автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Комплекс программных средств поддержки принятия решений при сетевой обработке информации на промышленном предприятии

004605717

На правах рукописи

Халил Мохамед

КОМПЛЕКС ПРОГРАММНЫХ СРЕДСТВ ПОДДЕРЖКИ

ПРИНЯТИЯ РЕШЕНИЙ ПРИ СЕТЕВОЙ ОБРАБОТКЕ ИНФОРМАЦИИ НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 4 «ЮН 2т

Тверь-2010

004605717

Работа выполнена в Тверском государственном техническом университете

Научный руководитель: доктор технических наук, профессор

Григорьев Вадим Алексеевич

Официальные оппоненты: доктор технических наук, профессор

Дмитриев Геннадий Андреевич кандидат технический наук Быков Павел Викторович

Ведущая организация: Государственное унитарное

предприятие «Специальное проектно-конструкторское бюро средств управления» г.Тверь

Защита состоится « 4 » июня_2010 г. в 15_ часов на заседании

диссертационного Совета Д.212.262.04 в Тверском государственном техническом университете по адресу: 170026, г.Тверь, наб. Аф. Никитина, 22 (Ц-212.)

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета.

Автореферат разослан 3 мая 2010 г.

Ученый секретарь / '^доктор технических наук, профессор

диссертационного совета Филатова Наталья Николаевна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Одной из актуальных задач на современном этапе является повышение эффективности функционирования сложных человеко-машинных комплексов, которыми в настоящее время являются современные автоматизированные системы обработки информации (АСОИ) реализованные на основе информационно-вычислительных сетей.

Производительность является одним из важнейших критериев оценки АСОИ, зачастую определяет возможность её применения и эффективности. Особое значение этот вопрос приобретает для АСОИ, построенных на основе кампусных компьютерных сетей предприятий, отличающихся высокой интенсивностью информационных потоков, значительными объемами обрабатываемой и передаваемой информации, сложностью аппаратных средств, общего и специального программного обеспечения и повышенными требованиями по производительности.

Сложность используемого в современных системах обработки информации технического и программного обеспечения, а также растущий круг пользователей этих систем повышает вероятность вмешательства человека в функционирование программного и аппаратного обеспечения, что делает систему уязвимой к возникновению различного рода нарушений как из-за внутренних, так и из-за внешних причин.

В связи с этим задача повышения производительности АСОИ является актуальной. Разработка и последующая эксплуатация АСОИ сопровождается решением задач, тесно связанных с оценкой производительности, например, конфигурация системы, учет и оценка ее стоимости, администрирование, краткосрочное и долгосрочное планирование обслуживания, развития и модернизации. Как показывает практика, для большинства разработчиков и пользователей, занятых эксплуатацией и развитием АСОИ возникает задача совершенствования (развития, модернизации), решение которой позволило бы обеспечить максимальный рост производительности при минимальных затратах.

Цель работы. Целью исследования является создание комплекса программных средств поддержки принятия решений для повышения эффективности функционирования автоматизированных систем обработки информации при нарушении режимов функционирования кампусных компьютерных сетей предприятий.

Для достижения поставленной цели в работе решаются следующие основные задачи:

1. Разработать методику и соответствующие программные средства анализа сетевых протоколов для формирования исходных данных по анализу производительности работы кампусной компьютерной сети предприятия;

2. Провести анализ особенностей построения и использования интеллектуальных систем поддержки принятия решений в нештатных

ситуациях, связанных с нарушениями в работе систем обработки данных, вызванных неполадками в вычислительной сети АСОИ.

3. Разработать прототип интеллектуальной системы поддержки принятия решений в нештатных ситуациях, связанных с нарушениями в работе вычислительной сети ЛСОИ и методику принятия решений по повышению её производительности;

4. Разработать структуру базы данных для хранения результатов анализа сетевого трафика и реализовать ее как компоненту в СППР;

5. Разработать базу знаний специализированной экспертной системы для решения задач поддержки производительности при нештатном функционировании кампусной вычислительной сети;

6. На базе применения современных систем и средств моделирования разработать имитационные модели камиусных вычислительных сетей для оценки эффективности принимаемых решений.

7. Провести апробацию результатов исследования с использованием разработанного комплекса средств поддержки принятия решений на реальных кампусных АСОИ предприятий.

Методы исследований. Для решения поставленных задач использованы методы системного анализа, теории принятия решений, математического и имитационного моделирования, методы и модели интеллектуальных систем.

Научная повпзда работы состоит в следующем:

1. Для системного решения задач исследования создан комплекс программных средств поддержки принятия решений при сетевой обработке информации, позволяющий наглядно и обозримо провести систематизацию возникших нарушений и обоснованно принять решения по их устранению.

2. На основе использования интеллектуальных технологии и баз знаний разработан алгоритм поддержки принятия решений по действиям системного администратора в нештатных ситуациях.

3. Представлены теоретические положения по применению двух систем машинного моделирования для имитации функционирования АСОИ на промышленных предприятиях для оценки принятых решений.

Практическая значимость работы вытекает из ее направленности на разработку комплекса средств для обеспечения поддержки процесса принятия решений в нештатных ситуациях на кампусных АСОИ предприятий, практической его реализации в виде пяти подсистем. Разработанный комплекс может успешно применяться в промышленных АСОИ не выше уровня кампусной сети. После наполнения базы знаний фактами о конфигурации и технических средствах системы обработки информации он может быть использован сетевыми администраторами, как в рабочем режиме, так и в режиме тренажера.

Апробацня работы. Научные положения и практические рекомендации диссертационной работы в целом, а также отдельные ее разделы докладывались и обсуждались на международных научно-технических конференциях «Математические методы и информационные технологии в экономике, социологии и образовании» (г. Пенза, 2007 г.), «Приоритетные направления развития науки и технологий» (г. Тула, 2008 г.), на втором региональном молодежном научном симпозиуме «Искусственный интеллект: междисциплинарный подход» (г. Тверь, 2008 г.), на региональной научно-практической конференции «Инновации в образовании» (г. Тверь, 2008 г.), а также на кафедре ЭВМ ТГТУ (2009).

