НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ "ЛЬВІВСЬКА ПОЛІТЕХНІКА"

Поморова Оксана Вікторівна

УДК 004.896

ТЕОРЕТИЧНІ ОСНОВИ, МЕТОДИ ТА ЗАСОБИ ІНТЕЛЕКТУАЛЬНОГО ДІАГНОСТУВАННЯ КОМП’ЮТЕРНИХ СИСТЕМ  

Спеціальність 05.13.13 – обчислювальні машини, системи та мережі

Автореферат дисертації на здобуття наукового ступеня
доктора технічних наук 

Львів – 2007

Дисертацією є рукопис.

Роботу виконано у Хмельницькому національному університеті Міністерства освіти і науки України.

Офіційні опоненти:

доктор технічних наук, професор

Богаєнко Іван Миколайович,

Державне підприємство науково-виробнича корпорація “Київський інститут автоматики”,

заступник генерального директора з наукової роботи;

доктор технічних наук, професор

Харченко В'ячеслав Сергійович,

Національний аерокосмічний університет

ім. М.Є.Жуковського “ХАІ”,

завідувач кафедри комп’ютерних систем і мереж;

доктор технічних наук, професор

Черкаський Микола В'ячеславович,

Національний університет “Львівська політехніка”, професор кафедри електронно-обчислювальних машин.

Захист відбудеться “3 жовтня 2007 р. о __15___ годині на засіданні спеціалізованої вченої ради Д 35.052.05 Національного університету “Львівська політехніка” за адресою: 79013 м.Львів, вул. С.Бандери, 12.

З дисертацією можна ознайомитись у бібліотеці Національного університету “Львівська політехніка” за адресою: 79013 м. Львів, вул.С.Бандери, 12.

Автореферат розісланий “31 серпня 2007 р.

Вчений секретар

спеціалізованої вченої ради Р.А. Бунь

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Сучасні комп'ютерні системи (КС) є складними апаратно–програмними комплексами, що постійно вдосконалюються, розвиваються та модернізуються. Використання КC у провідних високотехнологічних сферах господарської діяльності суспільства: зв'язок, медицина, банківська справа, системи управління складними технологічними процесами, тощо, вимагає забезпечення високого рівня надійності функціювання КС та їх компонентів. Одним із засобів підвищення надійності є розроблення і впровадження ефективних апаратно-програмних засобів діагностування КС.

Особлива увага забезпеченню надійності має приділятися на етапі експлуатації КС. Цей етап життєвого циклу характеризується рядом особливостей, що ускладнюють організацію процесу діагностування, а саме слабкий інформаційний зв'язок етапу експлуатації КС з попередніми етапами життєвого циклу (проектування та виробництва), неповнота та неточність діагностичної інформації, низький рівень контролепридатності КС та їх складових, відсутність або відносно висока вартість діагностичних програм та апаратних засобів діагностування КС, відсутність технічної документації. Це призводить до ускладнення процесу діагностування КС на етапі експлуатації. Вартість виявлення несправних компонентів КС зростає на порядки при переході з нижчих рівнів на більш високі. Технічне обслуговування сучасних комп’ютерних пристроїв та технічних систем, що побудовані на їх основі, складає біля 50 % вартості таких систем. За цих умов все більшої ваги набуває діагностичне забезпечення, яке своєчасно інформує спеціаліста про поточний стан КС та видає прогноз стану на найближчий час.

Перспективним напрямком розвитку засобів технічного діагностування є використання у їх складі компонентів штучного інтелекту: продукційних правил, нечіткої логіки, штучних нейронних мереж, генетичних алгоритмів. Відомі засоби технічного діагностування КС, що використовують інтелектуальні компоненти, орієнтовані на вирішення окремих вузькоспеціалізованих діагностичних задач і не забезпечують достатнього рівня універсальності, тому проблема підвищення ефективності діагностування КС за рахунок розроблення та вдосконалення інтелектуальних засобів є актуальною і потребує подальших досліджень. У ряді випадків ця проблема вирішується шляхом розроблення нових теоретичних основ технічного діагностування з врахуванням впливу інтелектуалізації на реалізацію процесу діагностування.

Отже, підвищення ефективності процесу діагностування КС на етапі експлуатації в умовах неповноти діагностичної інформації за рахунок розвитку теоретичних основ, методів та засобів інтелектуального діагностування є актуальною науково-прикладною проблемою, вирішенню якої присвячена ця робота.

Вирішенням проблеми підвищення надійності КС та їх складових шляхом розроблення і вдосконалення теорії, методів та засобів технічного діагностування займаються провідні вчені України та зарубіжжя: О.М.Романкевич, Г.Ф. Кривуля, В.П. Тарасенко, Ю.О. Скобцов, І.М. Богаєнко, М.В. Черкаський, В.С. Харченко, В.І. Хаханов, Ю.Г.Савченко, А.О. Мельник, В.Г. Тоценко, Л.М. Заміховський, О.В. Дрозд, В.М. Локазюк, М.Ф. Каравай, В.О. Твердохлєбов, М. Абрамович, Г.Майєрс, С. Мюллер, П. Нортон та інші.

На сьогодні невирішеними залишаються задачі розвитку теорії інтелектуального діагностування КС, побудови ефективних структур засобів діагностування та моделей КС у їх складі, універсалізації та збільшення термінів експлуатації систем технічного діагностування та надбаних ними експертних знань. Не вироблено формалізованої методології та відповідних стратегій інтелектуалізації методів та процесу діагностування КС. Продовження наукових досліджень у напрямку інтелектуалізації діагностування КС підтверджується вимогами одержаних практичних результатів.

