Модели и методы мониторинга параметров, характеризующих состояние инфокоммуникационной системы специального назначения

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

МОДЕЛИ И МЕТОДЫ МОНИТОРИНГА ПАРАМЕТРОВ, ХАРАКТЕРИЗУЮЩИХ СОСТОЯНИЕ ИНФОКОММУНИКАЦИОННОЙ СИСТЕМЫ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
Легков Константин Евгеньевич,
к.т.н., заместитель начальника кафедры автоматизированных систем управления Военно-космической академии имени А. Ф. Можайского, Санкт-Петербург, Россия, constl@mail. ru
Ключевые слова: Инфокоммуникационная система, мониторинг, состояние параметров, управление, случайные процессы.
В настоящее время в различных работах используется понятие мониторинга сетей связи, телекоммуникационных сетей и т. д., причем в его содержание авторы вкладывают, подчас различные в частностях, но во многом схожие в главном толкования. Например, под мониторингом понимают систему сбора/регистрации, хранения и анализа небольшого количества ключевых (явных или косвенных) признаков/параметров описания сети как объекта управления для вынесения суждения о поведении/состоянии его в целом. По другому, мониторинг — это процесс наблюдения и регистрации данных об объекте управления.
Применительно к инфокоммуникационной системе специального назначения (ИКС СН) под мониторингом параметров будем понимать наблюдение за какими либо параметрами ИКС как объекта управления. Результат мониторинга параметров представляет собой совокупность измеренных значений параметров, получаемых на примыкающих интервалах времени и оценивание на их основе состояние ИКС СН. То есть, под мониторингом состояния ИКС СН понимается наблюдение за состоянием ИКС как объекта управления. Результат мониторинга состояния ИКС СН представляет собой совокупность диагнозов составляющих ее элементов. Следует отметить, что вообще вопросам исследования проблем мониторинга телекоммуникационных сетей посвящено достаточно много публикаций и диссертационных исследований. Большинство из них посвящено вопросам мониторинга локальных сетей, терминального и серверного оборудования и лишь незначительная часть — общесетевым вопросам организации мониторинга. Однако даже если в названиях некоторых работ встречается термин & quot-сеть"-, предметом исследования, как правило, является не инфокоммуникационная сеть или система в целом, а отдельные ее компоненты: сети FR, сети IP и т. д. При организации управления ИКС СН необходимо организовать эффективные процедуры, предусматривающие получение достоверных данных в реальном масштабе времени о ее состоянии, состоянии всех компонент ИКС, протекающих в ней и во всех ее элементов процессов. В подавляющем своем большинстве основные параметры, характеризующие состояние ИКС СН, состояние компонент ИКС (сети доступа, транспортная сеть, узлы служб, сами службы и т. д.) и элементов ИКС (серверов услуг, центров коммутации, коммутаторов, мультиплексоров, маршрутизаторов, интерфейсных модулей и т. д.) будут являться случайными величинами или случайными процессами. Организация сбора информации о состоянии как самой ИКС СН, так и различных ее компонент и элементов имеет много общего и реализуется в рамках функциональной подсистемы сбора информации (ПСИ) АСУ ИКС СН, элементы которой также размещаются на соответствующих узлах ИКС и соответствующем оборудовании узлов — так называемые элементы подсистемы сбора информации, обеспечивающие первичную обработку запросов (заявок) на получение информации состояния и последующую выдачу данных в требуемые центры сбора и обработки информации ПСИ АСУ ИКС по их запросу или организующие периодическую автоматическую выдачу данной информации без запроса последней.
Для цитирования:
Легков К. Е. Модели и методы мониторинга параметров, характеризующих состояние инфокоммуникационной системы специального
назначения // T-Comm: Телекоммуникации и транспорт. — 2016. — Том 10. — № 1. — С. 11−18.
For citation:
Legkov K.E. Models and methods of monitoring parameters characterizing the state of the infocommunication systems a special purpose.
T-Comm. 2016. Vol. 10. No. 1, pр. 11−18. (in Russian).