Внедрении результатов Результаты диссертационной работы были внедрены в ООО «Лесная теплоэнергическая компания «Спецмонтаж»».

Публикация результатов работы. По теме диссертационной работе опубликовано 7 статей, в том числе одна статья в изданиях, рекомендованных ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 139 страницах, списка литературы, включающего 90 наименований, и 2 приложений.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновываются актуальность и практическая значимость работы, формулируются основные задачи исследования и обсуждаются пути их решения.

Первая глава содержит анализ проблемной области и обоснование постановки задач для решения в работе. В ней рассматриваются основные технологии построения АСОИ на базе высокоскоростных компьютерных вычислительных сетей. Доступность и быстродействие — главные проблемы традиционных кампусных сетей предприятий. Эти проблемы объединяются вопросом о пропускной способности системы обработки информации. Три момента, от которых зависит быстродействие традиционных кампусных сетей, — это коллизии, широковещательные и многоадресные рассылки и пропускная способность.

В результате анализа информационных потоков при сетевой обработки информации для построения информационной системы используется многоуровневая архитектура кампусной вычислительной сети предприятий (рис 1).

Проведенный анализ показал, что повышение эффективности функционирования систем обработки данных при возникновении неисправностей, необходимо рассматривать на базе современных методов поддержки принятия решений с использованием интеллектуальных технологий.

Рис 1. Иерархическая структура обработки информации кампусной сети

В первой главе также рассмотрены вопросы создания и применения интеллектуальных систем поддержки принятия решений в ситуациях, связанных с неисправностями в вычислительной сети. Выделены наиболее важные составляющие систем подобного класса, в число которых также входит подсистема моделирования процессов, происходящих в вычислительной сети. Рассматриваются основные подходы к повышению эффективности функционирования системы обработки данных в целом. В заключение первой главы на основании результатов аналитического обзора сформулированы основные задачи исследования.

Во второй главе рассматриваются основные положения построения интеллектуальной системы поддержки принятия решений (ИСППР) в ситуациях, связанных с возникновениями неисправностей в вычислительной сети системы обработки данных.

Автоматизированные системы обработки данных, построенные на базе вычислительных сетей, представляют собой достаточно сложные человеко-машинные комплексы. При этом декомпозиция главной цели функционирования системы на множество подцелей до того уровня детализации, когда для нижнего уровня иерархии целей можно сформулировать критерии, позволяющие адекватно описать степень достижения целей при принятии той или иной альтернативы, представляет собой весьма сложную и слабо формализуемую задачу. Для рассматриваемой предметной области предложена декомпозиция целей (рис. 2). В качестве основной задачи разработки средств поддержки принятия решений в данной ситуации - это формирование промежуточных целей для подсистем разрабатываемой системы и выбор состава и параметров технических средств, образующих вычислительную сеть. При решении последней задачи необходимо принимать во внимание общность и ограниченность ресурсов, выделяемых на разработку системы в целом.

!

Эффективность

функционирования АСОИ

Оптимизация затрат на

Обеспечение доступности ИР

Обеспечение надежности

хранения ИР

получением использование ИР

Минимизация нецелевого использования внешнего трафика

Рационализация использования внутреннего трафика

Контроль сбоев аппаратного обеспечения

- Защита от спама

Защита от вредоносного ПО

Минимизация доступа

«сторонних» приложений

Рис 2. Декомпозиция г лавной цели системы

По существующей классификации систем поддержки принятия решений разрабатываемая система может быть отнесена к третьему классу - к системам индивидуального пользования, адаптирующимися к опыту пользователя. Они предназначены для решения часто встречающихся прикладных задач системного анализа и управления. Такие системы обеспечивают получение решения текущей задачи на основе информации о результатах практического использования решений этой же задачи, принятых в прошлом.

Для рассматриваемого класса задач принятия решений представляется весьма перспективным создание систем, основанных на знаниях для накапливания такого рода знаний (инструкций, рекомендаций, шаблонов стандартных действий), чтобы использовать их во вновь возникающих ситуациях принятия решений. В качестве основы интеллектуальной части системы принятия решений в таких ситуациях должна использоваться база знаний (рис. 3).

Распространенным способом организации и использования знаний в ИСППР является разработка экспертных систем. Для ускорения разработки СППР на основе технологии экспертных систем целесообразно использование готовых оболочек. Поскольку не существует свободно распространяемых проблемно - или предметно-ориентированных оболочек, рассчитанных на решение задач принятия решений рассматриваемого класса, целесообразно ориентироваться на оболочки ЭС общего назначения.

Анализ состояния сети

СРЕДСТВА ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

СРЕДСТВА

АНАЛИТИЧЕСКОГО

МОДЕЛИРОВАНИЯ

ЭКСПЕРТНАЯ СИСТЕМА

МЕХНИЗМ ВЫВОДА

ПРАВИЛА

ФАКТЫ

Программные средства анализа протоколов

Результат Обработка сг

анализа полученных -*- БД

результатов __J

Рис 3. Взаимосвязь элементов системы поддержки принятия решений

В третьей главе рассматриваются вопросы реализации экспертной системы для анализа нештатных ситуаций и принятия решений по повышению производительности вычислительной сети.

Исходными данными для принятия решений в разрабатываемой системе должна быть информация как о факте возникновения той или иной проблемы, так и информация о текущем состоянии сети.

Распространенным средством анализа текущего состояния системы обработки информации на базе компьютерной сети и выявления различных проблем является использование анализаторов протоколов. Анализаторы протоколов могут использоваться совместно с экспертными системами и системами принятия решений. В этом случае они позволяют получить необходимую информацию, используемую для принятия решений или новые факты, необходимые для логического вывода в экспертной системе.

Для использования результатов работы анализаторов протоколов в экспертных системах необходимо создание специальных программных интерфейсов, обеспечивающих сбор первичной информации, получаемой от анализатора, и преобразование ее к виду, пригодному для использования в СППР. Для этой цели был выбран широко используемый

анализатор Network Probe, имеющий возможность сохранять результаты своей работы в лог-файлах, которые имеют регулярную структуру и достаточно легко поддаются анализу. Для обеспечения возможности такого анализа было разработано специальное программное обеспечение на языке С++. Результаты анализа сохранялись в базе данных.

