Учебное пособие 2036

неисправности основываясь на оповещении, говорящем о нулевой скорости, а не о том, что интерфейс выключен.

Использование нестандартных средств решения этой проблемы приведет к тому, что пользователь будет видеть предполагаемую иерархическую структуру оповещений. Тогда он может быстро оценить масштаб проблемы и, что не менее важно, оперативно найти причину неисправности и ее устранить.

Особенно полезен root-cause-analysis, когда выполняется работа с оповещениями на основе SNMP-трапов от устройств. Очень часто, именно такие оповещения содержат в себе самую полезную информацию и указывают на корень проблемы.

Все вышеперечисленные предположения можно легко уложить в модель нейросети. Чем больше логических цепочек будет вложено при обучении, тем эффективнее будет проводиться анализ причинно-следственных связей. Не исключено порождение новых гипотез. Возможно подключение к анализу раздела «Performance-management» с целью отслеживания влияния значений метрик на появление оповещений.

Литература

1.Самуйлов К. Е. Сети и телекоммуникации: учебник и практикум для академического бакалавриата / К. Е. Самуйлов, И. А. Шалимов, Д. С. Кулябов.

—Москва : Издательство Юрайт, 2018. – 363 с.

2Уилсон Эд. Мониторинг и анализ сетей. Методы выявления неисправностей / Эд. Уилсон Лори, 2002. – 350 с.

3.Комашинский В.И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский, Д.А. Смирнов – М.: Горячая линия – Телеком, 2002. - 268 с.

ФГБОУ ВО «Воронежский государственный технический университет», Россия

УДК 629.78; 351.814.3

И.А. Шалатонин, А. А. Спиридонов, В. А. Саечников, В. Д. Ушаков

РАЗРАБОТКА ЛАБОРАТОРИИ УДАЛЕННОГО ДОСТУПА ПО МАЛЫМ КОСМИЧЕСКИМ АППАРАТАМ

Радиоэлектронные системы современных малых и сверхмалых космических аппаратов и наземных комплексов управления являются сложнейшими информационно-управляющими комплексами [1]. Подготовка специалистов аэрокосмической отрасли требует современной экспериментальной базы, учитывающей новейшие тенденции развития аппаратных и программных средств постановки космических экспериментов.

170

Но современная электроника быстро устаревает и обычно недостаточно документирована и поэтому обучение специалистов наиболее оптимально проводить на классе малых и сверхмалых космических аппаратов, в основу разработки которых положен принцип дешевле, быстрее, надежнее [2]. При разработке данного класса космических аппаратов используют коммерческие комплектующие и разрабатываемое под конкретный проект программное обеспечение, можно более оптимально и дешево отрабатывать новые технологии.

Однако нужно заметить, что лабораторная база подготовки специалистов аэрокосмической отрасли даже на классе малых и сверхмалых космических аппаратов– это дорогостоящее, а иногда и уникальное оборудование, которое неэффективно использовать как в обычном физическом лабораторном практикуме при персональной подготовке студентов на отдельных лабораторных стендах. Космический аппарат является сложным комплексным прибором с удаленным управлением и сбором экспериментальных данных. Навыки дистанционного управления и сбора экспериментальных данных являются необходимой частью подготовки специалистов аэрокосмической отрасли.

Уникальность и высокая стоимость аппаратуры, ее востребованность как в образовательном процессе, так и в реальных научных исследованиях привело к идеи создания лабораторий удаленного доступа. По сравнению с реальными лабораториями лаборатории удаленного доступа обладают следующими преимуществами: экономия средств на создание однотипных реальных экспериментальных установок; возможность работы на дорогостоящем уникальном оборудовании в любом месте в запланированное время; возможность доступа к лаборатории любого количества пользователей; безопасность удаленной работы; большая степень защищенности дорогостоящего оборудования при ее эксплуатации; возможность варьировать уровни доступа к оборудованию взависимости от уровня подготовки.