Тому актуальним є вирішення науково-прикладної проблеми інтелектуалізації процесу діагностування, що забезпечить підвищення його ефективності за рахунок підвищення достовірності в умовах неповноти діагностичної інформації на етапі експлуатації КС.

Зв’язок роботи з науковими програмами, планами, темами. Робота виконувалась у рамках планових держбюджетних науково-дослідних робіт Хмельницького національного університету: №1Б–2001 “Методологія тестового комбінованого діагностування мікропроцесорних пристроїв та систем на базі компонентів штучного інтелекту” (2001-2003 рр., номер держреєстрації 0101U5058), №1Б-2005 “Теорія нейромережних і нечітких моделей та методологія створення інтелектуальних систем діагностування комп’ютерних пристроїв” (2005-2007 рр., номер держреєстрації 0101U000725), та госпдоговірних НДР № 4-2002 з ВАТ “Укртелеком” - “Розробка теоретичних основ оптимального вибору стратегій і методик комплексної модернізації провідного телефонного зв’язку” (2002–2003 рр., номер держреєстрації 0102V004781) і №8-2005 з ВАТ “Релком-Поділля” - “Розробка інформаційно-пошукової системи для прийняття рішень щодо надання послуг телефонного зв’язку” (2005–2006 рр., номер держреєстрації 0105U002958).

У перерахованих роботах здобувач була відповідальним виконавцем і розробила теоретичні основи, методи та засоби інтелектуального діагностування мікропроцесорних пристроїв і комп’ютерних систем.

Мета і задачі дослідження. Метою дисертаційної роботи є підвищення ефективності процесу діагностування КС на етапі експлуатації в умовах неповноти діагностичної інформації на основі розвитку теорії, методів та засобів інтелектуального діагностування КС.

Для досягнення поставленої мети було вирішено такі взаємозалежні наукові задачі:

- аналіз тенденцій розвитку процесу діагностування КС та програмних і апаратно-програмних засобів діагностування КС на етапі експлуатації;

- аналіз відомих інтелектуальних моделей, методів та засобів діагностування комп’ютерних систем;

- розроблення теоретичних основ інтелектуалізації процесу діагностування комп’ютерних систем на етапі експлуатації;

- створення методу побудови моделей комп’ютерних систем як об’єктів діагностування в умовах неповноти діагностичної інформації про них;

- розроблення методів інтелектуалізації процесу діагностування КС;

- створення методу структурного синтезу гібридних інтелектуальних систем діагностування КС;

- розроблення критеріїв оцінки ефективності інтелектуальних систем діагностування;

- створення принципів формування баз знань гібридних інтелектуальних систем діагностування КС;

- розроблення способів застосування компонентів штучного інтелекту для синтезу гібридних систем діагностування КС.

Об’єкт дослідження – процес діагностування комп’ютерних систем на етапі експлуатації.

Предмет дослідження – інтелектуальні моделі, методи та засоби діагностування КС на етапі експлуатації в умовах неповноти діагностичної інформації.

Методи дослідження. При розв’язанні поставленої у дисертаційній роботі проблеми використовувалися загальна теорія систем, принцип полікретиріаль-ності якої став основою єдиного підходу до вирішення комплексу поставлених науково-технічних задач, методи теорії множин та математичного моделювання, котрі дали можливість побудувати моделі КС; теорія штучного інтелекту, зокрема, розділи штучних нейронних мереж, евристичних алгоритмів, продукційних систем, на основі котрих здійснювався вибір найбільш ефективних для діагностування КС компонентів штучного інтелекту та способів формування баз знань; методи технічної діагностики, що забезпечили розроблення методології інтелектуалізації процесу діагностування; методи системного аналізу, що стали основою методів синтезу гібридної системи діагностування КС та оцінки її ефективності; методи комп’ютерного моделювання та прикладного програмування, які дозволили програмно реалізувати дослідний варіант гібридної інтелектуальної системи діагностування КС.

Наукова новизна отриманих результатів. У результаті проведених теоретичних досліджень розв’язано важливу науково-прикладну проблему підвищення ефективності діагностування КС на етапі експлуатації шляхом розроблення теоретичних основ, методів та засобів інтелектуалізації процесу діагностування КС в умовах неповноти діагностичної інформації.

При цьому отримано такі основні наукові результати:

- вперше запропоновано та обґрунтовано методологію процесів контролю і діагностування КС на етапі експлуатації, котра на відміну від відомих дозволяє реалізувати процес діагностування КС в умовах неповноти діагностичної інформації на основі доступних для вимірювання параметрів КС та експертних знань шляхом інтелектуалізації етапів процесу діагностування;

- запропоновано новий метод формування векторів інформаційного опису, до складу яких входять тільки доступні на етапі експлуатації параметри і характеристики КС, котрий в умовах неповноти діагностичної інформації дає змогу охарактеризувати не тільки справний та несправний стан КС, а й граничні позитивні, негативні та невизначені стани;

- розроблено нові інформаційна якісно-орієнтована модель КС та модель процесу діагностування, які відрізняються від відомих використанням векторів інформаційного опису для формування інформативного відображення простору станів КС в простір ознак цих станів та в набір класів станів, що дає можливість виявити та ідентифікувати граничні стани;