Рис 4. Связи атрибутов разработанной базы данных.

На рис. 4 представлены связи атрибутов разработанной базы данных для хранения результатов анализа сетевого трафика. Предусмотрена возможность визуализации данных, передаваемых для анализа в СППР.

Поскольку база знаний (БЗ) и система выбора (СВ) составляют костяк не только СППР, но и любой управляющей системы, то представляет интерес рассмотреть различные варианты их взаимодействия применительно к задаче управления ресурсами вычислительной сети системы обработки информации.

Если под базой знаний понимать информационную систему, содержащую некоторую совокупность закономерностей рассматриваемой предметной области (ПО), то к внешней по отношению к ней среде относятся источники знания Z, фактов X и управляющих воздействий 1/1,1/2,1^3 и рецепторы выводимого знания У. Графически отношения между этими переменными представлены на рис 5.

и, и} X -* я -* г

Т

и2 ->2

Рис 5. Схема взаимодействия БЗ с внешней средой

Аналитически эти отношения записываются следующим образом. Базу знаний символизирует n И-местное отношение RcXx...xXxY. Оно задаёт соответствие между сочетаниями из n фактов и значениями выводимого знания Y. Множество фактов X, исходное знание Z, закономерность R является функциями управляющих воздействий U1,U2,U3: X=fl(Ul), Z=f2(U2), R=f3(U3). Управляющие воздействия U1,U2,U3 предназначены соответственно для изменения множества фактов X, вводимого в систему знания Z и реструктуризации закономерности R.

Для рассматриваемой предметной области воздействие U1 обеспечивается работой анализатора протоколов, формирующего множество фактов X. Воздействие U3 реализуется инженером знаний, формирующим базу правил системы. Воздействие U2 выполняется программистом, реализующим процедурный компонент обработки знаний (функции).

Использование для реализации подсистемы выбора решений только метода аналогий имеет существенные недостатки :

• Невозможность принятия решений в тех ситуациях, для которых в базе знаний отсутствуют аналоги;

• Невозможность сохранения информации об уникальном (не имеющем аналога) принятом решении в базе знаний системы для последующего использования в качестве аналога;

• Высокая трудоемкость разработки вышеперечисленных классов на традиционных языках программирования высокого уровня.

Выходом из описанной ситуации является совместное использование семантической сети фреймов и существующих оболочек для разработки экспертных систем, поддерживающих (или позволяющих реализовать) сетевую и фреймовую модели и обладающих средствами объектно-ориентированного программирования.

В результате сравнительного анализа из рассматриваемого множества программных продуктов была выбрана программная оболочка KAPPA фирмы IntelliCorp. Возможности оболочки KAPPA в основном соответствуют необходимым требованиям по возможности использования различных технологий обработки данных. Средствами данной оболочки была реализована база знаний, содержащая сведения об объектах предметной области «Сетевое оборудование АСОД». Структура базы знаний представлена на рис. 6.

Для хранения необходимых фактов была разработана иерархию классов и создано необходимое количество объектов этих классов для исследуемой АСОД. На рис. 6 представлены основные классы, используемые для описания структуры системы и составляющих ее сетевых устройств.

Базовым классом для всех используемых устройств является абстрактный класс Device, от которого наследуют два абстрактных класса -Computer и NetDevice. Класс Computer, в свою очередь, является базовым

- и -

для классов Server и Workstation, которые уже являются не абстрактными, а инстанциируемыми классами. Для них порождается необходимое количество объектов, отражающих состав и характеристики компьютеров.

Базовые классы Компьютеры |

-

Оборудование Сетевое Оборудование

Администраторы

Пользователи |—

Пользователи j

— Кабельное

Соединение

Беспроводное

Программы

Событие

Статистика

Проблемы

Серверы

Рабочие станции

Коммутаторы

Маршрутизаторы

Рис 6. Структура разработанной базы знаний.

Rute» fcdifcor - S^er^etirwtLof^m^^

update Edit options

compJCornputer |

lsAKindOf?( camp. Server) And comprConnectedTo InetProvid And (3lobal:!netProviderCandition Jt- Bad;

б

<

comp;lnternetCondition = Bad; AddToLog( Problem,

comp'.NamR tt ": internet Condition BAD" );

Рис 7. Пример используемого в СППР правила.

Аналогично абстрактный класс NetDevice порождает инстанциируемые классы Switch и Router, для которых создаются объекты, отражающие характеристики и назначение используемого пассивного и активного сетевого оборудования.

Для указания способа подключения компьютеров к сетевому

оборудованию специальные классы не создавались, вместо этого использованы специальные слоты базового класса Device: значением слота ConnectedTo является имя объекта (компьютера или сетевого устройства) к которому подключено данное устройство.

Возможность последовательного применения одного и того же правила ко всем соответствующим объектам обеспечивается заданием для каждого создаваемого в БЗ правила паттерна (образца), определяющего к объектам какого класса это правило должно применяться. Остальное автоматически обеспечивается механизмом логического вывода. На рис 7 показано открытое в редакторе правило, обеспечивающее при нарушении подключения к Интернет сервера сети ("ServerCondBad") автоматическое изменение значения слота internetCondition всех подключенных компьютеров на значение "Bad" (неработоспособен). Данное правило имеет паттерн comp|Computer, что означает "любое устройство, относящееся к классу Computer".

В качестве примера рассмотрим кампусную сеть, схема которой представлена на рис. 8:

Рис 8. Схема сети предприятия

Использование разработанных средств поддержки принятия решений на данном предприятии в течении двух месяцев позволило сократить объем внешнего Интернет-трафика на 45%, ликвидировать неконтролируемые рассылки нежелательной корреспонденции, а также обеспечить обнаружение и локализацию аппаратных сбоев до момента обращения пользователей в службу поддержки в 60% случаев.

В четвертой главе рассматриваются вопросы исследования разработанной СГ1ПР методами имитационного моделирования.

На модели можно опробовать влияние всплесков широковещательных запросов или реализовать режим коллапса (для Ethernet), что вряд ли возможно в работающей сети. В процессе моделирования могут бы ть получены оценки следующих параметров:

• Предельные пропускные способности различных фрагментов сети и зависимости потерь пакетов от загрузки отдельных станций и внешних каналов.

