мІнІстерство оСВІТИ і науки украЇнИ

ХАРКІВСЬКИЙ національний УНІВЕРСИТЕТ РАДІОЕЛЕКТРОНІКИ

ХАБІС А.А. ЗІДАТ

УДК 681.32:519.713

Методи діагностики комп’ютерних систем та мереж

з ВИКОРИСТОВУВАННЯМ експертних систем реального часу

05.13.13 – обчислювальні машини, системи та мережі

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Харків – 2007

Дисертацією є рукопис.

Робота виконана у Харківському національному університеті радіоелектроніки, Міністерство освіти і науки України.

Науковий керівник | доктор технічних наук, професор

Кривуля Геннадій Федорович,

Харківський національний університет радіоелектроніки, завідувач кафедри автоматизації проектування обчислювальної техніки.

Офіційні опоненти: | доктор технічних наук, професор

Асєєв Георгій Георгієвич,

Харківська державна академія культури,

завідувач кафедри інформаційних технологій;

кандидат технічних наук, доцент

Шостак Ігор Володимирович,

Національний аерокосмічний університет ім. М.Є. Жуковського “Харківський авіаційний інститут”,

доцент кафедри програмного забезпечення комп’ютерних систем.

Захист відбудеться " 29 " жовтня 2007 року о 13-00
годині на засіданні спеціалізованої вченої ради Д 64.052.01 у Харківському національному університеті радіоелектроніки за адресою: 61166, м. Харків, пр. Леніна, 14.

З дисертацією можна ознайомитись у бібліотеці Харківського національ-
ного університету радіоелектроніки за адресою: 61166, м. Харків, пр. Леніна, 14.

Автореферат розісланий " 25 " вересня 2007 року.

В.о. вченого секретаря спеціалізованої вченої ради |

Є.І. Кучеренко

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Технічні методи діагностики комп'ютерних систем і мереж можна успішно застосовувати тільки тоді, коли вдається побудувати формальну модель складових частин комп'ютерної системи чи мережі. Але у процесі діагностики часто доводиться удаватися до послуг експертів, які знають ті чи інші особливості комп'ютерних систем і мереж, що важко формалізувати. Для збереження і використання знань експертів у процесі діагностики ефективним є застосування експертних систем, що здатні швидко діагностувати будь-який стан комп'ютерної системи чи мережі. Центральним питанням побудови експертних систем є вибір форми подання знань – способу формального виразу знань про предметну галузь. Форма подання знань істотно впливає на характеристики і властивості експертної системи, тому представлення знань є однією з найбільш важливих проблем, що характерні для експертних систем. Найбільш розповсюдженою формою подання знань експерта у системах діагностики комп'ютерних систем і мереж є продукційні системи, але існуючі методи їх побудови не гарантують діагностику довільного стану досліджуваного ними об'єкта. Отже, актуальним є подальший розвиток методів діагностики комп'ютерних систем і мереж, спрямований на підвищення ефективності процесу діагностування за рахунок удосконалення способів подання знань експертів в експертних системах реального часу та їх апаратної реалізації.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана згідно з планом науково-технічних робіт Харківського національного університету радіоелектроніки в рамках держбюджетної теми № 196-5 "Розробка методологічних основ та інструментальних засобів створення просторових систем підтримки прийняття рішень" (№ ДР 0103U001566).

Мета роботи: розвиток методів діагностики комп'ютерних систем і мереж, спрямований на підвищення ефективності процесу діагностування за рахунок удосконалення способів подання знань експертів в експертних системах реального часу та їх апаратної реалізації.

Задачі дослідження. Згідно з поставленою метою задачами дослідження в дисертаційній роботі є:

–

–

–

Об'єкт дослідження – процеси діагностики комп'ютерних систем та мереж у режимі реального часу.

Предмет дослідження – експертні методи діагностики комп'ютерних систем і мереж.

Методи дослідження – методи дискретної математики і теорії графів, методи подання експертних знань і штучного інтелекту.

Наукова новизна одержаних результатів:

–

–

–

Практичне значення одержаних результатів. Отримані результати дозволяють створювати експертні системи діагностики комп'ютерних систем і мереж, що дозволяють поставити діагноз функціональному стану комп'ютерної системи чи мережі; аналізувати продукційні експертні системи на здатність постановки діагнозу будь-якому стану комп'ютерної системи чи мережі; апаратно синтезувати задану нейрону мережу у вигляді програмувальної логічної матриці, на основі якої можна реалізувати швидкодіючу продукційну експертну систему реального часу.