- розроблено новий метод побудови спілки нейромережних експертів на основі архітектур: карта Кохонена (SOM), мережа адаптивного резонансу (ART) і тришарових персептронів, котрий відрізняється від відомих паралельною організацією навчання та функціювання SOM і ART із задіюванням процедури узгодження рішень та інтеграцією нейромережного експерта прогнозування у етап кластеризації, що у сукупності забезпечує підвищення ефективності кластеризації, ідентифікації та прогнозування відомих станів КС і виявлення їх нових станів в умовах неповноти діагностичної інформації;

- вдосконалено функційну архітектуру інтелектуальної системи діагносту-вання (ІСД) КС, котра на відміну від відомих включає на нижніх рівнях функціювання знання про предметну область та цілі системи із здобуттям контекстних знань на рівнях, що знаходяться нижче рівня самонавчання ІСД, це дало можливість підвищити достовірність діагностування в умовах обмеженості об’ємів діагностичної інформації;

- набула подальшого розвитку модель представлення знань для ІСД КС у частині врахування граничних станів і забезпечення однаковості форм представлення знань та даних для усіх структурних одиниць, запобігаючи втратам діагностичної інформації, що дає можливість нарощення об’ємів знань на етапі експлуатації ІСД, а також дозволяє вносити у структуру ІСД КС нейромережні компоненти, приховуючи від користувача етапи їх синтезу;

- набув подальшого розвитку метод синтезу архітектури гібридних інтелектуальних систем діагностування, котрий відрізняється від відомих використанням нової сукупності показників структурного синтезу інтелектуальних компонентів, які забезпечують врахування характеристик інтелектуальних складових ІСД та дають змогу врахувати особливості апаратної і програмної реалізації різних типів КС та виконуваних ними цільових задач.

Практичне значення отриманих результатів. Розроблені теорія, моделі та методи лягли в основу побудови ефективних апаратно - програмних засобів діагностування КС на етапі їх експлуатації.

Практична цінність отриманих результатів полягає у наступному:

- розроблені критерії визначення інформативності компонентів вектора інформаційного опису КС, що дають змогу визначити мінімальну кількість засобів для організації моніторингу параметрів та характеристик стану КС у процесі їх функціювання, забезпечуючи економію витрат апаратних ресурсів;

- розроблені способи оптимізації різних архітектур нейромережних експертів забезпечують можливість настроювання інтелектуальних систем діагностування для нових типів КС та засобів моніторингу параметрів КС;

- розроблена архітектура програмного комплексу гібридної інтелектуальної системи діагностування КС, яка базується на одержаних автором моделях, методах, способах, алгоритмах та забезпечує можливість настроювання ІСД для проведення процесу діагностування різних типів КС, що сприяє підвищенню ефективності діагностування КС і, як наслідок, підвищує їх надійність на етапі експлуатації.

Основні результати дисертаційної роботи знайшли застосування при організації процесу діагностування КС на підприємствах ВАТ “Укртелеком” та ТОВ “Релком - Поділля”.

Розроблені моделі, методи та засоби діагностування КС впроваджено у навчальному процесі Хмельницького національного університету на кафедрах системного програмування і комп’ютерних систем та мереж при викладанні дисциплін “Комп’ютерне моделювання”, “Технічна діагностика”, “Надійність комп’ютерних пристоїв та систем”, “Комп’ютерні системи штучного інтелекту”, що підвищило якість викладання цих дисциплін.

Особистий внесок здобувача. Усі наукові результати здобувачем отримані самостійно. У наукових працях, що опубліковані у співавторстві, здобувачу належать (за нумерацією списку опублікованих праць, наведеному в авторефераті): [2, 8] – розроблення підходів до інтелектуалізації методів і засобів діагностування мікропроцесорних пристроїв (МПП), зокрема, експертних систем діагностування; [3] - опис задач та інструментальних засобів інтелектуального аналізу даних, розроблення системи оперативної аналітичної обробки даних для ідентифікації стану комп’ютерного пристрою; [5, 7] – організація методів дослідження у пакеті MATLAB штучних нейронних мереж (ШНМ), що використовуються у системах підтримки прийняття рішень процесу модернізації телефонного електрозв’язку; [10] – розроблення методів реалізації ШНМ для систем прогнозування технічного стану КС у MATLAB; [11, 22, 25, 28] - постановка задачі, наукове керівництво, визначення способів опрацювання якісної інформації при діагностуванні комп’ютерних засобів; [13, 32] – розроблення нейромережних методів захисту експертних систем діагностування; [12] – постановка задачі, наукове керівництво, загальна структура розподіленої агентної системи діагностування КС; [14, 15] – виявлення недоліків представлення знань про КС у базах знань інтелектуальних систем діагностування, удосконалення методів представлення діагностичної інформації у базах знань інтелектуальних систем; [16] – постановка задачі, визначення передумов для формалізації представлення знань у базах знань систем діагностування МПП; [26] – розроблення структури системи підтримки прийняття рішень оперативно-чергових служб; [27] – метод реалізації ШНМ тестування програмного забезпечення у пакеті MATLAB; [34] – розроблення показників ефективності інтелектуальних компонентів гібридних систем діагностування.

