названия и номера, включены еще нечеткие прогнозные оценки трафика и вычислительной загрузки, а также расписание выполнения процесса. При моделировании работы системы расписание имеет решающее значение, так как в определенные моменты времени процесс не функционирует и генерации трафика в сеть не происходи т. Кроме того, для дальнейшей взаимосвязи с физической

структурой сети в свойства процесса добавлен IP-адрес того компьютера, на котором этот процесс выполняется. Информация о диаграмме DFD хранится в классе «Блок диаграммы» (TBlockData): номер, названия задач, расписания работы, присваиваемые IP-адреса и др. (рис. 3).

Класс «Блок диаграммы» (TBlockData)

- Номер блока {Block Number)

- Название задачи (TaskName)

- IP-адрес узла (IPaddress)

- Расписание работы блока (Schedule)

- Сетевая загрузка (Traffic)

- Вычислительная загрузка (Loading)

Рис. 3. Атрибуты узла модифицированной DFD-диаграммы.

Так как разработанная П-модель прикладных процессов ВС служит не только для решения задач собственно моделирования сети, но также является основой для построения средства автоматизации проектирования, то для разработанной П-модсли адаптирован известный интеллектуальный метод принятия проектных решений - байесовская оптимизация. Для адаптации необходимо построить граф байесовской сети доверия (БСД).

БСД для решения задачи оптимизации ВС состоит из,четырех слоев: слой взаимодействий, слой интенсивности трафика, слой внутрисегментных и межсегментных трафиков, слой согласования Т-модели и П-модели. Рассмотрим кратко функции каждого слоя БСД,

Слой I - слой взаимодействий. Данный слой вводит в БСД начальные данные об интенсивностях взаимодействия компьютеров ВС между собой на основании информации об автоматизируемых производственных процессах, описанных на языке DFD-диаграмм. Величина интенсивности взаимодействия является нечёткой, так как передаваемый трафик состоит из документов, имеющих четкий размер, и запросов к базам данных, имеющих нечеткий размер.

Слой 2 - слой интенсивности трафика. На данном слое происходит группировка информации об интенсивностях взаимодействия компьютеров по каналам сети, через которые проходят взаимодействия.

Слой 3 - слой внутрисегментных и межсегментных трафиков. На данном уровне определяется интенсивность внутрисегментных и межсегментных взаимодействий для каждого узла сети. Каждый узел сети образует сегмент. Для каждого узла сети в данном слое существуют два узла БСД - на одном формируется внутрисегментный трафик, на другом - межсегментный трафик. Трафик формируется по принципу протекания через сегмент или внутри него.

Слой 4 - слой согласования Т-модели и П-модели. Данный слой является конечным слоем, и в его узлах формируются вероятности нахождения в определенном сегменте определенного типа коммуникационного оборудования, позволяющие согласовать производительность сегмента сети и мощность прикладных потоков данных.

Таким образом, модели прикладных процессов ВС определяют масштаб, а значит, в конечном счете, транспортную схему ВС.

Итак, третья глава содержит описание разработанной П-модели, включающей модели основных прикладных агентов: серверов и клиентов разных типов, (А-уровень) и модель взаимодействия прикладных процессов, выраженную на языке модифицированных ВРЦ-диаграмм. Построенная П-модель позволяет провести байесовскую оптимизацию параметров прикладных процессов (времени отклика). Разработанные Т-модель и П-модель составляют основные положения нового теоретического подхода к автоматизированному проектированию ВС.

В четвертой главе изложено обобщение нового теоретического подхода к автоматизированному проектированию вычислительных сетей на основе интеграции процессов принятия проектных решений, моделирования и оптимизации в условиях нечетко заданного трафика и нечетких метрик маршрутизации. Сложные технические системы, такие как вычислительные сети, обладают объективной неопределенностью, что требует дальнейшего расширения инструментария прогностики. Все чаще используются интеллектуальные методы, которые расширяют классическую классификацию прогностических методов и представляют сочетание формализованных процедур обработки информации, полученной по оценкам специалистов-экспертов. Важнейшим проектным решением при проектировании ВС является согласование транспортной схемы (топологии) и прикладной среды, то есть Т-модели и П-модели. Назовем процесс согласования Т-модели и П-модели процессом формирования обобщенной ТП-модели. Обоснованием (доказательством) правильности принимаемого проектного решения служат результаты вычислительного эксперимента, осуществляемого в системе моделирования САПР ВС. При проектировании новой ВС, в отличие от ситуации, в которой модернизируется имеющаяся сеть, при моделировании используются прогнозные оценки трафика, заданные экспертами в лингвистической форме, поэтому вместо традиционных генераторов трафика, использующих распределение Пуассона для генерации заявок, используются генераторы нечеткого временного ряда трафика, соответствующего заданной экспертом нечеткой тенденции изменения трафика. В четвертой главе рассмотрена методология, метод и алгоритмы формирования обобщенной ТП-модели на основе генетической оптимизации и метод нечетких тенденций временных рядов для моделирования трафика ВС, как новый теоретический подход к автоматизированному проектированию ВС.

Рассмотрим в первую очередь методологию, метод и алгоритмы формирования ТП-модели на основе генетической оптимизации. Можно выделить следующие основные этапы автоматизированного проектирования ВС:

1. Разработка П-модели для проектирования, то есть описание прикладных задач проектируемой вычислительной сети. На этом этапе составляется модель потоков данных проектируемой сети без привязки к транспортной структуре сети. Этот этап является важнейшим в предлагаемом методе проектирования ВС, так как правильно составленная диаграмма процессов, происходящих в сети, является основой для дальнейшей разработки ВС.

2. Разработка Т-модели для проектирования, то есть описание транспортной схемы, структуры ВС. На этом этапе проектировщик описывает саму ВС на уровне узлов сети и каналов связи. Здесь устанавливаются взаимосвязи узлов сети через коммутирующие модули, или маршрутизаторы, расставляются серверы. Для каждого узла сети задается таблица маршрутизации. Фактически моделируется процесс составления и настройки реальной локальной сети.

3. Формирование ТП-модели. На этом этапе производится слияние модели прикладных процессов (П-модель) и транспортной модели сети (Т-модель) в обобщенную модель (ТП-модель) и моделирование ВС на основе прогнозных значений трафика, представленного временным рядом нечетких тенденций. САПР ВС автоматически расставляет блоки диаграммы прикладных процессов, учитывая суммарный трафик сети, а так же вычислительную загрузку отдельных узлов. При помощи генетического алгоритма система находит оптимальный вариант наложения составленной схемы прикладных процессов на спроектированную ВС.

4. Модификация. Заключается во внесении изменений в Т-модель.

Этапы модификации и оптимизации могут повторяться несколько раз, до

тех пор, пока полученная система не будет удовлетворять всем требованиям проектировщика. При формировании описания прикладных процессов устанавливаются расписания работы процессов, генерируются прогнозные временные ряды трафика на основе нечетких тенденций.

Окончательная цель автоматизированного проектирования ВС -формирование обобщенной модели сети (ТП-модели). После того, как модель прикладных процессов и предполагаемая модель сети составлены, необходимо построить их взаимосвязь. Это осуществляется путем распределения блоков диаграммы (ОРО) по транспортной структуре проектируемой сети. Фактически временно выстраивается проектный вариант обобщенной модели сети (ТП-модели). За поиск наилучшего варианта этого распределения отвечает генетический алгоритм.

Целевая функция генетического алгоритма состоит из 3-х частей. Первая часть функции стремится к уменьшению суммарного трафика в системе. Вторая часть стремится к тому, чтобы максимальная вычислительная загрузка одного узла была наименьшей. Третья часть целевой функции отвечает за качество группировки блоков диаграммы прикладных процессов по подсетям.

^график ^шч.загрузка ^^группировка

Расчет целевой функции соответственно происходит в 3 этапа. На первом этапе рассчитывается суммарный трафик в системе. Расчет строится на суммировании нечетких оценок, заложенных в диаграмму потоков данных. При этом производится трассировка связей диаграммы по каналам, описанным в транспортной модели сети. Каждый узел и коммуникационный модуль сети представляется, как генератор нечеткого временного ряда трафика на выходе. Соответственно, если через такой генератор проходит несколько связей, то значение на выходе увеличивается. Связь трассируется по сети, с учетом особенностей используемого коммуникационного оборудования. Вторая часть целевой функции рассчитывается подобным же образом, только система оперирует с нечеткими вероятностными оценками вычислительной загрузки. Третья часть целевой функции отвечает за качество группировки блоков диаграммы прикладных процессов по подсетям. Алгоритм ее вычисления таков: определяется количество групп, заданных пользователем. Затем для каждой из групп строится массив 1Р-адресов, присвоенных узлам, находящимся в этой группе. В этом массиве отыскивается максимальное количество повторяющихся элементов. Чем больше в группе повторяется 1Р-адресов, тем качество группировки выше.

Так как трафик ВС в Т-модели представлен нечеткой случайной величиной, в четвертой главе предложен метод, использующий нечеткие тенденции временного ряда для генерации трафика в системе моделирования.

Для описания развития моделируемого процесса в лингвистических терминах введем понятие временного ряда нечетких тенденций. Выделим далее базовые операции обработки нечетких тенденций.

Определение 1. Нечеткая тенденция (НТ). Пусть у& = {у»—,У„) - нечеткий временной ряд лингвистической переменной {У ,Ту,иу,0)!,Му)> = } ~ множество нечетких временных рядов одинаковой длины. Тогда нечеткая тенденция г, определенная на ?д, есть совокупность упорядоченных пар г = где /л, (у&) представляет собой степень принадлежности

кНТ.

Если говорить о тенденции как лингвистической переменной, терм-множеством которой является множество различных тенденций, наблюдаемых на ВР, а универсумом - множество всевозможных функций, НТ определяется как (т,{т'},УА,Сг,Мг), ¡=1..р, где р - количество видов НТ, определенных на

ВР; Гд - множество НВР переменной длины.

Определяя НТ на всех интервалах 1, г] ВР и позиционируя начало или окончание интервала к временной шкале, получим временной ряд нечеткой тенденции.

Определение 2. Временной ряд нечеткой тенденции (ВРНТ). Пусть {?дЛ - множество нечетких временных рядов длиной ш, где уЛ, =

у, б УТогда временной ряд нечеткой тенденции есть упорядоченное во времени нечеткое множество: т, = {1,№гСу&, )} ■

Для лингвистической переменной «тенденция» временной ряд определяется совокупностью значений всех видов нечетких тенденций:

г, = {?, г,1г,'}-

Делая предположение о состоянии системы, зависящем от предыдущих состояний, предполагаем наличие зависимости НТ от значений тенденций в предыдущие моменты времени.