В Белорусском государственном университете в рамках проекта «Разработка и создание структуры информационного обеспечения аэрокосмического образования» разрабатываются программно-аппаратные средства и сайт лаборатории удаленного доступа по аэрокосмическим направлениям «Космические аппараты», «Наземные комплексы», которые будут внедрены в образовательный процесс для системы подготовки специалистов аэрокосмической отрасли.

Программно-аппаратные средства лаборатории удаленного доступа включают: четыре лабораторные стенда имитирующих работу бортовых систем сверхмалого космического аппарата (подсистемы «Бортовой компьютер», «Бортовой модуль связи», «Бортовой модуль определения ориентации и стабилизации»); макет наземного комплекса управления (подсистемы «Наземный комплекс управления»); базу данных телеметрии реальных сверхмалых космических аппаратов и ПО обработки телеметрии; аппаратные средств управления, передачи и обработки данных лаборатории удаленного

171

доступа; сайт лаборатории удаленного доступа; комплекс учебно-методических материалов для подготовки специалистов аэрокосмической отрасли.

Программно-аппаратные средства лаборатории удаленного доступа обладает следующими функциональными характеристиками: возможность формирования и передача по радиоканалу подсистемой «Наземный комплекс управления» командно-программной информации, обеспечивающей удаленное управление подсистемами «Бортовой компьютер», «Бортовой модуль связи», «Бортовой модуль определения ориентации и стабилизации»; возможность приема, обработки подсистемами «Бортовой компьютер», «Бортовой модуль связи», «Бортовой модуль определения ориентации и стабилизации» команднопрограммной информации, выполнение команд и формирование и передача ответных квитанций о выполнении команд на подсистему «Наземный комплекс управления»; возможность сбора, обработки телеметрической информации о состоянии подсистем «Бортовой компьютер», «Бортовой модуль связи», «Бортовой модуль определения ориентации и стабилизации», формирование пакетов телеметрии и их передача по радиоканалу на подсистему «Наземный комплекс управления»; возможность приема, обработки, отображения телеметрической информации подсистемой «Наземный комплекс управления»; возможность работы подсистем «Бортовой компьютер», «Бортовой модуль связи», «Бортовой модуль определения ориентации и стабилизации» по командам управления в различных режимах (Минимального энергопотребления, Номинальный режим, Аварийный и т.д.), имитирующие реальный космический полет; возможность одновременной работы с отдельной подсистемой лаборатории удаленного доступа нескольких пользователей (многопользовательский интерфейс); переносимость исполняемого кода клиентских программ и приложений на различные аппаратно-программные платформы (Windows, Unix); возможность комплексного обучения всем подсистемам малого и сверхмалого космического аппарата и наземного комплекса управления и приема информации с космических аппаратов; возможность обучения методам обработки телеметрии реальных космических аппаратов на основе уникальной базы данных телеметрии реальных сверхмалых космических аппаратов и ПО обработки телеметрии.

Архитектура лаборатории удаленного доступа, показанная на рисунке, имеет гибкое построение с возможностью подключения е компонентов с использованием как одного единственного компьютера так и нескольких виртуальных машин. Программно-аппаратные средства лаборатории удаленного доступа включают в себя: имитатор сверхмалого космического аппарата (СМКА); программное обеспечение (ПО) описания объекта наблюдения и управления; пакетный сервер; Web-сервер; сайт Satellite.by; ГИП Администратора; сайт «Спутник УД».

172

Архитектура лаборатории удаленного доступа

Имитатор СМКА является программно-аппаратным комплексом, для которого требуется обеспечить удаленное управление, прием телеметрии, е хранение и дальнейшее предоставление установленным сторонам. Имитатор исполняет роль объекта для наблюдения и управления. Он состоит из двух систем – основной и резервной. Имитатор СМКА пересылает телеметрические данные в виде ассоциативного списка в формате MsgPack с использованием протокола AX.25. Обе системы имеют один позывной, но у каждой из них свой SSID. Приемопередатчики сделаны на основе микроконтроллера MSP430 и управляются с использованием протокола KISS. Команды для имитатора также являются ассоциативными списками, и для их отправки используется такой же стек технологий.