Результати роботи впроваджені в товаристві з обмеженою відповідальністю “Підприємство “Енергія-93” в рамках науково-дослідної роботи “Комп’ютерна система діагностики енергетичного устаткування з метою визначення його технічного стану та обсягу ремонтних робіт”. Наукові положення і висновки, приведені в дисертації, використані при підготовці дисциплін “Основи діагностики комп’ютерних систем”, “Еволюційне моделювання комп’ютерних систем”, “Теорія проектування спеціалізованих комп’ютерних систем та мереж” та у курсовому та дипломному проектуванні на кафедрі автоматизації проектування обчислювальної техніки Харківського національного університету радіоелектроніки.

Особистий внесок. Всі основні результати дисертаційного дослідження, що виносяться на захист, отримані особисто автором. У друкованих працях, опублікованих у співавторстві автору належить метод діагностики комп'ютерних систем і мереж, заснований на представленні знань експертів у вигляді продукційних правил з використанням бінарних відносин характерності значень параметрів для діагнозів [1, 3]; метод аналізу продукційних експертних систем на здатність постановки діагнозу будь-якому стану комп'ютерної системи чи мережі, що використовує бінарні відносини характерності значень ознак параметрів для діагнозів [4, 5]; метод апаратного синтезу заданої нейроної мережі у вигляді програмувальної логічної матриці [2].

Апробація результатів дисертації. Основні результати роботи доповідались на 10-му ювілейному міжнародному молодіжному форумі "Радіоелектроніка і молодь у XXІ столітті" (Харків, 10-12 квітня 2006 р.) та на 5-й науково-практичній міжнародній конференції “Інформаційні технології в освіті та управлінні” (Нова Каховка, 25-28 травня 2004 р.).

Публікації. Основні положення і результати дисертації опубліковані в 5 друкованих наукових працях: 4 статті в науково-технічних журналах, 1 теза доповідей.

Структура та обсяг дисертації. Дисертаційна робота складається з вступу, чотирьох розділів, висновків, переліку використаних джерел, додатка. Повний обсяг роботи – 178 сторінок. Дисертаційна робота містить 55 ілюстрацій на 14 сторінках, 25 таблиць на 10 сторінках, 2 додатки на 18 сторінках, список використаних джерел з 119 найменувань на 10 сторінках.

основний ЗМІСТ РОБОТИ

У вступі обґрунтована актуальність теми, сформульовані мета і задачі роботи, відзначені наукова новизна і практична цінність отриманих результатів.

У першому розділі проаналізовано існуючі підходи до діагностики комп'ютерних систем і мереж за допомогою експертних систем. Цей аналіз показує, що найбільш розповсюдженою формою подання знань експерта є продукційні системи в поєднанні з іншими формами подання знань (моделі, міркування на основі досвіду, фрейми і т.п.).

Важливим недоліком продукційних діагностичних експертних систем є те, що існуючі методи їх побудови не гарантують діагностику довільного стану досліджуваного ними об'єкта. Для діагностики комп'ютерних систем і мереж у реальному часі це зовсім неприпустимо. Проаналізовано сучасні методи експертної класифікації і прийняття рішень, що гарантують постановку діагнозу будь-якому стану об'єкта дослідження. Цей аналіз показує, що при великій розмірності вектора, що описує стан таких складних об'єктів як комп'ютерна система чи мережа, ці методи складні навіть для досвідченого експерта і результати можуть виявитися помилковими і суперечливими. Тому актуальним є використання продукційних систем (як найбільш прийнятної форми подання знань експерта в процесі діагностики комп'ютерних систем і мереж) у поєднанні з методами експертної класифікації, що гарантують постановку діагнозу будь-якому стану об'єкта дослідження.

Проаналізовано сучасні методи і технології штучного інтелекту. Цей аналіз показує, що важливим напрямком розвитку систем штучного інтелекту є інтеграція нейроних мереж продукційними правилами. Тому актуальним є апаратна реалізація нейроних мереж, що забезпечить максимальну швидкодію при вирішенні задач діагностики комп'ютерних систем і мереж у реальному часі на основі продукційних експертних систем, що гарантують постановку діагнозу будь-якому стану об'єкта дослідження.

Визначено мету роботи, і сформульовані основні задачі дослідження.

В другому розділі розглянуті продукційні експертні системи, що здатні поставити діагноз будь-якому стану комп'ютерної системи чи мережі, які характеризуються одним, двома, трьома і довільним числом параметрів.

Показано, що використання бінарних відносин характерності значень параметрів для діагнозів дозволяє істотно скоротити число продукцій, необхідних для діагностики довільного стану комп'ютерної системи чи мережі.

Запропоновано процес постановки діагнозу, заснований на продукційному висновку і використанні бінарних відносин характерності значень параметрів для діагнозів.