Моделью нечетких тенденций (МНТ) с характеризующими параметрами (и,р, т, 0 обозначим совокупность компонент и уравнений: у', = Fuzzy{y, ], у\ = deFuzzyiy', ], г/ = Tend[yl_m^,...,y,} ,

y'^deTendlr,,...,^], Т,=/(Т,-i = l-n, J = l.p,m = max(mj),

где у, = {]','} - HBP, п - количество термов HBP, Fuzzy - функционал фаззифи-кации;

г, = {г/} - ВРНТ, р - количество термов НТ, mJ - интервал определения НТ, Tend - функционал распознавания НТ;

f~ функциональная зависимость, / - временной лаг; У\~ {?"} - НВР, полученный из ВРНТ, deTend - функционал получения НВР из оценки НТ, данная операция позволяет построить временной ряд -представитель нечеткой тенденции, в том числе можно построить генератор прогнозного временного ряда трафика, соответствующего нечеткой тенденции;

у', - дефаззифицированный BP, deFuzzy - функционал получения четкого BP из НВР.

В результате экспертного построения НТ могут возникнуть отклонения между исходным BP и смоделированным. Обозначим данные отклонения как ошибки построения:

- ошибка построения НВР:

= (У, ~ deFuzzy{Fuzzy{y, )))2 = (у, - у', )2.

- ошибка построения ВРНТ:

ЕНТ = (у! -deTend(Tend(y,)))г = -у", У- ошибка построения BP: Евр = (yt -deFiizz^deTendJend^Fiazyiy^fjf =

~ Ь) ~ У if

Так выбор функций принадлежности и ее параметров, метода дефаззифи-кации определяет разницу между исходным BP и преобразованным из НВР. Выбор видов тенденций и методов обуславливает несоответствие исходного нечеткого ряда полученному НВР из ВРНТ.

МНТ можно привести к разностному уравнению четкого BP: г, = /(r,_„,...r,_,) =>>>,=

Построение модели BP - это итеративный процесс идентификации, оценки и проверки модели. Идентификация МНТ заключается в описании нечетких переменных и построении соответствующих функционалов. На этапе оценки для модели выбирается инструмент нахождения функциональной зависимости и оценивается параметры выбранной функции по обучающей выборке. При диагностике проверяется способность модели к аппроксимации и экстраполяции.

Опишем НТ в виде последовательности нечетких меток, формирующих правила распознавания, что позволит одновременно описать и дать формулу расчета степени принадлежности четкого ряда к тенденции. Совокупность всех правил определения видов НТ составляет первый уровень общей системы логического вывода МНТ, которая реализует функционал Tend для получения ВРНТ (в формализованном виде):

1 ы

Множество правил уравнения МНТ составляет второй уровень вывода:

j ы

Для анализа и построения четкого BP по нечеткой модели (функционал deTend) каждому виду НТ сопоставим НВР, имеющий наибольшую степень принадлежности. Множество таких правил, реализующее функционал преобразования ВРНТ в HBP deTend, формирует третий уровень:

= y,={y;=S( s

ы м

Таким образом, МНТ полностью реализуется многоуровневой системой логических отношений: R}, где выходы в виде нечетких перемен-

ных одного набора правил подаются на входы следующего набора правил без дефаззификации и фаззификации. Преобразования в нечеткие и четкие значения происходит только в отношениях Ri и R3 соответственно. Разработанная модель нечеткой тенденции (МНТ) позволяет построить генераторы нечеткого временного ряда трафика, соответствующего заданной экспертом нечеткой тенденции изменения трафика. Следовательно, МНТ является составной частью обобщенной ТП-модели, на основе которой можно построить результативную систему моделирования ВС в ходе автоматизированного проектирования.

Итак, в четвертой главе рассмотрена методология, метод и алгоритмы формирования обобщенной ТП-модели на основе генетической оптимизации, и метод нечетких тенденций временных рядов, моделирующий трафик для проектного варианта ВС.

В пятой главе описана программная реализация САПР ВС, функционально состоящая из следующих блоков: интерфейсный блок; блок имитационного моделирования на основе сетей Петри и библиотека

функциональных моделей прикладных агентов; блок моделирования маршрутизации; блок генетической оптимизации; блок байесовской оптимизации и блок имитационного моделирования на основе временных рядов нечетких тенденций. Связи между блоками изображены на рис. 4.

1. Интерфейсный блок позволяет ввести описание прикладных процессов проектируемой сети при помощи адаптированного языка ОРО. На этом этапе проектировщик строит описание структуры прикладных процессов, происходящих в сети, задает расписание работы процессов, и формирует прогнозные оценки генерируемого трафика и вычислительной загрузки. Интерфейсный блок предоставляет возможность проектировщику создать описание исходного варианта транспортной схемы ВС на уровне ее элементов - узлов, коммутаторов, шлюзов.

2. Блок имитационного моделирования на основе сетей Петри и библиотека функциональных моделей прикладных агентов выполняет представление моделей узлов вычислительной сети на основе сетей Петри и дискретное моделирование работы отдельных узлов вычислительной сети и отображение результатов виде графиков. Раскрашенная сеть Петри, представляющая модель любого объекта вычислительной сети, может содержать следующие элементы: цвета, позиции, переходы, дуги и порты. Каждый из указанных элементов характеризуется своими свойствами и поведением. Каждая функциональная модель вводится с помощью специального графического интерфейса и хранится в форме ХМЬ-описания.

Блок имитационного моделирования на основе сетей Петри библиотека функциональных моделей прикладных агентов

блок имитационного моделирования на основе временных рядов нечетких тенденций

Блок моделирования маршрутизации

Оптимизация: блок байесовской оптимизации блок генетической оптимизации

Интерфейсный блок

Ввод исходных данных П-модели

Ввод исходных данных Т-модели

Блок согласования прикладной процессной и транспортной схем (формирование ТП-модсли)

Рис. 4. Архитектура САПР ВС

3. Блок моделирования маршрутизации устанавливает параметры маршрутизации, влияющие на расчет метрик на каналах связи, формирует таблицы маршрутизации, используя алгоритмы маршрутизации, отвеча-

ет за создание таблицы маршрутизации в каждом маршрутизаторе и ее перерасчет при изменении параметров узлов, каналов и сети в целом. Блок формирует сетевой пакет для посылки его по сети, определяет отправителя и адресата в сети; анализирует прохождение пакетов в сети, собирает информацию наличия подсетей и просчитывает путь, в соответствие с построенными таблицами маршрутизации; посылает пакет по построенному пути и протоколирует все межсетевые процессы в системном журнале.

4. Блок генетической оптимизации применяет генетическую оптимизацию для решения двух задач: выбора вида коммуникационного оборудования, сегментации ВС.

5. Блок байесовской оптимизации настраивает байесовские сети за счет определения матриц условных вероятностей для конечных узлов сети, вычисляет производные матрицы как матрицы сложения нечётких величин, формирует вероятности нахождения в определенном сегменте определенного типа коммуникационного оборудования, что позволяет согласовать производительность сегмента сети и мощность прикладных потоков данных.

6. Модуль согласования прикладной процессной и транспортной схем (формирование ТП-модели) выполняет поиск оптимального размещения сервисов по транспортной структуре сети. Оптимизация производится по трем критериям качества - максимальное снижение пиковых нагрузок трафика, максимальное снижение пиковых нагрузок вычислительной загрузки и максимальная группировка прикладных процессов по группам.

7. Блок имитационного моделирования на основе временных рядов нечетких тенденций содержит все компоненты системы нечеткого вывода: блоки фаззификации и дефаззификации, блок нечеткого вывода, базу знаний. Блок реализует все этапы построения МНТ, решает широкий спектр задач: многомерный анализ, графическое представление информации, моделирование и прогнозирование, хранение базы знаний.

Созданная программная система автоматизированного проектирования вычислительных сетей практически используется на производстве и позволяет достичь улучшенных технико-экономических показателей объектов проектирования, эффективно перераспределять высокопроизводительный трафик, а так же сокращать время, затрачиваемое на проектирование вычислительных сетей. Предлагаемый теоретический подход, методы и средства автоматизированного проектирования были успешно применены в проектных работах, выполняемых предприятием ФНПЦ ОАО «НПО «МАРС» в интересах АСУ ВМФ РФ (Море-99, Мелодия, Запевала и др.).

В следующей главе приведены результаты вычислительных экспериментов в данной программной среде САПР ВС.

В шестой главе представлены результаты вычислительных экспериментов в разработанной программной среде автоматизированного проектирования и результаты эксплуатации сетей, разработанных в САПР ВС, построенной на

основе предлагаемого теоретического подхода. Представим результаты проектирования в среде САПР ВС в соответствие с предлагаемой последовательностью этапов проектирования:

1. Разработка П-модели для проектирования, то есть описание прикладных задач проектируемой вычислительной сети. Согласование производительности сегмента ВС и мощности прикладных потоков данных.

2. Разработка Т-модели для проектирования, то есть описание транспортной схемы, структуры ВС. Генетическая оптимизация для решения двух задач: выбора вида коммуникационного оборудования, сегментации ВС.

3. Формирование ТП-модели. Слияние модели прикладных процессов (П-модель) и транспортной модели сети (Т-модель) в обобщенную модель ТП-модель (САПР ВС расставляет блоки диаграммы прикладных процессов, учитывая суммарный трафик сети, а так же вычислительную загрузку отдельных узлов при помощи генетического алгоритма).

4. Моделирование ВС на основе прогнозных значений трафика.

• Моделирование протокола маршрутизации на основе нечетких метрик.

• Построение модели нечетких тенденций динамики трафика, моделирование и прогнозирование эксплуатационных характеристик ВС.

Разработка П-модели для проектирования

Для вычислительного эксперимента была выбрана ВС ФГУП НПО "Марс" на одном из этапов ее развития. Она состоит из сегмента конструкторов, сегмента технологического и нормоконтроля, сегмента технологов и сегмента архива. В сеть объединены отделы, связанные прежде всего с разработкой программного обеспечения, конструкторские, технологические отделы, отделы программистов и разработчиков, а также менеджеры по управлению этими подразделениями. Основой для ВС на глобальном уровне служит движение электронной инженерно-технической документации. На уровне подразделений сеть служит для распределенного ведения комплексных проектов различного оборудования, а также проектов программного обеспечения. Кроме этого, на уровне подразделений сеть позволяет вести централизованную распечатку документов. Основные прикладные агенты: сервера и клиенты описываются с помощью интерфейсного блока в форме сетей Петри, а их взаимодействие - с помощью ОРП-днаграмм.

