2021_059

p = Color.FromArgb(a, r, g, b); bmpCry.SetPixel(i, n - 1, p);

r = ((r & 254) | ((c & (1 << j)) > 0 ? 1 : 0)); p = Color.FromArgb(a, r, g, b); bmpCry.SetPixel(x, y, p);

x++;

}

}

Считывание зашифрованных данных из изображения происходит в обратном порядке с учётом определения длины зашифрованной строки и выборки только младшего бита из одного компонента цвета в последовательно идущих пикселях.

Таким образом, можно отметить что метод LBS шифрования достаточно прост для реализации, его эффективность можно повысить, если кодировать данные в каждом компоненте цвета и использовать не только младший бит каждого байта.

Литература

1. Цифровая стеганография / В.Г.Грибунин, И.Н.Оков, И.В.Туринцев – М.: СОЛОН-Пресс,

2002

2.Урбанович Н., Пласковицкий В. Использование стеганографических методов для защиты прав интеллектуальной собственности. Новые электрические и электронные технологии и их промышленное внедрение, 2011, стр.147-148.

3.Сейеди С.А., Садыхов Р.Х. Сравнение методов стеганографии в изображениях. Инфор-

матика. 2013;(1):66-75.

60

УДК 004.4

Р.П. Орлов, И.П. Носов – студенты А.Ю. Беляков – научный руководитель, доцент, доцент

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

РАЗРАБОТКА ПРОГРАММЫ ПАРСИНГА ДАННЫХ С ИНТЕРНЕТ-РЕСУРСОВ НА ЯЗЫКЕ PYTHON

Аннотация. В статье рассмотрены этапы создания программы парсинга данных, проблемы, связанные с интернет-ресурсами. Также описаны перспективы разработки, использование программы, целевая аудитория. Статья будет интересна начинающим программистам, любителям кинофильмов.

Ключевые слова: парсинг, интернет-ресурсы, Python, html, Beautiful soup,

YouTube.

На популярном видеохостинге YouTube, принадлежащем компании Google, большое количество просмотров набирают видеоролики, в которых анализируются рейтинги фильмов и видеоигр, так называемые “Топы” (Рис 1, Рис 2).

Рис. 1. Популярные ролики -” Топы” видеоигр на видеохостинге YouTube

В связи с большой популярностью подобных видео – роликов, появился концепт ресурса, на котором каждый пользователь смог бы создать свой рейтинг по собственным критериям.

Ядром данного ресурса было решено сделать программу по парсингу вебресурсов для автоматизированного получения рейтингов фильмов и видеоигр по запросу пользователя на языке Python.

61

Для решения основных задач были взяты такие библиотеки как:

Requests – библиотека для создания http запросов программой;

Beautiful Soup – библиотека для преобразования html документа в формат данных распознаваемый языком Python в виде тегов.

Рис. 2. Популярные ролики -” Топы” фильмов на видеохостинге YouTube

Принцип работы программы парсинга довольно просто – требуется скачать данные с html-страницы сайта, отфильтровать их по запросу пользователя и сформировать результат в приемлемом для последующего просмотра и анализа виде. В нашем случае программа получает название фильма или игры от пользователя и начинает парсить веб-ресурсы, предварительно указанные в настройках, в целях извлечения полезных данных. Однако в ходе испытаний разрабатываемой информационной системы не обошлось без проблем. В частности, многие ресурсы отслеживают обращение подобных программ-ботов (парсеров) и блокируют им доступ для снижения трафика. Для решения этой проблемы пришлось имитировать деятельность реального пользователя подключением ещё одной библиотеки – User Agent. Данная библиотека позволяет программе при составлении запроса «представиться» анализируемому веб-ресурсу браузером и, тем самым, обойти защиту.

Таким образом, итоговый обобщённый алгоритм работы программы выглядит таким образом:

1.Пользователь выбирает направление поиска (игры или фильмы).

2.Пользователь вводит название интересуемого его продукта.

3.Пользователю предоставляется более подробная информация.

4.После подтверждения выбора в текстовый файл выводятся оценки с четырёх ресурсов и средняя оценка, а также некоторая дополнительная информация

опродукте.

На данный момент работа программы реализуется во встроенной консоли. (Рис.3, Рис.4)

62

Рис. 3. Управление программой при помощи встроенной консоли

Рис. 4. Вывод программы в текстовом документе

В дальнейшем планируется доработка и расширение функционала программы парсинга, а именно:

–перенос программы с локального компьютера на сайт для онлайн использования сторонними пользователями;

–добавление новых рейтинговых веб-сайтов;

–возможность составлять собственные рейтинги на основе критериев пользователя.

