ri2014_materials

хранилищ (в числе других) помогают в наши дни Google оперативно обрабатывать гигантские потоки данных. В случае с графовыми структурами можно задействовать сервис GrapheneDB, который использует хранилище Neo4J. Если данные - это временные показатели с устройств или сенсоров, то подойдет специализированный сервис TempoDB Time Series Database. Для более простых, но объемных данных можно использовать хорошо масштабируемые базы данных, такие, как Riak.

В числе основных инженерных проблем при подобном решении задач - трудности с администрированием серверов. Мы предлагаем один из способов, который зарекомендовал себя в нашей практике. Первое, с чем сталкивается сотрудник, приступая к решению ресурсоемкой задачи, - это наличие необходимого программного обеспечения для его платформы и разумная изоляция своей системы от проводимых экспериментов.

Для автоматизации процесса, поверх существующих решений виртуализации, используем совсем недавно разработанную систему Vagrant. Далее с помощью инструментов провижининга, таких, как Chef, Puppet или Ansible, можно сконфигурировать окружение, необходимое вычислениям, и подготовить сервис Serf для управления участниками кластера. Поверх него далее возможно реализовать систему обнаружения сервисов с помощью утилиты Consul и сервер готов к началу обработки данных.

Можно запаковать его, используя специальную технологию Packer, тогда наша система будет соответствовать принципам “immutable server”, а это позволит быстрее добавлять новые экземпляры в кластер, и быть уверенными, что в процессе добавления экземпляра все прошло так, как было задумано, причем, исключая все шаги настройки. После этого, используя Terraform можно все наработки развернуть в кластер на одном из облачных провайдеров. При этом, используя такие подходы, можно добиться простого масштабирования, высокой производительности и достаточно отказоустойчивой системы.

Попов Б.Н., Федорина Е.С.

Россия, Санкт-Петербург, Государственный университет морского и речного флота имени адмирала С.О. Макарова ИНФОРМАЦИОННЫЕ ПОТОКИ В СОВРЕМЕННОМ МИРЕ

Мы живём в эпоху огромного количества данных, циркулирующих в различных информационных системах. В современном информационном пространстве данные представляют собой сложные объекты, имеющие сложную структуру. Для описания таких данных используют сложные модели представления информации. Для упрощения работы с огромным количеством разнообразных данных, вводятся в рассмотрение информационные потоки. С математической точки зрения, информационный поток представляет собой функциональную зависимость между количеством данных и определённым моментом времени. Для систематизации, анализа и других видов работ с данными возникает необходимость оценивания информационных потоков, с целью, например, минимизации трафика, компьютерных ресурсов, хранилищ баз данных и др. В серии статей авторов был проведён анализ различных моделей информационных потоков. Были также выполнены эксперименты с моделированием в среде Maple, рассматриваемых моделей для тестовых наборов данных.

В информационном пространстве большое внимание уделяется сегменту изменяемых данных, к примеру, новостных. Важным качеством для новостной информации является её актуальность. Актуальностью назовём значимость информации в настоящее время. Потеря данными актуальности называется процессом «старения» информации. Процесс «старения» информации можно описать на основе известной модели Бартона-Кеблера.

Среди различных видов информационных потоков выделим тематические информационные потоки. Тематические информационные потоки соответствуют определённым тематикам. Бо

льшие объёмы данных удобно подразделять на тематические информационные потоки по темам. Среди возможных моделей тематических информационных потоков известны: линейная (описывается линейной зависимостью), экспоненциальная (описывается экспоненциальной зависимостью) и логистическая (описывается несколькими видами дифференциальных уравнений) модели. Логистическая модель чаще других применяется для описания нестандартных процессов в информационных потоках, таких как резкий спад или скачок.

Также был рассмотрен метод сплайн-аппроксимации для моделирования информационных потоков. Этот метод заключается в моделировании информационных потоков, представленных в виде зависимостей данных от момента времени, сплайнами (кусочно-заданными функциями). В работе приведены модели четырёх информационных потоков, смоделированных с помощью сплайнов. Причём при использовании полиномов, начиная со 2-3 порядков, достигаются приемлемые качества сглаживания.

Рассмотренные модели тематических информационных потоков, методы моделирования и анализа информационных потоков могут быть применены для различных исследований и моделирования информационных потоков в различных сферах деятельности.

http://spoisu.ru

Скворцов Ю.В.

Россия, Санкт-Петербург, Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича РАСШИРЯЕМЫЙ ЯЗЫК ПРОГРАММИРОВАНИЯ

Язык программирования с расширяющимся синтаксисом – концепция языка программирования, позволяющая вводить новые ключевые слова и методы обработки данных. Ядро языка позволяет использовать расширения для выявления констант пользовательских типов, хранилищ, выражений и других.

Рассмотрим по примеру применения каждого типа расширения для решения различных задач. При пакетной обработке изображений приходится часто вызывать функцию по созданию объекта типа «размер». При этом если размер известен на этапе компиляции, то всё равно приходится задавать его выражением «new Size(10, 20)». В некоторых сценариях таких записей может быть очень много. Добавление расширения для литералов типа Size позволит указывать постоянные размеры просто как 10x20, уменьшая текстовый шум. Аналогичные расширения

позволяют задавать координаты как 60N_30E, регулярные выражения как r"[a-f]..k".

