допустимых значений. В процессе проведения экспериментальных исследований отслеживалась корректность переходов конечного автомата из одного состояния в другое, а также фиксировалась длина тестовых последовательностей, покрывающих все возможные ошибки.

Тесты, полученные в результате экспериментов, сравнивались с уже имеющимися оптимальными тестами. Анализ позволяет сделать следующие выводы. Полученные тесты по длине не превосходят оптимальные. Взвешенные псевдослучайные последовательности, по сравнению с равномерным распределением логической единицы, позволили получить тесты за меньшее число итераций.

Литература

1. Петрухнова Г.В. Анализ свойств симметрии бинарной матрицы в задачах тестирования цифровых устройств // Актуальные проблемы прикладной математики, информатики и механики: труды Междунар. науч. конф. Воронеж: Научно-исследовательские публикации, 2018. с.1595-1606.

2. Петрухнова Г. В. Энтропийный критерий на основе меры симметричности бинарной матрицы. – Рязань: Вестник РГРТУ, 2019. с. 66-72.

ФГБОУ ВО «Воронежский государственный технический университет»

УДК 621.396

А. М. Трошков, И. П. Кузьменко

ПОВЫШЕНИЕ ДОСТОВЕРНОСТИ ИНФОРМАЦИИ СПЕЦИАЛИСТОМ

Проблема повышения достоверности информации в системе управления стоит весьма остро. Информационные системы содержат значительное количество источников и получателей информации, связанной между собой каналами ее передачи и обработки. Надежность данных систем всегда определяется достоверностью сбора, обработки, передачи, хранения и представления информации.

Методы повышения достоверности информации как при передаче, так и при переработке основаны на введении информационного, алгоритмического или аппаратного резерва, таких как применение кодов с обнаружением и исправлением искажений, методов оптимального резервирования, методов функционального контроля, методов оценки достоверности входной информации.

Информация отражает ситуацию в момент времени t, а в последующие моменты времени реальная ситуация изменяется, а следовательно должна изменяется и отражающая информация, причем допустимое запаздывание информации рассматривается как ограничение:

107

tзап ≤tзап.допуст.

Всистемах управления на этапах сбора, отображения и выдачи информации имеют место ошибки, связанные с человеческим фактором.

До настоящего времени ошибки в системе, возникающие по вине человека, как элемента системы не подвергались тщательному изучению.

Однако в последнее время проблема надежности системы «человекмашина» рассматривается как составная часть проблемы надежности систем. К ошибкам человека, как звена системы следует относить ошибки: как источника информации, человека-специалиста, неправильные действия обслуживающего персонала и ошибки звена принимающего решения.

Установлено, что ошибки человека могут классифицироваться:

Ошибкиспециалиста

Рис. 1. Классификация ошибок специалиста

Исследования, проводимые на интенсивность ошибок показали, что они могут находиться в следующем пределе:

Рис. 2. Колебания интенсивности ошибок человека

Анализ особенностей функционирования специалиста, как многофункциональной социально-биологической системы показывают различия:

–психологической надежности, где учитывается временные неустойчивые отказы, после которых продолжается работа системы;

–физиологической надежности, где учитываются временные устойчивые отказы, после которых продолжается работа системы;

–физиологической надежности, где учитываются временные устойчивые отказы с временной потерей выполнения функций специалиста.

Из опыта работы с такими специалистами и их подготовки выделены факторы, влияющие на сложность и ответственность работы:

108

Группы факторов

Аппаратурные Режимные

Временные Эмоциональные

Рис. 3. Классификация групп факторов влияния

Интенсивность ошибок выбирается и составляет 2*10-2 – 4*10- 3. Исходя из выбранной интенсивности и применения метода Мейстера произведены расчеты вероятности отсутствия ошибки Ротсут.ош . Для проведения расчета Ротсут.ош учитывалась система управления, контроля и сигнализации в блоках управления: общее количество кнопок и тумблеров управления, количество рядов кнопок, расстояние между кнопками и тумблерами, время нажатия и алгоритм последовательности действия. Полученные результаты приведены в таблице.

Из таблицы видно, что значения Ротсут.ош ограничивают показатели и могут не соответствовать предъявляемым требованиям. Поэтому для уменьшения числа ошибок предлагаются следующие меры:

–повышение квалификации с целью достижения сокращения времени требуемого нормативными документами;

–повышение ответственности за выполнение требований нормативноправового обеспечения;

–увеличение избыточности информации входных документов;

–введение двойной набивки документов по сравнению с эталонными;

–применение критериев стимулирующих деятельность специалиста.

109

Данные предложения, по расчетным прогнозам, позволят снизить вероятность ошибок входной информации до 3*10-3.

Литература

1.Мельников Ю.Н. О выборе избыточности помехоустойчивых кодов при конечной надежности кодирующих и декодирующих устройств. «Электросвязь», 1986.

2.Пасхин В.И. Экспериментальные оценки вероятности искажения сообщений с учетом ошибок человека. Материалы НТК, МДНП, М., 1980 .

3.Мейстер Д. Роль факторов инженеров психологии в обеспечении надежности. «Справочник по надежности». М. «Мир», 1989.

4.Гурова Е.А., Трысячный В.И., Кузьменко И.П. Разработка инновационной стратегии развития организации сетевого типа/ Вестник СевКавГТИ. 2013. № 15. С. 12-15.

Ставропольский государственный аграрный университет

УДК 681.3

Ю. П. Преображенский

О ВОЗМОЖНОСТЯХ ПРИМЕНЕНИЯ ИНФОРМАЦИОННО-КОММУНИКАЦИОННЫХ ТЕХНОЛОГИЙ

ВОБРАЗОВАТЕЛЬНЫХ СФЕРАХ

Всуществующих условиях мы можем указать такие особенности по применению педагогических подходов:

– процессы обучения на базе сотрудничества;

– применение метода проектов;

– к обучающимся применяются индивидуальные и дифференцированные методы;

– рассматриваются возможности применения разноуровневых подходов;

– в процессах обучения применяются модульные подходы. Информационные технологии могут применяться различными спосо-

бами [1]:

1. Информация соответствующим образом представляется. Применяются мультимедиа технологии, гипертекст. В настоящее время развивается виртуальная реальность;

2. Информации будет структурироваться. Кроме того происходит использование технологий искусственного интеллекта. При этом необходимо проектировать базы данных, и формировать экспертнообучающие системы;

110

3. Использование коммуникационные технологии. При этом необходимо проводить разработку сетей соответствующих уровней, а также формировать телекоммуникационные решения.

Телекоммуникации в образовательную сферу [2] могут внедряться такими способами:

1.Для систем образования готовятся виды информационного обеспечения. Тогда можно работать с сетевыми библиотеками, вести виртуальные экскурсии и др.

2.Обучающиеся могут осуществлять совместную проектную деятель-

ность.

3.С применением разных видов инструментария может поддерживаться дистанционное обучение.

4.В образовательной среде предусмотрены инструменты коммуникации. Для образовательных процессов необходимо предусматривать примене-

ние сетевых коммуникационных технологий:

1.Использование электронной почты. Тогда оперативным образом осуществляются почтовые услуги.

2.Использование FТР-серверов. В таких случаях происходит оперативная обработка файлов.

Работа с WWW предоставляет возможности для работы с гипертекстами. Чтобы осуществлять передачу видео и аудиоинформации можно применять видеоконференции. Для этого требуется соответствующее оборудование. Необходимо предусматривать комплексное применение информационных и Internet-технологий. Это необходимо делать в рамках системных подходов. Должны быть выработаны соответствующие критерии [3]. Информационные объекты должны быть объединены. За счет интеллектуальных средств моделирования есть возможности для того, чтобы в инструментальном программ-

ном обеспечении была повышена эффективность.

Единое информационное пространство, которое создается внутри образовательных организаций, должно постоянно развиваться.

Вэтом пространстве будет происходить интеграция в рамках информационных технологий, как новых так и старых подходов.

Литература

1. Львович Я.Е. Адаптивный контроль знаний в электронных обучающих системах / Я.Е. Львович, А.П. Преображенский // Вестник Воронежского института высоких технологий. 2020. № 1 (32). С. 74-76.

2.Преображенский А.П. Проблемы использования инноваций в образовательных сферах / А.П. Преображенский, О.Н. Чопоров // Russian Journal of Education and Psychology. 2019. Т. 10. № 9. С. 33-37.