Апробація результатів дисертації. Основні результати та положення дисертаційної роботи викладено та обговорено на 25 міжнародних та українських науково-технічних конференціях і семінарах: Шостій, сьомій та восьмій міжнародних науково-технічних конференціях "Контроль і управління в складних системах" (Вінниця, 2002, 2003, 2005); 9 та 10 науково-технічних конференціях "Вимірювальна та обчислювальна техніка в технологічних процесах" (Хмельницький, 2002, 2003); Міжнародній науково-практичній конференції "Автоматизація виробничих процесів", (Хмельницький, 2003, 2004, 2005); Міжнародній науково-практичній конференції "Комп’ютерні пристрої та системи в автоматизації виробничих процесів", (Хмельницький, 2007), Науковій конференції молодих вчених та студентів (Київ, 2003); Третьому та шостому російсько-українському семінарах "Интеллектуальный анализ информации" (Київ, 2003, 2006); Міжнародній науково-технічній конференції "Інтегровані системи управління в гірничо–металургійному комплексі" (Кривий Ріг, 2004); Міжнародній науково-практичній конференції "Інтелектуальні системи прийняття рішень та інформаційні технології" (Чернівці, 2004); NATO Advanced Research Workshop “Cyberspase Security and Defense: Research Issues” (Польща, Гданськ, 2004); Міжнародній науково-практичній конференції "Дні науки 2005" (Дніпропетровськ, 2005), Третьому міжнародному молодіжному форумі "Информационные технологии в ХХІ веке" (Дніпропетровськ, 2005), 1 та 2 міжнародній науково-технічних конференціях "Гарантоспроможні (надійні та безпечні) системи, сервіси та технології" (Полтава 2006, Кіровоград 2007), Сьомій міжнародній науково-практичній конференції "Современные информационные и электронные технологии", (Одеса, 2006), 9 Міжнародній конференції TCSET'2006 "Сучасні проблеми радіоелектроніки, телекомунікацій, комп'ютерної інженерії" (2006, Львів-Славсько), першому та другому науково-технічних семінарах Відділення ІЕЕЕ секції Instrumentation& Measurement /Computational Intelligence Joint Soсieties секції "Україна" (Тернопіль, 2005, 2006), а також на міжкафедральних семінарах факультету комп’ютерної інженерії та радіоелектроніки Хмельницького національного університету, семінарі кафедри ЕОМ Національного університету "Львівська політехніка".

Публікації. За темою дисертаційної роботи опубліковано 50 наукових праць (з них 17 одноосібно), у тому числі 1 монографія, 2 навчальних посібники з грифом МОН України, 30 наукових статей, з яких 21 стаття у фахових виданнях, 9 статей у інших виданнях, 17 публікацій у матеріалах науково-технічних конференцій.

Структура та обсяг дисертації. Дисертаційна робота складається з вступу, шести розділів, висновків, 4 додатків та списку використаних джерел. Робота викладена на 410 сторінках друкованого тексту, містить 298 сторінок основного тексту та список літератури з 251 найменування на 24 сторінках. Дисертація містить 85 рисунків та 14 таблиць.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність проблеми досліджень, сформульо-вано мету і задачі дослідження, описано основні наукові результати та показано їх практичне значення, представлено зв’язок роботи з науковими програмами, планами, темами. Наведено відомості про апробацію, публікації та використання результатів дослідження.

В першому розділі проведено аналіз теоретичних основ та тенденцій розвитку моделей, методів та засобів діагностування комп’ютерних систем. Проаналізовано особливості КС як об’єктів діагностування та особливості засобів діагностування КС на етапі експлуатації. Досліджено процес діагностування КС на основі відомих видів моделей. Проведено аналіз відомих інтелектуальних моделей, методів та засобів діагностування КС.

На основі проведеного аналізу вказано недоліки та обмеження відомих моделей, що описують КС на етапі експлуатації. Показано, що методи алгоритмічного діагностування є неефективними на етапі експлуатації КС в умовах неповноти діагностичної інформації.

У процесі дослідження виявлено, що комплексні систематичні незначні відхилення значень параметрів та характеристик апаратних складових КС можуть сигналізувати про виникнення несправностей у поточному часі або проблем у майбутньому. Сучасні відомі системи діагностування не мають засобів для комплексної оцінки та прогнозування поточного стану КС з врахуванням таких відхилень.

Проаналізовано переваги та недоліки різних способів задіювання експертних знань при побудові моделей, інтелектуальних методів та засобів діагностування КС. Розглянуто відомі гібридні інтелектуальні системи та концепції їх розроблення.

З метою підвищення ефективності діагностування КС на етапі експлуатації досліджено можливість використання компонентів штучного інтелекту для реалізації процесу діагностування.

Одержані результати показали, що використання компонентів штучного інтелекту і експертних знань дає змогу побудувати моделі КС та процесу діагностування в умовах неповноти діагностичної інформації, але на сьогодні не розроблено теоретичних основ та методів інтелектуалізації процесу діагностування і побудови таких моделей, не розроблено і методів структурного синтезу інтелектуальних систем діагностування.

Проведені огляд та аналіз теорії, методів та засобів діагностування дозволили визначити мету і задачі дослідження.

Другий розділ присвячено розробленню теоретичних основ інтелектуалізації процесу діагностування КС на етапі експлуатації. Проведено моделювання комп’ютерних систем як об'єктів діагностування (ОД) в умовах неповноти діагностичної інформації.

КС розглядаються як багатофункційні системи, котрі у процесі свого функціювання вирішують певну множину задач: , де - кількість задач. Серед задач розрізняються системні та прикладні.

Визначення 1. Програмними складовими КС називаємо множину задач:

, (1)

де - системні задачі, - прикладні задачі, - кількість системних задач, () - кількість прикладних задач.

Визначення 2. Середовищем виконання (існування) системних та прикладних задач вважаємо конфігурацію апаратних складових КС , де -та апаратна складова; кількість апаратних складових.