Нехай комп’ютерна система S характеризується множиною параметрів, де an – n-й параметр системи S, N – кількість параметрів системи S. Позначимо через множину значень параметра an системи S, де an,m – m-е значення n-го параметра системи S, M(n) – кількість значень n-го параметра системы S.

Декартів добуток множин значень параметрів комп’ютерної системи S представляє собою множину усіх гіпотетично можливих станів комп’ютерної системи S. Таким чином, стан системи S характеризується вектором , де .

Нехай – множина діагнозів, що можуть бути встановлені системі S, де dk – k-й діагноз, що можна поставити системі S, d0 – “система S справна”, dk – “у системи S несправність k-го типу” (), K – кількість несправностей системи S.

Нехай база знань продукційної експертної системи реального часу, що спроможна поставити діагноз будь-якому стану системи S, складається з наступної множини продукцій, де pq – q-а продукція, Q – кількість продукцій.

Продукція pq може бути одного з двох типів. Продукція першого типу відображає знання експерта при проміжних міркуваннях у процесі постановки діагнозу. Найпростіший вигляд, що може мати така продукція: “Якщо параметр an має значення an,m, то перевірити значення параметра b”, де .

Більш складні продукції першого типу можуть мати вигляд: “Якщо параметр ai має значення ai,m і параметр aj має значення aj,n, то перевірити значення параметрів b и c”, де .

Використовуючи символи математичної логіки , , для позначення відповідно заперечення “ні” и зв’язок “І”, “АБО”, можна записати ще більш складні продукції першого типу. Наприклад, “Якщо ai = ai,m aj = aj,n ak = ak,l, то перевірити значення параметрів b, c и e”, де .

У загальному вигляді продукцію першого типу можна записати наступним чином: “Якщо , то перевірити значення параметрів C”, де – просте висловлення “параметр має значення ”, f – складне висловлення (складене з простих, використовуючи скобки та символи , , ), , .

Продукція другого типу відображає знання експерта при постановці остаточного діагнозу. Найпростіший вигляд, що може мати така продукція: “Якщо параметр an має значення an,m, то у системи S несправність k-го типу”. Більш складні продукції другого типу можуть мати вигляд: “Якщо параметр ai має значення ai,m і параметр aj має значення aj,n, то dk”.

Використовуючи символи , , , можна записати ще більш складні продукції другого типу. Наприклад, “Якщо ai = ai,m aj = aj,n ak = ak,l, то d1 і d3”.

У загальному вигляді продукцію другого типу можна записати наступним чином: “Якщо , то E”, де або .

Експерту, знання якого зафіксовані в базі знань, можна поставити наступні запитання: яке значення параметра an більш характерно для діагнозу dk (; ).

Нехай експерт-діагност відповів, що значення an,i параметра an більш характерно для діагнозу dk, ніж an,j (; ; ; ij). Позначимо це через .

Відповіді на ці запитання дозволяють побудувати бінарне відношення характерності значень параметра an для діагнозу dk: rn,k = {(an,i; an,j) | .} (; ).

На основі відношень rn,k () можна побудувати бінарне відношення характерності всіх гіпотетично можливих станів комп’ютерної системи S для діагнозу dk: rk = {(c1; c2) | ; }.

Нехай Ck – множина станів комп’ютерної системи S, якім можна поставити діагноз dk (Ck C). Розглянемо множину станів, що найменш характерні для діагнозу dk: = {cCk | bCk (b;c)rk} ( Ck, ). Нехай Pk – множина продукцій, за допомогою яких встановлюється діагноз dk станам з множини ().

Лема 2.1. Будь-якому стану з множини Ck діагноз dk можна поставити, використовуючи тільки множину продукцій Pk і відношення rk ().

Нехай P0 – множина продукцій, за допомогою яких встановлюється діагноз d0. Розглянемо множину продукцій (Pmin P) і множину відношень .

Теорема 2.1. Будь-якому стану з множини C діагноз з множини D можна поставити, використовуючи тільки множини Pmin і R.

Доведені лема і теорема дозволяють, використовуючи бінарні відносини характерності значень параметрів для діагнозів, мінімізувати кількість продукцій зі збереженням можливості постановки діагнозу будь-якому стану комп'ютерної системи чи мережі.

Нехай, наприклад, комп’ютерна система S характеризується множиною параметрів. Нехай – множина значень параметра , – множина значень параметра , – множина значень параметра .

Розглянемо декартів добуток . Елемент є станом комп’ютерної системи S, де , , . Наприклад, є станом S.

Нехай – множина діагнозів системи S, де – “система S справна”, – “система S має несправність 1-го типу”, – “система S має несправність 2-го типу”.

Нехай – множина продукцій, що використовує експерт, діагностуючи систему S. Нехай ці продукції мають наступний вигляд:

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то ;

– якщо , , то .