Для многих проектов существует потребность обмениваться с сервером данными в наиболее компактном виде. Одной из библиотек, обеспечивающих эту потребность, является protobuf. Описание передаваемых форматов содержится в .proto – файле, и перед использованием необходимо воспользоваться транслятором protoc. Это усложняет процедуру сборки проекта и поддержания файлов в актуальном состоянии. Расширяемый язык программирования при наличии необходимых расширений может обрабатывать файлы других форматов без необходимости предварительной трансляции.

Пусть у нас есть сервер, обрабатывающий множество видов запросов. Если во время запроса возникает исключение, то необходимо записать в лог-файл название текущей функции и значения её переменных. Несмотря на свою тривиальность, написание множества try-catch-finally блоков с указанием различных переменных для каждой функции – очень трудоемкая задача. Однако, введя новое ключевое слово, например, log_on_error, можно решить эту задачу просто добавив это слово в каждую функцию. Встречая log_on_error, компилятор сгенерирует блок try, переместит в него код функции, а в блоке catch вызовет метод для записи данных об исключении, имя функции и значение всех переменных. Предоставляемые средства для реализации расширений очень широки: они позволяют добавлять переменные, выражения, переупорядочивать код, генерировать вспомогательные классы.

Ядро языка (до применения расширений) представляет собой современный мультипарадигменный (типобезопасный объектно-ориентированный с одиночным наследованием и множественной реализацией интерфейсов, обобщённый с материализацией, императивный, функциональный, событийный, рефлективный) компилируемый язык со статической системой типов (с выводом типов) и автоматическим управлением памятью. Язык поддерживает полиморфизм, перегрузку операторов, операторы приведения типов, делегаты (указатели на методы), атрибуты, свойства, обобщённые методы и хранилища, итераторы, построение конечных автоматов, анонимные функции с поддержкой замыканий, методы расширения, обработку исключительных ситуаций. Базовый синтаксис относится к С-подобной языковой семье. В отличии от С/С++ языку не требуются отдельные заголовочные файлы – методы и классы можно применять, даже если они определены ниже/в другом файле. В одном файле может присутствовать неограниченное число пространств имён, классов, нумераций и других хранилищ, в тоже время один класс может быть разбит на несколько файлов.

Библиотека языка включает множество объектов, таких как: строки, числа, потоки, задания, коллекции, поддержка ввода/вывода и другие,– и по своей структуре схожа с BCL (Base class library) из платформы .NET.

Помимо создания самостоятельных приложений существует возможность интеграции с другими приложениями с помощью API. API-определения данных позволяет добавлять в библиотеку новые классы, методы, свойства, поля, события, делегаты, области имён, структуры. Добавленные классы являются такими же объектами, как и встроенные: над ними производятся стандартные операции и автоматическое управление памятью. API-доступ к данным позволяет вести работу со строками, читать и модифицировать коллекции данных, вызывать делегаты, создавать и использовать новые объекты. API-компиляции разрешают компилировать и запускать код, как из файлов, так и из памяти, что позволяет использовать расширяемый язык как скриптовый в рамках другого приложения.

Существует возможность подключать расширения глобально для всех файлов с исходными кодами, так и определять расширения для каждого файла в отдельности. Это позволяет, как сохранить код более чистым, убирая директивы из каждого отдельного файла, так и сделать его более пригодным для повторного использования.

http://spoisu.ru

Целью расширений является: упрощение решения задач; увеличение скорости написания программы; улучшение коммуникации программиста с прикладным специалистом (расширение синтаксиса позволяет записывать блоки и выражения в том виде, в каком они приняты в отрасли).

Смирнов С.В.

Россия, Санкт-Петербург, Санкт-Петербургское государственное унитарное предприятие «Санкт-Петербургский информационно-аналитический центр» СИСТЕМА МАССОВОГО ОПТИЧЕСКОГО РАСПОЗНАВАНИЯ АРХИВНЫХ ДОКУМЕНТОВ С АВТОМАТИЧЕСКОЙ КОРРЕКТИРОВКОЙ РЕЗУЛЬТАТОВ

До недавнего времени в государственной информационной системе «Государственные архивы Санкт-Петербурга» (ГИС «Госархивы СПб»), поиск производился лишь по документам, обладающим текстовым описанием. Текстовое описание вручную заносилось в систему операторами и сотрудниками архива в процессе составления научно-справочного аппарата и оцифровки бумажных документов.

Данный подход к пополнению поисковой базы обладал большой трудоемкостью и как следствие низкой скоростью и малым покрытием.

Выходом из сложившейся ситуации стала разработка решения, позволяющего пользователям архива производить поиск по текстовому содержимому изображений документов без необходимости предварительного ручного ввода поисковых метаданных.

Разработанное решение представляет собой программный комплекс, состоящий из трех подсистем: подсистемы оптического распознавания, подсистемы полнотекстовой индексации результатов распознавания, подсистемы поиска по распознанным изображениям документов.