Стан КС визначається станом його програмних та апаратних складових. У процесі виконання програмні складові реалізують відображення (рис.1). Тобто, вони задіюють визначені набори взаємозв’язаних апаратно-програмних складових КС і :

, (2)

де множина програмних та апаратних складових КС; множина програмних та апаратних складових, задіяних для вирішення задачі ; кількість виконуваних, відповідно, системних та прикладних задач; кількість задіяних для вирішення задачі апаратних складових, , .

Рис.1. КС як набір програмних та апаратних складових

Відповідно до змісту контролю технічного стану, на множині програмних складових визначено простір видів технічного стану КС та їх складових. Для множини простір складається з двох множин: множини справних станів КС і їх компонентів та множини несправних станів:

.

У процесі виконання будь-яка програмна складова КС реалізує відображення вихідного проблемноорієнтованого набору апаратнопрограмних складових у множину об’єктноорієнтованих наборів, що відповідають стану КС у цілому як системи та стану її апаратнопрограмних складових:, де - скінченний простір станів КС та їх складових.

Необхідною умовою забезпечення успішності виконання цільової програмної складової є вимога, щоб під час її реалізації КС залишалися у справному стані, тобто:

Оскільки систематичні відхилення параметрів та характеристик апаратних і програмних складових у часі призводять до незворотних змін стану КС, то виникає необхідність розпізнавання вказаних станів для підвищення ефективності діагностування та прогнозування роботоздатності КС.

Аналіз показав, що при моделюванні КС як об’єктів діагностування на етапі експлуатації недостатньо розгляду лише двох станів – справного та несправного, тому введено поняття граничних станів.

Визначення 3. Невизначеними (неуточненими) станами КС називаємо стани, що описуються такими значеннями параметрів та характеристик, систематичні відхилення яких призводять до незворотних змін функційних можливостей апаратних чи програмних складових КС.

Стан, де - множина невизначених станів,. Отже, на етапі експлуатації при виконанні розглядаємо простір станів КС: Визначення 4. Граничним станом називаємо такий невизначений стан ОД, який передує переходу ОД в стан, що належить до множини чи після зміни одного зі значень його параметрів або характеристик.

Визначення 5. Граничним позитивним станом називаємо граничний стан ОД, котрий неможливо однозначно віднести до множини справних чи несправних станів, та котрий передбачає можливість повернення ОД до справного стану (стабілізацію стану) за допомогою певних дій (перезавантаження КС, повторне включення, тощо) або без них на протязі визначеного періоду часу, Визначення 6. Граничним негативним станом називаємо такий граничний стан ОД, котрий неможливо однозначно віднести до множини справних чи несправних станів, та котрий передбачає можливість повернення ОД до справного стану (стабілізацію стану) лише за умови налагодження або заміни його апаратних чи програмних складових,

Визначення 7. Граничним невизначеним станом називаємо такий граничний стан ОД, котрий на даний момент часу неможливо однозначно ідентифікувати як справний, несправний, граничний негативний чи граничний позитивний за причини недостатності об’ємів діагностичної інформації про нього,

Отже, на етапі експлуатації розглядаємо простір станів КС:

Рис.2. Множини станів КС

Теорема 1. Для кожного стану КС (4) на етапі експлуатації існує такий набір з параметрів та характеристик компонентів КС, що дозволяє ідентифікувати цей стан:

де параметр чи характеристика стану -ї компоненти, коли ОД перебуває у стані.

Визначення 8. Інформаційним описом стану у процесі реалізації цільової програмної складової називаємо впорядкований набір значень параметрів та характеристик апаратних і програмних складових КС, доступних у якості діагностичної інформації:

Теорема 2. Для кожної конфігурації КС: на етапі експлуатації існує таке відображення, що дає змогу побудувати для неї вектор інформаційного опису.

Інформативна цінність елемента вектора інформаційного опису дорівнює 1, якщо після виключення цього елемента зі складу вектора ідентифікація стану стає неможливою. У іншому випадку інформативна цінність дорівнює нулю. Інформативна цінність підмножини елементів вектора інформаційного опису визначається аналогічно.

У розділі представлено критерій значимості вектора інформаційного опису, загальний та відносний критерії якості вектора інформаційного опису.

Визначення 9. Ідентифікаційною здатністю вектора інформаційного опису для стану КС при вирішенні задачі називаємо відношення інформативної цінності множини значень вектора інформаційного опису до інформативної цінності множини значень параметрів та характеристик апаратних і програмних складових КС для задачі :

На основі значень параметрів та експертної інформації про загальні особливості ОД формується набір значень характеристик ОД.

Визначення 10. Інформаційною якісно-орієнтованою моделлю КС як ОД називаємо модель, котра подається об'єктами:

де множина програмних складових ОД; множина апаратних складових; стан ОД з простору станів; вектор інформаційного опису стану; характеристична функція класу, до якого належить стан; деталізуючі характеристики стану; кількість описаних станів, кількість деталізуючих характеристик для кожного стану.

У процесі ідентифікації будь-якому стану однозначно ставиться у відповідність вектор інформаційного опису. Векторна функція визначає відображення простору станів в - вимірний простір ознак. Це відображення породжує розбиття множини інформаційних описів станів у просторі ознак на класи виду.