Введение
В процессе управления инфокоммуникационными системами специального назначения (ИКС СН) необходимо получать текущие оценки различных параметров элементов и компонент системы [1−8], которые рассматриваются как случайные величины: число занятых каналов в ветвях сетей ИКС, длины очередей в центрах коммутации, время задержки или доставки при обмене сообщениями, время предоставления услуги и т. д. Для оценивания значений этих величин может быть с успехом применены операции получения значения их математического ожидания и дисперсии. Процедуры получения эффективных, несмещенных, состоятельных оценок моментов случайных величин, характеризующих работу элементов, фрагментов или всей системы ИКС достаточно разработаны в рамках математической статистики.
Разработка моделей и методов мониторинга параметров, характеризующих состояние инфоком-муникационной системы специального назначения
Оценка математического ожидания и дисперсии случайных величин, характеризующих работу элементов, фрагментов или всей системы ИКС, представленных выборкой х,…, х., х№ осуществляется следующим образом [1−3]:
]
Ч, -- V X, 1 & quot- м
т. =-
]

(I)
(2)
(3)

5. 5.
-К)(& gt-'-/"-ч) —
где ^ и — дисперсии.
Как известно [1−3], выборочный коэффициент корреляции г при больших Ь дает оценку, близкую к & lt-2- В реально функционирующих компонентах ИКС достаточно иметь Ь = 8 — 10.
Значимость корреляционной связи определяется соотношением г & gt- г «
=& quot-
(5)
л-1 ы
В процессе управления ИКС СН часто важным является, что некоторые параметры ИКС связаны статистически с другими ее параметрами. Выявить или подтвердить связь также относится к задачам мониторинга.
Выявить статистическую связь между случайными параметрами, характеризующими работу элементов, фрагментов или всей системы ИКС, позволяют методы корреляционного анализа. При этом следует использовать коэффициент корреляции, определяемый соотношением _М[Х-тТ[У-ту] & lt-х, сг
где У и X — случайные параметры ИКС- сг и сг — средне-квадратические отклонения.
При этом коэффициент корреляции показывает, насколько связь между случайными параметрами ИКС близка к линейной зависимости и определяет как долю случайности, так и криволинейность связи.
Равенство = 0 означает отсутствие линейной связи, но не вообще отсутствие зависимости между случайными параметрами. Однако, если параметры, характеризующие работу элементов, фрагментов или всей системы ИКС, распределены по нормальному закону, отсутствие корреляции означает одновременно и отсутствие всякой зависимости.
Наблюдая параметры, можно определить выборочный коэффициент корреляции: 1
(4)
где — критерий Стьюдента для-процентной доверительной вероятности.
Коэффициент корреляции как показатель силы связи параметров в ИКС СН обычно редко используется, его целесообразно применять только для проверки предположения о наличии или отсутствии корреляции между случайными параметрами, характеризующих работу элементов, фрагментов или всей системы ИКС.
Следует заметить, что наличие корреляции еще не означает наличия причинно-следственной зависимости между параметрами ИКС, так как корреляция может возникнуть и в том случае, когда оба параметра являются следствием одной причины [1−3]. Поэтому для выявления зависимостей между всеми {или многими) параметрами, характеризующих работу элементов, фрагментов или всей системы ИКС необходимо использование многомерного корреляционного анализа. Однако, его применение и использование в АСУ ИКС СН не всегда оправдано в силу большого объема вычислений и сложности самих выводов из анализа зависимостей. Поэтому для реальных АСУ ИКС СН целесообразно ограничиться моделями одномерного корреляционного анализа процессов мониторинга.
В процессе управпения ИКС исключительную важность имеет текущая оценка статических и динамических характеристик элементов и компонент ИКС с целью определения тенденций в их изменении. Пусть на входе определенного элемента или компонента ИКС системой управления наблюдается и регистрируется ряд значений входной случайной величины X = {, г,…, л'- } и зависимой от нее
выходной величины К={д& gt-… ,)'-,"}¦ При этом при функционировании ИКС случайность величины V вызывается воздействием целого ряда неизвестных и неконтролируемых факторов. По имеющейся выборке (х, у (),. , (х,», уп,) необходимо определить зависимость выходной величины от входной, т. е. получить вероятностную статистическую характеристику данного элемента или компонента сети обмена документальной информацией.
