Методическое пособие 719

Это означает, что:

– клиент из России, имеет 4 из 57 неуспешных попыток авторизации, с 2 адресами, один из которых находится не в РФ, но ни один не входит в список запрещенных, без посылок, с привязанной социальной сетью, но без мобильного телефона, совершил платеж картой банка США из Германии, до этого имел единственный неуспешный платеж; поэтому такая транзакция будет являться подозрительной (цифра 1 в конце).

Для того, чтобы осуществить процесс анализа, необходимо выбрать алгоритм машинного обучения. Платформа Azure предоставляет собой 4 алгоритма двухклассовой классификации с настраиваемыми параметрами: нейронная сеть, логистическая регрессия, метод опорных векторов и дерево решений, построенное методом градиентного роста [2]. В ходе тестирования с параметрами по умолчанию были получены следующие результаты:

1)нейронная сеть – 0,952;

2)дерево решений – 0,869;

3)метод опорных векторов – 0,706;

4)логистическая регрессия – 0,63.

Внашем случае необходимо выбрать наиболее точный алгоритм, которым является нейросеть. Так как изначально алгоритмы не настраивались точечно, с помощью варьируемых параметров можно повысить их эффективность. Кроме того по мере роста объемов и переобучении эффективность и производительность может снижаться, поэтому важно выборочно проводить мониторинг, корректировку настроек, а в некоторых случаях даже заменить алгоритм машинного обучения на другой.

Дальнейшим развитием подсистемы проверок может быть введение порогов безопасности, которые предполагает создание нескольких уровней с помощью механизма нечеткой логики: низкая, средняя и высокая подозрительность. Конкретные значения, а также выбор таких уровней должен исходить из собственной аналитики и регулярно пересматриваться [1]. Однако, уже сейчас предложенный алгоритм можно использовать его в качестве надежного инструмента для пресечения и своевременного реагирования на любые возникающие попытки мошенничества, ничем не уступающий по эффективности аналогичным разработках в логистической отрасли.

Литература

1. Романов, Д.В. Проектирование системы обнаружения мошеннических транзакций в сфере международной логистики / Д.В. Романов, Н.А. Рындин // Моделирование, оптимизация и информационные технологии. – Воронеж: ВИВТ, 2018. № 4 (23). С. 481-493.

2. Петухов, Д. Антифрод [Электронный ресурс]. Режим доступа: https://habrahabr.ru/post/253725

ФГБОУ ВО «Воронежский государственный технический университет», Россия

50

УДК 681.3

Б.А. Чернышов

ОПТИМИЗАЦИОННЫЙ ПОДХОД К УПРАВЛЕНИЮ ПЕРЕХОДОМ ОБЪЕКТА ОРГАНИЗАЦИОННОЙ СИСТЕМЫ В БОЛЕЕ ВЫСОКИЙ РЕЙТИНГОВЫЙ КЛАСТЕР С ИСПОЛЬЗОВАНИЕМ МУЛЬТИПЛИКАТИВНОЙ СХЕМЫ

На современном этапе развития методов управления в социальных и экономических системах всю большую значимость приобретает возможность принятия решений по повышению эффективности функционирования объектов организационных систем на основе рейтингового оценивания [1]. Для самых разных классов организационных систем (образования, здравоохранения, социальной помощи, банковского сектора, лекарственного обеспечения и т.п.) опреде-

характеризующих основные направления его функционирования [2]. Управляющий центр организационной системы заинтересован в реализации схем рейтингового управления, связанных со стремлением объектов перейти в более высокий рейтинговый кластер. При этом повышение репутационной значимости не является самоцелью. Основной интерес управляющего центра состоит в

Представим структуру системы управления в виде совокупности сле-

51

52

Структурная схема взаимодействия элементов мультипликативного рейтингового управления

Литература

1.Витминский, В.В. Анализ, оценка и моделирование экономического рейтинга / В.В. Витминский. – К.:ДЕМИУР, 2006. – 216 с.

2.Зернов, В.А. Критерии мониторинга как эффективный инструмент повышения конкурентоспособности отечественного образования / В.А. Зернов // Проблемы теории и практики управления. 2014. №4. С.8-11.

3.Брязгунов, П.И. Управление социально-экономическим положением промышленного региона на основе информационного мониторинга показателей безопасного развития / П.И. Брязгунов, Д.Е. Федорков. – Воронеж: Изд-во ВГТУ, 1999. – 73 с.

4.Львович, И.Я. Информационные технологии моделирования и оптимизации: краткая теория и приложения / И.Я. Львович, Я.Е. Львович, В.Н. Фролов. – Воронеж: ИПЦ «Научная книга», 2016. – 444 с.

АНОО ВО «Воронежский институт высоких технологий», Россия

53

УДК 681.3

В.В. Горячко

ПРОГНОЗИРОВАНИЕ И ОПТИМИЗАЦИЯ ФУНКЦИОНИРОВАНИЯ ОБЪЕКТОВ ТЕРРИТОРИАЛЬНО СВЯЗАННЫХ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ В РАМКАХ ОТРАСЛЕВОГО КЛАСТЕРА

С целью формирования подхода к интеллектуализации управления территориально связанных систем предлагается ориентироваться на ряд классификационных признаков.