Нехай значення параметра більш характерно для діагнозу , ніж значення , яке більш характерно для діагнозу , ніж значення . Це дозволяє побудувати бінарне відношення характерності значень параметра для діагнозу . Нехай значення параметра більш характерно для діагнозу , ніж значення . Це дозволяє побудувати бінарне відношення характерності значень параметра для діагнозу (рис. 1).

Рис. 1. Бінарні відношення та

На основі відношень та можна побудувати бінарне відношення характерності всіх гіпотетично можливих станів комп’ютерної системи S для діагнозу (рис. 2).

Нехай – множина станів, що представлені у відношенні . Будь-якому стану з множини діагноз можна поставити, використовуючи тільки продукцію і відношення . Наприклад, якщо стан подається до входу експертної системи, то за допомогою відношення можна перейти до стану , якому діагноз встановлюється продукцією (рис. 2).

Рис. 2. Використання відношення при встановленні діагнозу

Нехай значення параметра більш характерно для діагнозу , ніж значення , яке більш характерно для діагнозу , ніж значення . Це дозволяє побудувати бінарне відношення характерності значень параметра для діагнозу . Нехай значення параметра більш характерно для діагнозу , ніж значення . Це дозволяє побудувати бінарне відношення характерності значень параметра для діагнозу . Нехай значення параметра більш характерно для діагнозу , ніж значення . Це дозволяє побудувати бінарне відношення характерності значень параметра для діагнозу (рис. 3).

Рис. 3. Бінарні відношення , та

На основі відношень , та можна побудувати бінарне відношення характерності всіх гіпотетично можливих станів комп’ютерної системи S для діагнозу (рис. 4).

Нехай – множина станів, що представлені у відношенні . Будь-якому стану з множини діагноз можна поставити, використовуючи тільки продукції та і відношення . Наприклад, якщо стан подається до входу експертної системи, то за допомогою відношення можна перейти до стану , якому діагноз встановлюється продукцією (рис. 4).

Рис. 4. Використання відношення при встановленні діагнозу

Таким чином, будь-якому стану комп’ютерної системи можна поставити діагноз , або , використовуючи тільки продукції , , , та і бінарні відносини та .

У третьому розділі розглянуто процес аналізу продукційних експертних систем, здатних поставити діагноз будь-якому стану комп'ютерної системи чи мережі, що характеризуються одним, двома, трьома і довільним числом параметрів. Показано, що використання бінарних відносин характерності значень параметрів для діагнозів і лише істотно обмеженого числа продукційних правил дозволяє проаналізувати здатність діагностики довільного стану комп'ютерної системи чи мережі. Запропоновано процес аналізу, заснований на продукційному висновку і використанні бінарних відносин характерності значень параметрів для діагнозів.

Нехай комп’ютерна система S характеризується множиною параметрів, де an – n-й параметр системи S, N – кількість параметрів системи S. Позначимо через множину значень параметра an системи S, де an,m – m-е значення n-го параметра системи S, M(n) – кількість значень n-го параметра системи S.

Нехай – множина діагнозів, що можуть бути встановлені системі S, де dk – k-й діагноз, що можна поставити системі S, d0 – “система S справна”, dk – “у системи S несправність k-го типу” (), K – кількість несправностей системи S.

Нехай база знань продукційної експертної системи реального часу, що спроможна поставити діагноз будь-якому стану системи S, складається з наступної множини продукцій, де pq – q-а продукція, Q – кількість продукцій.

Для аналізу цієї множини P продукцій експерту, знання якого зафіксовані в базі знань, можна поставити наступні запитання: яке значення параметра an більш характерно для діагнозу dk (; ).

Нехай експерт-діагност відповів, що значення an,i параметра an більш характерно для діагнозу dk, чим an,j (; ; ; ij). Позначимо це через .

Відповіді на ці запитання дозволяють побудувати бінарне відношення характерності значень параметра an для діагнозу dk: rn,k = {(an,i; an,j) | .} (; ).

Декартів добуток множин значень параметрів комп’ютерної системи S представляє собою множину усіх гіпотетично можливих станів комп’ютерної системи S. Таким чином, стан системи S характеризується вектором , де .

На основі відношень rn,k () можна побудувати бінарне відношення характерності всіх гіпотетично можливих станів комп’ютерної системи S для діагнозу dk: rk = {(c1; c2) | ; }.

Щоб зробити аналіз бази знань, кожному стану ciC ставиться у відповідність множина – номерів діагнозів, що можуть бути встановлені стану ci, і множина номерів діагнозів, що не можуть бути встановлені стану ci (, {1, 2, … , K}; = ).