В данном докладе делается акцент на особенностях реализации подсистемы оптического распознавания.

Алгоритм распознавания отдельного изображения состоит из следующих шагов:

1.Предварительная обработка изображения (устранение шумовых дефектов, выравнивание угла наклона и т.п.).

2.Оптическое распознавание текста.

3.Автоматическая корректировка результатов распознавания.

4.Оценка точности распознавания.

На этапе оптического распознавания реализована возможность подключения различных свободно распространяемых или коммерческих систем, таких как: Abbyy Finereader, Nuance OmniPage, IRIS Readiris, Tesseract, Cuneiform.

Анализ точности распознавания архивных документов показал, что каждая из перечисленных систем допускает ошибки. Это указывает на необходимость корректировки результатов оптического распознавания.

Существующие методы корректировки ошибок распознавания в общем случае неплохо решают ряд задач, используя словари, статистические модели языка. Хорошо развита тематика обнаружения и коррекции ошибок в тексте. Тем не менее, во многих случаях указанные методы требуют участия человека, предназначаются для обработки современных текстов и не подходят в чистом виде для обработки исторических текстов, содержащих большое количество специализированных терминов, имен собственных, географических наименований и т.п.

Также стоит отметить, очень малое количество работ нацеленных на корректировку именно русскоязычных текстов. Это вызывает потребность разработки алгоритмов корректировки, учитывающих особенности русского языка и позволяющие обрабатывать корпуса текстов больших объемов в полностью автоматическом режиме.

Для реализации поставленной задачи корректировки результатов оптического распознавания был разработан метод, основанный на рейтинго-ранговой модели текста. Весь процесс корректировки подразделяется на несколько этапов.

На первом этапе производится анализ распознанных документов для формирования статистической информации о встречающихся словах.

Этап генерации корректировок является основным этапом обработки, на котором для каждого ошибочно распознанного слова формируются списки слов-корректировок.

На следующем этапе производится вычисление вероятности каждого варианта корректировки, упорядочивание корректировок по убыванию вероятности, выборка наиболее вероятных и формирование финального результата распознавания.

Для оценки качества распознавания был разработан критерий, отвечающий целевому назначению системы – поиск по изображению с подсветкой найденных результатов.

С момента ввода системы в эксплуатацию было распознано и проиндексировано около полумиллиона электронных образов документов, что привело к значительному расширению пространства поиска и повышению эффективности поискового механизма ГИС «Госархивы СПб».

http://spoisu.ru

Христофоров М.В.

Россия, Санкт-Петербург, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики ПРОЕКТИРОВАНИЕ РАСПРЕДЕЛЕННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ АВТОМАТИЗАЦИИ СБОРА ДАННЫХ ОБ ОБРАЗОВАТЕЛЬНОЙ УСЛУГЕ

Всвязи с непрекращающимся развитием информационных технологий, в особенности, сети Интернет-технологий, таких как социальные сети, «облачные» вычисления, мобильные приложения в качестве клиентов подобных систем, программная и аппаратная виртуализация. Каждая из приведенных в качестве примера технологий повлияла на многие отрасли промышленности, а также сферу образования. В последней уже долгое время присутствовали разного рода автоматизированные системы управления, нацеленные на достижение различных задач: от учета школьного имущества до организации дистанционного обучения. Тривиальным результатом подобного внедрения информационных систем становится лоскутная автоматизация, когда каждая из систем автономна и, как следствие, доступ к ее данным возможен только через предоставляемый этой системой интерфейс.

Главной причиной роста интереса к агрегации данных из разнородных информационных систем стало повышенное внимание к интеллектуальному анализу публичных данных, в том числе, из социальных систем. Более того, владельцы последних, зачастую предоставляют доступ к программному интерфейсу своих систем для того, чтобы частные компании, а также специалисты по интеллектуальному анализу имели бы возможность обрабатывать публичные данные. Несмотря на это, подавляющее большинство информационных систем подобных возможностей не имеют, поскольку это не соответствует их непосредственному функционалу. Большинство образовательных учреждений в настоящий момент, в которых присутствует лоскутная автоматизация, накопило значительный объем информации об обучаемых, который может быть использован для интеллектуального анализа данных с целью извлечения полезных закономерностей и построения прогнозов.

Проблема сбора данных из разнородных информационных систем может быть решена построением распределенной информационной системы, агенты которой бы устанавливались на сервера действующих информационных систем. Такой подход довольно долго используется в крупных компаниях со сложной сетевой инфраструктурой, где критически важно предотвращать возможные отказы систем. Но в отличие от систем мониторинга в качестве передаваемых данных будут сведения об обратной связи, которая возникает, каждый раз, когда обучаемый совершает некоторое эвристическое действие. Например, если студент вступает в переписку с преподавателем на внутреннем форуме, то эти данные представляют интерес для разрабатываемой системы в независимости от прикладной ценности содержимого самого по себе. Это необходимо для того, чтобы абстрагироваться от непосредственного интеллектуального анализа, оставив под рассмотрением способ организации автоматизированного сбора обратной связи.