1.По числу организационных систем, связанных с основной [3]: − односвязные; − многосвязные.

2.По виду взаимодействия основной и связанных организационных

систем:

− ресурсное; − результативное;

− ресурсно-результативное.

3.По принадлежности основной и связанных систем к территориальным кластерам:

− региональная; − межрегиональная.

4.По принадлежности основной и связанных систем к отраслевому кла-

стеру:

− отраслевая; − межотраслевая.

5.По способу формирования пространственно-временной информации для оценки эффективности взаимодействия объектов основной системы с управляющим центром и связанными системами:

− рейтингование; − мониторирование.

6.По механизму управления географически связанными системами:

−управление ресурсным взаимодействием основной и связанных систем

сучетом принадлежности к территориальным кластерам на основе пространст- венно-временной мониторинговой информации;

−управление результативным взаимодействием основной и связанных систем с учетом принадлежности к отраслевым кластерам на основе простран- ственно-временной мониторинговой информации;

−управление ресурсно-результативным взаимодействием основной и связанных систем с учетом принадлежности к территориальным и отраслевым кластерам на основе пространственно-временной рейтинговой информации.

54

Рассмотрим следующий вариант реализации комплекса территориально связанных систем.

Совокупность организационных социально-экономических систем является односвязной, основанной на результативном взаимодействии, межрегиональной, отраслевой.

В этом случае управление результативным взаимодействием осуществляется с учетом интегральных показателей основной и связанной системы:

Первые три этапа выполняются в рамках этапов предварительной обработки пространственно-временно информации, без обращения к алгоритмам интеллектуальной поддержки, последние требуют этого обращения и более эффективно реализуются путем сочетания экспертных и формализованных оценок.

Для алгоритмизации интеллектуальной поддержки на завершающих этапах используется структуризированная информация:

− временные ряды мониторингового оценивания функционирования ос-

55

информационных ресурсов (1) – (6) на основе условий (7), (8) формируется оптимальный вариант перспективного планирования объемных показателей ос-

1.Новосельцев, В.И. Системный анализ: современные концепции / В.И. Новосельцев.– Воронеж: Кварта, 2003. – 360 с.

2.Нечипоренко, В.И. Структурный анализ систем (эффективность и надежность) / В.И. Нечипоренко. – М.: Сов. радио, 1977. – 216 с.

3.Горячко, В.В. Оптимизация управления положением вуза в тейтинге на

основе ГИС-ориентированного мониторинго-рейтингового оценивания / В.В. Горячко, И.Я. Львович, О.Н. Чопоров // Экономика и менеджмент систем управления. 2017. №3(25). С.57-64.

4. Борзова, А.С. Территориально распределенное планирование потребности в выпускниках образовательных организаций гражданской авиации на основе прогностических оценок и ГИС-ориентированной информации / А.С. Борзова, В.Г. Ципенко // Научный вестник Московского государственного технического университета гражданской авиации. 2018. Т.21. №1.

ФГБОУ ВО «Московский государственный университет им. М.В. Ломоносова», Россия

56

УДК 681.5

С.О. Сорокин

ОПТИМИЗАЦИЯ ФУНКЦИОНИРОВАНИЯ ОДНОРОДНЫХ ОБЪЕКТОВ В МНОГОАСПЕКТНОЙ ЦИФРОВОЙ СРЕДЕ

Однородные объекты характеризуются целым рядом аспектов функционирования. Для управления результативностью их функционирования, ресурсным обеспечением требуется анализировать большие объемы данных, наиболее эффективной формой представления которых, является многоаспектная цифровая среда (МЦС). МЦС обеспечивает цифровую трансформацию характеристик всех аспектов функционирования однородных объектов и их взаимодействия с управляющим центром и внешней= 1, среды. В этом случае МЦС представляет собой сложную систему с аспектными уровнями. Постоянное развитие инструментов цифровизации требует проектирования обновленной МЦС за счет исключения неэффективных реализаций компонентов и включения их инновационных реализаций на альтернативной основе. Проектирование в таком случае−направленом на выбор инструментов цифровой трансформации на каждом уровне. Иерархичность и связанность уровней, необходимость удовлетворения требований управляющего центра к эффективности, качеству и надежности МФЦ определяют оптимизационный характер принятия проектных решений [1].

Предлагается реализовать процесс оптимального проектирования на основе последовательного применения процедур декомпозиции и агрегации. При этом декомпозиция интерпретируется как нисходящее проектирование путем формирования многоуровневой модели МФЦ, а агрегация – как восходящее проектирование путем выбора инструментов реализации элементов каждого уровня МФЦ. В качестве приемлемой конструкции многоуровневой модели МФЦ рассматривается бинарное дерево [2], а метода агрегации – метод оптимизации [1].

При нисходящем проектировании бинарной модели МЦС используем классификационную схему, приведенную в [3] и описания ряда решений по

57

го центра к количественному и визуальному оцениванию эффективности деятельности однородного объекта.