• Время отклика основных серверов в самых разных режимах, в том числе таких, которые в реальной сети крайне нежелательны.

• Влияние установки новых серверов на перераспределение информационных потоков (Proxy, Firewall и т.д.).

• Определение предельно допустимого числа пользователей того или иного сервера.

• Оценка необходимой полосы пропускания внешнего канала для обеспечения требуемого уровня качества обслуживания.

• Оценка влияния мультимедийного трафика на работу компьютерной сети, например, при подготовке видеоконференций.

Построение точной аналитической модели человеко-машинной системы, в том числе и АСОД, представляется нереальным. Вместо этого при построении моделей таких систем обычно используются методы имитационного моделирования. Для реализации имитационной модели функционирования АСОД использован пакет AnyLogic.

Для моделирования результатов принятия решений в рамках пакета AnyLogic были реализованы следующие сетевые компоненты:

• Узел - моделирует работу сетевой эталонной модели ISO/OSI;

• Клиенты и сервера HTTP и FTP;

• VoIP-протокол;

• TCP, UDP и IP-протокол;

• Физический проводной канал;

В локальной вычислительной сети, включающей сервер, обслуживающей рабочие станции, подключенные через него к сети Интернет, возможны различные ситуации, вызывающие неудовлетворительную работу сети с точки зрения ее пользователей. Администратору сети в этом случае приходится принимать решения на основании информации о структуре сетевого трафика,

Алгоритм принятия решений представлен на рис. 9. Основным содержание данного алгоритма является корректное определение источника нежелательной загрузки сети, в качестве которого могут выступать:

• Компьютерные вирусы;

• Рассылка нежелательной корреспонденции (спам);

• «Активные» рабочие станции, использующие большую часть пропускной способности канала связи.

В случае выявления вируса или спамера борьба с ними проводится существующими общепринятыми методами. Для чрезмерно «активных» хостов ситуация не может быть исправлена отключением, вместо этого целесообразным представляется уменьшение приоритета данного хоста.

Начало

___у

Ввод исходны хданных

Т = 1

J = 1

У

АнапизСервисов Хостов({и})

Да;

1 = 1

АнапизХостаНа \ ММ-Трафик(и)

Да

Да

{И} = Анализ Широковещатель ; ныхРассылокО ! !

Уменьшение Приоритета Хоста(Ц 1)

1=1+1 *

Отключение ^Р1<Ртт>Да. ХосгаОтСервиса

I : _ С-0

Да

J = J + 1 * Нет <"

Нет

1 = 1

Т = Незаконное 1

Обращение ПоСервисам({ге»

имеется • Да ►

Да

Нет

Нелегальные Обращения Спам-Узлов(М) I

и-

Ограничение На Передачу Данных(га) ^

* - , Обновление I БазыСишатур(Р!0 |

| ОграничениеНа

Да I ПередачуДанных

_

Нет

1=1+1 И

I Запоминание I АдресаХоста(га)

- нет»-; Конец )

V...........У

Рис 9. Алгоритм принятия решений.

Данный алгоритм принятия решений был смоделирован с помощью системы AnyLogic. Для этого разработаны следующие классы:

• Класс Server, реализующий основные функции управления работой сети и обслуживания запросов хостов на доступ к Интернет;

• Класс Host, выполняющий моделирования потока запросов на доступ к Интернет;

• Класс Decision, реализующий предложенный алгоритм принятия решений.

Появление в сети нежелательной загрузки может моделироваться несколькими способами. Например, для моделирования возрастания активности какого-либо из хостов характеристики случайного процесса генерации заявок для данного хоста изменялись таким образом, чтобы объем его трафика начинал превышать объем остальных хостов в системе.

При заданной ширине канала объем трафика каждой станции может варьироваться в зависимости от назначенного ей приоритета. При этом общий трафик не может превышать заданную ширину канала (1 - 3):

Нтм{\0~12М/бит) (1)

5, ->A,(f,P() th,(0<H„

(2) (3)

Выделение каждой станции собственной «полосы пропускания» (4) не может быть признано эффективным, т.к. ведет к нерациональному использованию имеющегося ресурса:

(4)

Выявление активного хоста выполнялось путем установки порогового значения трафика (5), при превышении которого включался алгоритм принятия решения по изменению приоритета данного хоста по отношению к остальным (6). Результаты представлены на рис. 10.

Я„„,=Я,гах/ 2 (5)

V,e(l,A0 (h,(t) >НК

' - Ртт )

(6)

Рис 10. Результаты моделирования использования внешнего трафика

В заключении формулируются основные результаты проведенного исследования:

1. Создана методика и разработаны соответствующие программные средства анализа сетевых протоколов для формирования исходных данных по анализу производительности работы компьютерной сети предприятия;

2. Выполнен анализ особенностей построения и использования интеллектуальных систем поддержки принятия решений в нештатных ситуациях, связанных с нарушениями в работе вычислительных сетей автоматизированных систем обработки информации (АСОИ).

3. Разработан прототип интеллектуальной системы поддержки принятия решений в нештатных ситуациях и методика принятия решений по повышению производительности вычислительной сети АСОИ;

4. Создана база данных для хранения результатов анализа сетевого трафика и реализовано её использование как компоненты в СППР;

5. Разработана база знаний специализированной экспертной системы для решения задач поддержки производительности кампусной вычислительной сети предприятия при её нештатном функционировании. База знаний СППР используется как для хранения фактов, отражающих состояние вычислительной сети, так и для выработки рациональных решений посредством логического вывода на основе правил, отражающих основные взаимосвязи в работе объединенных в сеть устройств.

6. Для решения задачи имитационного моделирования процессом управления внешним трафиком компьютерной сети средствами системы AnyLogic реализован алгоритм динамического назначения приоритета рабочим станциям.

7. На базе применения современных средств моделирования AnyLogic и Packet Tracer разработаны имитационные модели для оценки эффективности принимаемых решений по повышению производительности вычислительной сети АСОИ.