До початку аналізу для будь-якого стану ciC буде == . Стан ci вважається цілком проаналізованим, якщо = {1, 2, … , K}. Множину цілком проаналізованих станів позначимо через C0. Процес аналізу закінчується, коли C0 = C.

Якщо стану ciC буде поставлено діагноз dk, то й більш характерним для діагнозу dk станам з множини = {cjC | (cj; ci)rk, k} також повинно бути встановлено діагноз dk. Аналогічно, якщо стану ciC не буде встановлено діагноз dk, то й менш характерним для діагнозу dk станам з множини = {cjC | (ci; cj)rk, k} також не повинно бути встановлено діагноз dk. Інформативністю стана ciC відносно діагнозу dk називається число fi,k = min{||, ||}. Інформативністю стана ciC називається число .

Нехай . Тоді самим інформативним буде стан C. Нехай – множина продукцій, за допомогою яких стану встановлюється діагноз dk ().

Лема 3.1. Будь-якому стану з множини діагноз dk можна встановити, використовуючи тільки множину продукцій і відношення rk ().

Таким чином, для кожного стана cj до його множини додається елемент {k}.

Лема 3.2. Будь-якому стану з множини (k) не повинно бути встановлено діагноз dk. Для отримання цього результату достатньо використовувати тільки відношення rk.

Таким чином, для кожного стана cj до його множини додається елемент {k}.

Далі необхідно знайти наступний самий інформативний стан C, для кожного стана cj до множини додати елемент {k}, і для кожного стана cj до множини додати елемент {k}.

Цей процес буде повторюватися, доки C0 C. Процес закінчується, коли C0 = C.

Розглянемо отриману послідовність CU = (, ,…, ,…, ) самих інформативних станів. Розглянемо множину продукцій (Pmin P) і множину відношень .

Теорема 3.1. Будь-якому стану з множини C діагноз з множини D можна встановити, використовуючи тільки множини Pmin и R.

Доведені леми і теорема дозволяють, використовуючи бінарні відносини характерності значень параметрів для діагнозів, скоротити кількість продукцій, необхідних для аналізу продукційних експертних систем, здатних поставити діагноз будь-якому стану комп'ютерної системи чи мережі.

Знов розглянемо комп’ютерну систему S, що характеризується такими ж параметрами, їх значеннями, діагнозами та множиною продукцій, що використовує експерт, діагностуючи систему, як і у другому розділі. На основі характерності значень параметрів для діагнозів можна побудувати відношення характерності всіх гіпотетично можливих станів системи для діагнозів (рис. 5 та 6).

Рис. 5. Відношення характерності станів системи для діагнозу

Рис. 6. Відношення характерності станів системи для діагнозу

Для аналізу бази знань необхідно пред’явити їй для діагностики деякий стан комп’ютерної системи. Стани мають різний ступінь інформативності щодо діагнозу – різною кількістю станів, що побічно діагностуються при явному пред’явленні стану (табл. 1).

Таблиця 1. Інформативність станів

Стан | Інформативність

відносно | відносно | загальна

0 | 0 | 0

1 | 1 | 2

1 | 1 | 2

3 | 3 | 6

2 | 2 | 4

2 | 2 | 4

1 | 1 | 2

3 | 3 | 6

3 | 3 | 6

3 | 3 | 6

3 | 3 | 6

1 | 1 | 2

2 | 2 | 4

2 | 2 | 4

3 | 3 | 6

1 | 1 | 2

1 | 1 | 2

0 | 0 | 0

Наприклад, якщо стану буде встановлено діагноз , то і більш характерним для діагнозу станам , та також повинно бути встановлено діагноз . Аналогічно, якщо стану не буде встановлено діагноз , й менш характерним для діагнозу станам , , , , , та також не повинно бути встановлено діагноз .

Інформативність стану відносно діагнозу залежить від відповіді експерта (бази знань). У будь-якому випадку можна гарантувати мінімум інформативності з двох можливих відповідей експерта. В даному прикладі – мінімум з 3 і 7. Цей мінімум 3 і можна вважати ступенем інформативності стану відносно діагнозу .

Інформативність стану визначається сумою його інформативностей відносно кожного діагнозу. Таким чином, для швидкого аналізу бази знань необхідно пред’явити їй для діагностики найінформативніший в даний момент стан комп’ютерної системи. Інформативність всіх станів в даному прикладі показана в таблиці 1.

Нехай для діагностики вибрано стан (табл. 2).

Таблиця 2. Результати діагностики стану

Стан | Діагноз

несправність | несправність

немає

немає

немає

немає | немає

немає

немає

немає

немає

немає

В базі знань є продукція – Якщо , , то ”. Таким чином, стан є справним і йому не можна встановити діагноз . Отже і менш характерним для діагнозу станам , , , та також не можна встановити діагноз . Аналогічно, стану не можна встановити діагноз . Отже і менш характерним для діагнозу станам , та також не можна встановити діагноз .