3. Преображенский Ю.П. О подготовке инженерных кадров / Ю.П. Преображенский // В сборнике: Современные инновации в науке и технике Сбор-

111

ник научных трудов 8-й Всероссийской научно-технической конференции с международным участием. Ответственный редактор А.А. Горохов. 2018. С. 175-179.

Воронежский институт высоких технологий – АНОО ВО

УДК 681.3

Ю. П. Преображенский

ПРОБЛЕМЫ ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ТРЕНАЖЕРОВ

В существующих условиях, так как активным образом внедряются компьютеры в разных областях деятельности людей, наблюдается рост требований относительно квалификации современных специалистов. Объяснить это можно тем, что важно максимальным образом использовать преимущества, относящиеся к новым информационным технологиям [1].

Поэтому мы можем рассматривать применение в рамках учебных процессов компьютерных систем, как одну из важнейших составляющих.

За счет нее возникают возможности, ведущие к тому, что обеспечивается автоматизация труда для определенных отраслей.

Можно отметить применение систем автоматизации проектирования, инноваций в производственных процессах, инженерный анализ, применение экономических расчетов, развитие документооборота, практическое применение научных исследований, построение экспертно-диагностирующих систем и др.

Обучающиеся должны соответствующим образом воспринимать и осмысливать разные результаты расчетов, учитывали ключевые трудным образом формализуемые параметры.

Их всегда можно наблюдать для любых типов профессиональной деятельности.

Поэтому, для того, чтобы развивать профессиональные качества, требуется опираться на интеллектуальные тренажеры, а также рассматривать возможности применения виртуальных лабораторий.

Основа тренажеров состоит в том, что рассматриваются математические модели, относящиеся к изучаемым объектам и процессам.

Следует отметить, что существует интерфейс. Он позволяет, чтобы проводить интерактивную учебную работу, когда ведется решение по учебным задачам для режимов детерминированных исследований.

Укажем определенные важные характеристики, которые мы можем наблюдать в ходе формирования тренажеров [3].

1. Обозначается задача, которая является практически важной.

112

2.Происходит построение модели обучения. Для определенных условий тренажером может быть заменен преподаватель.

Еще полезными будут ободряющие реплики для лексикона тренажера, быстрые отклики по запросам учащихся (не превышающих 2-3 секундных задержек), подсказки относительно техник проведения диалогов [4].

3.Ищутся возможности для того, чтобы эвристическим образом решать задачи. Использование компьютерной техники предоставляет возможности по тому, чтобы были автоматизированы рутинные вычисления.

Обучающемуся будет предоставлено только то множество функций, которые будут соотноситься с интеллектом. При этом будет происходить осмысление результатов и принимаются решения.

Происходит заметный рост таких проектов, для которых необходим анализ. Также наблюдается увеличение объемов знаний, связанных с объектами или процессами проектирования, когда исходим из того, что постоянные вре-

мена в обучении.

4.Могут возникать соревновательные ситуации в активации познавательной деятельности.

Определяется это тем, как осуществляются соревнования или как достигаются весьма рациональные проекты. Происходит выдача одинаковых заданий по всем обучающимся.

Профессиональная подготовка, особенно это видно в технических вузах, определяется большим числом заданий и учебных проектов.

Когда проводится автоматизация в учебной работ профессионального типа, появляются предпосылки по подробному рассмотрению свойств анализируемых объектов.

Еще анализируются процессы на основе того, что строятся имитационные или математические модели.

Когда разрабатываются тренажеры, то:

1.Выбирается учебная задача.

2.Рассматриваются ключевые подходы при ее решении.

3.Происходит формирование целевой функции.

4.Детальным образом обозначается решение.

5.Строится функциональная схема.

6.Происходит формирование программного обеспечения.

На рисунке приведен пример схемы работы интеллектуального тренажера.

113

Рис. Пример схемы работы интеллектуального тренажера

Литература

1.Мэн Ц. Анализ методов классификации информации в интернете при решении задач информационного поиска / Ц. Мэн // Моделирование, оптимизация и информационные технологии. 2016. № 2 (13). С. 19.

2.Гостева Н.Н. Информационные системы в управлении производством / Н.Н. Гостева, А.В. Гусев // Вестник Воронежского института высоких технологий. 2017. № 1 (20). С. 58-60.

3.Львович И.Я. Использование информационных систем в управлении производством / И.Я. Львович, А.П. Преображенский, О.Н. Чопоров // Научный взгляд в будущее. 2018. Т. 3. № 9. С. 94-98.

4.Комаристый Д.П. Использование информационных систем на предприятиях / Д.П. Комаристый, А.М. Агафонов, А.П. Степанчук, П.С. Коркин // Вестник Воронежского института высоких технологий. 2017. № 2 (21). С. 104106.

Воронежский институт высоких технологий – АНОО ВО

УДК 005:53.02,519.2

А. А. Ковалев, Б. К. Кузнецов, В. А. Игнатенко, А. А. Ядченко

ПРИМЕНЕНИЕ ROC-АНАЛИЗА ДЛЯ ОЦЕНКИ КАЧЕСТВА БИНАРНОГО КЛАССИФИКАТОРА В ИССЛЕДОВАНИЯХ, ПОСВЯЩЕННЫХ МЕТОДАМ ДИАГНОСТИКИ

Бинарным классификатором принято называть такое решающее правило, которое позволяет отнести исследуемый объект к одному из двух заведомо определенных классов. В зависимости от типа классификатора, возможно получе-

114

ние как вероятностной оценки принадлежности к классу (примером может служить логистическая регрессия), так и оценки в абсолютной шкале. Подобный алгоритм предлагает более гибкий подход к классификации за счет варьирования порога отсечения, что позволяет выбрать наиболее оптимальное решение поставленной задачи классификации. Примером применения бинарных классификаторов являются медицинские диагностические модели (на основе ряда тестов). С их помощью результаты, зачастую большого количества сложно поддающихся визуальной интерпретации данных анализов, сводятся к простому и понятному разделению на классы (например, болен/здоров). А возможность вероятностной оценки постановки диагноза позволяет уменьшить степень неопределенности в принятии решения [1].

На практике зачастую предпочтительнее применение более простых, пусть и менее точных методов диагностики в сравнении с «золотым стандартом». Это может быть вызвано сложными процедурами, сопутствующими при применении эталонных тестов. Замена одного метода другим ведет к необходимости количественной оценки их схожести. А в случае разработки новых моделей (например, при отсутствии эталонного метода или его ограниченном применении) требуется объективный показатель их качества. Одним из способов оценки качества бинарного классификатора является ROC-анализ и его усовершенствованные модели, преодолевающие некоторое ограничения классического ROC-анализа [2].

Постановка задачи. В ходе проверки модели на группе пациентов, с заведомо известным диагнозом, результаты можно представить в виде таблицы 2x2 (таблица). Где: TP (True Positives) – верно классифицированные положительные примеры (истинно положительные случаи); TN (True Negatives) – верно классифицированные отрицательные примеры (истинно отрицательные случаи); FN (False Negatives) – положительные примеры, классифицированные как отрицательные (ошибка I рода) или ложноотрицательные примеры; FP (False Positives)

– отрицательные примеры, классифицированные как положительные (ошибка II рода) или ложноположительные случаи.

Таблица

Общий вид результатов тестирования модели

Если представить отклики модели в виде функции плотности распределения, то возможны варианты практически полного, частичного или отсутствия пересечения множеств (рисунок). При отсутствии пересечения множеств модель разделяет пациентов на группы, не совершая ошибок (идеальный тест). В

115

случае полного пересечения тест бесполезен при любом пороге отсечения, что соответствует «случайному гаданию», как если бы врач ставил диагноз, подбрасывая монету [1]. Наиболее часто встречается вариант частичного пересечения множеств и наличием приведенных выше ошибок диагноза (рисунок, б, в). Если изменять пороговое значение, согласно которому пациента следует отнести к той или иной группе, очевидно, что будет меняться и количество FP/FN результатов.