Достаточно полной вероятностно-статистической характеристикой элемента или компонента ИКС может быть кривая условной плотности вероятности Р (у1х), методика определения которой состоит в следующем [1−3]. По результатам одновременного измерения х и у в плоскости ХУ строится корреляционное поле, которое разбивается на элементарные прямоугольники, в каждом из которых подсчитыва-ется значение частот совместного появления х и у.
Эти частоты принимаются за оценки вероятностей Р (х/у). Суммирование всех Р (х/у) по горизонтали приводит
к оценке вероятности Р (х) появления х при зафиксированном значении величины у, а аналогичное суммирование по вертикали приводит к оценке вероятности Р (у),
При этом оценка условной вероятности Р (у1х) находится по известной формуле теории вероятности-
Р{х)
Однако ввиду сложности использования в моделях элемента или компонента ИКС таких вероятностных характеристик, зависимости в виде законов распределения использовать нецелесообразно и чаще ограничиваются моментными характеристиками: условным математическим ожиданием выходной величины относительно входной величины — кривая регрессии. Нахождением ее занимается регрессионный анализ.
Наиболее простым, но достаточно характерным для ИКС СН является случай линейной регрессии, когда функция линейна [1−3]:
у=а0+а, х. (7)
Результаты сравнительной оценки применяемых методов оценки приведены на рис. I.
Кроме случайных параметров некоторые характеристики ИКС можно считать только случайными процессами. Поэтому в процедурах мониторинга анализ случайных процессов, протекающих в ИКС, оценка их характеристик существенно сложнее, чем для случайных величин [I, 2, 4, 5], даже если есть все основания считать процессы стационарными с известной плотностью (например, пуассо-новскими и гауссовскими).
Задача статистической обработки случайных процессов в процедурах мониторинга ИКС СН осложняется еще тем, что в большинстве случаев во время ее функционирования их не удается представить в виде стационарного процесса, что в определенной степени облегчит получение всех оценок. Поэтому всегда стремятся свести наблюдаемый нестационарный процесс к стационарному, а затем оценить его параметры. Заметим сразу, что это не всегда удается осуществить.
Рис, I. Относительная ошибка ценивания натематического ожидания параметра ИКС в зависимости от числа регистрируемых его значений: I — параметры коммутационного оборудования узлов- 2 — параметры серверного оборудования служб- 3 — параметры аппаратуры засекречивания
Считаем, что наблюдаемый случайный процесс, характеризующий работу элементов, фрагментов или всей сис-
темы ИКС СН, обладает свойством эргодичности, т. е. усреднение по ансамблю реализаций можно заменить усреднением по времени, что позволит оценивать вероятностные характеристики по одной реализации.
Предположим далее, что имеется возможность выделить в исследуемом процессе достаточно протяженные интервалы времени, внутри которых процесс ведет себя почти как стационарный и эргодический. Интервал времени стационарности должен значительно превосходить интервал корреляции процесса [2, 5].
Хотя математическое ожидание таких случайных процессов, характеризующих работу элементов, фрагментов или всей системы ИКС СН, и не постоянно во времени, а корреляционная функция зависит не только от разности аргументов, но и от времени I, изменение этих характеристик на протяжении интервала стационарности сравнительно мало и им обычно пренебрегают.
Рассмотрим задачу оценивания параметров случайных процессов, протекающих в ИКС СН, которую в общем виде можно сформулировать следующим образом [1,2,4, 5]. В течение фиксированного интервала времени [0& lt-/<-Г] наблюдается реализация х ({) случайного процесса. Многомерная плотность вероятностей случайного процесса в общем случае содержит // неизвестных параметров I. = [/"…, 1/(], подлежащих оценке. Пусть многомерный параметр ?. является непрерывным в определенной области возможных значений 5.
По наблюдаемой реализации х (г) необходимо решить, какие значения имеют параметры /. = [/"…, /,], т. е. на основе обработки реализации х (1} нужно выработать оценку искомого многомерного параметра ?..
Оценка параметра L представляет собой некоторым определенным образом выбранную систему функций от наблюдений х (1), значения которых оценивают неизвестные параметры случайного процесса.
В зависимости от того, какие требования предъявляются к процессу мониторинга ИКС СН и оценкам параметров, возможны разные методы оценивания. Каждая оценка характеризуется своим показателем качества, указывающим меру близости (точность) оценки к истинному значению оцениваемого параметра. Показатель качества определяется выбором критерия оценки.