Воснове архитектуры системы присутствуют следующие автономные программы, разделенные по ролям: Агент, Подписчик, Диспетчер, Рабочий. Роль Агент выполняет программа, устанавливаемая на сервер с некоторым набором информационных систем с целью сбора и передачи данных Диспетчеру. Роль Подписчик выполняет программа, устанавливаемая раздельно от интересующей информационной системы и осуществляющая сбор данных через программный интерфейс этой системы, либо иными способами с целью передачи их Диспетчеру. В роли Диспетчер выступает программа, выполняющая передачу данных от Агентов и Подписчиков свободным или наименее нагруженным Рабочим. Для роли Рабочий берется программа, в задачи которой входит прием данных от Диспетчера, их предварительная обработка для выявления персональных информационных следов, а также для проведения иных действий, повышающих качество собранных данных, которые после окончания обработки сохраняются в банке данных, в качестве которого в минимальном варианте достачно отдельной СУБД.

Как становится понятным из общего описания, выполнять одну роль могут несколько программ, что предоставляет возможности для горизонтального масштабирования в будущем. Кроме того, в силу специфики каждой отдельной информационной системы, которая находится под наблюдением требуется гибкий механизм, позволяющий отдельному Агенту или Подписчику собирать данные из нескольких разнородных систем. Это может быть решено путем разработки иерархической модели плагинов, каждый из которых с одной стороны мог бы быть легко скорректирован, а с другой — следовал стандартным интерфейсам по сбору данных, формированию пакетов, а также предварительной обработке перед сохранением в банк данных.

Для технической реализации описываемой распределенной системы предлагается использовать кросс-платформенный язык программирования Python, а СУБД — MySQL. Каждая из программ, входящих в состав комплекса, будет работать в качестве фоновой службы, т. е. без пользовательского интерфейса.

http://spoisu.ru

Ходаковский В.А.

Россия, Санкт-Петербург, Петербургский государственный университет путей сообщения О ПРИНЯТИИ РЕШЕНИЙ ПО ОБНАРУЖЕНИЮ СИГНАЛА В ШУМАХ

Задача оптимального решения при приеме сигнала на фоне шума хорошо известна и проработана. Создана и дает хорошие результаты целая наука «Статистическая радиотехника». Обычными подходами при оптимальном приеме сигнала на фоне шума являются реализации корреляционного или фильтрационного приема известного сигнала с хорошими корреляционными свойствами.

Оба указанных подхода основаны на вычислении корреляционной функции принимаемой смеси (сигнала с шумом) и сигнала, который известен на приемной стороне.

Если известен сигнал u( t ) и на входе приемника присутствует аддитивный шум n( t ), то есть принимается смесь s(t) = u(t) + n(t), то оптимальный приемник формирует выходной сигнал, реализуя обработку в виде свертки v(t) = s(t)*u(t)

Критерием принятия решения о приеме сигнала обычно выбирается условие превышения значения корреляционной функции в момент t0 некоторого порогового значения

(t0 ) A . (2)

Для того, чтобы обработка входного сигнала и правило принятия решения о его обнаружении давали наилучший результат применяют сигналы, обладающие наилучшими корреляционными свойствами. Основное требование к таким сигналам состоит в том, чтобы основной пик автокорреляционной функции этого сигнала существенно превышал боковые пики.

Известно большое количество сигналов с хорошими автокорреляционными свойствами: коды Баркера, m-последовательности, сигналы с линейной частотной модуляцией (ЛЧМ) и другие. Однако дело в том, что для передачи сигнала по радиоканалу применяется модуляция некоторой несущей этим сигналом с хорошими автокорреляционными свойствами, в результате мы получаем сигнал с другими автокорреляционными свойствами, которые существенно зависят от вида модуляции. Например, если некоторым кодом Баркера амплитудно промодулировать некоторую несущую f0, то получим сигнал, спектр которого будет состоять из смеси этой немодулированной несущей и двух боковых частот, каждая из которых по ширине будет соответствовать спектру выбранного кода Баркера. Автокорреляционная функция полученной смеси будет далека от автокорреляционной функции кода.

В современных системах связи используется, как правило, фазовая манипуляция (0 – 180о) или (+ 90о / -90о) которая позволяет подавить несущую и, тем самым, заметно экономить энергию сигнала.

Для улучшения автокорреляционных свойств сигнала используют очень длинные коды и достаточно высокую частоту манипуляции фаза, что, приводит к заметному расширению спектра сигнала. Наилучшим сигналом в смысле автокорреляционных свойств является белый шум, спектр которого бесконечен, а значит, такой сигнал нереализуем, но его автокорреляционная функция равна

- функции Дирака.

Вопрос учета модуляции при анализе автокорреляционных свойств сигнала известен и существует множество способов синтеза сигнала с оптимальными автокорреляционными свойствами, позволяющих непосредственно передавать сигнал по радиоканалу. Вместе с тем, системный подход к решению комплексной задачи и выбора оптимального сигнала и метода обработки приводит нас к необходимости вернуться именно к методу обработки, а по сути, к вычислению корреляционной функции опорного и принимаемого сигнала.