Рис. Распределения результатов диагностического теста. Соответствующие ROC-кривые. Варьирование AUC ROC-кривой в экспериментах

Алгоритм построения ROC-кривой. Ядром ROC-анализа является построение кривой зависимости доли верно классифицированных положительных результатов (этот параметр часто называют чувствительностью Se) от доли неверно классифицированных отрицательных результатов (1-Sp, где Sp – специфичность теста, т.е. доля верно классифицированных тестом отрицательных случаев) при варьировании порога отсечения. Для построения кривой необходимо объединить обе группы (больных (n) и здоровых (m)) в общий массив и упорядочить его по убыванию значений результатов теста. Начало кривой лежит в точке (0; 0). Каждое последующее значение ответа алгоритма из упорядоченного ряда принимается в качестве порога отсечения (или задается фиксированный шаг, например 0,01). В зависимости от текущего значения порога, пациент определяется в одну из двух групп: ниже порогового значения – к группе здоровых; включительно и выше порога – к группе больных. Для каждого значения выбранного порога отсечения подсчитывается доля истинно поло-

116

жительных (Se) и ложноположительных (1-Sp) результатов теста по отношению к заведомо определенным классам. Полученные результаты наносятся на график (см. ROC-кривые на рисунке), график заканчивается в точке (1; 1) и дополняется прямой y=x. ROC-кривая, как для выборок, так и для распределений, всегда имеет ступенчатый вид. В случае отсутствия порога отсечения (модель дает бинарный ответ) кривая строится по трем точкам: (0; 0), (Se; 1-Sp), (1; 1) (рисунок, д).

Интерпретация ROC-кривой. ROC-кривая дает наглядное представление качества работы теста. При идеальном классификаторе кривая проходит через верхний левый угол (точка (0;1)): тест не совершает ошибок (рисунок, а). Если же кривая приближается к диагональной линии (или лежит на ней), это свидетельствует о низком качестве модели или о бесполезном классификаторе, когда тест случайным образом дискриминирует пациентов по группам (рисунок, г). Наиболее часто кривая лежит между этими экстремальными точками ROCпространства (рисунок, б, в). Тесты, располагающиеся вблизи левого нижнего угла, дают малый процент ложноположительных результатов – «консервативные» (область C на рисунке, в), они определяют доподлинно больных. Однако, они могут определить больного в класс здоровых. Тесты в районе верхнего правого угла – «либеральные» [2] (область L на рисунке, в) их применение снижает риск пропуска больного (определяются доподлинно здоровые). Если кривая проходит ниже диагональной прямой, то модель чаще относит больных к группе здоровых и наоборот, что считается худшим результатом, нежели чем «случайное угадывание». Но такой тест можно адаптировать путем замены стратегии принятия решений на противоположную [2, 3].

Площадь под ROC-кривой (AUC). Объективной оценкой качества классификатора принято считать площадь под ROC-кривой (AUC). Ее можно ра с- считать по формуле трапеций [3]:

близком или равном 0,5 говорят об отсутствии дискриминирующей способности модели, при значении равном 1 тест считается идеальным. Следовательно, чем ближе величина AUC к 1, тем выше прогностическая способность теста. Часто приводится экспертная шкала оценок AUC, по которой можно судить о качестве модели: отличное (0,9-1,0), очень хорошее (0,8-0,9), хорошее (0,7-0,8), среднее (0,6-0,7), неудовлетворительное (0,5-0,6) [4]. Например, в практике применения ROC-анализа для оценки тяжести состояния или прогнозирование летального исхода, значение AUC должно принимать значения не ниже 0,9, а тесты с AUC от 0,8 до 0,9 принимаются во внимание в качестве дополнительной информации. Тесты же с AUC менее 0,8 не используются для прогнозирования летального исхода [5].

Для вычисления стандартной ошибки AUC и ее двухстороннего доверительного интервала используются следующие формулы [3]:

117

доверительный уровень в долях (0,99; 0,95 и т.д.).

Показатель AUC является критерием качества модели (теста) достаточно условно. Более подходящее его применение для сравнения ROC-кривых для разных моделей, так как визуальное их сравнение достаточно проблематично. Для сравнения площадей под ROC-кривыми, а так же для оценки значимости

ROC-кривые разных классификаторов могут пересекаться. В определенной (значимой для практического применения) области (или диапазоне значений) одна кривая может быть эффективнее другой при равных значениях AUC [6]. В этом случае наилучшим способом оценки будет парциальный индекс площади (Partial Area Index), вычисляющийся под определенным участком для каждой кривой, в зависимости от выбранного допустимого количества ложноположительных результатов [5, 8].

При оценке AUC важным моментом является размер выборки. Для малых выборок неизбежно увеличивается ширина доверительного интервала, как самой кривой, так и площади под ней. Тем самым доверительный интервал кривой и AUC может оказаться очень большим. Это ставит под сомнение возможность применения модели на практике. Малые выборки приводят к большим неточностям оценок параметров ROC-кривой [9]. На рисунке, е) изображена зависимость экспериментальных значений AUC±SE для разного количества выборок. Видно, что для выборок общим количеством наблюдений обоих классов менее 200 доверительный интервал очень широкий.

Выбор порога отсечения. Порог отсечения выбирается в зависимости от поставленных практических задач. Это может быть такое значение, при котором расстояние от ROC-кривой до точки (0;1) минимальное (отрезок A в ROCпространстве на рисунке, б)) [5]. Или точка, где доля истинно положительных результатов (Se) принимает наибольшее значение при наименьшем количестве ложноположительных результатов (1-Sp): максимальное значение суммы чувствительности и специфичности или индекс Йодена, характеризующий макси-

118

В иных случаях предпочтительнее выбрать более «либеральный» тест, тем самым увеличивается шанс не пропустить опасную, но излечимую болезнь [1]. Однако, если ложноположительный результат теста ведет к необходимости последующих сложных, опасных или финансово затратных для пациента процедур, то предпочтительнее выбрать тест с высоким значением Sp, который точнее определит доподлинно больных.

Заключение. Реализация модуля ROC-анализа имеется во многих специализированных пакетах, таких как Statistica (раздел нейронные сети), SPSS, MedCalc, Attestat и другие. Так же доступны Интернет-ресурсы, например: http://www.rad.jhmi.edu/jeng/javarad/roc/JROCFITi.html. При детальном изучении методики, ее не составляет труда осуществить с применением возможностей электронных таблиц. Однако, для сравнения кривых, определения AUC, статистической значимости AUC и других, важных для анализа, параметров имеет смысл воспользоваться возможностями среды для обработки данных R.

Литература

1.Клиническая эпидемиология. Основы доказательной медицины. Р. Флетчер, С. Флетчер, Э.Вагнер. Пер.с англ. – М. Медиа Сфера, 1988. – 352 с.

2.Файнзильберг Л.С., Жук Т.Н.. Гарантированная оценка эффективности диагностических тестов на основе усиленного ROC-анализа / Л. С. Файнзиль-

берг, Т.Н. Жук // Управляющие системы и машины. – 2009. – № 5. – С. 3-13.

3.Гайдышев И.П. Оценка качества бинарных классификаторов. Вестник Омского ун-та. – 2016. – № 1(79). – С. 14-17.

4.Литвин, А. А. Использование данных доказательной медицины в кли-

нической практике (сообщение 3 – диагностические исследования) / А. А. Литвин, А. Л. Калинин, Н. М. Тризна // Проблемы здоровья и экологии. – 2008. – № 4 (18). – С. 12-19.

5. Пацай Д. И. ROC-анализ оценки тяжести состояния и качества прогноза у больных острым панкреатитом / Д. И. Пацай, Н. Ю. Блахов // Военная м е- дицина. - 2011. – №3. – С.60-66..

6.Hand, David J. Measuring classifier performance: a coherent alternative to the area under the ROC curve. Machine Learning – 2009. – №77 – P.103–123.

7.Королюк И.П. ROC-анализ (операционные характеристики наблюдате-

ля): базовые принципы и применение в лучевой диагностике/ Медицинская визуализация 2013. – N 6. – С.113-123.

8.Seong Ho Park, Jin Mo Goo, Chan-Hee J. Receiver Operating Characteristic (ROC) Curve: Practical Review for RadiologistsKorean J Radiol. – 2004 – №5(1) – P. 11–18.

9.Hanczar, Blaise; Hua, Jianping; Sima, Chao; Weinstein, John; Bittner, Michael; and Dougherty, Edward R.Small-sample precision of ROC-related estimates,

Bioinformatics – 2010 – 26 (6): 822—830.