Расписание сетевых задач представлено в табл. 1.

Таблица 1

Источник трафика 1 Получатель трафика Расписание и объем

АРМ конструктора Сервер конструкторов 1 раза вдень но 10 100 Мб

АРМ тех-иорчоконтроля Сервер конструкторов 8 раза в день по 10 100 Мб

Центральный сервер Сервер конструкторов 200 раз в день по 1 Мб

АРМ архива Сервер конструкторов 1 раз в день по 2000 Мб

АРМ технолога Сервер конструкторов 4 раза вдень но 10 - 50 Мб

АРМ руководителя Сервер конструкторов + раза в день по 10 - 50 Мб

Все АРМ Центральный сервер К раз в день по 5 Мб

ФПГ. ' -: ::,* -1 ■ „„ - \ : ■ ■ I |Т'1.»

ойн э г>я а £ §

Рис, 5. Представление диаграммы потоков данных в САПР ВС Масштабы потоков данных можно увидеть во втором столбце таблицы 2,

Результаты оптимизации трафика ВС ФГУП НПО "Марс"

Таблица 2

Канал ВС Исходное значение графим, Кбайт Значение трафика после оптимта^ ции, Кбайт Изменение, раз

АРМ технормоконтроля -концентратор комнаты №1 5350400 1029120 5,2

АРМ технормоконтроля -концентратор комнаты №2 103065600 1029120 10,015

АРМ технолога - концентратор комнаты технолога 1612800 56320 28,63

Коммутатор комнаты технолога - Коммутатор технологов 103045120 5201920 (9,8

Разработка Т-модели для проектирования

Разработка и оптимизация транспортной схемы ВС связана с решением двух задач: выбора коммуникационного оборудования и сегментации ВС. Ниже на рис. 6 приведен фрагмент протокола выбора вида коммуникационного оборудования, а на рис. 6 фрагмент протокола автоматической сегментации ВС на рис. 7

Узел изег_Яоот325_Мос)е

Тип узла Концентратор - 0,3 Коммутатор - 0.7 Маршрутизатор - 0

Пропускная способность узла 10 МБит-0.3 100 МБИТ-0,7 1000 МБит-О

Приоритетность узла Низкая-0,3 Средняя - 0.7 Высокая - 0

Узел и5ег_[^оот309_Мо(]е

Рис. 6. Пример выбора вида коммуникационного оборудования

Суммарный пиковый трафик первоначального варианта подключения составляет 141189 Кбайт.По результатам оптимизации наилучшим признан способ сегментации ВС, представленный на рис. 7.

Яоот325_Сотр1 подключен к1)5ег_Ноот301_Мос1е Р!оот325_Сотр2 подключен к и5ег_Роот306_1Чос1е РоотЭ25_СотрЗ подключен к Сегйга1_Мос1е

Яоот301_Сотр6 подключен к и5ег_Р?оот306_1\1ос1е Роот301_Сотр7 подключен к и5ег_Коот334_№с1е Роот301_Сотр8 подключен к изег_Роот301_1Чос)е БегуеМ подключен к Сеп1га1_Мос1е

Суммарный пиковый трафик при данном варианте подключения составляет 128958.00 Кбайт Канал с максимальным пиковым трафиком: БегуеМ - СегИга1_Мос1е Пиковый трафик: 47063 Кбайт Общее время оптимизации составило 0 часов 2 минут 30 секунд 707 милисекунд Количество перебранных вариантов:1953

Рис. 7. Результат оптимизации сегментации ВС

Ф«йл ДЧУМГМ структур* ИжтраАо! Пмоць

о 'вн е н "в: а « в а ■ л. а ь:: к

Рис. 8. Фрагмент сегментации ВС

Если САПР ВС использована в режиме модернизации сети, а не проектирования с нуля, то результатом оптимизации транспортной схемы ВС будет пе-

речень рекомендаций по модернизации сети. Пример рекомендаций приведен ниже на рис. 9.

Формирование ТП-модели. Слияние модели прикладных процессов (П-модель) и транспортной модели сети (Т-модель) в обобщенную модель ТП-модель.

В шестой главе представлены результаты вычислительного эксперимента по размещения сервисов по транспортной схеме. В магистральной сети содержатся все серверы подразделений. В большинстве подсетей для коммуникации использованы коммутаторы. В подсетях крупных отделов применено

каскадирование коммутаторов.

Вес параметра оптимизации -производительность 1

Узел Тип Производительность Приоритетность

Хаб Свитч Роутср 10 Мбит 100 Мбит 1000 Мбит Низкая Средняя Высокая

11 этаж 0.5 0.5 0 0.5 0.5 0 0.5 0.5 0

8 этаж 0.3 0.6 0.1 0 0.5 0.5 0 0.5 0.5

Интерпретация - на 11 этаже рекомендуется установить коммутатор или концентратор, пропускная способность канала 10 или 100 Мбит, на 8 этаже рекомендуется устанавливать концентратор, пропускной способностью канала 100 или 1000 Мбит.

Вес параметра оптимизации -производительность 0

Узел Тип Производительность Приоритетность

Хаб Свитч Роутер 10 Мбит 100 Мбит 1000 Мби т Низкая Средняя Высокая

11 этаж 0.5 0.5 0 0.5 0.5 0 0.5 0.5 0

8 этаж 0.5 0.5 0 0.5 0.5 0 0.5 0.5 0

На 8 и 11 этажах рекомендуется установить концентратор или коммутатор, пропускная способность 10 или 100 Мбит. Последовательность модернизации ВС значения не имеет.

Канал Пропускная способность

10 Мбит 100 Мбит 1000 Мбит

Вес параметра оптимизации -производительность 1 .

8 этаж - 11 этаж 0 0.7 0.3

8 зтаж- сервер 0 0.7 0.3

Интерпретация: для обоих каналов рекомендуется использовать пропускную способ-

ность 100 Мбит, возможно использование пропускной способности в 1000 Мбит

Вес параметра оптимизации -производительность 0

8 этаж -11 этаж 0 0.9 0.1

8 этаж - сервер 0 0.9 0.1

Интерпретация: Для обоих каналов можно использовать пропускную способность в 10

или 100 Мбит

Рис. 9. Пример рекомендаций по модернизации ВС

В целях изучения эффективности процесса оптимизации описанная структура прикладных процессов была сопоставлена со структурой ВС, исходя из реального расположения, существующего на предприятии. Для такого варианта размещения прикладных процессов было рассчитано значение целевой функции, которое было взято за сравнительную характеристику существующей сети. Затем неоднократно запускался процесс оптимизации, заложенного в систему проекта сети. Эксперимент проводился несколько раз с различными параметрами стандартного ГА. Изменялся размер популяции, порог стабильности и коэффициент мутации. Графики сходимости стандартного ГА для каждого набора параметров приведены на рис. 10. Данные о значениях целевой функции в процессе эволюционного поиска приведены в табл. 3. Значение целевой функции для сравнительного варианта - 0,47 единиц.

Таблица 3

Фрагмент ряда значения целевой функции СГА в экспериментах

Эволюционное время Р=100, Элита=10, Мутация 0,9 Р=500, Эли-та=100, Мутация 0,4 Р=5000, Элита =2000, Мутация 0,4 Р=100, Элита=10, Мутация 0,4 Р= 10000, Элита=3000, Мутация 0,4 Р=50000, Элита=5000, Мутация 0,5

1 0,609375 0,5640625 0,54375 0,555 0,528125 0,5

2 0,584375 0,5640625 0,54375 0,555 0,5265625 0,495

99 0,45 0,48875 0,45 0,45 0,45 0,45

100 0,45 0,48875 0,45 0,45| 0,45 0,45

Рис. 10. Сходимость ГА в вычислительных экспериментах

На рис. 10 пунктирной линией отмечено значение целевой функции, рассчитанное для существующего расположения прикладных процессов по сети. Из графика видно, что генетическая оптимизация позволяет найти более эффективное решение.

В результате согласования прикладного и транспортного уровней описания сформирована ТП-модель, то есть все прикладные сервисы размещены по транспортной схеме ВС и прогнозные параметры сети удовлетворяют заданным ограничениям.

Моделирование ВС на основе прогнозных значений трафика. Моделирование протокола маршрутизации на основе нечетких метрик.

Полученные результаты моделирования нечеткой маршрутизации ВС были использованы при переконфигурировашш маршрутизаторов ВС. Для модернизируемой сети измерения были проведены с использованием программно-аппаратного анализатора трафика HP Internet Advisor J2300C. Рекомендации, полученные в ходе моделирования трафика на основе измерений с использованием нечетких параметров, были использованы при изменении таблиц маршрутизации. На рис. 11 представлена загрузка каналов связи до и после оптимизации.

Рис. 11. Загрузка каналов связи трафиком 7| и Т1а до и после оптимизации соответственно

Моделирование ВС на основе прогнозных значений трафика.

Построение модели нечетких тенденций динамики трафика, моделирование и прогнозирование эксплуатационных характеристик ВС.

По модели нечетких тенденций проанализирована работа одного из узлов вычислительной сети предприятия и создана модель узла, генерирующая нагрузку сетевого интерфейса в зависимости от параметров работы пользователей, программного обеспечения и оборудования. Узлом является сервер под операционной системой Microsoft Windows 2003, выполняющий приложения в терминальном режиме. Основное пользовательское приложение: базы данных, работающее в файл-серверном режиме, где данные расположены на этом же сервере. Для описания сервера были выбраны данные из журнала событий прикладного программного обеспечения (ПО) и журнала счетчиков операционной системы (ОС) (табл. 4). Статистика собрана с 15 секундным интервалом в течение одного дня.

Для всех параметров установлены нечеткие переменные НВР, описывающие значения: «высокое», «низкое». Установлены НТ независимых параметров: «загрузка», «простой». Для трафика определены НТ: «рост», «падение», «простой», «скачок». Для построения модели работы узла ВС были проведены вычислительные эксперименты. Анализировались модели МНТ от самого простого случая (МНТ(и, р, 1, /) до моделей, включающих в себя как НВР, так и ВРНТ (МНТ(и, 5,3,/).

Таблица 4.

Описание переменных_

Параметр Описание

Память\Обмен страниц в сек число страниц (из оперативной памяти), прочитанных с диска или записанных на диск

Обращений записи на диск/сек частота выполнения операций записи на физический диск

Обращений чтения с диска/сек частота выполнения операций чтения с физического диска

% загруженности процессора доля времени, которую процессор тратит на обработку всех потоков команд

Операции чтения количество объектов, открыть« для просмотра в прикладном ПО; определяется из логов всех баз данных установленных на сервере

Операции записи количество объектов, записанных в прикладное ПО; определяется из логов всех баз данных установленных на сервере

Трафик количество байт, которое сервер послал или получил через сеть

На первом этапе рассматривались возможности метода МНТ и линейные модели BP с распределенным лагом (DL), с авторегрессионной составляющей (ADL) и нелинейные модели на нейронных сетях (НС), полученные в программах Statistica 6.0 и Statistica Neural Networks.