ПО описания объекта наблюдения и управления представляют собой файлы конфигурации, которые описывают наблюдаемые параметры, возможные команды, также включают и декодеры дополнительной информации. Используются в ГИП Администратора, на Web-сервере и satellite.by для обеспечения целостной конфигурации всей системы. Пакетный

173

сервер является программно-аппаратным комплексом, выполняющим поставленную задачу. Он предоставляет различные API, позволяющие пробросить эту информацию клиентам. Обеспечивается опциональная гарантированная доставка.

Web-сервер является клиентом пакетного сервера, использующего стандартный API (Default API) для взаимодействия. Он предоставляет доступ к информации и управлению пользователям через сеть Интернет. Использует сторонний сервис (сайт satellite.by) для аутентификации и авторизации пользователей. Сайт Satellite.by является сервисом для хранения и предоставления различной информации по космическим аппаратам в сети Интернет. В частности, именно на нем происходит регистрация новых пользователей для доступа к настоящей системе. Также является клиентом пакетного сервера, но использует свой API (Satellite.by API). ГИП Администратора является клиентом пакетного сервера, использующего стандартный API для взаимодействия. Это обычное приложение, предоставляющее полный доступ к объекту. Оно предназначено для управления объектом администратором.

Для большей гибкости системы были созданы внутренние форматы описания команд, ответов на команды и телеметрии, а также определены форматы описания возможных команд и результатов измерения объекта, их декодирования. Многоуровневая архитектура системы позволяет адаптировать е к широкому классу задач наблюдения и управления всевозможными объектами. В частности, в качестве демонстрации этого был реализован виртуальный имитатор СМКА, который можно использовать для тестирования и обучения. Модульность API позволяет создавать новые интерфейсы взаимодействия с наблюдаемым объектом и расширять клиентскую базу системы.

Разработка лаборатории удаленного доступа по малым космическим аппаратам позволит снизить себестоимость обучения студентов за счет сокращение расходов на приобретение дорогостоящего лабораторного оборудования; повысить качество образования за счет гибкости системы к конкретному пользователю; повысить эффективность использования оборудования за счет возможности удаленного использования в любое запланированное время и возможности одновременной работы с отдельной подсистемой лаборатории нескольких пользователей.

Литература

1.Абламейко С. В. Малые космические аппараты: пособие для студентов факультетов радиофизики и компьют. технологий, мех.-мат. и геогр. / С. В. Абламейко, В. А. Саечников, А. А. Спиридонов. – Минск : БГУ, 2012, – 159 с.

2.Храмов Д. А.. Миниатюрные спутники стандарта CubeSat. //Космічна наука і технологія. 2009. Т. 15. № 3. с. 20–31.

Белорусский государственный университет, Республика Беларусь

174

УДК 351

Р. В. Рогонян

ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ КОМПЛЕКСНОЙ ИНФОРМАЦИОННОАНАЛИТИЧЕСКОЙ ПЛАТФОРМЫ В АПК

Государственная программа развития цифровой экономики России до 2035 года предусматривает формирование экосистемы, в которой эффективно взаимодействуют государство, бизнес, наука и население, а представление данных в цифровой форме является одним из важных факторов роста производства во всех сферах социально-экономической деятельности. Созданная в июле 2017 года система включает работу по инвентаризации земельного фонда, сбор данных по севооборотам, анализ плодородия почв и других [4].

Применение современных информационных технологий в АПК позволит вести эффективное наблюдение за текущей ситуацией в сельском хозяйстве и быстро решать возникающие проблемы в отрасли.

Дорожная карта предусматривает, что к 2035 году, лидирующим в IT технологиях российским компаниям надлежит занять от 5 % до 15 % мирового рынка в пяти приоритетных сегментах:

«умное» сельское хозяйство;

опережающая селекция;

доступная органика;

новые источники сырья;

персонализированное питание.