Выбор критерия оценки зависит от цели получения оценки параметров. Часто критерии оценок выбираются на основе интуитивных представлений о целевом назначении оценки.
Конечное время наблюдения случайного процесса, характеризующего работу элементов, фрагментов или всей системы ИКС СН, приводит к тому, что любая оценка содержит ошибки, определяемые как критерием качества, так и условиями, при которых происходит процесс оценки. В процедурах мониторинга ИКС СН, задача оптимальной оценки параметра 1. состоит в том, чтобы найти такую процедуру определения, при которой для заданного критерия ошибки решения были бы минимальны.
Следует заметить, что требование малости ошибок в общем случае не имеет однозначного смысла. Задача
получения оптимальной оценки сводится к нахождению такой процедуры решения, которая минимизирует показатель качества. При этом оценка параметра должна быть близка в некотором смысле к истинному значению оцениваемого параметра, а оптимальная оценка в соответствии с выбранным критерием должна минимизировать меру близости.
Без ущерба для общности рассуждений в дальнейшем будем считать, что неизвестен один параметр случайного процесса I [1, 2, 4, 5].
Оцениваемый параметр, характеризующий работу элементов, фрагментов или всей системы ИКС СН, является для системы мониторинга случайной величиной. При этом наиболее полные сведения о возможных значениях параметра I даются апостериорной плотностью вероятностей /[Ыф которая является условной плотностью вероятностей параметра I в случае, если принята реализация х (().
Выражение для апостериорной плотности вероятностей может быть получено из теоремы условных вероятностей [1−3]:
/М)]=М, & lt-3,
где f [/]- априорная плотность параметра Г [X] - плотность вероятности выборки X из реализации х (Е).
Условная плотность вероятностей выборки наблюдаемых данных при условии, что оцениваемый параметр имеет значение I, рассматривается в диссертации как функция от I. Ее называют функцией правдоподобия /[ЛГ|/] = /'-[хр., д: п|/]. Она показывает насколько одно
возможное значение параметра / более правдоподобно, чем другое. Однако, чаще в задачах мониторинга вместо функции правдоподобия рассматривают отношение правдоподобия [2].
Отметим, что как апостериорная плотность параметра ЛВД. характеризующего работу элементов, фрагментов
или всей системы ИКС СН, так и отношение правдоподобия являются случайными функциями, зависящими от реализации [I, 2, 4, 5].
При проведении мониторинга при оценке параметров, характеризующих работу элементов, фрагментов или всей системы ИКС СН, используют два вида оценок: интервальные и точечные [1,4].
При интервальных оценках указывают интервал, в котором с вероятностью, не меньшей заданной, содержится истинное значение оцениваемого параметра. Заданная вероятность называется коэффициентом доверия, а указанный интервал значений параметра — доверительным интервалом, Верхняя и нижняя границы доверительного интервала являются функциями от наблюдаемой реализации х (г) случайного процесса.
При точечной оценке неизвестному параметру приписывают одно значение параметра из интервала возможных значений. Другими словами, на основе анализа наблюдаемой реализации х (1) вырабатывается определенное значение, используемое в дальнейшем в качестве истинного значения параметра.
Точечная оценка параметра случайного процесса параметра ИКС СН предполагает, что каждой из возможных реализаций х (1) ставится в соответствие некоторое число р = р[х{() из интервала 5 возможных значений оцениваемого параметра, которое называется точечной оценкой. Из-за случайного характера точечной оценки параметра случайного процесса, характеризующего работу элементов, фрагментов или всей системы ИКС СН, ее характеризуют условной плотностью вероятностей /[/& gt-|/], которая являющейся наиболее полной и общей характеристикой оценки. Вид плотности вероятностей /р1] при выбранной процедуре оценки р = /фф)] может быть получен из плотности вероятностей реализации х (г).
В процессе мониторинга ИКС СН важное значение представляет собой оценивание (для каждого уровня ИКС СН) интенсивности поступающих потоков требований на обслуживание.
Так как по определению, любой поток является неубывающей функцией П (г) (рис. 2), то поэтому при оценке интенсивности возможно два подхода.
т
Рис. 2. Функция, задающая поток требований
Первый состоит в том, что вначале оценивается математическое ожидание самого процесса П (?), а затем путем дифференцирования — получается интенсивность, т. е. :


