Исследование методов применения СППР в задаче проектирования информационно-вычислительных сетей



Развитие технологий, используемых в производственных и информационных процессах, ведет к необходимости создания все более быстродействующих и сложных вычислительных сетей, обеспечивающих необходимое качество услуг для различных нужд предприятий. Постоянное повышение требований к быстродействию и качеству предоставляемых сетями услуг, быстро изменяющийся спектр сетевого оборудования, протоколов, появление новых технологий и программного обеспечения, а также острая конкуренция на рынке предоставления услуг системной интеграции определяет повышенные требования к процессу проектирования вычислительных сетей с целью снижения издержек и ускорения процесса проектирования.

Анализ проектных процедур, используемых сетевыми интеграторами, показывает, что процесс проектирования вычислительной сети в большой степени основывается не на формальных методах, а на опыте и интуиции разработчиков. Это обуславливается тем, что начальные этапы проектирования вычислительной сети (ВС), предусматривающие выбор технических и программных средств, топологии, иерархии сети и системы протоколов, с одной стороны, требуют учета большого числа параметров, определяющих качественные и количественные показатели вычислительной сети, а с другой, проходят в условиях неполной и неточной начальной информации.

Системы поддержки принятия решений относятся к классу так называемых «интеллектуальных систем», которые применяются для решения класса задач, в которых решение базируется на той или иной формализации процесса решения аналогичных задач человеком и использовании программной реализации соответствующей модели. Различают два основных направления моделирования интеллектуального поведения [1]: нейрокибернетический, или восходящий, подход, состоящий в моделировании низкоуровневых процессов в мозге на нейронном уровне, и символьный, или нисходящий, подход, основанный на понимании высокоуровневых процессов мышления и принципов рассуждений. Учитывая то, что основные сведения об этапах проектирования технической и физической моделей вычислительных сетей представлены в виде экспертных суждений (или, по-другому, экспертных знаний), рассмотрим интеллектуальные системы поддержки принятия решений, использующие нисходящий подход.

В процессе рассуждения человек оперирует нестрогими способами вывода, такими, как индукция или абдукция, которые плохо поддаются формализации [2, 3, 4]. При этом формальная логика и символьные рассуждения являются одним из способов эффективного представления и использования знаний в интеллектуальных системах.

Интеллектуальная система включает в себя, как минимум, следующие компоненты:

− Процессор (обычно называемый машиной логического вывода), осуществляющий манипуляцию знаниями в символьном представлении и координирующий работу системы.

− Базу знаний, содержащую знания о классе решаемых задач, в том или ином представлении, и способах решения, а также знания о конкретной решаемой задаче.

− Пользовательский интерфейс или интерфейс сопряжения интеллектуальной системы с другими программными компонентами.

− Модуль извлечения (приобретения) знаний, автоматизирующий процесс наполнения знаниями.

− Модуль обоснования принимаемых решений, объясняющий, каким образом получено решение, какие знания при этом были использованы.

Известно, что любая процедура автоматической обработки оперирует символьными представлениями информации (или данными) с некоторой функцией интерпретации . Следовательно, формально для представления знаний в символьном виде необходимо определить некоторый способ преобразования знаний в информацию , при этом знания в символьной форме будут представлены композицией

На практике различают следующие способы представления знаний [1]:

− Логическое представление. Логическое представление знаний основано на логике исчисления предикатов, обычно первого порядка. Представителями средств создания интеллектуальных систем, использующими данное представление знаний, является язык логического программирования Пролог и различные его расширения.

− Семантическое (или сетевое) представление. В данном представлении множество знаний интерпретируется в виде графа, вершинам которого соответствуют объекты предметной области (концепты), а дугами являются различные отношения между ними (наследования, включения и другие). Вывод в сетевом представлении обычно базируется на различных алгоритмах поиска фрагмента графа по образцу и на применении свойств отношений (например, транзитивности отношения наследования) для вывода новых фрагментов знаний.

− Иерархическое представление. Иерархическое представление основано на построении иерархии реальных и абстрактных понятий, связанных отношением наследования. К иерархическому представлению относится фреймовое представление, сценарии и другие.

− Процедурное представление. В этом случае знания кодируются набором элементарных действий, применение которых ведет к решению задачи. Последовательность этих действий может быть строго определенной, например, в случае алгоритмического представления, или же определяться динамически в процессе решения по некоторым эвристическим критериям, например, в случае продукционного представления.

Наибольшее распространение получило продукционное представление знаний [6], в котором знания представляются множеством правил перехода из одного состояния задачи в другое А→В, называемых продукциями. Продукционные системы предполагают использование некоторого представления знаний для описания статической картины предметной области S, а также некоторого механизма сопоставления по образцу левой части продукции с текущим состоянием s S. Таким образом, продукционная система определяет (возможно, бесконечный) граф состояний G, в узлах которого расположены состояния предметной области s_i S, а дуги задаются продукционными правилами.