Гомельский государственный медицинский университет Институт биохимии биологически активных соединений НАН Беларуси

119

УДК 621.3

Е. А. Рогозин, А. М. Каднова

МЕТОДИЧЕСКИЙ ПОДХОД К ОЦЕНКЕ ВРЕМЕННОГО ПОКАЗАТЕЛЯ КАЧЕСТВА ФУНКЦИОНИРОВАНИЯ СИСТЕМЫ ЗАЩИТЫ ИНФОРМАЦИИ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ, ОСНОВАННЫЙ

НА KEYSTROKE-LEVEL MODEL

Одним из распространённых подходов к количественному анализу временного показателя качества функционирования систем защиты информации (СЗИ) в автоматизированных системах является подход, основанный на использовании технологии Keystroke-Level Model, которая представляет собой быстрый и эффективный способ оценки времени выполнения типовой операции оператором в процессе работы с СЗИ [1]. Данная модель предполагает, что время необходимое для выполнения той или иной операции системой «человекмашина» есть сумма всех временных диапазонов, в течении которых эта система выполняла элементарные действия, составляющие данную операцию [2,3]. С точки зрения оценки показателя «удобство использования» лучшим является тот интерфейс, при котором время выполнения типовой операции оказывается меньшим [4,5].

В результате проведения лабораторных исследований было обнаружено, что несмотря на то, что для каждого оператора системы «человек-машина» время выполнения того или иного элементарного действия может быть индивидуально, проведение измерений для каждого отдельного оператора можно заменить использованием стандартных значений интервалов времени для каждого элементарного действия [6]. В соответствии с данной методикой любая операция, выполняемая оператором, состоит из шести элементарных действий. В таблице приведены указанные элементарные действия, их описание и стан-

дартные значения времени их выполнения.

Таблица

Элементарные действия оператора системы «человек-машина»: обозначение, описание и время выполнения

120

отрезков прямых общей длиной .

Таким образом, время выполнения операции есть сумма времени, затраченного на выполнение элементарных действий:

TОбщее =TK +TP +TH +TM +TR +TD .

Используя рассмотренную выше методику Keystroke-Level Model проведем количественный анализ операции «Создание пользователя» выполняемой администратором безопасности СЗИ «Страж NT 3.0». Интерфейс программы «Менеджер пользователей» СЗИ «Страж NT 3.0», с помощью которой администратор безопасности выполняет операцию по созданию пользователя, представлен на рис. 1.

Рис. 1. Интерфейс программы «Менеджер пользователей» СЗИ «Страж NT 3.0»

Операция «Создание пользователя» состоит из следующих элементарных действий:

1.Перемещение руки к устройству ввода (мыши).

2.Перемещение курсора к объекту «Новый пользователь» интерфейса программы «Менеджер пользователей».

3.Нажатие на указанный объект. На экране появится диалоговое окно «Новый пользователь».

4.Перемещение курсора к объекту «Пользователь».

5.Нажатие на указанный объект.

6.Перемещение рук на клавиатуру.

7.Ввод в поле «Пользователь» символов «a», «b», «u», «k», «o», «v».

8.Перемещение рук к устройству ввода (мыши).

9.Перемещение курсора к объекту «Создать профиль пользователя на

121

этом компьютере».

10.Нажатие на указанный объект (появится галочка).

11.Перемещение курсора к объекту «Допуск».

12.Нажатие на указанный объект.

13.Перемещение курсора к элементу «Секретно».

14.Нажатие на указанный элемент.

15.Перемещение курсора к полю «Пароль».

16.Нажатие на указанный объект.

17.Перемещение рук на клавиатуру.

18.Ввод в поле «Пароль» символов «b», «u», «k», «o», «v», «2», «0»,

«2», «0».

19.Перемещение руки к устройству ввода (мыши).

20.Перемещение курсора к полю «Подтверждение».

21.Нажатие на указанный объект.

22.Перемещение рук на клавиатуру.

23.Ввод в поле «Подтверждение» символов «b», «u», «k», «o», «v», «2», «0», «2», «0».

24.Перемещение руки к устройству ввода (мыши).

25.Перемещение курсора к объекту «Создать».

26.Нажатие на объект «Создать».

На рис. 2 представлен интерфейс диалогового окна «Новый пользователь» программы «Менеджер пользователей» СЗИ «Страж NT 3.0» в момент выполнения элементарного действия «Нажатие на объект «Создать».

Рис. 2. Интерфейс диалогового окна «Новый пользователь» программы «Менеджер пользователя» СЗИ «Страж NT 3.0» в момент выполнения элементарного действия «Нажатие на объект «Создать»

122

Запись модели Keystroke-Level Model с учетом правил размещения элементарного действия M будет выглядеть следующим образом:

H M P K M P K H M K K K K K K H M P K M P K M P K M P K M H K K K K K K K K K H M P K M K K K K K K K K K H M P K

В соответствии с выражением (1) получим время выполнения администратором безопасности СЗИ «Страж NT 3.0» операции «Создание пользователя»:

TОбщее =11×1,35+6×0,4+8×1,1+32×0,2 = 32,45сек

Таким образов, данная методика позволяет посчитать время выполнения одним и этим же администратором безопасности той или иной операции в различных СЗИ, и на основании полученных значений осуществить выбор СЗИ для проектируемой автоматизированной системы в защищенном исполнении.

Литература

1.Stuart C. Psychology of Human Computer Interaction/ C. Stuart, T. Moran, A. Newell. – USA : Lawrence Erlbaum Associates, 1983. – 312 с.

2.Каднова А.М. Методический подход к оценке вероятностного показа-

теля своевременности выполнения типовых операций администратором системы защиты информации автоматизированной системы / А.М. Каднова // Вестник Дагестанского государственного технического университета. Технические науки. – 2019. – Т. 46. – № 3. – С. 87–96.

3. Каднова А.М. Способ оценки операционных характеристик систем защиты информации от несанкционированного доступа на основе эксперимента / О.И. Бокова, А.М. Каднова, Е.А. Рогозин, Н.С. Хохлов, О.Ю. Макаров // Актуальные проблемы прикладной математики, информатики и механики : сб. науч. тр. – Воронеж, 2020. – С. 656–659.

4. Каднова А.М. Показатели эффективности функционирования систем информационной безопасности в автоматизированных системах на объектах информатизации ОВД / А.М. Каднова // Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем : сб. науч. тр. – Воронеж, 2019. – С. 88–90.

5. Каднова А.М. Система показателей качества функционирования при создании системы информационной безопасности на объекте информатизации ОВД / О.И. Бокова, А.М. Каднова, Е.А. Рогозин, А.С. Серпилин // Приборы и системы. Управление, контроль, диагностика. – 2019. – № 1. – С. 32–39.

6. Stuart C. The Keystroke-Level Model for User Performance Time withnIteractive Systems. / C.Stuart, T.Moran, A.Newell // Communications of the ACM 23. – 1980. –С. 18–27.

Воронежский институт МВД России

123

УДК 004.04

Д. В. Романов

МЕТОДИКА УПРАВЛЕНИЯ КЛИЕНТАМИ В ЛОГИСТИЧЕСКОЙ АНТИФРОД-СИСТЕМЕ

Система управления клиентами – важная часть любой современной компании на рынке товаров и услуг. От того, насколько она гибка, функциональна и адаптирована к предметной области в конечном счете будет зависеть качество работы с потребителем, и, как следствие, репутация и финансовая доходность.

Особенность области международной логистики состоит в том, что в процесс включено сразу несколько лиц: непосредственно продавец и покупатель, таможня и сам сервис, обеспечивающий доставку. И на каждом из этапов необходим определенный контроль.

Одной из основных проблем, связанной с управлением в данной предметной области является проблема фрода (мошенничества со стороны клиента). И для решения этой проблемы разрабатываются так называемые антифродсистемы, целью которых является предупреждение небезопасных действий в реальном времени и оценка потенциального риска [1]. Для наиболее эффективной работы таких систем они должны как учитывать специфику области, так и обладать комплексной методикой управления на разных уровнях.

Антифрод-система представляет собой следующий функционал:

1)отслеживание клиентской активности;

2)проверка каждой транзакции;

3)определение величины риска;

4)интерфейс управления для потенциально опасных клиентов;

5)хранение ретроспективы данных по всем действиям. Определенный набор действий клиента в системе проходит фазу провер-

ки с применением различных методов: использование эвристик, сложных условий, алгоритмов машинного обучения и методов классификации [1]; опционально используя предыдущие данные по тому же клиенту. Подход позволяет оценить действия клиента с точки зрения безопасности, и в случае потенциального подозрения – блокировка транзакции до дальнейшего экспертного решения фрод-оператора, которому поступает соответствующее уведомление.