Процес діагностування комп’ютерних систем з використанням інформаційної якісно-орієнтованої моделі здійснюється наступним чином: на основі даних системи моніторингу для програмної складової, що реалізується в поточний момент часу, формується вектор та вирішується задача, де ядра класів у просторі, котрі відповідають інформаційним описам, що є типовими для свого класу:.

Якщо стан ідентифіковано як справний, то зчитується наступний вектор. Якщо отримано стан , то виробляється ряд невідкладних рекомендацій користувачу для повернення ОД до справного стану. У інших випадках надаються рекомендації стосовно методів усунення несправності. При потребі будується траєкторія станів ОД на протязі визначеного періоду часу, здійснюється її експертна оцінка та прогнозування стану ОД.

Використання інформаційної якісно-орієнтованої моделі та методу ідентифікації стану КС дає змогу вирішити пряму, обернену та змішану задачі.

Отже, у другому розділі сформульовано основи теорії граничних станів і досліджено можливість побудови інформаційної якісно-орієнтованої моделі КС як ОД, котра є основою організації процесу діагностування в умовах неповноти діагностичної інформації.

Згідно запропонованої теорії граничних станів, процес діагностування КС базується на:

- формуванні та моніторингу значень такої множини діагностичних параметрів та характеристик ОД, котра дає можливість ідентифікувати максимально можливу кількість станів ОД;

- побудові траєкторії станів ОД у часі, своєчасному виявленні зміщень станів ОД та їх ідентифікації з метою запобігання переходу КС у граничний негативний, граничний невизначений або несправний стан.

У третьому розділі досліджено можливість використання компонентів штучного інтелекту для реалізації різних етапів процесу діагностування. У розділі введено поняття нейромережних експертів кластеризації, ідентифікації та прогнозування.

Досліджено адекватність нейромережних експертів інформаційній якісно-орієнтованій моделі КС. Запропоновано реалізацію процесу діагностування з використанням спілки нейромережних експертів.

Визначення 11. Нейромережним експертом називаємо штучну нейронну мережу, навчену на основі інформаційної моделі ОД (7), що дає змогу вирішувати задачі кластеризації, ідентифікації та прогнозування стану ОД.

Нейромережними експертами кластеризації станів КС є штучні нейронні мережі архітектур карта Кохонена та мережа адаптивного резонансу. Вхідною інформацією для кластеризації станів нейромережними експертами є вектори інформаційного опису. Результатом функціювання нейромережних експертів кластеризації є розділення простору станів (4) на класів та безпосереднє відображення номеру класу, до якого належить стан КС, що описується вектором.

Навчання карти Кохонена дало змогу отримати карту кластерів станів КС. Граничні позитивні та граничні негативні стани знаходяться на карті Кохонена на межах кластерів.

Аналіз кластеризаційних можливостей карти Кохонена показав, що у процесі її навчання граничні невизначені стани знаходяться на межах кластерів та регулярно переміщуються між кластерами.

У ході проведених експериментальних досліджень було виявлено множину векторів інформаційного опису, що описують граничні невизначені стани КС, котрі “мігрували” між кластерами у процесі навчання. Граничні невизначені стани “мігрують” у кожному з експериментів.

На основі проведених досліджень розроблено алгоритм опрацювання інформації, одержаної у процесі навчання карти Кохонена, котрий дає змогу виявити граничні невизначені стани “з запізненням”, а саме, тільки через декілька циклів донавчання після їх появи.

Оскільки перехід до граничного невизначеного стану є критичним для КС, то для усунення цього недоліку здійснено кластеризацію станів КС за допомогою штучної нейронної мережі ART. Для опрацювання вхідних векторів інформаційного опису, значеннями яких є дійсні числа, використано архітектуру ART2. Мережа дала змогу виявити граничні невизначені стани у тестовій вибірці. Виявлення граничних невизначених станів у навчальній вибірці є не можливим, оскільки у процесі навчання нові кластери створюються для різних типів станів.

Кожна із розглянутих ШНМ має ряд переваг, але ні одна з них окремо не задовольняє вимог задачі кластеризації станів КС. Тому було запропоновано здійснювати кластеризацію на основі опрацювання результатів паралельного функціювання обох нейромереж - ART2 і SOM.

Визначення 12. Спілкою нейромережних експертів кластеризації називаємо штучні нейронні мережі, що функціюють паралельно та здійснюють кластеризацію станів КС.

Твердження 2. (Критерій виявлення граничного невизначеного стану). Якщо при кластеризації стан КС відображається на карті Кохонена на межі кластерів, у кутах або по краях та “мігрує” у процесі нарощення кількості ітерацій після початкового етапу навчання, а мережа ART2 кластеризує його як новий стан, то такий стан відноситься до множини граничних невизначених станів.

Для підвищення достовірності кластеризації станів ОД нейромережними експертами для мереж ART i SOM розроблено критерій вибору кількості векторів навчальної вибірки, критерій вибору кількості нейронів у вихідних шарах мереж та критерій вибору значень ідентифікаційної здатності векторів інформаційного опису навчальної та тестової вибірок.

Визначення 13. Нейромережним експертом ідентифікації стану КС вважаємо штучну нейронну мережу архітектури тришарового персептрону.

Визначення 14. Продукційним експертом ідентифікації стану КС називаємо множину продукційних правил, що дають змогу ідентифікувати стан КС чи її складових після кластеризації.

У якості нейромережних експертів ідентифікації стану компонентів КС використано тришарові персептрони і набори продукційних правил. Досліджено можливість використання особливостей впливу функції активації у процесі навчання та функціювання нейромережного експерта для покращення його ідентифікаційних можливостей. Розглянуто імовірнісну інтерпретацію ролі функції активації при навчанні нейромережних експертів для покращення їх узагальнюючих можливостей.