Классические продукционные системы [4] используют в качестве состояния множество пар «атрибут-значение» или троек «объект-атрибут-значение». Такое представление знаний является, по сути дела, линеаризованной записью семантической сети [16] и допускает наиболее естественную интерпретацию продукций в виде правил ЕСЛИ <выражение> ТО <операция>, где выражение (антецедент) — произвольное логическое выражение относительно значений атрибутов текущего состояния, а операция (консеквент) является либо операцией присваивания значения атрибуту, либо операцией удаления атрибута из текущего состояния. Кроме того, представление знаний в виде продукций одновременно определяет и логику взаимодействия интеллектуальной системы с ЛПР, что позволяет в процессе разработки экспертной системы использовать встроенные средства взаимодействия с пользователем.

Для удобного описания сложных предметных областей модели «объект- атрибут-значение» иногда оказывается недостаточно. Представление знаний в виде фреймов позволяет отразить это выделение в базе знаний. Фрейм понимается как некоторая структура (слот), представляющая собой модель стереотипной ситуации или класса объектов. Основными операциями в системе фреймов являются сопоставление и активизация фрейма или его составляющих.

Дальнейшим развитием продукционно-фреймовых систем является использование для представления статических знаний и отношений между ними нечетких отношений. В этом случае статические знания определены в виде нечетких фактов, отношения между которыми определяются как операциями нечеткого отношения (степень сходства), так и нечеткими продукционными правилами [6].

Выбор того или иного способа представления статических и динамических знаний в основном определяется спецификой предметной области интеллектуальной системы. На основе анализа этапов и задач проектирования вычислительных сетей можно выделить следующие особенности начального представления вычислительной сети как объекта проектирования и самого процесса проектирования:

− Неформализованное представление описания проектируемой ВС на уровне функционально-информационной модели предприятия, в виде набора фактов и знаний о производственных процессах, информационных потоках и структуре предприятия, их взаимосвязях и взаимодействиях.

− Представление знаний о процессе преобразования функциональной модели в физическую модель сети в виде экспертных оценок и суждений, большая размерность пространства решений.

− Нечеткие количественные значения исходных данных: интенсивности и объемы информационных и служебных сообщений, ограничения по временам задержек, параметры стоимости каналов.

− Нечеткие качественные значения параметров и ограничений: тип трафика для узлов сети, уровни иерархии структуры предприятия, типы задач, решаемые подразделениями и рабочими группами, требования к уровням безопасности, достоверности и надежности.

− Необходимость учета предпочтений разработчика и интерактивного взаимодействия системы и ЛПР в процессе проектирования ВС, возможность аргументированного обоснования принимаемых системой проектирования решений.

Основные способы организации экспертных систем, отражающие приведенные требования, приведены в таблице 1.

Таблица 1

Способы организации экспертных систем

Математический аппарат	Форма представления знаний	Свойства экспертных систем
		Обработка нечетких параметров	Представление нелинейных связей	Представление экспертных оценок	Высокая достоверность результатов	Формальные методы приобретения знаний
Теория вероятности	Продукции (правила), веса	-	-	+	+/-	-
Теория вероятности	таблицы, фреймы	-	-	+	-	-
Теория графов	Семантические сети, сети Петри	-	-	-	+	+
Нейронные сети	Нейроны: связи и веса	-/+	+	-	+/-	+
Теория игр	Критерии оптимальности (целевые функции)	-	+	+/-	+	+
Нечеткая логика	Продукции, функции принадлежности	+	+	+	+/-	-
Гибридные ЭС (нечеткая логика + нейронные сети)	продукции, функции принадлежности	+	+	+	+/-	+
Гибридные ЭС (нейронные сети + нечеткая логика)	Нечеткие нейроны, нечеткие связи и веса.	+	+	-/+	+/-	+

Из анализа особенностей представления сети как объекта проектирования, особенностей самого процесса проектирования следует, что требованиям процесса проектирования ВС соответствуют СППР, позволяющие оперировать нечеткими данными на основе экспертных оценок. Учитывая требования к способу представления и обработки знаний в экспертной системе, можно сделать вывод, что наиболее адекватно требованиям эффективного решения задач начальных этапов проектирования ВС отвечают гибридные продукционные экспертные системы на основе аппарата нечеткой логики, позволяющие с помощью нейросетевых анализаторов пополнять базу знаний и фактов на основе анализа статистически полученных данных.

Литература:

1. Комарцова Л. Г., Максимов A. B. Нейрокомпьютеры. – М: Изд-во МГТУ им. Н. Э. Баумана, 2002. — 320 с.

2. Алтунин А. Е., Семухин М. В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Издательство Тюменского государственного университета, 2000. — 352 с.

3. 3ахаров В. И., Ульянов C. B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Методология проектирования // Изв. РАН. Техническая кибернетика. — 1993. – № 5. — С. 197–216.

4. Романов А. Ф., Шемакин Ю. И. Индуктивно-дедуктивный логический вывод в нечетких условиях // Изв. АН: серия техническая кибернетика, № 5, 1992. – С. 18–24.

5. Борисов А. Н. Принятие решений на основе нечетких моделей: Примеры использования. — Рига: Зинатне, 1990. — 184 с.

6. Прикладные нечеткие системы / Под ред. Т. Тэрано – М: Мир, 1993. – 512 с.