Так или иначе, результаты проверки не всегда могут давать точный результат, а иногда и вовсе ошибаться [2]. Именно поэтому «ручная» проверка остается актуальной. Естественно, простые и явные случаи система может распознать и без участия человека, однако в сложных или неоднозначных ситуация роль фрод-эксперта остается ключевой.

После того, как проведена автоматизированная проверка, транзакции присваивается определенный класс безопасности. В том случае, если класс «небезопасный», то происходит регистрация события, и клиент попадает на ру ч-

124

ную проверку. Для того, чтобы добросовестный клиент не попадал на блокировку сразу, в качестве лояльного инструмента предусмотрено использование уровней безопасности.

В качестве уровней безопасности будут выступать конкретные значения границ:

(5)

И после вычисления оценок клиенту будет присвоен один из уровней, который будет влиять на взаимодействия с сервисом:

(6)

Такая простая схема позволяет выводить наглядно оценку клиенту для фрод-оператора, которая поможет ему в дальнейшем принятии решения.

В сфере логистики можно достаточно выделить 3 уровня с диапазоном оценок от 0 до 100 включительно: [0;30] – низкий, (30 70] – средний, (70; 100] – высокий, т.е.:

125

Рис. Антифрод-статистика клиента

В данном случае пресечена попытка «отмывания» денег – то есть клиент вносит средства в сервис от одного источника (например, с украденными данными по карте), а пытается вывести на другой (уже свой), при этом представляясь системе другим человеком для возможного обмана при несоответствии имени плательщика. Очевидно, что такой клиент будет заблокирован, о чем и сигнализирует система понижением оценки клиента.

При использовании уровней безопасности может возникнуть необходимость ограничивать список действий, доступных клиенту. К примеру, средний уровень не даст автоматический возврат денежных средств, а низкий – оформление посылок на ранее неиспользованный адрес. В данной ситуации можно использовать методику ACL (Access Control List), которая представляет собой матрицу действий и разрешений для каждого из уровней безопасности.

В табл. 2 разрешающее действие отмечено как «+», а запрещающее – как «-». Такая адаптивная настройка позволит более качественно подходить к вопросам безопасности, повышая контроль за клиентами уже на ранней стадии, запрещая или одобряя определенные действия.

Таким образом, использование уровней безопасности позволит более мягко подходить к вопросу ограничения клиента при подозрительных действиях, а также заранее определять их набор. Описанные методики могут подходить также и для смежных предметных областей, оказывать положительный эффект в вопросах управления и контроля клиентов.

127

Литература

1.Романов Д.В., Рындин А.А., Скворцов Ю.С. Методика управления ан- тифрод-системой в логистической отрасли на основе байесовского классификатора // Вестник ВГТУ. 2020. Т. 16. № 1. С. 23-32.

2.Кудряшова О.А., Ильина А.В. Аналитическая система антифрод как комплекс мер для оценки риска финансовых транзакций // Актуальные вопросы экономической теории: развитие и применение в практике российских преобразований: мат. VII международ. науч.-практ. конф. УГАТУ. 2018. С. 193-196.

ФГБОУ ВО «Воронежский государственный технический университет»

УДК 681.5.011

Е. А. Сердечная

ПРИМЕНЕНИЕ МЕТОДОВ МАТЕМАТИЧЕСКОГО ПРОГРАММИРОВАНИЯ В ЗАДАЧАХ СТАБИЛИЗАЦИИ СИСТЕМ УПРАВЛЕНИЯ

Применение методов математического программирования значительно расширяет возможности известных приёмов синтеза систем автоматического регулирования. В практических задачах проектирования систем управления достаточно часто приходится сталкиваться с необходимостью стабилизации неустойчивых объектов, при этом параметры объектов могут быть нестационарными. Для обеспечения требуемых характеристик систем управления в этих условиях применяют методы адаптации [1,2]. Вместе с тем, в последние годы приобретают популярность методы робастного управления, не требующие громоздких алгоритмов адаптации [3,4]. Дальнейшее развитие этих методов можно ожидать от их использования совместно с методами математического программирования. Настоящая работа раскрывает способы и приёмы такого подхода к проектированию на примере задачи стабилизации системы управления структурно неустойчивым объектом.

Теоретическую возможность обеспечения устойчивости методами модального управления продемонстрируем на примере неустойчивого объекта

ленной в форме Фробениуса:

128

Анализ матрицы (2) показывает, что подобрав коэффициенты регулятора таким образом, чтобы выполнялось условие: k·ri+1>>ai, можно обеспечить робастность системы к изменению параметров: a1, a2, a3.

Изложенные теоретические предпосылки указывают лишь на принципиальную возможность обеспечения робастности системы, но не указывают на способ обеспечения этой робастности, который не является очевидным. Действительно, определение n коэффициентов регулятора осуществляется в результате приравнивания n коэффициентов характеристического полинома |s·E- B+N·R| к n коэффициентам желаемого полинома. Таким образом можно избавиться он нулевого корня, обеспечив устойчивость системы. Однако решение этой системы уравнений является единственным. Таким образом, в общем случае, обеспечить условие робастности невозможно из-за отсутствия свободных переменных.

Для преодоления этого противоречия воспользуемся тем обстоятельством, что показатели качества системы обеспечиваются небольшим количеством доминирующих корней, и нет необходимости формировать точное расположение всех n корней характеристического полинома объекта. То есть можно за-

даться желаемым расположением только части корней: S1*,S2*,S3* Sm* ,(m < n), а

расположение оставшихся n-m корней будет определяться мерой их удалённости b от желаемых корней в виде неравенства: Sj ≤ b S*p,(p =1,m; j = m+1,n). Тогда

полная система условий реализации робастного модального регулятора примет вид:

129

где ci – коэффициенты полинома замкнутой системы |s·E-B+N·R|, (s – оператор Лапласа); di – коэффициенты полинома (4):

Sj,Sk—корни характеристического полинома; q—коэффициент, определяющий степень(глубину) робастности. Система (3) содержит n уравнений и n+(n-m) неизвестных. Поскольку m<n, то 2n-m>n, то есть число неизвестных больше числа уравнений, и появляется возможность выполнить наложенные ограничения-неравенства

Sj < b Sk*,k =1,m; j = m+1,n;k ri > q ai−1,

не единственным образом, поэтому необходимо ввести некоторый критерий решения задачи (3). Воспользуемся критерием:

i=1

обеспечивающим близкие значения коэффициентов регулятора.

Таким образом, решение задачи стабилизации и построение робастного регулятора удалось свести к задаче математического программирования.

Проверим работоспособность метода на примере неустойчивого объекта четвертого порядка со следующими матрицами: B, N и A:

Характеристический полином объекта в изображении по Лапласу: s·(s3+3·s2+s+1), или в матричном виде: |(s·E)-B|, где Е-единичная матрица.

Введём в систему регулятор, тогда характеристический полином PS(s) системы будет получит вид:

PS(s)=|(s·E)-B+N·R|=s4+(r4+3)·s3+(r3+1)·s2+(r2+1)·s+r1.

Зададимся желаемым полиномом, в котором нулевой корень объекта будет заменён на желаемое значение, обеспечивающее устойчивость системы. Данный полином содержит один неизвестный корень:

PG(s)=(s+5)·(s+7)·(s+10)·(s-S4).

Приравняем коэффициенты при s полиномовPS(s) и PG(s)

s4+ (r4+3)·s3+(r3+1)·s2+(r2+1)·s+r1=s4+(22-S4) ·s3+ +(155-22·S4) ·s2+(350-155·S4)·s-350·S4.

В результате cистема уравнений (3) с критерием (5) примет вид:

130

Выбрано решение системы: S4=-25, r1=8750, r2=4224, r3=704, r4=44.

Проведём анализ устойчивости систем с робастным управлением и без него с помощью построения областей устойчивости. В неробастной системе поиск коэффициентов модального регулятора производится без введения ограничений и критерия, обеспечивающего близость значений матрицы регулятора.

Построим области устойчивости робастной и неробастной системы.

Рис. Сравнение областей устойчивости робастной и неробастной систем

На рисунке обозначены: Y(ω)=Im(a1(ω)); X(ω)=Re(a1(ω)), D(i), d(i) – подоб-

ласти с числом i корней с положительной вещественной частью для робастной и неробастной систем соответственно.

Рисунок показывает расширение области устойчивости системы с робастным модальным регулятором.Полученная область позволяет сохранять устойчивость системы в большем спектре значений её параметров.