8. Проведена апробация результатов исследования с использованием разработанного комплекса прщраммных средств поддержки принятия решений на реальных компьютерных сетях предприятий, являющихся основой АСОИ.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК России

1. Халил Мохамед. Интеллектуальные технологии принятия решении по управлению техническими средствами в системах обработки информации.// Вестник Воронежского государственного технического университета, том 5, № 7,2009, с 10 -13.

Другие статьи и материалы конференций

2. Халил Мохамед. Разработка базы знаний экспертной системы для управления вычислительной сетыо./У Вестник ТГТУ научный журнал, выпуск 11, Тверь 2007, с. 51-54.

3. Карельская К. А., Халил Мохамед. Методы и алгоритмы принятия решений для задачи проектирования вычислительной сети.// Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XX Международной научно-технической конференции. Пенза, 2007, с. 173.

4. Халил Мохамед. Интеллектуальная поддержка администрирования вычислительной сети.// Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XX Международной научно-технической конференции. Пенза, 2007, с. 170.

5. Халил Мохамед. Использование моделирования для анализа функционирования ЛВС.// Приоритетные направления развития науки и технологий, всероссийская научно-техническая конференция Тула 2008, с.132.

6. Халил Мохамед. Пути повышение качества образования при изучении вычислительных сетей.// Управление качеством образования в современной России: сборник статей III Всероссийская научно-практическая конференция. Пенза 2008, с. 75-77.

7. Халил Мохамед. Возможности использования программных средств принятия решений в учебном процессе.// Инновации в образовании, Сборник материалов конференции. Тверь 2008, с. 110.

V Ь^

Технический редактор И.И. Рогова_

Подписано в печать 28.04.10 Тираж 100 экз. Заказ № 30 Физ.печ.л. 1,25 __Усл.печ.л. 1,16 _Уч.изд.л. 1,08

РИЦТГТУ

Введение.

1. Анализ проблемной области и постановка задач исследования.

1.1. Анализ технологий построения кампусных компьютерных сетей на основе технологий Fast, Gigabit, 10 Gigabit Ethernet.

1.2. Методы представления знаний.'.

1.3. Средства моделирования систем обработки информации.

1.4. Задачи повышения эффективности систем обработки информации.

1.4.1. Время реакции.

1.4.2. Пропускная способность.

1.4.3. Показатели надежности и отказоустойчивости.

1.5. Постановка задач исследования.

1.6. Выводы по главе 1.

2. Системы поддержки принятия решений и экспертные системы.

2.1. Методы и алгоритмы принятия решений.

2.2. Типы и структура систем поддержки принятия решений.

2.2.1. Основные подходы к построению интеллектуальной системы поддержки принятия решений.

2.2.2. Типы задач принятия решений.

2.2.3. Архитектура современных СППР и требования к OLAP-системам.

2.3. Экспертные системы как системы поддержки принятия решений.

2.3.1. Структура экспертных систем.

2.3.2. Этапы создания экспертных систем.

2.3.3. Прототипы и жизненный цикл экспертной системы.

2.4. Инструментальные средства для разработки экспертных систем.

2.5. Выводы по главе 2.

3. Реализация экспертной системы для принятия решений по повышению производительности кампусных сетей предприятий.

3.1. Реализация СППР для анализа функционирования АСОИ на базе кампусных сетей

3.2. Взаимодействие базы знаний и системы принятия решений.

3.3. Организация базы знаний в виде семантической сети фреймов.

3.4. Реализация модели принятия решений средствами экспертной системы.

3.5. Организация процесса принятия решений средствами экспертной системы.

3.6. Выводы по главе 3.

4. Внедрение компоненты СППР имитационного моделирования кампусных сетей предприятий.

4.1. Использование моделирования для анализа функционирования кампусных сетей предприятий.

4.2. Виды моделирования задач анализа функционирования АСОИ.

4.2.1. Аналитическое моделирование.

4.2.2. Имитационное (статистическое) моделирование.

4.3. Выбор средств имитационного моделирования для решения задач анализа функционирования кампусных систем обработки информации.

4.3.1. Виды моделей в среде AnyLogic.

4.3.2. Средства AnyLogic для разработки дискретно-событийных моделей.

4.4. Использование пакета AnyLogic для решения задач анализа функционирования вычислительных сетей.

4.5. Использование пакета AnyLogic для моделирования управления трафиком локальной сети.

4.6. Выводы по главе 4.

Производительность является одним из важнейших критериев оценки автоматизированных систем обработки информации (АСОИ). Зачастую производительность определяет возможность применения АСОИ и непосредственным образом влияет на ее эффективность. Особое значение этот вопрос приобретает для целого ряда специализированных АСОИ, построенных на основе крупных компьютерных сетей, отличающихся высокой интенсивностью информационных потоков, значительными объемами обрабатываемой и передаваемой информации, сложностью аппаратных средств, общего и специального программного обеспечения и повышенными требованиями по производительности. К таким АСОИ можно отнести системы реального времени, тренажерные системы, системы автоматизации деятельности предприятий, служб и подразделений, имитационного моделирования разного рода военных конфликтов, боевых действий, операций и т.д.

В связи с этим задача повышения производительности АСОИ является актуальной. Разработка и последующая эксплуатация АСОИ сопровождается решением проблем, тесно связанных с оценкой производительности, например, конфигурация системы, учет и оценка ее стоимости, администрирование, краткосрочное и долгосрочное планирование обслуживания, развития и модернизации. Как показывает практика, для большинства разработчиков и пользователей, занятых эксплуатацией и развитием АСОИ возникает задача совершенствования (развития, модернизации), решение которой позволило бы обеспечить максимальный рост производительности при минимальных затратах.

Подходы к оценке производительности АСОИ отражены в работах Д. Феррари, Л.И. Абросимова, П.Н. Шкатова и др. [1-5]. В этих работах в большей степени рассмотрены общие методы оценки производительности вычислительных сетей и систем как таковых, которые, применительно к АСОИ требуют дополнительной проработки и детализации.