Результати діагностики стану наведені у таблиці 2.

Далі необхідно перерахувати інформативність станів, які ще не є з діагнозом, явно діагностувати за допомогою продукції найінформативніший стан, та побічно діагностувати (якщо можливо) інші стани. Цей процес повторюється циклічно, доки всі стани буде діагностовано.

Послідовність найінформативніших станів у даному прикладі може мати такий вигляд: , , , , . Остаточний результат показаний у таблиці 3.

Таблиця 3. Остаточні результати діагностики

Стан | Діагноз

несправність | несправність

існує | немає

існує | немає

немає | немає

немає | немає

немає | існує

немає | існує

існує | немає

існує | немає

немає | існує

немає | існує

немає | існує

немає | існує

існує | немає

існує | немає

немає | існує

немає | існує

немає | існує

немає | існує

Отриманий результат цілком узгоджується з базою знань, що має 18 продукцій, але при досягненні цього результату було використано тільки 6 продукцій (, , , , та ) та 2 відношення та .

У четвертому розділі показано ефективність використання методів, розроблених у розділах 2 і 3, на конкретних прикладах діагностики персонального комп'ютера і пошуку несправностей у комп'ютерній мережі.

База знань діагностики персонального комп'ютера здатна поставити 22 діагнози, один з яких має вигляд: d8 – система S дає збій.

При постановці діагнозу d8 використовується 36 параметрів, які приймають від 5 до 9 значень, що характеризують систему, яка може знаходитися в одному з більш ніж гіпотетично можливих станів.

База знань містить 29 продукцій, що відображають знання експерта при остаточній постановці діагнозу d8, наприклад, p1,1 – Якщо a1 (значення напруги статичної електрики) = a1,1 (напруга_1), то d = d8.

База знань також містить 127 продукцій, що відображають знання експерта при проміжних міркуваннях у процесі постановки діагнозу d8, наприклад, p8,1 – Якщо a8 (параметри заземлення) = a8,1 (параметри_1), то перевірити a1.

Використовуючи 36 відносин характерності значень кожного параметра для діагнозу d8, можна перетворити базу знань, зменшивши кількість продукцій до 36, зберігши при цьому можливість постановки діагнозу d8 усім відповідним станам системи, що діагностується.

Таким чином, запропонований підхід дозволяє мінімізувати кількість продукцій зі збереженням можливості постановки діагнозу відповідному стану комп'ютерної техніки.

Розглянуто процес апаратного синтезу заданої нейроної мережі у вигляді програмувальної логічної матриці. Описано архітектуру синтезованої нейроної мережі. Приведено опис синтезованої моделі.

Інтеграція нейроних мереж з продукційними правилами – важливий напрямок розвитку систем штучного інтелекту.

Апаратна реалізація нейроних мереж (НМ) забезпечує максимально можливу швидкодію при вирішенні специфічних нейромережних задач, до яких, зокрема, відноситься і діагностика. Такі НМ дозволяють реалізувати переваги властивого їм паралелізму і працюють на кілька порядків швидше в порівнянні з їх програмною симуляцією. Особливо це актуально для задач реального часу, пов'язаних, наприклад, з діагностикою комп'ютерних систем і мереж із застосуванням експертних систем, у яких знання представлені у вигляді продукцій.

У четвертому розділі міститься приклад реалізації НМ і опис етапів її розробки від функціонального опису моделі до оцінки часових і апаратурних характеристик. Приведено оцінку оптимальності використання моделі НМ, отриманої після опису використовуваного нейроалгоритму, у коді VHDL.

Для реалізації НМ в апаратурному вигляді отримана структурна модель НМ, що представлена в кодах мови VHDL. Отримана VHDL-модель містить функціональну модель НМ і необхідні тести для перевірки функціонування до синтезу, після синтезу і після розміщення логіки на чіпу. На наступному етапі модель синтезована в цифрову логіку для імплементації на FPGA.

Для реалізації НМ обраний чіп Xіlіnx Vіrtex ІІ FPGA. Він має вбудовані блоки помножників 18х18, спеціальну логіку прискореного переносу для високошвидкісних арифметичних операцій, часткове реконфігурування, гнучкі логічні ресурси: до 122 880 тригерів, до 122 880 16-ти розрядних зсувних регістрів на базі LUT, підтримка багатовхідних помножників і логічних функцій. Цей чіп зроблений за технологією 0,15-мкм із 8-шаровою металізацією і 0,12-мкм швидкодіючими транзисторами. Часткове реконфігурування дозволяє робити дуже швидкі наростаючи зміни, які властиві алгоритму навчання. Архітектура, що базується на мультиплексорах, гарантує відсутність конфліктних ситуацій при проходженні сигналів таким чином, що довільні конфігураційні дані не приведуть чіп до самознищення.