Таким образом, на примере робастной стабилизации системы автоматического регулированияпоставлена задача математического программирования с нелинейной функцией цели. Решениеэтой задачи позволило значительно расширить область устойчивости системы, а также обеспечить компактное расположение коэффициентов регулятора.

131

Литература

1. Yue X. Adaptive control for attitude coordination of leader-following rigid spacecraft systems with inertia rametepar uncertainties// Chinese ournalJ of Aeronautics. 2019. V. 32, no 3. P. 688-700.

2.Jordehi A. How to deal with uncertaintiesin electric power systems? A review// Renewable and Sustainable Energy Reviews. 2018. V. 9. P. 145-155.

3.Alsaadi F. Robust stability of uncertain fractional order singular systems with neutral and time-varying delays// Neurocomputing. 2020.

4.Wong H. Robust control ofthe adaptive immune system. Seminars in Immunology. 2018. V. 36, P. 17-27.

ФГБОУ ВО «Воронежский государственный технический университет»

УДК 004.424.5

С. В. Скворцов, Т. А. Фетисова

АНАЛИЗ ЭФФЕКТИВНОСТИ МНОГОПОТОЧНОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА С УЧЕТОМ ОСОБЕННОСТЕЙ РЕАЛИЗАЦИИ ОПЕРАТОРА СЕЛЕКЦИИ

Впоследнее время в связи с быстрым развитием вычислительной техники

иеё возрастающими мощностями, становится актуальным вопрос об их эффективном использовании. Для этого активно применяют механизмы распараллеливания процессов в многомерных системах. Эволюционные алгоритмы, а именно генетические алгоритмы (ГА), широко применяемые для решения задач поиска и оптимизации, реализуют итеративное обучение популяций, что может быть принято за основу организации многопоточности [1]. При этом ГА формируют подпопуляции пробных решений, управляемых с помощью операторов генетического алгоритма (селекция, кроссинговер, мутация, миграция).

Мощность подобных эволюционных алгоритмов усиливается с применением параллельных вычислений [2]. Они основаны на делении популяции на несколько подпопуляций, каждая из которых обрабатывается независимо от других подпопуляций на первом (блочном) уровне параллелизма [3]. На втором (поточном) уровне параллелизма происходит вычисление значений целевой функции каждой особи [3].

Целями данной работы являются:

–модификация и исследование оператора селекции, используемого в ГА, для его эффективной реализации на платформе CUDA в виде многопоточных приложений, объединенных в один модуль/библиотеку;

132

–сравнение производительности многопоточной программы с последовательными версиями программ, которые исполняются на центральном процессоре, а также с версиями, в которых реализуются первый и второй уровни параллелизма на графическом процессоре;

–систематизация полученных экспериментальных данных.

Под селекцией в ГА понимается выбор хромосом, которые будут участвовать в генерации потомков следующей популяции. Такая процедура позволяет выбрать особи с наилучшими (наибольшими) значения функции полезности, что способствует появлению новой популяции с лучшими характеристиками. На сегодняшний день существуют разные методы селекции. В многопоточной реализации будут использованы следующие методы: колесо рулетки, турнирная селекция, ранговая селекция – они различны по своей реализации, и, в свою очередь, каждый имеет свои особенности, преимущества и недостатки.

Принцип колеса рулетки обычно считают основным методом селекции для ГА. Метод основывается на выполнении следующих шагов:

1)вычисление значения функции полезности каждой особи;

2)вычисление секторов рулетки по формуле (1)

v – вероятность выбора сектора колеса рулетки; ps – величина сектора; F – значение функции полезности особи; chi – i-ая особь;

3) рандомный выбор особей по секторам (особь повторяется тем чаще, чем больше сектор);

3)удаление повторяющихся особей;

4)переход к кроссинговеру.

Основной недостаток такого метода заключается в исключении из популяции достаточно большого количества особей с малым значением фитнесфункции, что, возможно, может привести к преждевременной сходимости.

Турнирная селекция является более востребованной при решении задач минимизации и максимизации функций, а также многокритериальной оптимизации. Данный метод разделен на четыре этапа:

1)разбиение популяции на подпопуляции (фиксированного или произвольного размера) случайным (с вероятностью меньше 1) или детерминированным (с вероятностью 1) образом;

2)вычисление значения функции полезности каждой особи в подпопуля-

ции;

3)выбор из каждой подпопуляции особи с наилучшим значением функции полезности;

4)переход к кроссинговеру.

133

Исследования турнирной селекции утверждают, что данный метод работает более эффективно, чем метод колеса рулетки.

Ранговая селекция основывается на ранжировании особей популяции по значениям их функции полезности, а именно:

1)вычисление значения функции полезности каждой особи;

2)ранжирование особей по уменьшению функции полезности;

3)определение особей, которые будут в выборке для скрещивания;

4)переход к кроссинговеру.

Главное преимущество ранговой селекции заключается в возможности ее применения при минимизации и максимизации функций.

Выбор выше представленных методов обусловлен тем, что они различны между собой, каждый в отдельности востребован и имеет свои достоинства при решении прикладных задач, а также все они поддаются распараллеливанию средствами графического процессора.

Для проведения эксперимента по оценке эффективности параллельных вариантов ГА, на платформе CUDA разработано четыре версии программы поиска глобального минимума целевой функции: последовательная реализация на ЦП; одноуровневая блочная; одноуровневая поточная и двухуровневая блочнопоточная реализация на платформе CUDA. Эксперимент проводился с использованием следующих технических средств: видеоплата NVIDIA GeForcegtx 1070, процессор IntelCorei5 6500.

Задачи эксперимента:

–сравнение скорости работы параллельных и последовательных версий программ;

–анализ полученных результатов в целом для определения рациональных режимов практического применения разработанных многопоточных приложений поиска данных.

В процессе эксперимента выполнялись измерения времени работы указанных версий программ, реализующих ГА с использованием вариантов селекции, указанных выше, одноточечного кроссинговера и случайной мутации. Исходные данные, представленные в виде одномерных массивов целых чисел, формировались случайным образом.

Результаты эксперимента, представленные в таблице 1, получены на основе следующих сходных данных: количество особей 2000-8000; количество блоков при распараллеливании: 128-512; количество потоков: 128-512; сложность целевой функции (фитнес-функции): от алгебраической функции третьей степени до трансцендентной функции с наличием нескольких тригонометрических слагаемых; варианты селекции: колесо рулетки, турнирная селекция, ранговая селекция.

134

135

Таким образом, в результате проведения экспериментальных исследований было установлено:

–все параллельные версии генетического алгоритма дают улучшение по времени работы в сравнении с последовательным вариантом реализации;

–сложность целевой функции заметно влияет на работу параллельного генетического алгоритма - чем она сложнее, тем больше время работы алгоритма (как минимум, в 2 раза);

–при увеличении количества особей производительность алгоритма повышается;

–блочный и поточный параллелизм CUDA при таком наборе исходных данных дают примерно одинаковый эффект;

–значительное уменьшение времени работы наблюдается при организации блочно-поточного параллелизма (по сравнению с последовательной версией временные затраты сокращаются в 3 раза);

–применение многопоточного генетического алгоритма целесообразно при большем количестве особей.

Разработанные и исследованные версии ГА с многопоточной реализацией оператора «селекция» позволяют существенно повысить производительность алгоритма в целом. Дальнейшие подобные исследования планируется провести

соператором «кроссинговер» и его возможными видами (одноточечный, двухточечный, однородный). Кроме того, разнообразные способы миграции особей порождают обмен генетическим материалом среди разных подпопуляций (например, популяций разных островов в островной модели ГА [4]), которые, как правило, улучшают точность и эффективность алгоритма, что также может быть важным направлением будущих исследований.

Литература

1.Карпенко А.П. Современные алгоритмы поисковой оптимизации: учебное пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2014. 446 с.

2.Фетисова Т.А., Скворцов С.В. Ускорение генетического алгоритма средствами графических процессоров фирмы NVIDIA // Современные технологии в науке и образовании (СТНО-2019), Международный научно-технический форум, Сборник трудов, Том 4. 2019. С. 193-198.

3.S. Skvortsov, T. Fetisova, D. Perepelkin, D. Fetisov. Approach of Acceleration of Genetic Algorithm on CUDA platform // 8th Mediterranean Conference on Embedded Computing (MECO), 2019 - DOI: 10.1109/MECO.2019.8760016.