Анализируя обработку вида (1) можно отметить, что она реагирует и накапливает энергию сигнала только в тех случаях, когда знаки отсчетов принятого и опорного сигналов совпадают, в противном случае (при несовпадении знаков отсчетов опорного и принятого сигналов) получаются отрицательные значения, которые снижают накопленную сумму. В этой связи возникает предложение по дополнению обработки вида (1) некоторой весовой функцией, которая будет близка к единице только в том случае, когда кроме совпадения знаков отсчетов дополнительно потребовать совпадения значений или только знаков производных в этих точках. В докладе рассматриваются различные варианты весовых функций, одна из которых представлена в обработке (3).

Показано, что применение обработки вида (3) позволяет существенно расширить класс сигналов с хорошими автокорреляционными свойствами и в частности показано, что при такой обработке обычная синусоида с огибающей в виде прямоугольного импульса дает очень хорошие автокорреляционные свойства.

Применение предложенного подхода позволяет просто решить многие радиотехнические задачи.

http://spoisu.ru

Якимов Н.М.

Россия, Москва, МАТИ - Российский государственный технологический университет имени К.Э. Циолковского ПРОГРАММНОЕ ОКРУЖЕНИЕ ДЛЯ СОМЕСТНОГО ВЫЧИСЛЕНИЯ ВО ВРЕМЕННОЙ ОБЛАСТИ

НА ПРИМЕРЕ КОМПЛЕКСНОЙ МОДЕЛИ СУДНА НА ВОЗДУШНОЙ ПОДУШКЕ

При решении современных задач моделирования часто возникает задача совместного использования нескольких различных решателей, возможно запущенных на разных узлах компьютерной сети. Для решения этой задачи могут быть использованы как низкоуровневые библиотеки, такие как MPI, либо пакеты библиотек высокого уровня, например, различные реализации High-level architecture (HLA). Использование низкоуровневых решений сопряжено с некоторыми характерными сложностями, такими как необходимость разработки протокола взаимодействия, отслеживания целостности и т.п. Решения же высокого уровня либо являются закрытыми, и потому плохо подходят для использования в пользовательских кодах моделирования, либо, в случае HLA, не определяют низкоуровневый протокол, что приводит к необходимости использовать для всех кодов моделей решения одного производителя (т.н. vendor lock-in).

Предлагаемое программное решение заимствует некоторые аспекты HLA, однако имеет более простую архитектуру и значительно упрощенный программный интерфейс. Это достигается за счет некоторого ограничения функциональности: в отличие от многоцелевой архитектуры HLA, предлагаемое решение ограничивается рассмотрением задачи совместного моделирования (косимуляции) во временной области. С архитектурной точки зрения, предлагаемое решение состоит из одного серверного компонента и нескольких (или многих) клиентских. Серверный компонент представляет из себя отдельное сервисное приложение, производящее согласование и передачу данных между клиентскими компонентами. Клиентские компоненты встраиваются в коды моделей при помощи библиотеки с использованием API, состоящего из 5 основных функций: открытия соединения с серверным компонентом, указания имени инстанции и перечисления требуемых внешних по отношению к инстанции переменных, объявления экспортируемых переменных, запроса текущего времени симуляции и согласования текущего шага симуляции.

Протокол передачи данных между клиентскими и серверным компонентами определяется при помощи Google Protocol Buffers, что позволяет получить двоично-совместимый протокол независимо от способов передачи данных, платформ и деталей реализации. Данные передаются при помощи разделяемой памяти в пределах одного узла, либо по протоколу TCP/IP между узлами компьютерной сети. При адаптации существующего кода решателей дополнительные требования для совместимости с предлагаемым решением ограничиваются возможностью оценки следующего шага по времени и возможностью получения решения для любого заданного момента времени. Первое требование выполняется в большинстве случаев автоматически, поскольку оценка следующего шага обычно известна заранее. Второе требование легко выполняется при помощи интерполяции решения. Все программные компоненты реализованы на языке ISO C++11, с использованием открытых библиотек Google Protocol Buffers и Boost C++. При этом, заголовки, определяющие программный интерфейс клиентской библиотеки, соответствуют стандарту ISO C++03. Совокупность этих факторов позволяет говорить о высокой переносимости кода и возможности написания программных интерфейсов для других языков программирования, таких как Python, Ocaml и др. Подробное описание протокола передачи данных и программные коды под открытой лицензией доступны в сети Интернет на сайте http://github.com/lierdakil.

Использование этого решения успешно продемонстрировано при исследовании проходимости судов на воздушной подушке с гибким ограждением типа Бертена. Гибкое ограждение типа Бертена

— это набор гибких оболочек различных размеров, имеющих форму усеченного конуса. Модель АСВП представляет из себя комплексную модель, описывающую работу двигателей, маховых движителей, аэродинамическое сопротивление корпуса и т. п., и несколько экземпляров модели гибких бертеновских конусов. Комплексная модель представляется в виде системы ОДУ для уравнений движения твердого тела в трехмерном пространстве. Нагнетатели и движители описываются интерполяционными функциями на основе аэродинамических расчетов методом конечных элементов. Используется решатель Sundials CVODE для жестких систем ОДУ. Модель бертеновского конуса использует конечные трапециевидные элементы для моделирования упругих свойств, с учетом растягивающих, сжимающих, сдвиговых и деформаций кручения. Учитывается взаимодействие оболочки с трехмерной подстилающей поверхностью. Динамика давления в оболочке описывается на основе полуэмпирических формул. Для каждой оболочки используется решатель Sundials IDA для жестких систем ДАУ.