Для моделирования объема трафика сервера экспертом были предложены и описаны следующие режимы работы сервера: ввод данных, чтение данных, формирование отчетов, с высокими значениями тенденций параметров. По не-

четким тенденциям спрогнозированы низкие и высокие значения трафика, а также его четкие значения при различных режимах работы (рис. 12).

Таким образом, моделирование трафика при проектировании позволяет обосновать принимаемые проектные решения и обеспечивает выполнение требований технического задания на проектируемую ВС,

В заключении к диссертационной работе приведены основные итоги диссертационного исследования. В диссертации приведены 7 приложе-

ний: «Имитационное моделирование ВС в системе ОРББ»; «Имитационное моделирование ВС в системе N82»; «Оптимизация вариантов конфигураций ВС по критериям «стоимость-производительность»; «Оптимизация вариантов размещения прикладных процессов проектной организации»; «Визуализация прохождения пакетов с генерацией трафика»; «Вычислительные эксперименты по анализу нечетких временных рядов»; «Акты внедрения результатов диссертационной работы».

В ходе диссертационного исследования получены следующие основные результаты:

Главным итогом диссертационной работы является создание нового теоретического подхода к автоматизированному проектированию ВС на основе научного направления мягких вычислений; разработка комплекса моделей и алгоритмов для элементов ВС, позволяющих генерировать транспортную схему ВС по формализованному описанию прикладного уровня.

1. Выполнен научный анализ современных работ по стохастической, генетической и байесовской оптимизации, обоснована целесообразность нового теоретического подхода к автоматизированному проектированию ВС на основе научного направления мягких вычислений в связи с нарастающей сложностью вычислительных сетей. На основе анализа возможностей и ограничений существующих САПР вычислительных сетей определено место нечетких систем в САПР ВС. Обоснована необходимость использования нечетких данных на этапе проектирования и перепроектирования вычислительных сетей. Выполнен сравнительный анализ существующих систем автоматизированного проектирования и моделирования ВС, а так же анализ существующих языков имитационного моделирования .

2. Адаптированы методы генетической оптимизации для АП ВС. Адаптация включает формализацию функции оптимальности ГА за счет моделирования трафика. Для построения функции оптимальности построена достаточная для применения ГА модель топологии вычислительной сети на основе упрощенных функциональных моделей коммутационного оборудования вычислительных сетей: концентраторов и коммутаторов. Исследованы различные виды генетических алгоритмов применительно к задаче оптимизации топологии ВС, в частности алгоритм «только мутация», эволюционные стратегии, мобильный генетический алгоритм.

3. Построена модель вычислительной сети на основе меры трафика, представленной нечеткой случайной величиной. Разработаны алгоритм выбора коммуникационного оборудования и определения оптимального варианта сегментации ВС в условиях нечетко заданных исходных данных.

4. Разработаны модифицированные DFD-диаграммы (дополненные расписанием) для проектирования ВС. Разработана модель рабочей нагрузки на основе потоковых диаграмм; разработана методика и алгоритм слияния двух видов описаний сети: прикладного описания на уровне прикладных процессов и физической структуры сети.

5. Построена модель распределенной корпоративной сети на основе нечетких гиперграфов; разработана модель маршрутизации в условиях неопределенности; разработан алгоритм поиска кратчайшего пути по нечеткому гиперграфу с использованием нечетких метрик.

6. Разработана система моделирования маршрутизации в распределенных вычислительных сетях с использованием четких и нечетких параметров в условиях автоматизированного проектирования.

7. Разработаны модели функционирования сервера приложений на основе гибридного метода нечетких тенденций и нечеткого моделирования временных рядов.

8. Разработаны имитационные модели различных серверов: данных, proxy, файл-серверов и модели различных клиентов на основе сетей Петри.

9. Проведены вычислительные эксперименты по исследованию эффективности разработанной САПР ВС.

10. Предлагаемый теоретический подход, методы и средства автоматизированного проектирования были успешно применены в проектных работах, выполняемых предприятием ФНПЦ ОАО «НПО «МАРС» в интересах АСУ ВМФ РФ (Море-99, Мелодия, Запевала и др.).

Таким образом, в диссертации решена крупная научная проблема, имеющая важное хозяйственное значение для развития вычислительных сетей крупных проектных организаций, а именно: разработан новый теоретический подход к автоматизированному проектированию вычислительных сетей на основе интеграции процессов принятия проектных решений, моделирования и оптимизации в условиях нечетко заданного трафика и нечетких метрик маршрутизации, разработано на основе данного подхода новое структурно-функциональное решение САПР вычислительных сетей, позволяющее повы-

сить качество автоматизированного проектирования в условиях неопределенности.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ

Монографии:

1. Азов М.С., Макеев A.C., Стецко A.A. и др. Прикладные интеллектуальные системы, основанные на мягких вычислениях / Под ред. Н.Г. Ярушкиной, Ульяновск, 2005.- 138 с.

2. Батыршин И.З., Недосекин А.О., Стецко A.A., Тарасов В.Б., Язенин A.B., Ярушкина Н.Г. /Под ред. Н.Г. Ярушкиной Нечеткие гибридные системы. Теория и практика М.: ФИЗМАТЛИТ, 2007. - 208 с.

3. Стецко A.A. Автоматизированное проектирование вычислительных сетей крупных проектных организаций. Ульяновск: УлГТУ, 2007,- 195 с.

Статьи, опубликованные в журналах, рекомендованных Перечнем ВАК России

1. Ярушкина Н.Г., Вельмисов А.П., Стецко A.A. Средства Data Mining для нечетких реляционных серверов данных // «Информационные технологии», № 6,2007. - С.20-29.

2. Стецко A.A., Ярушкина Н.Г. Автоматизированное проектирование вычислительной сети крупной проектной организации // Программные продукты и системы, № 4,2007. - С.4-6.

3. Стецко A.A. Архитектура программной системы автоматизированного проектирования и моделирования вычислительных сетей // Программные продукты и системы, № 4, 2007. - С.7-10.

4. Ярушкина Н.Г., Макеев A.C., Стецко A.A. Система моделирования трафика телекоммуникационных сетей на основе измерений и качественных оценок // «Датчики и системы», № 11,2007,- С.3-7.

5. Азов М.С., Стецко A.A., Ярушкина Н.Г. Автоматизированное проектирование вычислительных сетей крупных проектных организаций // Инфоком-муникационные технологии, № 1, 2008. - С.50-54.

6. Макеев A.C., Стецко A.A., Ярушкина Н. Г. Система моделирования маршрутизации корпоративных сетей на основе нечетких метрик // Инфокоммуни-кационные технологии, № 2, 2008. - С.64-70.

7. Стецко A.A. Принятие проектных решений на основе анализа нечетких тенденций временных рядов // Программные продукты и системы, № 3, 2008. -С.92-95.

8. Тронин В.Г., Стецко A.A. Моделирование сервера и рабочей станции вычислительной сети с помощью раскрашенных сетей Петри// Программные продукты и системы, № 3, 2008. - С.95-97.

9. Стецко A.A. Программная система автоматизированного проектирования и моделирования вычислительных сетей // Известия Самарского научного центра РАН, специальный выпуск, Т. 2,2008,- С. 176-180.

10. Стецко A.A., Ярушкина Н.Г. Методы генетической оптимизации при автоматизированном проектировании вычислительной сети крупной проектной организации // Известия Самарского научного центра РАН, специальный выпуск, Т. 2, 2008.- С. 181-185.

Основные статьи по теме диссертации в прочих изданиях

1. Ярушкина Н.Г., Семушин И.В., Стецко A.A. Компонентно-ориентированная Internet-интегрированная среда для экспертизы эффективности деятельности крупных предприятий // Новости искусственного интеллекта, №4,2005,- С.42-51.

2. Стецко A.A., Ярушкина Н.Г., Шамшев А.Б., Макеев A.C. Система моделирования и проектирования трафика телекоммуникационных сетей в условиях неопределенности.// Диплом Международного Салона изобретений «Женева-2005», 2005.

3. Sosnin P., Stetsko A., Maklaev V. Means of question-answer interaction with experience in object-oriented analysis and design// Interactive Systems and Technologies. The problem of Human-Computer Interaction/- Collection of scientific papers.- Ulyanovsk, U1STU,2005, pp. 80-90

4. Стецко A.A., Соснин П.И. Автоматизированное формирование и использование опыта проектной организации // Информатика, системы искусственного интеллекта и моделирование технических систем: Труды Международной конференции «Континуальные алгебраические логики, исчисления и нейроин-форматика в науке и технике КЛИН-2005», Ульяновск, 2006,- Т. 2,- С.145-148.

5. Стецко A.A. Система моделирования и проектирования трафика телекоммуникационных сетей в условиях неопределенности // Информатика, системы искусственного интеллекта и моделирование технических систем: Труды Международной конференции «Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике КЛИН-2006», Ульяновск, 2006,-Т.2.- С.109-111.

6. Ярушкина Н.Г., Вельмисов А.П., Стецко A.A. Нечеткие гибридные системы как инструмент построения информационного хранилища // Международная конференция «Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике», Т.2, 2006,- С.13-16.

7. Ярушкина Н.Г., Вельмисов А.П., Стецко A.A. Средства Data Mining для нечетких реляционных серверов данных // Сборник трудов Всероссийской конференции «Нечеткие системы и мягкие вычисления», Тверь, 2006,- С.167-184.

8. Ярушкина Н.Г., Вельмисов А.П., Стецко A.A. Нечеткие гибридные системы в задачах интеллектуального анализа данных // X национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (Обнинск), 2006.- С.408-415.

9. Ярушкина Н.Г., Вельмисов А.П., Стецко A.A. Нечеткие гибридные системы в задачах интеллектуального анализа данных // Труды Международной конференции «Интеллектуальные системы», Т. 1,2006,- С.81-89.

10. Стецко A.A., Ярушкина Н.Г. Автоматизированное проектирование вычислительной сети на основе потоковой модели рабочей нагрузки II Информа-

тика и экономика: Сборник научных трудов - Ульяновск: УлГТУ, 2007,- С. 1217.

11. Стецко A.A. Архитектура программной системы автоматизированного проектирования корпоративных сетей // Информатика и экономика: Сборник научных трудов - Ульяновск: УлГТУ, 2007.- С. 19-25.