Для встроювання даних про надійнісні характеристики компонентів КС у структуру нейромережного експерта ідентифікації використано інформацію про ймовірність часу безвідмовного функціювання компонентів КС та густину її розподілу на прикладі дифузійного немонотонного розподілу (DN).

У якості функції активації нейронів внутрішнього шару нейромережних експертів ідентифікації використано ймовірність безвідмовного функціювання компонентів КС. У результаті на виходах нейронів внутрішнього шару отримано ознаку, що враховує оцінку ймовірності часу безвідмовного функціювання компонента КС. Похідну функції активації використано у процесі навчання для обчислення локальних градієнтів ШНМ.

Розглянуто приклад ідентифікації стану жорсткого диску (ЖД) КС за допомогою нейромережних експертів ідентифікації, що мають різні функції активації внутрішнього шару – гіперболічний тангенс та ймовірність безвідмовного функціювання ЖД. За результатами навчання встановлено, що при внесенні апріорної діагностичної інформації у структуру нейромережного експерта точність ідентифікації стану жорсткого диску підвищилась з 0.0615 до 0.0101 для однакових навчальних вибірок та кількості ітерацій навчання при 4-х нейронах у внутрішньому шарі. Розходження між тестовою та навчальною вибіркою також зменшились.

Задачу прогнозування стану КС можна розглядати як задачу визначення імовірності справного стану КС на заданий інтервал часу.

У контексті теорії граничних станів постановка задачі прогнозування змінюється, оскільки на етапі експлуатації для множини задач розглядаються не два можливих стани КС, а простір з п’яти можливих множин станів. Тоді, задача прогнозування стану КС зводиться до множини підзадач:

- прогнозування значень елементів вектора інформаційного опису на період часу ;

- кластеризації прогнозованих значень елементів вектора інформаційного опису;

- ідентифікації прогнозованого стану КС на основі прогнозованих значень елементів вектора інформаційного опису;

- визначення ймовірностей переходу КС до справного, несправного, граничних негативного, позитивного та невизначеного станів на інтервалі часу.

Для вирішення задачі прогнозування значень елементів вектора досліджено можливість використання двох видів багатошарових персептронів: ШНМ прямої передачі сигналу та ШНМ прямої передачі сигналу з лініями затримки (динамічну ШНМ).

Навчання ШНМ здійснено за методом зворотного поширення помилки. У якості вхідних даних для навчання ШНМ прямої передачі сигналу використано множину векторів інформаційного опису. Вихідними даними для навчання ШНМ є множина векторів інформаційного опису.

У якості вхідних даних для навчання ШНМ прямої передачі сигналу з лініями затримки розглянуто множини векторів інформаційного опису де - кількість елементів лінії затримки. Вихідними даними для навчання цієї ШНМ є множина векторів інформаційного опису.

Достовірність прогнозу значень вектора інформаційного опису визначається на основі оцінювання:

- відносної похибки відновлення вектора інформаційного опису:

де одержане прогнозоване значення вектора інформаційного опису,

тестове прогнозоване значення вектора інформаційного опису;

- сумарної відносної похибки відновлення:

- умовного показника достовірності , котрий відображає відносну кількість співпадань тестового та прогнозованого значень елементів векторів інформаційного опису на інтервалі:

де, - кількість дискретних періодів часу, на протязі яких здійснюється прогнозування, , - кількість елементів вектора інформаційного опису, - сигнальна змінна.

Досліджено 4 варіанти структур ШНМ прогнозування значень вектора інформаційного опису стану КС:

1) ШНМ прямої передачі сигналу з одним внутрішнім шаром;

2) ШНМ прямої передачі сигналу з двома внутрішніми шарами;

3) ШНМ прямої передачі сигналу з лініями затримки з одним внутрішнім шаром;

4) ШНМ прямої передачі сигналу з лініями затримки з двома внутрішніми шарами.

Характеристики достовірності прогнозу кращих рішень ШНМ прямої передачі сигналу склали:

- один внутрішній шар [0.0333, 0.0993], [0.9456, 0.9958];

- два внутрішніх шари [0.0182, 0.0801], [0.9910, 0.9977];

а ШНМ прямої передачі сигналу з лініями затримки:

- один внутрішній шар [0.0362, 0.0803], [0.9897, 0.9959];

- два внутрішніх шари [0.0193, 0.0375], [0.9962, 0.9975].

У результаті проведених досліджень виявлено, що кращою структурою ШНМ прогнозування значень вектора інформаційного опису є персептрон з двома внутрішніми шарами і лініями затримки. Кількість ліній затримки залежить від кількості елементів вектора інформаційного опису, котрі можуть одночасно змінювати свої значення.

Визначення ймовірностей переходу КС до справного, несправного, граничних негативного, позитивного та невизначеного станів на інтервалі часу базується на результатах кластеризації прогнозованих векторів інформаційного опису і визначається відношенням кількості кластерів , що визначають стан, до кількості дискретних значень часу , для яких здійснювалось прогнозування:

Структурна схема процесу діагностування КС з використанням спілки нейромережних експертів зображена на рис.3.

Рис.3. Структурна схема процесу діагностування КС з використанням спілки нейромережних експертів

Узгодження результатів паралельного функціювання нейромережних експертів, яке здійснюється за допомогою процедури узгодження рішень, що базується на продукційному опрацюванні додаткової інформації про несправні стани (із баз знань засобів діагностування та від експертів-діагностів), дало змогу більш точно ідентифікувати стани КС.