Системы обработки информации и информационные сети на сегодня сосредоточили в себе огромное количество разнообразных вычислительных устройств, призванных обеспечить эффективный коллективный доступ к различным программным и информационным ресурсам. Они также обеспечивают разграничение доступа различных категорий пользователей к информации и, вследствие этого, могут оказаться мишенью для атаки, как со стороны человека, так и со стороны компьютерных вирусов.

Сложность используемого в современных информационно-вычислительных сетях технического и программного обеспечения, а также растущий круг пользователей этих сетей повышает вероятность вмешательства человека в функционирование программного и аппаратного обеспечения, что делает сеть уязвимой к возникновению различного рода нарушений как из-за внутренних, так и из-за внешних причин.

Таким образом, одним из приоритетных направлений научных исследований в области повышения эффективности функционирования систем обработки информации становится разработка интеллектуальных систем поддержки принятия решений в ситуациях, связанных с различными нарушениями в работе оборудования или программного обеспечения.

Характерной особенностью проводимых исследований является применение системного подхода к рассматриваемой проблеме, при котором исследуется весь цикл обработки информации, начиная с получения информации о состоянии сети и заканчивая принятием решений.

Анализ содержания задач принятия решений в ситуациях, связанных с нарушениями в работе сети, позволяет отметить особую важность использования технологии интеллектуальных систем. Информация о состоянии сети, сохраненная в виде фактов в базе знаний системы принятия решений, оказывает существенную помощь при анализе типовых ситуаций, а также при преодолении отрицательных последствий, связанных с выходом из строя той или иной части вычислительной сети.

4.6. Выводы по главе 4

1. Для анализа результатов принимаемых решений целесообразно использовать технологию имитационного моделирования, поскольку построение и анализ аналитической модели такой сложной человеко-машинной системы, какой является АСОИ, не представляется возможным.

2. Задача реализация имитационной модели вычислительной сети АСОИ может быть решена путем использования специализированных или универсальных программных средств моделирования. В данной работе предлагается использовать систему AnyLogic, позволяющую сочетать при построении имитационной модели средства моделирования различных типов и поддерживающую технологию объектно-ориентированного программирования.

3. Для построения модели вычислительной сети средствами AnyLogic разработаны классы, реализующие основные элементы вычислительной сети, а также средства графического отображения результатов моделирования.

4. Для реализации дискретно-событийной модели вычислительной сети разработан и использован стейтчарт процесса доступа протокола CSMA CD.

5. Для решения задачи для моделирования управления трафиком локальной сети средствами AnyLogic реализован алгоритм динамического назначения приоритета рабочим станциям.

Заключение

1. Задача описания состава вычислительной сети АСОИ и взаимодействия ее отдельных элементов решается за счет использования методов инженерии знаний. Результатом такого описания является база знаний, которая может быть использована для хранения фактов, отражающих состояние вычислительной сети, и для выработки рациональных решений посредством логического вывода на основе правил, отражающих основные взаимосвязи в работе объединенных в сеть устройств.

2. В качестве основной технологии, используемой для разработки СППР рассматриваемого типа, принята технология экспертных систем, обладающих базой знаний, хранящей в формализованном виде как факты, необходимые для принятия решений, так и правила, по которым эти решения принимаются.

3. Для ускорения разработки СППР на основе технологии экспертных систем принят способ использования готовых оболочек экспертных систем. Поскольку не существует свободно распространяемых проблемно- или предметно-ориентированных оболочек, рассчитанных на решение задач принятия решений в системах обработки информации, целесообразно ориентироваться на оболочки ЭС общего назначения.

4. Для реализации процесса принятия решений по поиску неисправностей и повышения производительности вычислительной сети определен источник актуальной информации о состоянии сети. В качестве источника такой информации предлагается использовать анализаторы сетевых протоколов.

5. При использовании метода аналогий для принятия типовых решений в качестве модели принятия решений использована семантическая сеть фреймов, в качестве которых выступают объекты базовых классов базы знаний.

6. Для уменьшения трудоемкости разработки классов базы знаний принят способ реализации сетевой фреймовой модели средствами существующих оболочек для разработки экспертных систем, обладающих встроенным языком программирования высокого уровня.

7. Определено множество задач, в которых администратор вычислительной сети выступает в роли ЛПР и состав фактов базы знаний, необходимых для решения этих задач. Для выбранного множества фактов разработана иерархия базовых классов для описания структуры ЛВС и составляющих ее сетевых устройств. Для выбранных задач принятия решений определен состав базы правил и реализовано необходимое множество правил вывода средствами оболочки КАРРА.

8. Для анализа результатов принимаемых решений использована технологию имитационного моделирования, поскольку построение и анализ аналитической модели такой сложной человеко-машинной системы, какой является АСОИ, не представляется возможным. Задача реализация имитационной модели решена путем использования системы AnyLogic, позволяющую сочетать при построении имитационной модели средства моделирования различных типов и поддерживающую технологию объектно-ориентированного программирования.

9. Для построения модели вычислительной сети средствами AnyLogic разработаны классы, реализующие основные элементы вычислительной сети, а также средства графического отображения результатов моделирования. Для реализации дискретно-событийной модели вычислительной сети разработан и использован стейтчарт процесса доступа протокола CSMA CD.

10. Для решения задачи для моделирования управления трафиком локальной сети средствами AnyLogic реализован алгоритм динамического назначения приоритета рабочим станциям.

1. Феррари Д. Оценка производительности вычислительных систем — М.: Мир, 1981.-576с.

2. Абросимов Л.И. Основные положения теории производительности вычислительных сетей. // Вестник МЭИ -2001 №4 - с. 70 - 75

3. В.М. Вишневский. Теоретические основы проектирования компьютерных сетей. М.: Техносфера, 2003. 512 с.

4. Абросимов Л.И. Методика формирования матричной записи структуры вычислительной сети // Вычислительные сети. Теория и практика — 2007, № 2 http://network-joumal.mpei.ac.ru/cgi-bin/main.pl?l=ru&n=l 1

5. Л.И. Абросимов, А.А. Лебедь. Методика исследования производительности сетевых узлов // Вычислительные сети. Теория и практика — 2007, № 2 http://network-joumal.mpei.ac.m/cgi-bin/main.pl?l==ru&n=ll

6. Когаловский М.Р. Перспективные технологии информационных систем. Москва ИТ-Экономика, 2003. 288 с.