В связи с этим, предприятиям агропромышленного комплекса России предстоит многоэтапная работа, связанная с внедрением комплексной информационно-аналитической платформы. Цель создания такой инновационной системы – повысить эффективность, увеличить рост производства сельскохозяйственной продукции и наращивание экспортного потенциала.

Построение и внедрение такой системы требует больших капиталовложений по основным элементам:

цифровая база для системы поддержки решений в АПК;

беспилотная техника, системы орошения, дроны, спутники, сельскохозяйственное оборудование с AI и аналитикой;

аналитические платформы прогнозирования урожайности, климатических рисков и т.д.;

электронные биржи для реализации продукции сельского хозяйства,

пространства Министерства сельского хозяйства Российской Федерации;

175

иметь активные ссылки на непосредственно связанные с АПК информационные ресурсы;

предоставлять возможность авторизации пользователей;

давать право на пополнение портала и обмена информацией на

форуме [2].

По всем отраслям экономики в среднем (данные 2017 г.), Россия находится на 45 месте в рейтинге стран по уровню развития информационнокоммуникационных технологий (ИКТ). В агропромышленном комплексе дело складывается немного хуже.

Чтобы российский АПК смог достойно конкурировать на мировом рынке критически важным является ускорение внедрения информационных технологий в отрасль сельского хозяйства [3]. Перспективы и конкурентные преимущества для этого у нашей страны есть: 20 % запасов пресной воды в мире находится на территории России; 9 % пахотных земель и 58 % мировых запасов чернозема. Кроме того, наличие до 40 млн га залежных земель в среде органического земледелия позволит сделать большой рывок [5].

Литература

1.Иваненко К.М., Сапигина А.К., Затонская И.В. Информационные технологии в исследовании свойств и факторов производства аграрного предприятия / В сборнике: Интеллектуальные информационные системы Труды Международной научно-практической конференции. В 2-х частях. 2018. С. 145148.

2.Краскова А. А., Затонская С. С., Затонская И. В. Оценка финансовых рисков аграрного предприятия по данным отчетности // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. – 2015. – № 113. – С. 90-104.

3. Распоряжение Правительства РФ от 28.07.2017 N 1632-р / Об утверждении программы "Цифровая экономика Российской Федерации".

4.Франциско О.Ю., Затонская И.В. Игровые модели в экономике /

Методические разработки для лабораторно-практических занятий

исамостоятельной работы / Научный редактор А.Г. Бурда. Краснодар, 2009.

5.Экономико-математический анализ воспроизводства и синтез управленческих решений в агропромышленном комплексе / Бурда А.Г., Бурда Г.П., Затонская И.В., Ковалева К.А., Косников С.Н., Осенний В.В., Франциско О.Ю. Краснодар, 2016.

ФГБОУ ВО «Кубанский государственный аграрный университет имени И.Т. Трубилина», Россия

176

УДК 681.3

Д.В. Романов

МОДЕЛИРОВАНИЕ ОБЛАЧНОГО СЕРВИСА ДВУХКЛАССОВОЙ КЛАССИФИКАЦИИ С ПОМОЩЬЮ MICROSOFT AZURE MACHINE

LEARNING

С развитием сети Интернет и ростом вычислительных мощностей и хранилищ данных стало развиваться такое направление, как облачные сервисы. В течение 15 лет к направлению присоединились ведущие IT-гиганты: Amazon, Google, Oracle, Microsoft и другие. В первую очередь сервисы ориентированы на бизнес-среду и одним из видов обслуживания является модель «платформа как услуга» (PaaS, англ. Platform-as-a-Service). Она включает в свой состав инструментальные средства создания, тестирования и выполнения прикладного программного обеспечения. Так как построение целой системы стоит дорого, а сроки исполнения могут быть большими, бизнес может понести серьезные финансовые убытки, и одним из возможных решений может являться разработка с помощью облачных веб-сервисов. Основными преимуществами данного подхода будут являться [1]:

1)снижение первоначальных денежных затрат на оборудование и программное обеспечение;

2)сокращение количества специалистов, привлеченных к реализации;

3)ускоренная разработка и внесение изменений за счет использования готовых решений и компонент.