Таким образом, проведённые исследования показали эффективность предложенного подхода парсинга данных с веб-ресурсов – нам удалось не только автоматизировать трудоемкий и рутинный процесс ручного сбора данных о фильмах и видеоиграх, но и сделать его гибко настраиваемым, адаптивным к потребностям пользователя.

Литература

1.Документация по библиотеке Beautiful Soup для языка программирования Python – URL: https://www.crummy.com/software/BeautifulSoup/bs4/

doc.ru/bs4ru.html (дата обращения 10.03.2021)

2.Документация по библиотеке fake_useragent для языка программирования Python – URL: https://pypi.org/project/fake-useragent/ (дата обращения 10.03.2021)

3.Документация по библиотеке requests для языка программирования Python – URL: https://requests.readthedocs.io/en/master/ (дата обращения 10.03.2021)

4.Web Parsing. Основы на Python – URL: https://vc.ru/newtechaudit/ 109368-web-parsing-osnovy-na-python (дата обращения 10.03.2021)

63

УДК 004.8

А.П. Платонова – студентка; О.А. Зорин – научный руководитель, к.т.н., доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

КОРРЕЛЯЦИЯ МЕЖДУ ЕСТЕСТВЕННЫМ И ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ

Аннотация. В статье рассматривается каким образом искусственная нейронная сеть имитирует работу мозга и в чем разница между нейронной сетью и человеческим мозгом.

Искусственные нейронные сети взяли на себя большую часть работы, которая считалась ручной, в настоящей статье рассматривается как искусственные нейронные сети были биологически вдохновлены мозгом и нервной системой человека.

Ключевые слова: искусственный интеллект, вычислительная система, искусственная нейронная сеть, человеческий мозг, обучение

Менее чем через десять лет после взлома шифровальной машины "Энигма" математик Алан Тьюринг изменил историю во второй раз простым вопросом: "Могут ли машины думать?"

Статья Тьюринга "Вычислительная техника и интеллект" и последовавший за ней тест Тьюринга установили фундаментальную цель и видение искусственного интеллекта.

По своей сути ИИ – это отрасль компьютерных наук, которая стремится ответить на вопрос Тьюринга утвердительно. Это попытка воспроизвести или имитировать человеческий интеллект в машинах.

Главное ограничение в определении ИИ как простого "создания интеллектуальных машин" заключается в том, что оно на самом деле не объясняет, что такое искусственный интеллект? Что делает машину разумной?

Связи между нейронами человеческого мозга гораздо сложнее, чем искусственные. Существует два основных типа связей между нейронами, присутствующими в биологическом мозге, называемых синапсами как электрическими, так и химическими. Синапсы помогают соединению нейронов в перекрывающихся и взаимосвязанных нейронных цепях. Рассмотрим биологическую нейронную сеть (БНС) как соединительный мост в разнице между нейронной сетью и человеческим мозгом [1].

Искусственная нейронная сеть (ИНС) – это часть вычислительной системы, предназначенная для моделирования того, как человеческий мозг анализирует и обрабатывает информацию. Он является основой искусственного интеллекта (ИИ) и решает задачи, которые оказались бы невозможными или трудными по человеческим меркам. ИНС обладают способностью к самообучению, что позволяет им получать лучшие результаты по мере поступления большего количества данных.

64

Искусственные нейронные сети построены подобно человеческому мозгу, с нейронными узлами, связанными между собой, как паутина. Человеческий мозг состоит из сотен миллиардов клеток, называемых нейронами. Каждый нейрон состоит из клеточного тела, которое отвечает за обработку информации, перенося информацию к (входам) и от (выходам) мозга.

ИНС имеет сотни или тысячи искусственных нейронов, называемых процессорами, которые соединены узлами. Эти блоки обработки состоят из блоков ввода и вывода. Входные блоки получают различные формы и структуры информации на основе внутренней системы взвешивания, а нейронная сеть пытается узнать о представленной информации, чтобы получить один выходной отчет. Точно так же, как люди нуждаются в правилах и руководствах для получения результата, ИНС также используют набор правил обучения, называемых методом обратного распространения ошибки, чтобы усовершенствовать свои выходные результаты.

Мозг и искусственные нейронные сети – два наиболее спорных аспекта анализа в области исследования нейронных сетей. Но есть некоторые постулаты относительно функционального различия между нейронной сетью и человеческим мозгом.