4.Скворцов С.В., Фетисова Т.А. Проектные процедуры синтеза на базе генетического алгоритма с распараллеливанием // Интеллектуальные и информационные системы (Интеллект-2019), Труды Всероссийской научнотехнической конференции. 2019. С. 134-138.

Рязанский государственный радиотехнический университет им. В.Ф. Уткина

136

УДК 332.145

К. А. Смирнова

АНАЛИЗ ИННОВАЦИОННОГО ПОТЕНЦИАЛА МУНИЦИПАЛЬНЫХ ОБРАЗОВАНИЙ С ИСПОЛЬЗОВАНИЕМ СРЕДЫ R

Термин муниципальное образование включает в себя: городское поселение; сельское поселение; муниципальный район; муниципальный округ; городской округ; городской округ с внутригородским делением; внутригородской район; внутригородская территория города федерального значения [1].

ФГБНУ «Госметодцентр» поддерживает информационную систему «Сведений о деятельности организаций и обособленных подразделений, входящих в научно-производственные комплексы наукоградов Российской Федерации» (далее-информационная система), которая реализует функции обработки и представления информации, в целях проведения экспертно-аналитической оценки инновационного потенциала муниципальных образований Российской Федерации. В информационной системе содержатся сведения по статистическим показателям характеризующим результативность деятельности муниципальных образований.

Для выявления муниципальных образований РФ, имеющих высокий потенциал технологического, научного, инновационного и образовательного развития проводится их сравнительный анализ по выбранным статистическим показателям. При анализе результативности муниципальных образований по разнородным направлениям их деятельности целесообразно использовать ранговую шкалу по соответствующим статистическим показателям [2].

При расчетах для каждой организации муниципального образования определяется среднегодовое значение соответствующих статистических показателей. При оценке самих муниципальных образований можно использовать два подхода: 1) использовать аддитивную оценку по всем организациям, что с методической точки зрения более корректно; 2) использовать для муниципального образования усредненную оценку по количеству учитываемых организаций (это дает возможность нивелировать нерепрезентативность выборки организаций). Ниже представлены оба подхода, таким образом, для каждого направления деятельности определяются два показателя результативности:

где xijk – значение статистического показателя i-го муниципального образования для его j-й организации в k-й момент времени;

137

ni – количество учтенных организаций вi-м муниципальном образовании; Tij – количество лет, за которые представлен статистический показатель

для j-й организации i-го муниципального образования;

rankiM (.) – ранг i-го муниципального образования среди M муниципаль-

ных образований по соответствующему статистическому показателю.

Кроме указанных показателей результативности, целесообразно проводить сопоставление полученных результатов с затратами ресурсов на их получение, среди которых важно учитывать внутренние текущие затраты на исследования и разработки (S); стоимость основных средств и нематериальных активов (B); численность работников, выполняющих исследования и разработки

(H). В соответствии с этим дл я каждого показателя результативности можно выделить 3 показателя эффективности муниципального образования:

Использование данных формул позволяет выделить муниципальные образования, показывающие высокую эффективность по указанным направлениям деятельности. В тоже время для выявления муниципальных образований, имеющих высокий потенциал технологического, научного, инновационного и образовательного развития можно использовать язык статистических вычислений R.

138

Одним из важных достоинств R является свободное распространение, система общепризнана в области анализа данных, является наиболее полной, надежной и динамично развивающейся статистической средой, объединяющей язык программирования высокого уровня и мощные библиотеки программных модулей для вычислительной и графической обработки данных. Всемерная поддержка научным сообществом данного проекта и широкое преподавание статистики на базе R обусловили то, что приведение скриптов на этом языке постепенно становится общепризнанным мировым “стандартом” в журнальных публикациях [3].

Для проведения вычислений в среде R используются статистические показатели муниципальных образований, содержащихся в информационной системе и выгруженных в файлы формата .xlsx.

Ниже представлен листинг фрагмента кода из статистической среды R, реализующий выявление муниципальных образований, имеющих высокий потенциал технологического, научного, инновационного и образовательного развития, полный код представлен в [4].

library(readxl)

Innovation_result -< read_excel("Оценка потенциала.xlsx", sheet = "Инновации")

#View(Inovation_result) B_innovation<-

matrix(0,nrow=length(as.matrix(Innovation_result[,1])),ncol=length(as.matrix(Innovatio n_result[1,]))-1)

for (i in 1:length(B_innovation[1,]))

{

B_innovation[,i]<-rank(as.matrix(Innovation_result[,i+1]))

}

#Результативность инновационной деятельности по среднему innovation_avg<-

matrix(NA,nrow=length(as.matrix(Innovation_result[,1])),ncol=1) for (i in 1:length(education_avg[,1]))

{

innovation_avg[i,1]<-mean(B_innovation[i,c(1:5)])

}

#Результативность инновационной деятельности по сумме innovation_sum<-

matrix(NA,nrow=length(as.matrix(Innovation_result[,1])),ncol=1) for (i in 1:length(education_sum[,1]))

{

innovation_sum[i,1]<-mean(B_innovation[i,c(6:10)])

}

139

На входе-значения выбранных статистических показателей по соответствующим муниципальным образованиям в формате .xlsx (файл «Оценка потенциала.xlsx”). На выходе-результаты ранжирования муниципальных образований по результативности и эффективности в рамках указанных направлений.

Использование среды R значительно сокращает количество затраченного времени при анализе технологического, научного, инновационного и образовательного потенциала муниципальных образований.

Литература

1.Cтатья 2 Федерального закона от 06.10.2003 N 131-ФЗ (ред. от 01.05.2019) "Об общих принципах организации местного самоуправления в Российской Федерации".

2.Миркин, Б. Г. Методы многокритериальной стратификации и их экспериментальное сравнение: препринт WP7/2013/06 / Б. Г. Миркин, М. А. Орлов; Национальный исследовательский унтверситет «Высшая школа экономики». – М.: Изд. дом Высшей школы экономики, 2013.– 32 c.

3.Шитиков В.К. Классификация, регрессия и другие алгоритмы Data Mining с использованием R / В.К. Шитиков, С.Э. Мастицкий. - Электронная книга, 2017.- 351 с.

4.Программный код анализа технологического, научного, инновационного и образовательного потенциала муниципальных образований. [Элек-

тронный ресурс]. Режим доступа:https://github.com/junaart/Analiz_data_with_ R/blob/master/Smirnova/munizipal.r

Федеральное государственное бюджетное научное учреждение «Государственный научно-методический центр»

УДК 004.42

Ю. В. Минаева, В. В. Давыдов

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ERP-РЕШЕНИЙ SAP HANA И 1С: ПРЕДПРИЯТИЕ

Одной из известных концепций построения корпоративных информационных систем на нынешнем этапе являются ERP-системы. Методология ERP (Enterprise Resources Planning– планирование ресурсов предприятия) предназначена для эффективного планирования и управления всеми корпоративными ресурсами, которые необходимы для поддержания процессов сбыта, закупки, учета и производства во время выполнения заказов клиентов в области производства, продажи и оказания различных услуг [1]. Мировой опыт показывает,

140

что правильно выбранная и внедренная ERP-система в разы повышает эффективность работы компании. В наше время на рынке существует множество систем автоматизации управления бизнесом. Наибольшее распространение получили такие системы, как 1С: Предприятие, SAP, Oracle E-Business Suite, Галактика и т.д. [2]. Имея четкое представление обо всех преимуществах и недостатках каждой системы, а так же зная их особенности, можно выбрать наиболее подходящий вариант для конкретного предприятия.

Мы выбрали SAP и 1C для сравнительного анализа, так как они являются передовыми среди аналогичных ERP-систем. Сначала кратко рассмотрим исторический путь и этапы становления данных систем.

В 1976 году сотрудники немецкой корпорации IBM основали компанию SAP. Эта компания создает автоматизированные системы управления, а так же способствует переходу на электронный документооборот в различных процессах, как внутри компании, так и во внешней политике.

Компания, получившая название 1С, была основана в 1991-м г. русским разработчиком из Москвы Б. Нуралиевым. В настоящее время программные продукты фирмы «1С» успешно применяются для повышения эффективности управления и учета различных организаций, независимо от их вида деятельности и формы собственности. Типовые приложения, выпускаемые 1С, предназначены для автоматизации бухгалтерского учета, расчета заработной платы, работы с кадрами, учета товарных и материальных средств, взаиморасчетов с контрагентами…

За счет своей универсальности она используется для автоматизации самых разных участков экономической деятельности предприятия: бухгалтерский, кадровый, оперативный торговый, складской и производственный учет, а также расчет заработной платы, учет товарных и материальных средств, взаиморасчетов с контрагентами [3].