В качестве примера будет рассмотрена разработка антифрод-системы. Основная ее работа – мониторинг активности клиентов (транзакций) и проверка на «подозрительность» этих действий с точки зрения мошенничества. Основой системы будет интеллектуальное ядро, которое построено на алгоритмах машинного обучения. Центральное место в этой системе будет занимать облачный веб-сервис, в котором будет полностью выделен бизнес-процесс анализа данных и интерпретации результата: является ли данная транзакция подозрительной или нет. А в качестве платформы для системы будет выступать Microsoft Azure, который позволяет технически просто создать приложение с нуля, предоставляет готовые компоненты, обладает высокой доступностью, отказоустойчивостью и масштабируемостью, имеет встроенный сервис очередей выполнения шагов модели; кроме того оснащен простым интерфейсом взаимодействия, настройки и мониторинга.

Для работы с машинным обучением на облачной платформе существует модуль прогнозной аналитики Machine Learning. В настоящее время модуль работает со следующими алгоритмами [2]:

1)логистическая регрессия;

2)лес решений;

3)джунгли решений;

4)увеличивающееся дерево решений;

177

5)нейронная сеть;

6)усредненное восприятие;

7)метод опорных векторов;

8)локально глубокий метод опорных векторов;

9)точечная машина Байеса.

Каждый из алгоритмов характеризуется своим набором варьируемых характеристик, точностью и скоростью выполнения.

Для начала работы необходимо создать новый эксперимент в «Студии машинного обучения». В распоряжении пользователя находятся компоненты моделирования, которые перетаскиваются мышью и соединяются между собой:

1)Enter Data Manually – ввод данных из разных источников: API, CSV или вручную;

2)Two-Class Neural Network – алгоритм машинного обучения;

3)Train Model – обучение модели на тестовой выборке;

4)Score Model – сравнение результатов работы, точность алгоритма;

5)Evaluate Model – оценка производительности полученной модели;

6)Convert to CSV – конвертация результата в формат CSV.

В результате получается готовая модель: в левой части выбирается алгоритм, проходит его обучение и тестирование, а в правой – прогнозирование на вновь поступающих данных для анализа.

Рис. 1. Модель системы

Основной задачей для правильной (точной) работы системы является выбор алгоритма машинного обучения, а также его настройка. В рамках поставленной задачи распределения транзакций необходимо оценить работу алгоритмов двухклассовой классификации [1]:

1)нейронная сеть;

2)логистическая регрессия;

3)метод опорных векторов;

4)дерево решений, построенное методом градиентного роста.

178

Тестирование алгоритмов проводится с использование рекомендуемых настроек до достижения приемлемой точности на заданной тестовой выборке данных. После завершения эксперимента сервис отображает результаты оценки в виде гистограммы и статистических показателей, а производительность отображается с помощью матрицы неточностей.

Рис. 2. Оценка полученной модели

Подробная характеристика отражается в следующих параметрах:

1)True Positive – правильно распознанные случаи для 1 класса (мошеннические транзакции);

2)True Negative – правильно распознанные случаи для 2 класса (безопасные транзакциии);

3)False Positive – неправильно распознанные для 1 класса;

4)False Negative – неправильно распознанные для 2 класса;

5)Accuracy – процент правильно распознанных примеров;

6)Precision – точность предсказаний для 1 класса;

7)Recall – точность предсказаний для 1 класса с учетом ошибок из 2

класса;

8)F1 Score – средневзвешенное значение Precision и Recall;

9)AUC – общий показатель точности распознавания с учетом выбранного порога Threshold.

Показатель AUC лежит в диапазоне [0; 1], и чем значение ближе к 1, тем график выгнут к оси ординат (Y), и тем более точна полученная модель.

В ходе тестирования наиболее точной оказалась нейросеть с результатом AUC = 0,952, а ниже расположилось дерево решений с 0,869 [1]. Тем не менее,

179