Таким образом, предлагаемое программное решение, хотя уступает в функциональности существующим аналогам, в силу простоты программного интерфейса и высокой переносимости кода, может с успехом применяться для исследовательских проектов, в которых требуется совместное моделирование во временной области.

http://spoisu.ru

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ОБРАЗОВАНИИ

Афонин А.Б., Барышникова Н.Ю., Егоров А.Н., Крупенина Н.В., Тындыкарь Л.Н., Тезиков А.Л. Россия, Санкт-Петербург, Государственный университет морского и речного флота имени адмирала С.О. Макарова РАСПРЕДЕЛЕННАЯ ТЕСТОВАЯ СИСТЕМА ОЦЕНКИ ПРОФЕССИОНАЛЬНЫХ

КОМПЕТЕНЦИЙ РАБОТНИКОВ МОРСКИХ СПЕЦИАЛЬНОСТЕЙ

ВГУМРФ имени адмирала С.О. Макарова начались работы по разработке перечня специальностей для обеспечения безопасной эксплуатации морских нефтегазовых объектов и системы подготовки кадров для работы на шельфе. В рамках решения этой проблемы предполагается разработать тестовые вопросы для оценки профессиональной компетентности работников и программный комплекс для организации автоматизированного тестирования. Учитывая тот факт, что морские нефтегазопромысловые установки территориально удалены друг от друга и от головного офиса ОАО «Газпром», актуальной становится задача создания распределенной системы подготовки и проведения тестирования.

Программный комплекс должен реализовать метод управления персоналом по компетенциям. Основной задачей управления персоналом по компетенциям является проведение объективной оценки персонала в соответствии с профилями компетенций.

Для организации работы по управлению персоналом по компетенциям необходимо формирование и поддержание в актуальном состоянии каталога компетенций, реализованном в виде записей распределенной базы данных, а также хронологии результатов тестирований персонала.

Удобной платформой для создания распределенной автоматизированной информационной системы (АИС) является среда 1С:Предприятие 8, поддерживающая механизм управляемых форм, дающий возможность работать клиентскому приложению через удаленное интернет-соединение и веб-браузер.

Вкачестве прикладного решения за основу была выбрана конфигурация «1С:Экзаменатор», предназначенная для проведения электронных тестирований. Она позволяет создавать электронные тесты, а также использовать готовые электронные ресурсы для организации электронного обучения и тестирования. Стандартная конфигурация должна быть дополнена необходимыми специализированными отчетами и обработками, а также задачами и бизнес-процессами, организующими процесс тестирования.

Вся совокупность используемых данных условно по функциональным особенностям разделена на следующие подсистемы: «Управление каталогом компетенций», «Управление процессом тестирования», «Тестирование», «Администрирование».

Тестовая системе функционирует на основе бизнес – процессов – устойчивых последовательностей действий сотрудников организации. Автоматизация таких последовательностей упорядочивает работу и значительно ускоряет выполнение конечной задачи. Каждый бизнес-процесс по мере прохождения этапов создает задачи, адресованные определенным пользователям, при этом документы назначаются ролям, а не конкретным исполнителям.

Своевременное оперативное проведение всех документов прикладного решения позволяет получать отчеты, оценивающие степень готовности соискателей.

Бажукова Е.Н.

Россия, Санкт-Петербург, Российский государственный педагогический университет им. А.И. Герцена ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ПРОФЕССИОНАЛЬНОЙ ДЕЯТЕЛЬНОСТИ ПЕДАГОГА-МУЗЫКАНТА

Современное динамичное развитие образования требует от специалиста адаптации к новым условиям, умение использовать в педагогической практике информационное пространство с учётом сетевых технологий. Инновационные технологии вошли в среду обучения музыке и применяются при получении классического музыкального образования, дополняя и обогащая его с помощью новых технологических средств. В процесс обучения вводятся современные методики обучения, для реализации которых необходимы определённые знания в области информационных технологий.

В связи с внедрением в образовательную среду сетевых информационных технологий изменились сами условия, в которых происходит процесс формирования личности современного педагога-музыканта, умеющего работать в информационной образовательной среде (ИОС).

http://spoisu.ru

Определяя инновационные технологии в профессиональной деятельности педагога-музыканта, прежде всего, необходимо выявить потребность и востребованность таковых именно для музыкантов-педагогов. «ИОС определяет новую роль преподавателя. В этой связи повышение его квалификации, профессиональная переподготовка являются необходимым условием работы преподавателя в ИОС. Преподаватель-консультант (или тьютор) должен демонстрировать свое умение видеть технологические, организационные, социально-экономические и социальнопсихологические возможности получения максимального педагогического результата. Именно поэтому подготовка и переподготовка педагогических кадров, способных разрабатывать учебные курсы нового поколения, организовывать и реализовывать учебный процесс в современных ИОС, является одним из существенных моментов при создании и развитии ИОС» (Андреев А.А., Солдаткин В.И).