Ж
(9)
Однако, несмотря на простоту и логичность такого подхода, его в процедурах мониторинга придется забраковать, так как величина П{/) при нем неограниченно возрастает.
Второй подход заключается в том, что весь интервал наблюдения разбивается на короткие временные интервалы Д? и вычисляются точечные оценки
Аг
(10)
По этому ряду оценок осуществляется оценивание интенсивности потока требований.
Несмотря на то, что интенсивность реального потока требований — детерминированная функция, точно выявить ее можно, только имея все множество реализаций. Наблюдая процесс (поток) на отдельных временных

интервалах, получают оценки интенсивности в общем случае смещенные. Для того, чтобы построить процедуру оценки наилучшим образом, всегда полезно иметь какие-либо дополнительные априорные сведения о возможных видах и скорости изменения интенсивности.
Для получения оценки интенсивности могут быть использованы различные классические методы оценивания: максимума правдоподобия, статистических решений, наименьших квадратов и т. д. [I, 4]
Пусть в результате наблюдений за процессом поступления требований П (/) была получена выборка
Л?, где Я°1 =ПМ — Будем считать, что Л° - зна-
Д/
чение процесса Я& quot-(/), полной характеристикой которого является л-мерная плотность распределения известная с точностью до некоторого неизвестного векторного параметра Л = Л1,--, Лк). В соответствии с методом максимального правдоподобия:
ах
с/2Л
= 0:
& lt-0.
(II)
Можно оценить вектор Л с более общих позиций теории статистических решений, при этом нужно знать функции правдоподобия для предполагаемых видов изменения интенсивности. Оценка определяется как апостериорное среднее.
Рассмотрим получение оценки Д (/) с использованием метода наименьших квадратов. Пусть на отрезке [V — /] наблюдается реализация процесса ^(г). Искомая интенсивность представляется многочленом т-го порядка:

(12)

Интегральная среднеквадратическая ошибка оценки
, 2 = 1 Д/


с1т-
(13)
Обычно предварительно, исходя из анализа процессов в ИКС СН, задаются вполне определенной величиной порядка т. В соответствии с методом наименьших квадратов выбирают такие значения коэффициентов о", которые обеспечивают минимум функционала

ч
=1

(14)
пТ!
Минимизация функционала (14) приводит к системе линейных алгебраических уравнений
т
I =Д — (|5)
1=0
: =1: =1
Однако основным недостатком всех классических методов оценивания является их сложность. Даже при использовании для оценки интенсивности метода наименьших квадратов получается достаточно большой объем вычислений, если т & gt- 1. Кроме того, классические методы оценивания являются асимптотически оптимальными и позволяют, имея длинные реализации процесса, получить наилучшую оценку.
При управлении ИКС СН (особенно в период непосредственной угрозы и в военное время) требуется получать текущие оценки интенсивности по коротким реализациям процесса. Внутри коротких интервалов вид изменения интенсивности обычно не сложнее многочлена первого порядка. При этом достаточно эффективными будут различные субоптимальные операторы, например, оператор текущего среднего (сглаживания, усреднения).
Следует заметить, что на практике априорный вид изменения интенсивности точно задать невозможно. Являясь детерминированным процессом, интенсивность остается неопределенной величиной.
Предположим, что удалось правильно задать порядок многочлена, описывающего изменение интенсивности на данном интервале. Если оценка интенсивности используется при управлении ИКС СН, то она служит прогнозом при управлении. Получение оценки сводится К определению коэффициентов На интервале прогноза значение их может измениться, что приведет к изменению модели интенсивности. Поэтому ошибка прогноза кроме случайной составляющей будет содержать ошибку смещения. Следовательно, методы оценивания должны обладать свойствами адаптации. Так как при оценке интенсивности все составляющие выборки используются с одинаковой степенью влияния, то адаптивные свойства классических методов не превышают этих свойств оператора текущего среднего, а они, как станет ясно из дальнейшего, невысоки.
При моделировании различных процессов существует правило: если о виде изменения процесса ничего не известно или известно мало, то не следует выбирать сложные модели, описывающие его. Выбор более сложной модели изменения интенсивности, чем она есть на самом деле, как правило, приводит к худшему отрицательному результату, чем выбор более простой модели. Поэтому в оперативном управлении ИКС СН, применение сложных методов оценки не имеет смысла, так как в процессе их функционирования изменения интенсивности будет неопределенной детерминированной величиной.
Рассмотрим различные простые субоптимальные операторы оценки интенсивности.
Одним из первых эффективных субоптимальных операторов появился оператор текущего среднего, который для оценки интенсивности имеет вид
I.
(16)
лЧО-Х^+'--Д'-) —
(I?)
П
АГ ((Т& lt-А1.
(18)