Сравним две рассматриваемые ERP-системы по следующим характеристикам [3-5]:

1.Особенности платформы.

Благодаря тому, что платформа 1С - открытая, она имеет возможность интегрироваться практически со всеми внешними устройствами и сторонними платформами. Технологии интеграции, поддерживаемые платформой, включают веб-службы HTTP, электронную почту и работу с разными видами документов, а так же XDTO и REST-интерфейс. SAP также может быть интегрирована в любую уже имеющуюся систему в организации. Система поддерживает различные функции интеграции, доступные для этого сложного программного обеспечения, а также может работать практически со всеми типами файлов. Стоит отметить, что SAP имеет возможности для объединения с облачными продуктами - SAP HANA Cloud Integration.

2. Локализация.

SAP превосходит 1C с точки зрения локализации программы для других стран. Эта платформа существует на информационном рынке более 20 лет.

141

Именно поэтому множество крупных корпораций используют ее из-за мировой практики корпоративного управления.

Что же касается 1С, то его решения формировались в одно время с развитием российского бизнеса, поэтому в них содержатся исключительно русские методы управления бизнесом.

3. Масштабируемость.

SAP способствует максимальной масштабируемости, т. е. начиная с тысячи юзеров и более. У 1С предел масштабируемости в тысячу пользователей. Считается, что планирование более масштабных решения для 1C по-прежнему представляет собой риск.

4. Возможность самостоятельной доработки.

У всех клиентов есть выбор – можно купить стандартную версию приложения или заказать оригинальное решение. Обе программы поставляются потребителю с открытым исходным кодом для настройки платформы под себя. Таким образом, производители могут модифицировать программу, обратившись к независимым специалистам или используя знания сотрудников компании. Что касается увеличения количества дополнительных функций, то для доработки в среде 1С предусмотрено присоединение внешних модулей. SAP, к сожалению, работает только со встроенными объектами, что сильно препятствует процессу разработки программы и расширению её функциональности.

Для формирования приложений каждая из программ применяет уникальный встроенный язык программирования: в SAP используется ABAP, в 1С - одноименный язык 1С.

5. Интерфейс Каждая система обладает понятным интерфейсом, который осваивается в

короткие сроки. Внешний вид программы SAP во многом был позаимствован у Windows, с добавлением некоторых механик Excel. 1C также применяет библиотеку Windows, но многие специалисты отмечают, что SAP ERP предоставляет пользователю более удобный и понятный инструментарий.

6. Охват задач автоматизации типовыми решениями Модульная структура является общей чертой у обеих программ. Функ-

циональность каждой из платформ можно расширить путем приобретения дополнительных модулей, в том случае, если изменятся какие либо потребности компании. Стоит отметить, что 1С изначально создавался для автоматизации процедур и рабочих мест, а SAP предназначалась для управления корпоративными ресурсами – для поддержания непрерывности поставок, бесперебойного производства, актуальной коррекции производственного плана, перенастройки мощностей.

Изучив основные параметры систем, можно сделать вывод, что каждая из представленных программ является достаточно продуктивной, но эффективность выбора программы зависит от отрасли компании, ее размера, ряда функций, которые эта компания хочет получить.

142

Литература

1.Аниськович Ю. А., Шипилов Н. Ю. Реализация функций контроллинга

вавтоматизированных системах ERP // Молодой ученый. — 2016. – №11.1. – С. 1-3.

2.ERP - системы планирования ресурсов предприятия. [Электронный ресурс]. URL: http://iteranet.ru/sys/konsalting/sis/erp/ (дата обращения: 22.05.2020)

3.Радченко М.Г., Хрусталева Е.Ю. 1С:Предприятие 8.2. Практическое пособие разработчика. Примеры и типовые приемы. М.: ООО «1С-Паблишинг», 2013.

4.Минаева Ю.В. Структура подсистемы интеллектуализации управления сложным многономенклатурным производством // Интеллектуальные информационные системы Труды Международной научно-практической конференции. В 2-х частях. 2019. С. 132-133.

5.Автоматизированное управление проектом внедрения программной системы // Научная электронная библиотека [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/avtomatizirovannoe-upravlenie-proektom-vned- reniyaprogrammnoy-sistemy (дата обращения: 22.05.2020)

ФГБОУ ВО «Воронежский государственный технический университет»

УДК 004.051

И. Г. Дровникова, А. В. Бацких, Е. А. Рогозин

МОДЕЛИРОВАНИЕ ПРОЦЕССА ФУНКЦИОНИРОВАНИЯ МОДИФИЦИРОВАННОЙ ПОДСИСТЕМЫ УПРАВЛЕНИЯ ДОСТУПОМ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОРГАНОВ ВНУТРЕННИХ ДЕЛ

Обеспечение надежной защищенности автоматизированных систем (АС), осуществляющих обработку, хранение и передачу конфиденциальной информации, от угроз, связанных с несанкционированным доступом (НСД) к информационному ресурсу [1], относится к первоочередным задачам их разработки и эксплуатации на объектах информатизации критического применения, которые, несомненно, включают и объекты информатизации органов внутренних дел (ОВД) [2]. Анализ результатов исследований опыта эксплуатации систем защиты информации (СЗИ) от НСД современных АС ОВД показал их ограниченные возможности в решении обозначенной задачи за счет реализации стандартной процедуры разграничения доступа штатных пользователей к конфиденциальному информационному ресурсу [3].

Перспективным направлением повышения эффективности функционирования СЗИ от НСД и обеспечения информационной безопасности (ИБ) АС, экс-

143

плуатируемых в защищенном исполнении на объектах информатизации ОВД, может стать совершенствование процедуры аутентификации, осуществляемой подсистемой управления доступом, на основе использования новых информа- ционно-телекоммуникационных технологий, в частности – биометрических систем [4]. Для повышения реальной защищенности АС ОВД предлагается модификация подсистемы управления доступом СЗИ от НСД путем реализации в ней двухфакторной аутентификации, основанной на распознавании клавиатурного почерка штатного пользователя при наборе им парольной фразы [5]. Это диктует необходимость разработки математических моделей (структурнофункциональной, графовой, имитационной и аналитической) для исследования процесса функционирования предлагаемой модифицированной подсистемы на примере типовой широко используемой в АС ОВД СЗИ от НСД «Страж NT» (версия 4.0) [6].

Основой для разработки структурно-функциональной модели «Включение персонального компьютера (ПК) и идентификация пользователя», полностью идентичной модифицированной подсистеме управления доступом реально функционирующей СЗИ от НСД с целью дальнейшего получения ее свойств и характеристик, послужили результаты анализа технической документации на эксплуатацию СЗИ от НСД «Страж NT 4.0» [6] и условий ее функционирования в АС ОВД [7] (рис.1).

Для визуального представления процесса функционирования защитных механизмов модифицированной подсистемы управления доступом СЗИ от НСД в АС, эксплуатируемых в защищенном исполнении на объектах информатизации ОВД, необходимо, основываясь на представленной структурно-функциональной модели, разработать модель процесса функционирования рассматриваемой подсистемы СЗИ от НСД «Страж NT 4.0» на основе теории графов с конечным числом состояний [8].

Модель процесса функционирования модифицированной подсистемы управления доступом СЗИ от НСД может быть представлена в виде простого

представляет собой последовательность действий пользователя при входе в систему [8].

144

Рис. 1. Структурно-функциональная модель процесса функционирования модифицированной подсистемы управления доступом СЗИ от НСД «Страж NT 4.0» в защищенных АС ОВД

Графовая модель «Включение ПК и идентификация пользователя», описывающая процесс функционирования модифицированной подсистемы управления доступом в защищенных АС ОВД (механизм входа пользователя в систему посредством его идентификации и аутентификации), представлена на рис. 2.

Рис. 2. Графовая модель процесса функционирования модифицированной подсистемы управления доступом СЗИ от НСД «Страж NT 4.0» в защищенных АС ОВД

145

Описание состояний (защитных функций) модифицированной подсистемы управления доступом приведено в таблице.

Таблица Защитные функции модифицированной подсистемы управления доступом

СЗИ от НСД «Страж NT 4.0» в защищенных АС ОВД