Для функціонального моделювання використаний пакет фірми Aldec Actіve-HDL 5.0. Результати симуляції схеми до синтезу і після нього збігаються, що означає правильність синтезу схеми.

Синтез остаточних файлів VHDL здійснений з використанням пакету Synplіfy Pro 7.0 і орієнтований на Vіrtex-II сімейство ПЛІС з архітектурою FPGA. Використано мікросхему XC2V6000 сімейства Vіrtex-ІІ. Вона містить 6 млн. системних вентилів, 144 блоку помножників і блокову пам'ять ємністю 2592 Кбіт.

Остаточна схема складається з контролера і НМ. Блок контролю працює на системній частоті 20 MHz і надає необхідні сигнали контролю. Контролер керує роботою НМ. Він синхронізує роботу кожного шару і повідомляє, коли можна подавати на входи наступний тестовий вектор.

Кожний з нейронів містить визначену кількість логічних вентилів, що реалізують функцію нейроного елемента. Наприклад, схема першого нейрона вхідного шару містить 5 регістрів (для інвертування шини), 2 суматора, 4 DE-тригера, 10 мультиплексорів 2-в-1, 4 помножника, 2 елемента "АБО", "ТА" і "АБО, що виключає".

Реалізована апаратно НМ може робити арифметичні операції набагато швидше, у порівнянні з її програмною реалізацією. FPGA обробляють дані, що надходять паралельно з високою швидкістю, що скорочує загальний час обчислень. Крім цього, архітектура FPGA досить проста і може бути без істотних витрат розширена до 128 входів.

До недоліків реалізованої апаратно НМ варто віднести такі фактори як складна схема синхронізації при складних імплементаціях. Крім цього, кількість вхідних/вихідних ліній обмежено ресурсами чіпа. Апаратурна реалізація НМ не має гнучкості, що властива програмним засобам, і для неї важко реалізувати процес навчання мережі.

Додатки містять впровадження результатів дисертації у виробництво та в навчальний процес, а також характеристики несправностей апаратного і програмно-апаратного типу, причини їх виникнення та рекомендаціями з їх усунення.

ВИСНОВКИ

У дисертаційній роботі наведено результати, які, відповідно до мети дослідження, у сукупності є розвитком методів діагностики комп'ютерних систем і мереж, спрямованих на підвищення ефективності процесу діагностування за рахунок удосконалення способів представлення знань експертів в експертних системах реального часу та їх апаратної реалізації. З виконаних теоретичних та експериментальних досліджень можна зробити наступні висновки.

1. Проаналізовано існуючі підходи до діагностики комп'ютерних систем і мереж за допомогою експертних систем; сучасні методи експертної класифікації і прийняття рішень, що гарантують постановку діагнозу будь-якому стану об'єкта дослідження; сучасні методи і технології штучного інтелекту.

2. Розроблено метод діагностики довільного стану комп'ютерної системи чи мережі з використанням бінарних відносин характерності значень параметрів для діагнозів, що дозволяє істотно скоротити число продукцій, необхідних для. Запропоновано процес постановки діагнозу, заснований на продукційному висновку і використанні бінарних відносин характерності значень параметрів для діагнозів. Доведені лема і теорема дозволяють мінімізувати кількість продукцій зі збереженням можливості постановки діагнозу будь-якому стану комп'ютерної системи чи мережі.

3. Розроблено метод аналізу здатності експертної системи діагностувати довільний стан комп'ютерної системи чи мережі з використанням бінарних відносин характерності значень параметрів для діагнозів і лише істотно обмеженого числа продукційних правил. Запропоновано процес аналізу, заснований на продукційному висновку і використанні бінарних відносин характерності значень параметрів для діагнозів. Доведені леми і теорема дозволяють, скоротити кількість продукцій, необхідних для аналізу продукційних експертних систем.

4. Одержав подальший розвиток метод апаратного синтезу заданої нейроної мережі у вигляді програмувальної логічної матриці. Описано архітектуру синтезованої нейроної мережі. Приведено опис синтезованої моделі.

5. Показано практичну ефективність використання розроблених методів на конкретних прикладах діагностики комп'ютерних систем і мереж; аналізу продукційних експертних систем на здатність постановки діагнозу будь-якому стану комп'ютерної системи чи мережі; апаратного синтезу заданої нейроної мережі у вигляді програмувальної логічної матриці, на основі якої можна реалізувати швидкодіючу продукційну експертну систему реального часу.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1.

2.

3.

4.