12. Азов М.С., Стецко A.A., Ярушкина Н.Г. Автоматизированное проектирование вычислительных сетей на основе нечеткой модели трафика // Информатика и экономика: Сборник научных трудов - Ульяновск: УлГТУ, 2007.-С.26-35.

13. Вельмисов А.П., Стецко A.A., Ярушкина Н.Г. Data Minig для информационного интеллектуального хранилища // Информатика и экономика: Сборник научных трудов - Ульяновск: УлГТУ, 2007.- С.82-96.

14. Ярушкина Н.Г., Стецко A.A., Селяев А.Г., Чекина A.B., Корунова Н.В. Разработка и реализация интеллектуального репозитария проектной организации // Научная сессия МИФИ-2007. Том 3,2007,- С.67-69.

15. Yarushkina N., Stetsko A.., Velmisov A. Data Mining for fuzzy relational data servers // Proceeding of World Congress IFSA'07, Cancun, Mexico, 2007, p.p.220-230.

16. A.C. Макеев, A.A. Стецко,. H. Г. Ярушкина Автоматизированное проектирование корпоративных сетей на основе нечетких гиперграфов // Труды международной конференции, «Интеллектуальные системы» «Интеллектуальные САПР, AIS 07, САО-07,М.:Физматлит, 2007,- С.243-250.

17. Вельмисов А.П., Стецко A.A., Ярушкина Н.Г. Data Mining means for fuzzy relational data servers // Information Technologies: Proceeding of Russian-German scientific conference devoted to 10-years cooperation of Ulyanovsk State Technical University and Darmstadt University of Applied Science. - Ulyanovsk, U1STU, 2007,- C.94-105.

18. .Ярушкина Н.Г, Макеев A.C., Стецко A.A. Автоматизированное проектирование корпоративных сетей на основе нечетких гиперграфов // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник трудов IV-й Международной научно-практической конференции (Коломна, 2830 мая 2007 г.).В 2-х томах. Т.1.-М.:Физматлит, 2007,- С. 243-250.

19. Ярушкина Н.Г., Стецко A.A., Наместников A.M. Моделирование маршрутизации на основе нечетких метрик // Научная сессия МИФИ-2008. Том 10, 2008,-С.114-116.

20. Стецко A.A. Принятие проектных решений на основе анализа нечетких тенденций временных рядов // Труды Всероссийской конференции «Нечеткие системы и мягкие вычисления», Ульяновск, 2008,- С.115-122.

21. Тронин В.Г., Стецко A.A. Модели сервера и рабочей станции в программном продукте моделирования вычислительной сети научно-производственного объединения на уровне приложений с помощью раскрашенных сетей Петри// Труды Всероссийской конференции «Нечеткие системы и мягкие вычисления», Ульяновск, 2008. - С.64-68.

22. Стецко A.A. Архитектура программной системы автоматизированного проектирования и моделирования вычислительных сетей // Труды международной конференции, «Интеллектуальные системы» «Интеллектуальные САПР, AIS 08, СAD-08,M. :Физматлит, Т.1, 2008,- С. 145-150.

23. Ярушкина Н.Г., Стецко А. А., Юнусов Т. Р. Возможности анализа нечетких временных рядов на примере системных журналов терминальных вычислительных сетей // Труды международной конференции, «Интеллектуальные системы» «Интеллектуальные САПР, AIS 08, САП-08,М.:Физматлит, 2008.- С.116-123.

24. Ярушкина Н.Г., Стецко A.A. Генетическая оптимизация при автоматизированном проектировании вычислительных сетей // XI национальная конференция по искусственному интеллекту с международным участием КИИ-2008 (Дубна), 2008,- С.66-74.

25. Стецко A.A. Принятие проектных решений на основе анализа нечетких тенденций временных рядов // Информационные технологии, Ульяновск: Ул-ГТУ, 2008.- С. 125-132.

26. Тронин В.Г., Стецко A.A. Моделирование сервера и рабочей станции вычислительной сети с помощью раскрашенных сетей Петри// Информационные технологии, Ульяновск: УлГТУ, 2008,- С.132-134.

Стецко Александр Алексеевич

АВТОМАТИЗИРОВАННОЕ ПРОЕКТИРОВАНИЕ ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ КРУПНЫХ ПРОЕКТНЫХ ОРГАНИЗАЦИЙ

Автореферат диссертации на соискание ученой степени доктора технических наук

Подписано в печать 29.12.2008. Формат 60x84/16. Бумага писчая. Усл. печ. л. 2,32. Тираж 120 экз. Заказ Типография УлГТУ, 432027, г. Ульяновск, Северный Венец, 32.

ВВЕДЕНИЕ.

ГЛАВА 1. СРАВНИТЕЛЬНЫЙ ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1 Основные проблемы автоматизированного проектирования ВС для крупных проектных организаций

1.2 Возможности и недостатки существующих систем АП ВС.

1.3 Математические модели трафика ВС.

1.4 Структурные модели ВС.

1.5 Методы оптимизации трафика.

1.6 Интеллектуальное моделирование рассуждений проектировщика.

1.7 Модели прогнозирования ВС на основе нечетких временных рядов.

1.8 Декомпозиция задачи автоматизированного проектирования ВС. Постановка задачи исследования.

ГЛАВА 2. МОДЕЛИ И МЕТОДЫ АВТОМАТИЗИРОВАННОГО

ПРОЕКТИРОВАНИЯ ВС НА ТРАНСПОРТНОМ УРОВНЕ.

2.1. Модель ВС транспортного уровня (Т-модель).

2.2 Формализованное описание топологии ВС (Топ-уровень).

2.3 Модель трафика ВС на транспортном уровне (Тр-уровень).

2.4 Моделирование маршрутизации на основе нечетких метрик (М-уровень)

2.5 Генетическая оптимизация выбора коммуникационного оборудования и топологии ВС.

2.6 Выводы по моделям транспортного уровня в САПР ВС.

ГЛАВА 3. МОДЕЛИ И МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ НА ПРИКЛАДНОМ УРОВНЕ.

3.1. Модель ВС на прикладном уровне (П-модель).

3.2. Имитационные модели «толстых» и «тонких» клиентов ВС (А-уровень).

3.3. Имитационные модели файлового сервера, сервера данных и ргоху-сервера (А-уровень).

3.4. Функциональные модели клиентских станций и серверов на основе сетей Петри (А-уровень)

3.5. Формализованное описание процессов проектирования на основе DFD-диаграмм (DFD-уровень)

3.6. Модификация DFD-диаграмм для задач АП. Включение в формализм расписания задач

3.7. Байесовская оптимизация ВС на прикладном уровне

3.8. Выводы по моделям прикладного уровня функционирования сети в крупной проектной организации.

ГЛАВА 4. ОСНОВЫ КОМПЛЕКСНОГО ТЕОРЕТИЧЕСКОГО ПОДХОДА К АВТОМАТИЗИРОВАННОМУ ПРОЕКТИРОВАНИЮ КРУПНОЙ

ПРОЕКТНОЙ ОРГАНИЗАЦИИ

4.1. Обобщенная модель ВС как объекта автоматизированного проектирования (ТП-модель)

4.2 Задача генерации транспортной схемы ВС по описаниям производственных процессов.

4.3 Метод распределения прикладных сервисов по транспортной схеме ВС

4.4 Алгоритм размещения сервисов

4.5 Модель нечеткого временного ряда

4.6. Выводы по обобщенной модели автоматизированного проектирования ВС.

ГЛАВА 5. ПРОГРАММНАЯ СИСТЕМА САПР ВС

5.1 Архитектура САПР ВС

5.2 Программная подсистема проектирования, моделирования и генетической оптимизации трафика и структуры ВС на транспортном уровне

5.3 Программная подсистема моделирования и байесовской оптимизации трафика ВС

5.4 Программная реализация функциональных моделей на основе сетей Петри.

5.5 Программная подсистема моделирования маршрутизации ВС на основе нечетких метрик.

5.6 Программная подсистема размещения прикладных сервисов в ВС.

5.7 Программная подсистема анализа нечетких временных рядов

5.8 Выводы по основным этапам проектирования ВС

ГЛАВА 6. АНАЛИЗ ВЫЧИСЛИТЕЛЬНЫХ ЭКСПЕРИМЕНТОВ МОДЕЛИРОВАНИЯ ВС И РЕЗУЛЬТАТОВ ЭКСПЛУАТАЦИИ РАЗРАБОТАННЫХ СИСТЕМ ПРОЕКТИРОВАНИЯ.

6.1 Анализ результатов оценки адекватности моделей ВС транспортного уровня

6.2 Сравнительный анализ эффективности генетической и байесовской оптимизации

6.3 Анализ эффективности моделирования нечеткой маршрутизации в ВС.

6.4 Анализ размещения сервисов по топологической схеме ВС.

6.5 Реализации функциональных моделей элементов ВС

6.6 Эффективность применения САПР ВС для крупной проектной организации.

Актуальность проблемы

За последнее десятилетие отмечается интенсивное развитие вычислительных сетей (ВС) различной конфигурации, в том числе на базе МепШ-технологий с последующей интеграцией в глобальную информационную сеть. Практический потенциал в этой области накоплен очень большой, однако на практике очень часто сети проектируются и устанавливаются без привлечения соответствующих научных результатов, что приводит в итоге к частым выходам сетей из строя и их большим перегрузкам. Для малых сетей это не является критичным, в то время как для ВС крупных предприятий ошибки проектировщиков непосредственно сказываются на эффективности таких сетей.

ВС предприятия представляет собой эволюционирующий объект, который за время эксплуатации переживает несколько модификаций. Условия модификации существенно отличаются от условий проектирования тем, что ВС в текущем состоянии доступна для измерений. Результаты измерения параметров трафика и эксплуатационных параметров ВС могут быть использованы для прогнозирования параметров ВС в новом послепроектном состоянии. При проектировании с нуля гипотетические параметры могут быть получены в результате вычислительного эксперимента в ходе имитации или в результате экстраполяции результатов какого-то «типового» варианта на рассматриваемый вариант сети.

Автоматизированное проектирование (АП) ВС предполагает в качестве обязательной компоненты подсистему моделирования сети.

Модель ВС представляет собой топологию узлов, каналов и коммуникационного оборудования. Коммуникационное оборудование включает в себя: концентраторы, коммутаторы и маршрутизаторы. Концентраторы и коммутаторы задаются функционально, модели маршрутизаторов зависят от выбранного протокола и метрик каналов. Каналы обеспечивают передачу сигналов - пакетов. Природа трафика ВС — нечеткая случайная величина. Топология задается графом, в развитом виде - нечетким гиперграфом.