«1 =
ям
(20)
А (((ТС ((ДГ, ¦
(21)
а «
Д.

(22) (23)
Машинная реализация оператора текущего среднего основана на дискретном усреднении:
Так как Тс= пДи то в дальнейшем будем анализировать только интервал сглаживания Т (.
При оценке интенсивности близких к стационарным потоков оператором текущего среднего интервал Тс нужно выбирать из условия г0"Тс& lt-Агс,
где Д1с — интервал почти стационарности потока- Г0 — интервал (время) корреляции процесса X& quot- (г).
У пуассоновского потока интервал корреляции процесса Л.0 {() равен нулю. Однако пуассоновский поток — это математическая модель реального потока, у которого интервал г"хотя и небольшой, но не равен нулю. На практике интервал Тг выбирают из условия
При оценке интенсивности стационарного потока оператор текущего среднего дает несмещенную оценку. Если поток почти стационарен, то при выборе интервала сглаживания из условия (18) оператор текущего среднего для каждого интервала почти стационарности обеспечит также несмещенную оценку интенсивности. Статистическую ошибку оценивания интенсивности, которая уменьшается с увеличением интервала Тс, можно характеризовать дисперсией текущей оценки
(19)
Таким образом, для модели почти стационарного потока метод наименьших квадратов дает такие же оценки, как оператор текущего среднего.
Адаптивные свойства оператора текущего среднего полностью определяются интервалом сглаживания Т: чем меньше величина Тс, тем они более выражены, тем меньше ошибка смещения, вызванная изменением модели потока. Пусть скачкообразно изменился коэффициент с^в модели почти стационарного потока. Оператор текущего среднего отработает это изменение спустя время Т-. Вместе с тем при уменьшении интервала Тс возрастает случайная составляющая ошибки. Величина Тс должна выбираться такой, чтобы удовлетворить двум противоречивым требованиям.
Если удается приближенно оценить интервал почти стационарности потока, то выбрав интервал Т. из условия (21), затем его уточняют, чтобы добиться небольшой статистической ошибки при допустимой ошибке смещения,
В некоторых случаях не удается представить реальный поток почти стационарной моделью. Интенсивность лучше аппроксимируется некоторой ломаной линией, т. е. на отдельных временных интервалах изменение интенсивности подчиняется линейному закону. Применяя оператор текущего среднего, можно получить оценку параметра, которая содержит ошибку смещения, прямо пропорциональную скорости изменения интенсивности.
В этом случае, когда ошибка смещения велика, то вместо оператора текущего среднего может быть применен более сложный оператор Бернштейна, который позволяет получить несмещенную оценку параметра даже при линейно изменяющейся интенсивности. Оператор Бернштейна имеет вид
!
'-/, н