Дополнительное профессиональное образование становится самой мощной платформой для формирования квалифицированных кадров и позволяет на базе имеющегося образования получить новую специальность, или повысить свою квалификацию, реализовав, таким образом, потребность в самосовершенствовании и адаптации к стремительно изменяющимся условиям жизни.

На данный момент профессиональная компетентность педагога-музыканта включает готовность и способность выполнять профессионально-педагогические функции с принятыми в социуме на настоящий момент нормами и стандартами, с использованием МКТ. Преподавателяммузыкантам необходимо «обладать не только набором определенных знаний, умений, навыков и системой отношений в профессиональной деятельности, но и умением строить и осуществлять систему действий по самореализации и самовосполнению профессиональной компетентности, обеспечивать эффективное саморазвитие профессионализма, то есть быть субъектом освоения и восполнения профессиональной компетентности» (Варданян Ю.В.).

Находясь в информационном пространстве, где ведущая роль отводится информационнокомпьютерным технологиям, педагогу-музыканту необходимо научиться преподавать с учётом новых возможностей, проектировать сетевое образовательное пространство с использованием возможностей современных коммуникаций. При формировании сетевой образовательной среды педагог-музыкант должен учитывать возможность реализации различных моделей сетевой образовательной коммуникации, многомерные взаимодействия, свойственные современным формам функционирования информационных и коммуникационных связей, чтобы полностью реализовать потенциал ИОС.

В докладе рассматривается пример проектирования сетевой образовательной среде «Школа музыки online» для педагога-музыканта. Значение ИОС в профессиональной деятельности музыканта-педагога определены, исходя анализа системы взаимодействий, средств и форм образовательного процесса в целом, включая эволюционные процессы системы образования в целом с применением информационно-образовательных ресурсов. Определена необходимость создания сетевой образовательной среды для музыканта-педагога, использующего МКТ в развитии профессиональных компетенций. В процессе применения в образовательной среде сетевых коммуникаций у субъектов образовательной среды формируются компетенции, определяющие способность не только самостоятельно использовать имеющиеся средства, но и приобретать и применять знания, проявлять свою личностную профессиональную и социальную позицию, выражать себя как субъект образовательной и профессиональной деятельности в современном образовательном пространстве с использованием МКТ.

Барабанова М.И., Боброва Л.В., Рыбакова Е.А.

Россия, Санкт-Петербург, Санкт-Петербургский государственный экономический университет, Национальный открытый институт г. Санкт-Петербург ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ В ОБРАЗОВАТЕЛЬНОМ ПРОЦЕССЕ СИСТЕМ УПРАВЛЕНИЯ ОБУЧЕНИЕМ

Распоряжением Правительства РФ от 30 декабря 2012 г. №2620-р «Об утверждении плана мероприятий «Изменения в отраслях социальной сферы, направленные на повышение эффективности образования и науки» предусмотрено увеличение доли дистанционного обучения в РФ - на электронное обучение перейдут 20% обучающихся. Для создания полноценного процесса дистанционного обучения необходим целый комплекс мер, в том числе внедрение систем управления обучением. В процессе развития технологий e-Learning, в конце 90-х годов прошлого столетия, возникли системы категории Learning Management System (LMS) – системы управления обучением, включающие средства не только для организации и контроля использования компьютерных курсов и тренингов, но и для администрирования учебного процесса в целом, в том числе его традиционных форм. Наиболее распространенные на сегодняшний день системы - Moodle, Blackboard, SAKAI. LMS служит фундаментом для построения всего процесса электронного обучения.

Любая LMS предполагает наличие стандартных модулей (средства разработки курсов, курсы, система управления контентами, система управления обучаемыми, система взаимодействия с

http://spoisu.ru

Internet). Студент получает от LMS возможности доступа к учебному порталу, который является отправной точкой для доставки всего учебного контента, выбора подходящих траекторий обучения на основе предварительного и промежуточных тестирований, использования дополнительных материалов. Система управления обучением включает в себя задачи регистрации и контроля доступа пользователей к системе и к учебному контенту, организации слушателей в группы, для предоставления им общих курсов и составления отчетности, управление аудиторными и преподавательскими ресурсами. LMS отвечает также за интеграцию дополнительных элементов учебного процесса (практические занятия, лабораторные работы, средства совместной работы, ссылки на внешние материалы и другие).

В последнее время активно развивается новый класс систем, реализующих управление учебным контентом - Learning Content Management System (LCMS). В отличие от LMS подобные системы концентрируются на задачах управления содержанием учебных программ, а не процессом обучения и ориентированы не на менеджеров и студентов, а на разработчиков контентов, специалистов по методологической компоновке курсов и руководителей проектов обучения. Ярким представителем систем класса LCMS является разработка компании IBM - Lotus Workplace Collaborative Learning.

