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 si 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.