1.Размер

Искусственная нейронная сеть содержит 10-1000 нейронов, в то время как человеческий мозг содержит около 86 миллиардов нейронов. Обе сети имеют разные типы работы и структуры. В человеческом мозге один нейрон может функционировать как входная, так и выходная информация, тогда как для искусственных нейронов существуют различные слои нейронов для ввода и вывода информации.

2.Время обучения

БНС обычно не начинает и не прекращает обучение, до сих пор остается открытым вопрос, как она обрабатывает и запоминает информацию. Однако известно, что нейропластичность позволяет создавать новые связи и как синапсы могут усиливаться или ослабевать в зависимости от важности функции.

Также, мозг способен учиться повторением и во сне. Задачи, которые могли бы потребовать чистого внимания, могут быть выполнены автоматически, как только они освоены человеческим мозгом.

УИНС есть предопределенная модель, только веса связей могут изменяться во время обучения. Нейроны не могут быть ни добавлены, ни удалены. Для тренировочной сессии ИНС проходит через случайные наборы данных.

УБНС будет свое решение для каждой проблемы, с которой столкнется человеческий мозг, но ИНС направлена на решение конкретной задачи в рамках построенной модели.

3.Топология

Нейроны человеческого мозга или БНС имеют очень сложную топологию. Они подключаются асинхронно. Они могут запускаться как параллельно, так и последовательно. Для их работы нет фиксированного шаблона.

В то время как ИНС в основном строится по типу древовидной структуры, имеющей слои. Все слои соединены и вычисляются один за другим, а не просто соединяются асинхронно.

65

4.Потребляемая мощность

Известно, сколько тепла генерируют искусственные машины при их использовании. Средний графический процессор потребляет 250 Вт и нуждается в источнике питания, чтобы работать все время.

В то время как человеческий мозг потребляет только 20% энергии нашего тела, чтобы функционировать. Мозгу необходимо 20 Ватт, чтобы работать, что делает его очень эффективным.

5.Скорость

Сигналы в человеческом мозге передаются со скоростью, зависящей от нервного импульса. Она может варьироваться от 0,61 м/с до 119 м/с. Некоторые биологические нейроны также могут срабатывать в среднем до 200 раз в секунду. Скорость сигнала варьируется от человека к человеку.

Сигналы в ИНС непрерывно переносятся со скоростью, имеющую значения чисел с плавающей точкой синаптических весов. ИНС может управлять тем, какая функция может выполняться с какой именно скоростью.

Искусственный мозг может работать неограниченно долго, в то время как человеческий мозг устает от информационной нагрузки.

Таким образом, в статье рассмотрены вопросы о том, как работает искусственный мозг, как искусственная нейронная сеть моделирует мозг и в чем разница между нейронной сетью и человеческим мозгом.

Литература 1. Губайловский, В. А. Искусственный интеллект и мозг человека / В.А. Губайлов-

ский. – М.: Наука, 2019. – 254 с.

УДК 519.2:66

Н.Р. Помаскин – студент; А.А. Зорин – научный руководитель, канд. техн. наук, доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

АВТОМАТИЗИРОВАННАЯ СИСТЕМА РАСЧЕТА МАТЕРИАЛЬНОГО БАЛАНСА НА НЕФТЕДОБЫВАЮЩИХ ПРЕДПРИЯТИЯХ

Аннотация. Рассмотрен процесс расчета и сведения материального баланса. С использованием программы CASE-средств построена модель «AS-IS» рассматриваемого бизнес-процесса. В ходе анализа выявлены недостатки данного процесса и, исходя из этого, разработана модель «ТО-ВЕ», устраняющая эти недостатки. Разработана информационная система для автоматизированного расчета материального баланса.

Ключевые слова. материальный баланс, анализ бизнес-процесса, модель

«AS-IS», «ТО-ВЕ».

Основная деятельность ООО «ИТ Профессиональные Решения»заключается в масштабных стратегических проектов цифровой трансформации для предприятий топливно-энергетического комплекса, газовой отрасли, нефтесервисных

66

компаний, металлургии, химической и нефтехимической отрасли. Система менеджмента качества ITPS соответствует требованиям международного стандарта ISO 9001. В ходе работы мной был изучен данный бизнес-процесс, требующий автоматизации, а именно – расчет материального баланса.