Узлы на транспортном уровне представляют собой генераторы и потребители трафика и могут быть заданы матрицей интенсивности. На прикладном уровне узлы делятся следующим образом: серверы данных, файловые серверы, ргоху-серверы, «толстые» и «тонкие» клиенты.

Взаимодействие узлов на прикладном уровне описывается на уровне производственных процессов модифицированными диаграммами потоков данных (дополнение - расписанием работы ВС). Особенность ВС проектной организации составляет наличие особого процесса — функционирования проектного репозитория - архива проектно-конструкторской документации.

Цель диссертационной работы

Целью диссертации является разработка нового теоретического подхода к автоматизированному проектированию вычислительных сетей на основе интеграции процессов принятия проектных решений, моделирования и оптимизации в условиях нечетко заданного трафика и нечетких метрик маршрутизации, разработка на основе данного подхода нового структурно-функционального решения САПР вычислительных сетей, позволяющего повысить качество автоматизированного проектирования в условиях неопределенности.

Задачи исследования

В соответствии с целью работы актуальными будем считать следующие задачи исследования:

• необходимо провести сравнительный анализ известных интеллектуальных методов оптимизации, существующих систем автоматизированного проектирования и моделирования ВС, в том числе языков имитационного моделирования;

• необходимо построить математическую модель АП ВС, позволяющую использовать современные методы поиска проектных решений, в том числе генетическую оптимизацию; адаптировать генетические алгоритмы (ГА) к задаче оптимизации ресурсов в ВС;

• необходимо разработать интеллектуальную систему АП ВС на основе моделирования рассуждений проектировщика ВС, исследовать применимость схемы рассуждений на основе распространенного метода байесовских сетей доверия (БСД);

• необходимо разработать формализованную модель трафика ВС, позволяющую использовать как качественные оценки, так и результаты статистических измерений;

• необходимо выработать ряд дополнений к известным языкам имитационного моделирования с целью их адаптации к задаче АП ВС, построить методику слияния двух видов описаний сети: прикладного описания и описания транспортной структуры сети;

• необходимо разработать средства представления структуры ВС, позволяющие описывать структуру ВС с разной степенью требуемой точности, например, на основе , нечетких гиперграфов; построить методику учета нечетких метрик; сформировать алгоритм маршрутизации с использованием нечетких гиперграфов и нечетких метрик;

• необходимо разработать функциональные модели узлов на прикладном уровне: имитационные модели серверов и клиентов;

• необходимо разработать алгоритм для решения задачи генерации транспортной схемы ВС, позволяющий успешно решить прикладные задачи в условиях неопределенности;

• необходимо разработать и реализовать средства оптимизации ВС как программную систему и исследовать ее результативность на примере ВС конкретных проектных организаций.

Методы исследования

Современная теория неопределенности, неточности и нечеткости; теория нечетких систем; теория графов, теория имитационного моделирования, методы генетической и байесовской оптимизации

Результаты, выносимые на защиту

Основные положения, выносимые на защиту

1. Теоретический подход к построению САПР ВС, сочетающий проектные процедуры с моделированием трафика и оптимизацией проектируемой ВС.

2. Методы оптимизации проектных решений на основе генетических алгоритмов (ГА) и байесовских сетей доверия (БСД), позволяющие определить состав коммуникационного оборудования и пропускную способность каналов.

3. Язык дополненных потоковых диаграмм взаимодействия прикладных задач, позволяющий выполнить имитационное моделирование трафика ВС.

4. Математическая модель трафика корпоративной сети на основе нечеткой случайной величины, позволяющая оперировать прогнозными данными о трафике и вычислительной загрузке сети, использовать нечеткие метрики при маршрутизации.

5. Формализованные функциональные модели прикладных процессов: имитационные модели серверов и клиентов на основе сетей Петри.

6. Гибридный метод, объединяющий нечеткое моделирование и распознавание нечетких тенденций для временного ряда трафика ВС и позволяющий строить результативные модели серверов приложений и клиентов.

Научная значимость работы

Автор защищает: разработанные модели автоматизации проектирования ВС; результаты теоретических, экспериментальных и практических разработок, внедрение в промышленную и опытно-промышленную эксплуатацию САПР ВС, в целом составляющие комплексный теоретический подход к построению САПР ВС.

Научная новизна. Впервые:

1. Адаптированы методы генетической оптимизации для всех основных этапов автоматизированного проектирования ВС.

2. Построена мера трафика как нечеткая случайная величина и разработана формализованная модель сети на основе теории нечетких гиперграфов, позволяющая на основе вероятностных нечетких величин оперировать прогнозными данными о трафике и вычислительной загрузке сети.

3. Разработаны методы поиска проектных решений на основе байесовской оптимизации.

4. Предложен язык модифицированных DFD-диаграмм {Data Flow Diagram), дополненных расписанием, для автоматизированного проектирования ВС.

5. Предложен метод моделирования протоколов маршрутизации с использованием нечетких метрик.

6. Разработаны формализованные функциональные модели узлов, как элементов прикладных процессов: имитационные модели серверов и клиентов на основе сетей Петри.

7. Разработан новый гибридный метод, объединяющий нечеткое моделирование и распознавание нечетких тенденций трафика и позволяющий строить имитационные модели сервера приложений и клиентов как системы нечетких правил.

8. Разработан алгоритм для решения задачи генерации транспортной схемы ВС, обеспечивающей успешное выполнение прикладных задач.

Практическая ценность и внедрение результатов

Созданная система автоматизированного проектирования вычислительных сетей используется на производстве и позволяет достичь улучшенных технико-экономических показателей объектов проектирования. Предлагаемый теоретический подход, методы и средства автоматизированного проектирования были успешно применены в проектных работах, выполняемых предприятием ФНПЦ ОАО «НПО «МАРС» в интересах АСУ ВМФ РФ (Море-99, Мелодия, Запевала и др.). Созданная САПР ВС активно используется в производстве и позволяет эффективно перераспределять высокопроизводительный трафик путем применения предлагаемого подхода и автоматической оптимизации, а так же сокращать время, затрачиваемое на проектирование вычислительных сетей.

Практическая ценность состоит в том, что разработанные модели и алгоритмы реализованы в форме программной системы и внедрены в деятельность ФГУП НПО "Марс" (г. Ульяновск). Практическое использование результатов диссертационной работы подтверждено соответствующими документами о внедрении.

5.8. Выводы по основным этапам проектирования ВС

Разработанная САПР ВС демонстрирует необходимое сочетание процессов АП ВС и моделирования будущего поведения ВС. Взаимодействие этих двух процессов позволяет выделить следующие основные этапы проектирования ВС:

1. Описание задач проектируемой ВС. На этом этапе составляется модель потоков данных проектируемой сети без привязки к физической структуре сети. Этот этап является важнейшим в предлагаемом методе проектирования ВС, так как правильно составленная диаграмма процессов, происходящих в сети, является основой для дальнейшей разработки.

2. Описание физической структуры сети. На этом этапе проектировщик описывает саму локальную сеть на уровне узлов сети и каналов связи. Здесь устанавливаются взаимосвязи узлов сети через коммутирующие модули, или маршрутизаторы, расставляются серверы. Для каждого узла сети задается таблица маршрутизации. Фактически моделируется процесс составления и настройкр! реальной локальной сети. Указанные этапы производятся в системе параллельно. Проектировщик в любой момент может переключаться между составлением диаграммы прикладных процессов и созданием физической модели сети. Такая возможность позволяет уже на начальных этапах проектирования улучшить качество получаемой модели ВС за счет того, что проектировщик постоянно держит взаимосвязь между этими моделями.

3. Расчет обобщенной модели. На этом этапе производится слияние модели прикладных процессов и физической модели сети в обобщенную модель и ее автоматизированный расчет. Фактически система самостоятельно расставляет блоки диаграммы прикладных процессов, учитывая суммарный трафик сети, а также вычислительную загрузку отдельных узлов. При помощи ГА система находит оптимальный вариант наложения составленной схемы прикладных процессов на спроектированную физическую сеть.

4. Модификация. Заключается во внесении изменений в одну или обе модели, а также перестроение взаимосвязей проектировщиком.

Этапы модификации и оптимизации могут повторяться несколько раз, до тех пор, пока полученная система не будет удовлетворять всем требованиям проектировщика.

ГЛАВА 6. АНАЛИЗ ВЫЧИСЛИТЕЛЬНЫХ ЭКСПЕРИМЕНТОВ МОДЕЛИРОВАНИЯ ВС И РЕЗУЛЬТАТОВ ЭКСПЛУАТАЦИИ РАЗРАБОТАННЫХ СИСТЕМ ПРОЕКТИРОВАНИЯ

6.1. Анализ результатов оценки адекватности моделей ВС транспортного уровня

Для вычислительного эксперимента была выбрана ВС «НПО МАРС» на одном из этапов ее развития. Она состоит из сегмента конструкторов, сегмента

Источник трафика Получатель трафика Расписание и объём

АРМ конструктора Сервер конструкторов 4 раза в день по 10-100 Мб

АРМ тех-нормоконтроля Сервер конструкторов 8 раза в день по 10-100 Мб

Центральный сервер Сервер конструкторов 200 раз в день по 1 Мб

АРМ архива Сервер конструкторов 1 раз в день по 2000 Мб технологического и нормоконтроля, сегмента технологов и сегмента архива.

Расписание сетевых задач представлено в табл. 6.1.

ЗАКЛЮЧЕНИЕ

В результате исследования был создан новый теоретический подход к АП ВС на основе научного направления мягких вычислений, разработан комплекс моделей и алгоритмов для элементов ВС, позволяющих генерировать транспортную схему ВС по формализованному описанию прикладного уровня. Выполнен научный анализ современных работ по стохастической оптимизации, ГА, оптимизации ВС, обоснована целесообразность использования ГА как средств стохастической оптимизации ВС в связи с нарастающей сложностью корпоративных сетей.

Главным итогом диссертационной работы является создание нового теоретического подхода к автоматизированному проектированию ВС на основе научного направления мягких вычислений; разработка комплекса моделей и алгоритмов для элементов ВС, позволяющих генерировать транспортную схему ВС по формализованному описанию прикладного уровня.

1. Выполнен научный анализ современных работ по стохастической, генетической и байесовской оптимизации, обоснована целесообразность нового теоретического подхода к автоматизированному проектированию ВС на основе научного направления мягких вычислений в связи с нарастающей сложностью вычислительных сетей. На основе анализа возможностей и ограничений существующих САПР вычислительных сетей определено место нечетких систем в САПР ВС. Обоснована необходимость использования нечетких данных на этапе проектирования и перепроектирования вычислительных сетей. Выполнен сравнительный анализ существующих систем автоматизированного проектирования и моделирования ВС, а так же анализ существующих языков имитационного моделирования .