5.

АНОТАЦІЯ

Хабіс А.А. Зідат Методи діагностики комп’ютерних систем та мереж з використовуванням експертних систем реального часу. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.13 – обчислювальні машини, системи та мережі. – Харківський національний університет радіоелектроніки, Харків, 2007.

Дисертація присвячена розвитку методів діагностики комп'ютерних систем і мереж, спрямованого на підвищення ефективності процесу діагностування за рахунок удосконалення способів подання знань експертів в експертних системах реального часу та їх апаратної реалізації

Вперше розроблено метод діагностики комп'ютерних систем і мереж, що базується на поданні знань експертів у вигляді продукційних правил з використанням бінарних відносин характерності значень параметрів для діагнозів, що дозволяє поставити діагноз визначеному стану комп'ютерної системи чи мережі. Удосконалено метод аналізу продукційних експертних систем на здатність постановки діагнозу функціональному стану комп'ютерної системи чи мережі, що використовує бінарні відносини характерності значень ознак параметрів для діагнозів, що дозволяє скоротити кількість продукцій, необхідних для аналізу. Одержав подальший розвиток метод апаратного синтезу заданої нейроної мережі у вигляді програмувальної логічної матриці, на основі якої можна реалізувати швидкодіючу продукційну експертну систему реального часу.

Ключові слова: комп’ютерна діагностика, експертна система, продукційна система, бінарне відношення.

Аннотация

Хабис А.А. Зидат Методы диагностики компьютерных систем и сетей с применением экспертных систем реального времени. – Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.13 – вычислительные машины, системы и сети. – Харьковский национальный университет радиоэлектроники, Харьков, 2007.

В процессе достижения цели диссертационной работы – развития методов диагностики компьютерных систем и сетей, направленного на повышение эффективности процесса диагностирования за счет усовершенствования способов представления знаний экспертов в экспертных системах реального времени и их аппаратной реализации, получены следующие результаты.

Проанализированы существующие подходы к диагностике компьютерных систем и сетей с помощью экспертных систем.

Проанализированы современные методы экспертной классификации и принятия решений, которые гарантируют постановку диагноза любому состоянию объекта исследования. Актуальным является использование продукционных систем (как наиболее приемлемой формы представления знаний эксперта в процессе диагностики компьютерных систем и сетей) в сочетании с методами экспертной классификации, гарантирующими постановку диагноза любому состоянию объекта исследования.

Проанализированы современные методы и технологии искусственного интеллекта. Актуальным является аппаратная реализация нейронных сетей, которая обеспечит максимальное быстродействие при решении задач диагностики компьютерных систем и сетей в реальном времени на основе продукционных экспертных систем, гарантирующих постановку диагноза любому состоянию объекта исследования.

Рассмотрены продукционные экспертные системы, способные поставить диагноз любому состоянию компьютерной системы или сети, характеризующиеся одним, двумя, тремя и произвольным числом параметров.

Показано, что использование бинарных отношений характерности значений параметров для диагнозов позволяет существенно сократить число продукций, необходимых для диагностики произвольного состояния компьютерной системы или сети.

Предложен процесс постановки диагноза, основанный на продукционном выводе и использовании бинарных отношений характерности значений параметров для диагнозов.

Доказанные лемма и теорема позволяют, используя бинарные отношения характерности значений параметров для диагнозов, минимизировать количество продукций с сохранением возможности постановки диагноза любому состоянию компьютерной системы или сети.

Рассмотрен процесс анализа продукционных экспертных систем, способных поставить диагноз любому состоянию компьютерной системы или сети, характеризующиеся одним, двумя, тремя и произвольным числом параметров.

Показано, что использование бинарных отношений характерности значений параметров для диагнозов и лишь существенно ограниченного числа продукционных правил позволяет проанализировать способность диагностики произвольного состояния компьютерной системы или сети.

Предложен процесс анализа, основанный на продукционном выводе и использовании бинарных отношений характерности значений параметров для диагнозов.

Доказанные леммы и теорема позволяют, используя бинарные отношения характерности значений параметров для диагнозов, сократить количество продукций, необходимых для анализа продукционных экспертных систем, способных поставить диагноз любому состоянию компьютерной системы или сети.

Показана эффективность использования методов, разработанных в разделах 2 и 3, на конкретных примерах диагностики персонального компьютера и поиска неисправностей в компьютерной сети.

База знаний диагностики персонального компьютера способна поставить 22 диагноза, один из которых – “система сбоит”. При постановке этого диагноза используется 36 параметров, принимающих от 5 до 9 значений и характеризующих диагностируемую систему, которая может находиться в одном из более чем гипотетически возможных состояний. База знаний содержит 29 продукций, которые отражают знания эксперта при