г
V '-в

?& amp-!
Л& quot- /
(24)
где — корреляционная функция процесса (Г).
Для случая дискретизированного процесса при Д?» т0 дисперсия оценки
Так как оценка интенсивности не является самоцелью, а используется при управлении сетью, то выбирать Тс = А1(нельзя несмотря на минимальность статистической ошибки, а интервал сглаживания Г следует выбирать из условия:
Сравним оператор текущего среднего с методом наименьших квадратов для модели почти стационарного потока требований. Коэффициенты для такой модели имеют вид
Интервал сглаживания Ть оператора Бернштейна выбирают из условия
Д/"ГС (& lt- А/, (25)
где Д? л — интервал линейности интенсивности требований.
Вместе с тем данный оператор имеет некоторые недостатки [5]. Основными недостатками оператора Бернштейна являются его нестационарность и достаточная сложность (по сравнению с оператором текущего среднего).
На рис. 3 приведены данные об уровне ошибок применения классических методов и субоптимальных операторов при оценивании интенсивности потоков требований различного вида в ИКС СН.
На рис. 4 приведены сравнительные данные об уровне ошибок оценивания интенсивности потоков требований различного вида в ИКС СН для оператора текущего усреднения и оператора Бернштейна.
Анализ результатов моделирования показывает, что в реальных условиях функционирования ИКС СН, смоделированных на модели, применение классических методов оценивания при отсутствии априорных сведений о виде изменения параметров в виде случайных процессов нецелесообразно, так как они проигрывают по уровню ошибок оценивания субоптимальным операторам для всех условий обстановки. Применение оператора Бернштейна для оценивания процессов более предпочтительно {по сравнению с оператором текущего усреднения), если изменения процессов ярко выражено. Однако уменьшение ошибок оценивания не столь выражено.
Следует отметить, что при проектировании ИКС СН невозможно заранее предсказать вид изменения интенсивности потоков требований для всех условий функционирования в изменяющейся оперативной обстановке. Поэтому применение сложных операторов оценивания в контурах мониторинга ИКС СН нецелесообразно.
С другой стороны, чтобы учесть изменения в моделях интенсивности, используемые операторы должны обладать адаптивными свойствами. Суммируя все вышесказанное, и анализируя результаты оценивания операторов,
можно рекомендовать для оценивания интенсивности оператор текущего сглаживания, который при соответствующем выборе параметра или интервала сглаживания будет обладать достаточными адаптивными свойствами и позволит путем применения несложных процедур иметь в распоряжении системы управления оценки параметров ИКС СН как случайных процессов (например, параметров потоков требований).
Выводы
При организации управления ИКС СН необходимо организовать эффективные процедуры, предусматривающие получение достоверных данных в реальном масштабе времени о ее состоянии, состоянии всех компонент ИКС, протекающих в ней и во всех ее элементов процессов. В подавляющем своем большинстве основные параметры, характеризующие состояние ИКС СН, состояние компонент ИКС и элементов ИКС будут являться случайными величинами или случайными процессами.
Разработанные модели и методы мониторинга ИКС СН позволяют оценить основные вероятностно-временные характеристики различных вариантов организация взаимодействий источников и потребителей оперативных и ретроспективных данных мониторинга при эксплуатации комплексов технических средств и оборудования ИКС СН.
Литература
1. Баруча-Рид А. Т. Элементы теории марковских процессов и их приложения. — М.- Наука, 1969.
2. Вшенкин С. Я. Статистическая обработка результатов исследования случайных функций. — М.: Энергия, 1979.
3. Ушаков И А. Вероятностные модели надежности информационно-вычислительных систем. — М.: Радио и связь, 1991.
4. Бешелее С. Д., Гуревич Ф. Г. Математико-статистические методы экспертных оценок. — М: Статистика, 1980.
5. Котюк А. Ф. Методы и аппаратура для анализа характеристик случайных процессов. — М: Энергия, 1967.
6. Буренин А. Н., Легкое К. Е. Особенности архитектур, функционирования, мониторинга и управления полевыми компонентами современных инфокоммуникационных сетей специального назначения И Наукоемкие технологии в космических исследованиях Земли. 2013. T.S. — N=3. — С. 12−17.
7. Легкое К. Е., Буренин А Н, Модели процессов мониторинга при обеспечении оперативного контроля эксплуатации инфокоммуникационных систем специального назначения И Наукоемкие технологии в космических исследованиях Земли. 2012. — Т.4. № 2. — С. 4−7.
8. Буренин А. Н., Легкое К. Е. Моделирование процессов мониторинга при обеспечении оперативного контроля эксплуатации инфокоммуникационных сетей специального назначения II Наукоемкие технологии в космических исследованиях Земли. 201 I, — Т.З. № 2. — С. 19−23.