2. Адаптированы методы генетической оптимизации для АП ВС. Адаптация включает формализацию функции оптимальности ГА за счет моделирования трафика. Для построения функции оптимальности построена достаточная для применения ГА модель топологии вычислительной сети на основе упрощенных функциональных моделей коммутационного оборудования вычислительных сетей: концентраторов и коммутаторов. Исследованы различные виды генетических алгоритмов применительно к задаче оптимизации топологии ВС, в частности алгоритм «только мутация», эволюционные стратегии, мобильный генетический алгоритм.

3. Построена модель вычислительной сети на основе меры трафика, представленной нечеткой случайной величиной. Разработаны алгоритм выбора коммуникационного оборудования и определения оптимального варианта сегментации ВС в условиях нечетко заданных исходных данных.

4. Разработаны модифицированные ОГО-диаграммы (дополненные расписанием) для проектирования ВС. Разработана модель рабочей нагрузки на основе потоковых диаграмм; разработана методика и алгоритм слияния двух видов описаний сети: прикладного описания на уровне прикладных процессов и физической структуры сети.

5. Построена модель распределенной корпоративной сети на основе нечетких гиперграфов; разработана модель маршрутизации в условиях неопределенности; разработан алгоритм поиска кратчайшего пути по нечеткому гиперграфу с использованием нечетких метрик.

6. Разработана система моделирования маршрутизации в распределенных вычислительных сетях с использованием четких и нечетких параметров в условиях автоматизированного проектирования.

7. Разработаны модели функционирования сервера приложений на основе гибридного метода нечетких тенденций и нечеткого моделирования временных рядов.

8. Разработаны имитационные модели различных серверов: данных, ргоху, файл-серверов и модели различных клиентов на основе сетей Петри.

9. Проведены вычислительные эксперименты по исследованию эффективности разработанной САПР ВС.

10. Предлагаемый теоретический подход, методы и средства автоматизированного проектирования были успешно применены в проектных работах, выполняемых предприятием ФНПЦ ОАО «НПО «МАРС» в интересах АСУ ВМФ РФ (Море-99, Мелодия, Запевала и др.) .

Таким образом, в диссертации решена крупная научная проблема, имеющая важное хозяйственное значение для развития вычислительных сетей крупных проектных организаций, а именно: разработан новый теоретический подход к автоматизированному проектированию вычислительных сетей на основе интеграции процессов принятия проектных решений, моделирования и оптимизации в условиях нечетко заданного трафика и нечетких метрик маршрутизации, разработано на основе данного подхода новое структурно-функциональное решение САПР вычислительных сетей, позволяющее повысить качество автоматизированного проектирования в условиях неопределенности.

1. Азов, 2005. Азов М.С., Макеев A.C., Стецко A.A. и дрПрикладные интеллектуальные системы, основанные на мягких вычислениях // Под ред Ярушкиной Н.Г./-Ульяновск, 2005.- 138 с.

2. Азов, 2008. Азов, А.А.Стецко, Н.Г.Ярушкина Автоматизированное проектирование вычислительных сетей крупных проектных организаций //Инфокоммуникационные технологии, № 1, 2008

3. Азов, 2007. Азов М.С. Стецко A.A., Ярушкина Н.Г. Автоматизированное проектирование вычислительных сетей на основе нечеткой модели трафика // Информатика и экономика: Сборник научных трудов Ульяновск: УлГТУ, 2007.

4. Альваро, Р., 2002. Альваро, Р. Принципы проектирования корпоративных IP сетей. Пер. с англ./Р. Альваро, У. Расс, Д. Слайс. — М. : Издательский дом «Вильяме», 2002.

5. Барбер, 1981. Барбер, Д.Вычислительные сети и сетевые протоколы/Д. Барбер, У. Прайс, С. Соломонидес. М. : Мир, 1981.

6. Березко, 2001. Березко, М. П Математические модели исследования алгоритмов маршрути-зации в сетях передачи данных/М. П. Березко, В. М. [Вишневский, 2001] Вишневский,Е. В. Левнер, Е. В. Федотов// Информационные процессы. 2001 -Т. 1, №2. С. 103-125.

7. Берж, 1962. Берж, К. Теория графов и ее применения/К. Берж. М. : Изд-во иностр. лит., 1962.

8. Берштейн, 1991. Берштейн, JI. С. Нечеткие модели для экспертных систем в САПР/Л. С. Берштейн, А. В. Боженюк, Н. Г. Малышев. М. : Энергоатомиздат, 1991.

9. Берштейн, 1999. Берштейн, Л. С. Введение в теорию нечетких графов: учебное пособие/ Л. С. Берштейн, А. В. Боженюк. Таганрог : ТРТУ, 1999.

10. Берштейн, 2005. Берштейн, JL С. Нечеткие графы и гиперграфы/JI. С. Берштейн, А. В. Боженюк. М. : Научный мир, 2005.

11. Букатова, 1981. Букатова, И. Л. Эволюционное моделирование: идеи, основы теории, приложения/И. Л. Букатова. -М. : Знание, 1981.

12. Вельмисов, 2007. Вельмисов А.П.,Стецко А.А.,Ярушкина Н.Г Data Minig для информационного интеллектуального хранилища // Информатика и экономика: Сборник научных трудов Ульяновск: УлГТУ, 2007.

13. Вишневский, 1990. Вишневский, В. M.Анализ методов маршрутизации при проектировании сетей пакетной коммутации. BrdLS. "Teletraffic Theory and Computing Modeling"/B. M. Вишневский, E. В. Федотов. -София, 1990.

14. Гнеденко, 1987. Гнеденко, Б. В. Введение в теорию массового обслуживания/Б. В. Гнеденко, И. Н. Коваленко. М. : Наука, 1987.

15. Жожикашвили, 1988. Жожикашвили, В. А. Сети массового обслуживания. Теория и применение к сетям ЭВМ/В. А. Жожикашвили, В. М. Вишневский. М. : Радио и связь, 1988.

16. Заде, 1974. Заде, Л. А. Основы нового подхода к анализу сложных систем и процессов принятия решений/Л. А. Заде. М. : Знание, 1974.

17. Заде, 1976. Заде, Л. А. Понятие лингвистической переменной и его применение к принятию приближенных решений/Л. А. Заде. М. : Мир, 1976.

18. Зыков, 1984. Зыков, А. А. Основы теории графов/А. А. Зыков М. : Наука, 1984.

19. Котов, 1984. Котов, В. Е. Сети Петри/В. Е. Котов. М. : Наука, 1984.

20. Кульгин, М.,1999. Кульгин, М. Технологии корпоративных сетей. Энциклопедия/М. Кульгин. СПб. : Питер, 1999.

21. Курейчик, 1990. Курейчик, В. М. Математичекое обеспечение конструкторского и технологического проектирования с применением САПР/В. М. Курейчик. М. : Радио и связь, 1990.

22. Макеев, 2008. A.C. Макеев, A.A. Стецко,. Н Г. Ярушкина Система моделирования маршрутизации корпоративных сетей на основе нечетких метрик // Инфокоммуникационные технологии, № 2, 2008

23. Мизин, 1986. Мизин, И. А. Сети коммутации пакетов/И. А. Мизин, В. А. Богатырев, А. П. Кулешов. М. : Радио и связь, 1986.

24. Нанс, 1998. Нанс, Б. Компьютерные сети/Б. Нанс. М. : Бином, 1996.

25. Обельченко, 1998. Обельченко, С. Е Разработка специальных систем связи/С. Е. Обельченко. М. : ИПК РРиС, 1998.

26. Олифер, 1998. Олифер, Н. А. Средства анализа и оптимизации локальных сетей/Н. А. Олифер, Н. Г. Олифер. М. : Центр Информационных Технологий, 1998.

27. Олифер, 2002. Олифер, В. Компьютерные сети: учебник для вузов/В. Олифер, Н. Олифер. СПб. : Питер, 2002.

28. Остерлох, 2002. Остерлох, X Маршрутизация в IP-сетях. Принципы, протоколы, настройка: Пер. с англ./Х. Остерлох. СПб. : ООО «ДиаСофтЮП», 2002

29. Оуэне, 1969. Оуэне, А. Искусственный интеллект и эволюционное моделирование/А. Оуэне, М. Уолш, JL Фогель. М. : Мир, 1969.

30. Растригин, 1968. Растригин, Л. А. Статистические методы поиска/Л. А. Растригин. М.: Наука, 1968.

31. Свами, 1984. Свами, М. Графы, сети и алгоритмы/М. Свами, К. Тхуласираман. М. : Мир, 1984.

32. Скурихин, 1995. Скурихин, А. Н Генетические алгоритмы/А. Н. Скурихин// Новости искусственного интеллекта. — 1995. — № 4.

33. Стецко, 2007. Стецко A.A. Автоматизированное проектирование вычислительных сетей крупных проектных организаций. Ульяновск: УлГТУ, 2007

34. Стецко, 2007а. А.А.Стецко, Н.Г.Ярушкина Автоматизированное проектирование вычислительной сети крупной проектной организации // Программные продукты и системы, № 4, 2007

35. Стецко, 2007b. A.A. Стецко Архитектура программной системы автоматизированного проектирования и моделирования вычислительных сетей // Программные продукты и системы, № 4, 2007

36. Стецко, 2008. Стецко А.А Принятие проектных решений на основе анализа нечетких тенденций временных рядов // Программные продукты и системы, № 3, 2008

37. Стецко, 2008а. A.A. Стецко А.А.Программная система автоматизированного проектирования и моделирования вычислительных сетей // Известия Самарского научного центра РАН, № 3, 2008

38. Стецко, 2008b. Стецко A.A., Ярушкина Н.Г., Методы генетической оптимизации при автоматизированном проектировании вычислительнойсети крупной проектной организации Известия Самарского научного центра РАН, № 3, 2008

39. Стецко, 2005. Ярушкина Н.Г., Шамшев А.Б., Макеев A.C. Система моделирования и проектирования трафика телекоммуникационных сетей в условиях неопределенности.// Диплом Международного Салона изобретений «Женева-2005», 2005

40. Стецко, 2007с. Стецко А. А.,Ярушкина Н.Г. Автоматизированное пректирование вычислительной сети на основе потоковой модели рабочей нагрузки // Информатика и экономика: Сборник научных трудов Ульяновск: УлГТУ, 2007.

41. Стецко, 2007d. Стецко A.A. Архитектура программной системы автоматизированного проектирования корпоративных сетей // Информатика и экономика: Сборник научных трудов Ульяновск: УлГТУ, 2007.