Запропонований метод реалізації процесу діагностування КС завдяки задіюванню спілки нейромережних експертів кластеризації, ідентифікації, прогнозування та процедури узгодження їх рішень, дозволяє здійснити своєчасну ідентифікацію та прогнозування справного, несправного, граничних позитивних, негативних чи невизначених станів КС в умовах неповноти діагностичної інформації та забезпечує можливість виявлення і ідентифікації невідомих раніше станів КС.

У четвертому розділі представлено метод структурного синтезу гібридних інтелектуальних систем діагностування з використанням моделей потоків даних.

З точки зору функційних можливостей, ІСД КС об’єднує властивості інтелектуальних систем розпізнавання образів та систем опрацювання сигналів з можливістю здобуття контекстних знань за рахунок організації самонавчання. Оскільки ІСД КС є гібридною системою і крім розпізнавання образів здійснює опрацювання сигналів, то у якості базової архітектури пропонується узагальнена функційна архітектура, структурна схема якої представлена на рис.4 .

Відмінними ознаками, що характеризують представлену функційну архітектуру ІСД КС, є:

- наявність на нижніх рівнях функціювання системи (16) знань про предметну область та цілі системи;

- використання цих знань нижніми рівнями для підвищення загальної продуктивності ІСД КС за умов обмеженості об’ємів діагностичної інформації;

- послідовне наповнення інформаційної моделі КС знаннями про КС як ОД;

- здобуття контекстних знань і їх використання на рівнях, що знаходяться нижче, ніж самонавчання ІСД;

- при переміщенні з нижчих рівнів на вищі зростає інтелектуальність ІСД та підвищується рівень абстракції.

Реалізація такої архітектури може досягається лише шляхом комбінування різнотипних ШНМ та інших компонентів штучного інтелекту.

Визначення 15. Гібридною інтелектуальною системою діагностування КС називаємо систему діагностування, що задіює моделі ОД, експертні знання та нейромережні, продукційні і інші компоненти штучного інтелекту для здійснення процесу діагностування.

У дисертації розглянуто рівні функційної архітектури та проаналізовано рух потоків даних на них на етапі структурного синтезу ІСД КС.

Об’єм даних, що передається на 1 і 2 функційних рівнях одноразово, залежить від вимог цільового ПЗ щодо кількості параметрів та характеристик, необхідних для ідентифікації стану КС. Загальний об’єм даних за одну умовну одиницю часу визначається ще частотою зчитування параметрів та характеристик ОД:

Рис. 4. Узагальнена структурна схема ІСД КС

Об’єм даних на рівні попереднього опрацювання діагностичної інформації визначаємо як суму усіх об’ємів даних, помножених на частоту запитів даних за одну умовну одиницю часу:

(12)

При обчисленні загального об’єму даних потрібно врахувати кількість умовних одиниць часу, необхідних для реалізації цього етапу:

Приклад руху потоків даних на 3-му рівні функційної архітектури наведено на рис. 5.

Рис.5. Рух інформаційних потоків на рівні попереднього опрацювання діагностичної інформації

Об’єм даних за одну умовну одиницю часу четвертого рівня визначаємо як суму об’ємів даних запиту до бази даних та експерта і, відповідно, і передачі ДІ від БД та експерта і, помножених на частоту запитів даних за одну умовну одиницю часу та суму даних, що складають інформаційну модель, котра пересилається у базу даних та базу знань. Значення обчислюємо з врахуванням коефіцієнту інформативної ємності цільової задачі:

У результаті (аналогічно етапу 3):

Об’єм даних за одну умовну одиницю часу для рівня класифікаторів визначаємо як суму об’ємів даних запитів до баз даних та знань від процедури формування структур нейромережних експертів, , відповідно, процедур навчання і оцінки оптимальності, та суму об’ємів даних результатів запитів цих процедур:.

Враховуємо також об’єми даних про оптимальні архітектури нейромережних експертів, що заносяться у базу знань:

Рівень самонавчання активізується між сеансами функціювання ІСД, або після них. На цьому рівні виконується процедура самонавчання, яка обмінюється даними лише з базою знань:

Рівень безпосередньої класифікації у залежності від задачі – кластеризації, ідентифікації чи прогнозування, активізує процедуру, яка завантажує з бази знань архітектуру відповідного нейромережного експерта та зчитує з бази даних поточний вектор інформаційного опису стану КС.

На рівні самонавчання:

Прийняття рішення про стан КС задіює процедуру узгодження рішень нейромережних експертів та діагностичну інформацію з БЗ. Результуюче рішення повертається в БД:

Контекстно-семантичний інтерпретатор організовує взаємодію ІСД КС з користувачем шляхом активізації процедури взаємодії, яка активно обмінюється запитами з БД та БЗ. Загальний об’єм його потоку даних на етапі структурного синтезу ІСД визначається вимогами користувача.

Оцінюємо об’єм як:

На етапі експлуатації ІСД об’єм потоку даних аналогічний.

Побудова моделей потоків даних ІСД КС у процесі структурного синтезу та їх аналіз свідчать про те, що найбільш частими є звертання процедур різних рівнів до БЗ та БД для зчитування та запису інформації в них. Отже, у процесі структурного синтезу необхідно організувати доступ до БЗ та БД таким чином, щоб запобігти виникненню конфліктів між процедурами