7. Столингс В. Современные компьютерные сети. 2-е изд. М.: Питер. -2003.-783 с.

8. Проектирование отказоустойчивых локальных сетей http://www.nag.ru/goodies/lanrse/index.html

9. Кодирование информации в локальных сетях http ://www.books. everonit.m/ZZLoca^lava%202/Index6 .htm

10. П.Джексон. Введение в экспертные системы. — М., СпБ., Киев: "Вильяме", 2001.

11. Т.А. Гаврилова, В.Ф. Хорошевский. Базы знаний интеллектуальных систем. — СпБ: Питер, 2000.

12. Hewitt С. Description and Theoretical Analysis (Using Schemata) of PLANNER, a Language for Proving Theorems and Manipulating Models in a Robot. Report No. TR-258, AI Laboratory, MIT. 1972.

13. Шиян Т.А. Принципы построения структурных описаний множеств формальных теорий // Смирновские чтения. 4 Международная конференция. М., 2003. С. 185-187.

14. И.Гладцын В. А., Яновский В. В. Средства моделирования вычислительных сетей: Учеб. пособие. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2001. 128 с.

15. Средства анализа и оптимизации локальных сетей http://www.dlink.ru/technology/locnop01 .php

16. Флинт Д. Локальные сети ЭВМ: архитектура, принципы построения, реализация: Пер. с англ. М.: Финансы и статистика, 1986.- 359 с.

17. Л.И. Абросимов. Концепция теории производительности вычислительных сетей / Вычислительные сети. Теория и практика — 2001, № 1 -http://network-journal.mpei.ac.ru/cgi-bin/main.pl?l==ru&n=l 1&ра=11&аг=7

18. Искусственный интеллект. Справочник в 3-х томах. -М.: Радио и связь, 1990.

19. Трахтенгерц Э.А. Возможности и реализация компьютерных систем поддержки принятия решений. // Известия РАН. Теория и системы управления, №3, 2001, стр. 86-114.

20. Д.И.Султанова, А.М.Недужко, А.Н.Целых. Структуризация цели проектирования распределенных информационно-управляющих систем // "Вычислительные сети. Теория и практика" — 2008, № 1 -http.V/network-joumal.mpei.ac.m/cgi-bin/main.pl?l=ru&n=12&pa=13

21. Данилин Г.Г., Зарвигоров Д.А. Построение корпоративной сети на основе взаимодействия иерархических моделей. // "Вычислительные сети. Теория и практика" — 2006, № 2 http://network-journal.mpei.ac.ru/-cgi-bin/main.pl?l=ru&n=9&pa=9&ar=3

22. Справочник по телекоммуникационным технологиям: Пер. с англ. М.: Издательский дом «Вильяме», 2004. 640 с.

23. Абросимов Л.И. Концепция разработки интеллектуальной платформы администрирования гетерогенных вычислительных сетей на базе моделей с тензорными преобразованиями, Международная Академия Информатизации. -М.: МЭИ, 1997. Том 1- 60-67 с.

24. Величко В.В. и др. Телекоммуникационные системы и сети: Т. 3. — Мультисервисные сети. □ М.: Горячая линия-Телеком, 2005.

25. Галицин В.К., Левченко Ф.А. Некоторые вопросы оптимизации структур и методов управления сетью. Межв. научн, сбор. "Машинная обработка информации". Киев КГЭУ, 1995.

26. Мартин Дж., Вычислительные сети и распределенная обработка данных М.: Финансы и статистика. 1985.

27. Чекрыгина Е.Р. Ретроспективный анализ моделей работоспособности УВК // Тез. докл. Всероссийской научной конференции «Новые информационные технологии, информационное, программное и аппаратное обеспечение». — Таганрог: ТРТУ, 1995. С. 40-41.

28. Иыуду К.А. Надежность, контроль и диагностика вычислительных машин и систем. М.: Высшая школа,1989. 216 с.

29. JI. И. Абросимов, А.Н. Мухин. Анализ сетевых характеристик протокола CSMA/CD // "Вычислительные сети. Теория и практика" 2008, № 1 -http://network-journal.mpei.ac.ru/cgi-bin/main.pl?l=ru&n=l 1 &ра=5&аг=1

30. Г.А. Калинина, Ю.Е. Мороховец. Об одном методе анализа временныххарактеристик систем иерархической обработки данных // "Вычислительные сети. Теория и практика" — 2008, № 1 31. http://network-journal.mpei.ac.ru/cgi-bin/main.pl?l=ru&n=l 1 &ра=3&аг=3

31. Широков B.JI. Разработка моделей и методов для оценки и выбора параметров мультисервисных систем обмена информацией. Автореферат диссертации на соискание ученой степени к.т.н. — М.: МЭИ (ТУ), 2006.

32. Синелобов А.В. Кинетическая модель TCP-сеансов передачи данных // Электросвязь. 2005. № 2. С. 26-30.

33. Юдин Д.Б. Вычислительные методы теории принятия решений. — М.: "Наука", 1989-321 с.

34. В.П. Гладун. Планирование решений. — Киев, Наукова думка, 1987.

35. E.F. Codd, S.B. Codd, С.Т. Salley, Providing OLAP to User-Analysts: An IT Mandate, Arbor Software Corp. Papers, 1996

36. P.A. Алиев, H.M. Абдикеев, M.M. Шахназаров. Производственные системы с искусственным интеллектом. — М.: Радио и связь, 1990.

37. А.Н. Горбань, Д.А. Россиев. Нейронные сети на персональном компьютере. — Новосибирск: Наука, 1996.

38. Д.Дюбуа, А.Прад. Теория возможностей. Приложения к представлению знаний в информатике. М.: Радио и связь, 1990.

39. В.Е. Кузнецов. Представление в ЭВМ неформальных процедур. — М.: Наука, 1989.

40. Логический подход к искусственному интеллекту. — М.: Мир, 1990.

41. Ж.-Л. Лорьер. Системы искусственного интеллекта. -М: Мир, 1991.

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

43. А.Н. Мелихов, Л.С. Бернштейн, С.Я. Коровин. Ситуационные советующие системы с нечеткой логикой. — М.: Наука, 1990.

44. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998.

45. Обработка знаний. М: Мир, 1990.

46. Обработка нечеткой информации в системах принятия решений. — М.: Радио и связь, 1989.

47. Э.В. Попов. Экспертные системы. -М.: Наука, 1987.

48. Д.А. Поспелов. Моделирование рассуждений. М.: Радио и связь, 1989.

49. Представление и использование знаний. — М.: Мир, 1989.

50. К. Таунсенд, Д. Фохт. Проектирование и программная реализация экспертных систем на персональных ЭВМ. М.: Финансы и статистика, 1990.

51. Д. Уотерман. Руководство по экспертным системам. — М.: Мир, 1989. 53.Экспертные системы. Принципы работы и примеры. Под ред. Р.

52. Форсайта. М.: Радио и связь, 1987. 54. Дж. Элти, М. Кумбс. Экспертные системы. Концепции и примеры. — М.:

53. Финансы и статистика, 1987. 55.Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. Статические и динамические экспертные системы. Москва, Финансы и статистика,-1996.

54. А.И. Башмаков, И.А. Башмаков. Интеллектуальные информационные технологии. М.:МГТУ им. Н.Э. Баумана.- 2005.

55. М. Эддоус, Р. Стэнсфилд, Методы принятия решений, М.: ИНФРА-М 1999 г.

56. Базы знаний интеллектуальных систем/ Т.А. Гаврилова, В.Ф. Хорошевский СПб: Питер, 2000.

57. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е издание. Пер. с англ. М.: Издательский дом "Вильяме", 2003.

58. Искусственный интеллект: в 3-х кн. Кн.1. Системы общения и экспертные системы. Справочник/ Под ред. Э.В. Попова М.: Радио и связь, 1990.

59. Джексон П. Введение в экспертные системы. : Пер. с англ. : Уч. Пос. -М. :. Изд. дом "Вильяме", 2001.62.0суга С. Обработка знаний: Пер. с япон. М.: Мир, 1989.

60. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука. Гл. ред. физ.-мат. лит., 1987.

61. Представление и использование знаний: Пер. с япон./ Под ред. X. Уэно, М. Исидзука. М.: Мир, 1989.

62. Статические и динамические экспертные системы. Учеб. пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996.

63. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. М.: Финансы и статистика, 1990.

64. Уотермен Д. Руководство по экспертным системам: Пер. с англ. М.: Мир., 1989.68. http://www.gpss.ru/people/zolotarevw.html Золотарев Всеволод Васильевич - персональная страница.

65. АнинБ. Защита компьютерной информации. БХВ-Перербург, 2003. -384с.

66. Гаврилова Т.А. Состояние и перспективы разработки баз знаний интеллектуальных систем Новости ИИ - М., Ассоциация ИИ, 1996, №1.

67. Поспелов Д.А. Логико-лингвистические модели в системах управления -М., Энергоиздат, 1981.72.3агоруйко Н.Г. Прикладные методы анализа данных и знаний -Новосибирск, Изд-во института математики, 1999.

68. Winston Р.Н. The Psychology of Computer Vision. McGraw - Hill, 1975

69. Стрельников Ю.Н., Борисов H.A. Разработка экспертных систем в среде MS Windows. Тверь, ТГТУ, 1997. - 32 с.

70. Ю. П. Пытьев. Методы математического моделирования измерительно-вычислительных систем, Издательство: ФИЗМАТЛИТ, 2004 г.

71. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высшая школа, 1999.

72. Марков А.А. Моделирование информационных вычислительных процессов. М.: Издательство МГТУ им. Баумана, 1999.

73. Аверилл М. Лоу, В. Дэвид Кельтон. Имитационное моделирование. -СПб.: Питер, Издательская группа BHV. 2004. 848 стр.

74. Рыжиков Ю.И. Имитационное моделирование: Теория и технологии. СПб.: КОРОНА принт , 2004. 384 с.

75. Колбанев М. О., Яковлев С. А. Модели и методы оценки характеристик обработки информации в интеллектуальных сетях связи (монография). — СПб.: Издательство СПбГУ. 2002.-230 с.

76. Гладцын В. А., Яновский В. В. Средства моделирования вычислительных сетей: Учеб. пособие. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2001. 128 с.

77. И. Черных. Simulink. Среда создания инженерных приложений. М.: Диалог-МИФИ, 2004.

78. Дж. Дэбни, Т. Харман. Simulink 4. Секреты мастерства. М.: Бином. Лаборатория базовых знаний, 2003.

79. Sheldon М. Ross. Simulation. Academic Press, 3-d edition, 2002. — 274 p.

80. Лоу A. M, Кельтон В. Д. Имитационное моделирование. 3-е издание. — СПб BHV, 2004. - 847 с.

81. Рыжиков Ю.И. Имитационное моделирование. Теория и технология. — СПб.: КОРОНА принт, 2004. 384 с.

82. Шеннон Р. Имитационное моделирование систем — искусство и наука. — М.: Мир, 1971.

83. S.S.Lam: "A Carrier Sense Multiple Access Protocol for Local Networks," Computer Networks, vol. 4, n. 1, pp. 21-32, January 1980)

84. Кучерявый E.A. NS-2 как универсальное средство имитационного моделирования сетей связи. // Труды VII международной конференции: Информационные сети, системы и технологии. Минск, 2001.

85. Карпов Ю. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5. СПб.: БХВ - Санкт-Петербург, 2005. — 400 с.

86. Pnueli A., Maler O., Manna Z., From Timed to Hybrid systems. Real-Time: Theory in Practice, Lecture Notes in Comp.Sc 600, p.447-484. Springer-Verlag, 1992.

87. Harel D. Statecharts: a Visual Formalism for Complex Systems. Sci. Comput. Prog. 8, p.231-274, 1987.

88. Кендалл Скотт. UML. Основные концепции. — M.: Вильяме, 2002. — 144 с.

89. Романски Р. Математическое моделирование и исследование стохастических временных характеристик процессов комгпотерной обработки данных // Информационные технологии. Москва, Россия, 2001, No 2,-С. 51 -55.