г I & gt-
COMMUNICATIONS
MODELS AND METHODS OF MONITORING PARAMETERS CHARACTERIZING THE STATE OF THE INFOCOMMUNICATION SYSTEMS A SPECIAL PURPOSE
Legkov Konstantin Evgenyevich, Ph.D., deputy head of the Department automated systems of control, Military Space Academy, St. Petersburg, Russia, constl@mail. ru
Abstract
Currently, the different papers use the concept of monitoring of communication networks, telecommunication networks etc., and in its content the authors put in, sometimes different in particulars but similar in many ways in the main interpretation. For example, under the monitoring of a system of collecting/recording, storing, and analyzing a small number of key (explicit or implicit) attributes/parameters describe a network as a management object to make a judgement about the behaviour/condition in General. Differently, monitoring is a process of observing and recording data about the control object. In relation to information communication system (ICS) under the monitoring of the parameters is understood to be the monitoring of any parameters ICS as an object of management. The result of the monitoring parameters is a set of measured values of parameters obtained at adjacent time intervals and the estimation on their basis the state ICS SP. That is, under the monitoring of the state ICS SP refers to the monitoring of ICS as an object of management. The result of monitoring the state ICS SP is the set of diagnoses of its constituent elements.
It should be noted that generally the study of problems of monitoring of telecommunications networks is considered in many publications and dissertation research. Most of them devoted to monitoring local area networks, terminal and server equipment and only a small part of the network-wide monitoring issues. However, even if the names of some of the works found, the term & quot-network"-, the subject of study, as a rule, is not Infocommunications network or the system as a whole and its individual components: the network FR, IP network, etc. Management ICN SP need to establish effective procedures to obtain reliable data in real time about its status, the status of all component ICS flowing in it and in all its elements processes. An overwhelming majority of the basic parameters characterizing the state of ICS SP, the state component ICS (access network, transport network, the service nodes, the service, etc.) and elements ICS (servers, services, cabling systems, switches, multiplexers, routers, interface modules, etc.) will be random variables or random processes. The organization collect information about the state of the ICS SP, and its various components and elements has a lot in common and is part of the functional subsystem of gathering information (SGI) ACS ICS SP, whose elements are also placed on the appropriate nodes ICS and the corresponding hardware nodes the so-called elements of the subsystem of information gathering, primary processing of requests (applications) for receiving the state information and subsequent delivery of data required in the collection and processing of information the SGI of the ACS ICS upon their request, or arranging for the periodic automatic delivery of this information without request.
Keywords: infocommunication system, monitoring, status, settings, management, stochastic processes.
References
1. Barucha-Reid A.T. Elements of the theory of Markov processes and their applications. M.: Nauka, 1969. (in Russian)
2. Vilenkin S. Ya. Statistical analysis of the results of the study of random functions. M.: Energy, 1979. (in Russian)
3. Ushakov I.A. Probabilistic reliability models of information systems. M.: Radio and communication, 1991. (in Russian)
4. Beshelev S.D., Gurevich F.G. Mathematical-statistical methods of expert evaluations. M.: Statistika, 1980. (in Russian)
5. Kotyuk A.F. Methods and apparatus for analysis of characteristics of random processes. M.: Energy, 1967. (in Russian)
6. Burenin A.N., Legkov K. E Features of architecture, functioning, monitoring and control of field components of the modern infocommunication networks of the special purpose. H& amp-ES Research. 2013. Vol. 5. No. 3. Pp. 12−17. (in Russian)
7. Legkov K.E., Burenin A.N. Monitoring processes models in case of operational monitoring support maintenance of special purposes infocommunication systems. H& amp-ES Research. 2012. Vol. 4 No. 2. Pp. 4−7. (in Russian)
8. Burenin A.N., Legkov K.E. Modeling of processes of monitoring in case of support of an operating control of maintenance of infocommunication networks of a special purpose. H& amp-ES Research. 2011. Vol. 3 No.2. Pp. 19−23. (in Russian)

ПоказатьСвернуть
Заполнить форму текущей работой