Суть данного процесса заключается в следующем: Управление метрологии, автоматизации, связи и ИТ обеспечивает организацию работ по внедрению, техническому обслуживанию средств комплексной автоматизации и автоматизированных систем управления технологическими процессами, систем пожарной сигнализации, систем видео наблюдения на объектах нефтедобычи. Обеспечивает единство и требуемую точность измерений, повышение уровня и совершенствование техники и методов контроля за технологическим процессом. Согласование физических объёмов, графиков технического обслуживания оборудования, контроль за работой КИПиА, АСУТП, средств измерений; принятия объёмов выполненных работ, формирование технических условий, рассмотрение технологических регламентов. Согласование графиков поверки и калибровки средств измерений, графиков ТО оборудования.

Модель «AS-IS» данного процесса представлена на рисунке 1.

Рисунок 1. Декомпозиция контекстной диаграммы первого уровня

Функциональные блоки диаграммы:

1)Передать данные.

2)Свести баланс.

3)Сформировать отчет.

Описание декомпозиции первого уровня:

67

Для сведения материального баланса персонал технологических объектов получает текущие показания контрольно-измерительных приборов, затем эта информация обрабатывается в системе и передаются суточные данные о продукции в производственно-диспетчерский отдел. Регламентируется двумя ФЗ:

1)ФЗ «О сохранении коммерческой тайны».

2)ФЗ «О безопасности топливно-энергетических объектов». Функциональность блоков регламентируется техническим заданием от за-

казчика. На выходе получается отчёт с графиками и информацией о продукте.

С целью устранения недостатков модели «AS-IS», была построена модель «ТО-ВЕ». Рассмотрим эту модель на рисунке 2:

Рисунок 2. Диаграмма «Сведение баланса»

Изменения коснулись блока «Свести баланс», данный блок был полностью переработан, в целях оптимизации процесса (рис. 2).

Функциональные блоки:

1)Запланировать выработку.

2)Собрать данные.

3)Сводить материальный баланс.

4)Спрогнозировать экономический план. Описание диаграммы:

На основе суммарных поступивших данных идет планирование выработки

(планирование откачки резервуара и отгрузки продукции на основе проекта плана её выработки), создание проекта календарного плана выработки товарной продукции на основе экономического плана предприятия. После создания календарного плана мы получаем информацию о фактическом состоянии производства из БДРВ, для дальнейшего сведения материального баланса. Далее производится балансировка и согласование фактических данных о работе производства за выбранный ба-

68

лансовый период на основании полученной модели, а также на данном этапе происходит контроль качества материального баланса. На финальном этапе происходит прогноз исполнения экономического плана предприятия и обеспечение руководителей всех уровней оперативной информацией о выполнении плановых показателей для поддержки принятие управленческих решений. Таким образом, процессы сбора, обработки, накопления, хранения и отображения информации о фактической работе производственных объектов предприятие автоматизированы. Руководство предприятия обеспечено оперативной информацией для принятия управленческих решений.

Литература

1.Федеральные законы Российской Федерации [Электронный ресурс].Режим до-

ступа: URL: http://www.consultant.ru/popular/

2.PI System Architecture Planning And Implementation Workbook. Автор: OSI Soft. Издательство: OSI Soft, 2020. – c 225.

3.Information integration for concurrent engineering (iice) idef3 process description capture method report. [Электронный ресурс].

УДК 633.3.4.651

М.А. Слобожанинов – студент; А.Н. Козлов – научный руководитель, канд. техн. наук, доцент,

ФГБОУ ВО Пермский ГАТУ, г. Пермь, Россия

АВТОМАТИЗАЦИЯ УЧЕТА ДВИЖЕНИЯ ТОВАРА НА СКЛАДЕ «ООО АГРОТРЕЙДИНГ»

Аннотация. Рассмотрен процесс учёта товаров на складе предприятия. С использованием программы CASE-средств построена модель «AS-IS» рассматриваемого бизнес-процесса. В ходе анализа выявлены недостатки данного процесса и, исходя из этого, разработана модель «ТО-ВЕ», устраняющая эти недостатки. Разработана информационная система для автоматизации учета движения товаров на складе.

Ключевые слова. Складской учёт, анализ бизнес-процесса, модель «AS-IS», «ТО-ВЕ».

ООО Агротрейдинг предлагает большой ассортимент продовольственных товаров .Работает с частными лицами.

В ходе работы мной были изучены все основные процессы, которые там выполняются и выявлен наиболее трудоёмкий процесс, требующий автоматизации, а именно - учёт товаров на складе.

Суть процесса: на склад от поставщика поступает товаро-транспортная накладная. Задача кладовщика принять товар, оформить на склад, заполнить журнал размещения товара, а затем выдать товар со склада. При определении товара на склад, кладовщик выдает товар, а принимает его продавец магазина. После выдачи товара кладовщик записывает информацию о выданном товаре в журнал расхода и

69