42. Стецко, 2008с. Стецко A.A. Принятие проектных решений на основе анализа нечетких тенденций временных рядов // Труды Всероссийской конференции «Нечеткие системы и мягкие вычисления», Ульяновск, 2008

43. Стецко, 2008d. Стецко A.A. Архитектура программной системы автоматизированного проектирования и моделирования вычислительных сетей // Труды международной конференции, «Интеллектуальные системы» «Интеллектуальные САПР, AIS 08, СAD-08,М.:Физматлит, 2008,

44. Стецко, 2008е. Стецко A.A. Принятие проектных решений на основе анализа нечетких тенденций временных рядов // Информатика, системы искусственного интеллекта и моделирование технических систем, Ульяновск, 2008

45. Столлингс, 2003. Столлингс, В Современные компьютерные сети. — 2-е изд/В. Столлингс. СПб. : Питер, 2003.

46. Тронин, 2008. Тронин В.Г., Стецко А.А.Моделирование сервера и рабочей станции вычислительной сети с помощью раскрашенных сетей Петри// Программные продукты и системы, № 3, 2008

47. Уилсон, 1977. Уилсон, Р. Введение в теорию графов/Р. Уилсон. М. : Мир, 1977.

48. Федотов, 1990. Федотов, Е. В. Определение оптимальных маршрутов в сети пакетной коммутации/Е. Федотов//Сетевая обработка информации. -М. : МДНТП, 1990.

49. Харари, 1973. Харари, Ф. Теория графов/Ф. Харари. М. : Мир, 1973.

50. Язенин, 1995. Язенин, А. В. Методы оптимизации и принятия решений при нечетких данных: Дис. . д-р физ.-мат. наук/ ТГУ./А. В. Язенин. -Тверь, 1995.

51. Язенин, 1999. Язенин, А. В. К задаче максимизации возможности достижения нечеткой цели/А. В. Язенин// Известия АН РФ. Теория и системы управления. -1999, №4.

52. Батыршин и др., 2007. Батыршин И.З., Недосекин А.О., Стецко A.A., Тарасов В.Б., Язенин A.B., Ярушкина Н.Г. Нечеткие гибридные системы. Теория и практика / По ред.Н.Г.Ярушкиной. М.: ФИЗМАТ ЛИТ, 2007. -207 с

53. Ярушкина, 2004. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004.- 320 с. Ил.

54. Ярушкина, 2007. Н.Г.Ярушкина, А.П.Вельмисов, А.А.Стецко Средства Data Mining для нечетких реляционных серверов данных // Журнал «Информационные технологии», № 6, 2007

55. Ярушкина, 2007а. Ярушкина Н.Г., Макеев A.C., А.А.Стецко Система моделирования трафика телекоммуникационных сетей на основеизмерений и качественных оценок // Журнал «Датчики и системы», №11, 2007, с. 3-7

56. Ярушкина, 2005. Н.Г.Ярушкина, И.В. Семушин, A.A. Стецко Компонентно-ориентированная internet интегрированная среда для экспертизы эффективности деятельности крупных предприятий // Новости искусственного интеллекта, № 4, 2005

57. Ярушкина,2006а. Ярушкина Н.Г., Вельмисов А.П., Стецко A.A. Средства Data Mining для нечетких реляционных серверов данных // Сборник трудов Всероссийской конференции «Нечеткие системы и мягкие вычисления», Тверь, 2006

58. Ярушкина,2006b. Ярушкина Н.Г., Вельмисов А.П., Стецко A.A. Нечеткие гибридные системы в задачах интеллектуального анализа данных // X национальная конференция по искусственному интеллекту с международным участием КИИ-2006 (Обнинск), 2006

59. Ярушкина, 2006с. Ярушкина Н.Г.,Вельмисов А.П., Стецко A.A. Нечеткие гибридные системы в задачах интеллектуального анализа данных // Труды Международной конференции «Интеллектуальные системы», Т. 1, 2006, 81-89

60. Ярушкина, 2007с. Ярушкина Н.Г., Стецко A.A., Селяев А.Г., Чекина A.B., Кору нова Н.В. Разработка и реализация интеллектуального репозитария проектной организации // Научная сессия МИФИ-2007. Том 3.

61. Yarushkina, 2007. Yarushkina N., Stetsko A., Velmisov A. Data Mining for fuzzy relational data servers // Proceeding of World Congress IFSA'07, Cancun, Mexico

62. Ярушкина, 2008. Ярушкина Н.Г., Ярушкина Н.Г.,Стецко A.A., Наместников A.M. Моделирование маршрутизации на основе нечетких метрик // Научная сессия МИФИ-2008. Том 10, с.114-116

63. Ярушкина, 2008b. Н.Г. Ярушкина, A.A. Стецко Генетическая оптимизация при автоматизированном проектировании вычислительных сетей // XI национальная конференция по искусственному интеллекту с международным участием КИИ-2008 (Дубна), 2008,

64. Юнусов и др., 2007. Юнусов Т.Р., Ярушкина Н.Г., Афанасьева Т.В.] Моделирование трафика терминал-сервера на основе анализа нечетких тенденций временных рядов // Программные продукты и системы. 2007. - №4. - С. 15-19.

65. Berge, 1974. Berge, С. Hypergraphs: combinatorics of finite sets. Elsevier Science Puplishers B.V., 1989 [Cantor, Gerla, 1974] Cantor D.G, Gerla M.

66. Optimal Routing in a Packet-Switched Computer Network. IEEE Trans. Computers, 1974, vol. C-23, no. 10, pp.

67. Bothe, 1998. Bothe, H. H. Fuzzy Neural Networks. Prague: IFSA, 1997.

68. Caro, 1998. Caro, G., Dorigo M. Distributed Stigmergetic Control for Communications Networks: Journal of Artificial Intelligence Research. 1998, №9.

69. Gavish, 1983. Gavish, B., Hantler S. An Algorithm for Optimal Route Selection in SNA Networks. IEEE Trans. Comrnun., 1983, vol. COM-31, no. 10, pp. 1154-1161.

70. Goldberg, 1989. Goldberg, D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Adisonwesley Publishing Company Inc., 1989.V

71. Holland, 1975. Holland, Y.Adaptation in Natural and Artificial Systems. University of Michigan, Press, Ann Arbor, 1975.

72. Monderson, 2000. Monderson, J. N., Nair P. S. Fuzzy graphs and fuzzy hypergraphs. Heidelberg; New-York: Physica-Verl., 2000.

73. Nasiri, 2005. M. Nasiri Fuzzy regression modeling of false twist texturing yarn//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence.

74. Shapiro, 2005. A.Shapiro Soft computing and statistical techniques from an insurance perspective//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence.

75. Aznarte, Benitez, Castro, 2005. J. L. Aznarte, J.M. Benitez, J. L. Castro Equivalence relationships between fuzzy additive systems for time series analysis and smooth transition models//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence

76. Yarushkina, Semoushin, 2005. N. Yarushkina, I. Semoushin A Soft computing-based Integration Environment for Assessing the Performance of a Complex Enterprise//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence

77. Marchek, 2005. D. Marchek Determination of Fuzzy Relations for Economic Fuzzy time series models by SCL techniques//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence

78. Batyrshin, Sheremetov, 2007a. I. Batyrshin and L. Sheremetov Perception Based Time Series Data Mining for Decision Making//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic, pp209-219.

79. Ярушкина, 2004а. Н.Г. Ярушкина Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004.- 320 с. Ил.

80. Cheung, Stephanopoulos, 1990. J.T. Cheung, G. Stephanopoulos, Representation of process trends. Part I. A formal representation framework, Computers and Chemical Engineering, Vol. 14, 1990,495-510.

81. Baldwin at al., 1998. J.F. Baldwin, T.P. Martin, J.M. Rossiter Time series modeling and predistion using fuzzy trend information, in: Proc. Int. Conf. SC Information/Intelligent Syst., 1998, 499-502.

82. Sosnin, 2005. Sosnin P., Stetsko A., Maklaev V. Means of question-answer interaction with experience in object-oriented analysis and design// Interactive

83. Systems and Technologies. The problem of Human-Computer Interaction/Collection of scientific papers.- Ulyanovsk, U1STU,2005, pp. 80-90

84. Yu at al., 2007. J. Yu, E. Reiter, J. Hunter, C. Mellish, Choosing the content of textual summaries of large time-series data sets, Natural Language Engineering (2007)

85. Batyrshin, Sheremetov, 2007а. I. Batyrshin and L. Sheremetov Perception Based Time Series Data Mining for Decision Making//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic, pp209-219.

86. Dubois at al., 2005. D. Dubois, H. Prade, T. Sudkamp, On the representation, measurement, and discovery of fuzzy associations, IEEE Trans. Fuzzy Systems, Vol. 13, 2005, 250-262.

87. Zadeh, 2002. L.A. Zadeh, Toward a perception-based theory of probabilistic reasoning with imprecise probabilities, Journal of Statistical Planning and Inference, vol.105, 2002, 233-264.

88. Batyrshin, Sheremetov, 2006. I.Z. Batyrshin, L.B. Sheremetov, Perception based associations in time series data bases, in Proceedings of NAFIPS 2006.

89. Батыршин и др., 2007. Батыршин И.З., Недосекин А.О., Стецко А.А., Тарасов В.Б., Язенин А.В., Ярушкина Н.Г. Нечеткие гибридные системы. Теория и практика / По ред.Н.Г.Ярушкиной. М.: ФИЗМАТЛИТ, 2007. -207 с.

90. Ярушкина, 2000. Ярушкина Н.Г. Мягкие вычисления в автоматизированном проектировании. КИИ2000. М.: Физматлит, Т.2, 2000 - 479с.

91. Ярушкина, 2001. Ярушкина Н.Г. Нечеткие нейронные сети // Новости искусственного интеллекта. — 2001. №2-3

92. Круглов, Дли, 2002. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002. - 256 с.

93. Батыршин, 2001а. Батыршин И.З. Основные операции нечеткой логики и их обобщения. — Казань: Отечество, 2001. 100с.

94. Курейчик, 2004. Курейчик В.В., Курейчик В.М. Гладков JI.A Генетические алгоритмы: Под ред. Курейчика В.М.- Ростов-на-Дону: Ростиздат, 2004, 400 с.

95. Тейл, 1977. Тейл Г. Экономические прогнозы и принятие решений. М.: Статистика, 1977.-282 с.

96. Elder, Abbott, 1998. John F. Elder, Dean W. Abbott A Comparison of Leading Data Mining Tools // Fourth International Conference on Knowledge Discovery & Data Mining. New York, 1998