Значительное число учебных заведений ориентируется на бесплатно распространяемое программное обеспечение, которое позволяет организовывать дистанционный учебный процесс.

Подобной программой является MOODLE (Modular Object-Oriented Dynamic Learning Environment -

модульная объектно-ориентированная динамическая обучающая среда), предназначенная для организации взаимодействия между преподавателем и обучаемыми, для рганизации традиционных дистанционных курсов, а также для поддержки очного обучения (используется уже в 160 странах). Используя Moodle, преподаватель может создавать курсы, наполняя их содержимым в виде текстов, вспомогательных файлов, презентаций, опросников и т.п. Для использования Moodle достаточно иметь любой web-браузер, что делает использование этой учебной среды удобной как для преподавателя, так и для обучаемых. По результатам выполнения обучаемыми заданий преподаватель может выставлять оценки и давать комментарии. Таким образом, Moodle является и центром создания учебного материала и обеспечения интерактивного взаимодействия между участниками учебного процесса.

Особую ценность Moodle представляет собой именно потому, что его можно использовать как с системой Windows, так и с пакетами свободно распространяемого программного обеспечения: Linux, Ubuntu, OpenOffice.org и др. Благодаря своим функциональным возможностям система приобрела большую популярность и успешно конкурирует с коммерческими LMS. Moodle дает возможность проектировать, создавать и в дальнейшем управлять ресурсами информационно-образовательной среды. Система имеет удобный, интуитивно понятный интерфейс.

Преподаватель самостоятельно, прибегая только к помощи справочной системы, может создать электронный курс и управлять его работой. Практически во всех ресурсах и элементах курса в качестве полей ввода используется удобный WYSIWYG HTML редактор, кроме того, можно вставлять таблицы, схемы, графику, видео, анимацию и др. Используя удобный механизм настройки, составитель курса может, даже не обладая знанием языка HTML, легко выбрать цветовую гамму и другие элементы оформления учебного материала.

Барабаш П.А.

Россия, Санкт-Петербург, Смольный институт Российской академии образования УЧЕБНАЯ ДИСЦИПЛИНА «ЗАЩИТА ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ»

Новая совокупность требований, обязательных при реализации основных образовательных программ бакалавриата по направлениям подготовки в соответствии с федеральными государственными образовательными стандартами высшего профессионального образования, в значительной мере изменила подход к формированию рабочих учебных программ дисциплин и методики преподавания.

Всоответствии с федеральным государственным образовательным стандартом высшего профессионального образования по направлению подготовки 230400 Информационные системы и технологии (далее ФГОС ВПО) область профессиональной деятельности бакалавров включает: исследование, разработку, внедрение и сопровождение информационных технологий и систем.

Объектами профессиональной деятельности бакалавров являются: информационные процессы, технологии, системы и сети, их инструментальное (программное, техническое, организационное) обеспечение, способы и методы проектирования, отладки, производства и эксплуатации информационных технологий и систем.

Вучебной программе каждой дисциплины (модуля) должны быть четко сформулированы конечные результаты обучения в органичной увязке с осваиваемыми знаниями, умениями и приобретаемыми компетенциями.

http://spoisu.ru

Компетентностный подход ФГОС ВПО требует, чтобы выпускник обладал, в частности, следующими профессиональными компетенциями:

знание своих прав и обязанностей как гражданина своей страны; использование действующего законодательства, других правовых документов в своей деятельности; демонстрация готовности и стремления к совершенствованию и развитию общества на принципах гуманизма, свободы и демократии (ОК-9);

готовность обеспечивать безопасность и целостность данных информационных систем и технологий (ПК-33).

На факультете информационных технологий Смольного института Российской академии образования ведется подготовка бакалавров по направлению подготовки 230400 Информационные системы и технологии.

Примерный учебный план по этому направлению подготовки предусматривает учебную дисциплину «Защита интеллектуальной собственности». Данная дисциплина входит в перечень дисциплин по выбору вариативной части гуманитарного, социального и экономического цикла (Б1.В.ДВ.1.1) ФГОС ВПО и формирует основные компетенции бакалавра по применению знаний, умений и личностных качеств, с целью их дальнейшего использования в профессиональной деятельности.

Задачи дисциплины:

изучение основных положений истории возникновения правовой защиты результатов интеллектуальной деятельности человека;

освоение основных понятий интеллектуальной собственности;

защиты интеллектуальной собственности.

В результате обучения студент должен: знать:

понятие интеллектуальной собственности;

комплекс знаний о гражданско-правовой охране результатов интеллектуальной деятельности;

обязательственные и иные формы использования интеллектуальной собственности.

уметь:

выявлять нарушения авторского права;

правильно лицензировать программное обеспеченье;

составлять лицензионные договоры на разработанное ПО;

регистрировать разработанные программы в различных фондах;

составлять документы, входящие в состав заявки на получение патента на изобретение, полезную модель и промышленный образец.

Согласно рабочему учебному плану трудоемкость дисциплины составляет 4 зачетных единицы, соответственно 144 часа, из которых 54 часа отводятся на аудиторные занятия и также 54 часа - на самостоятельную работу, 36 часов – на экзамен. Содержание дисциплины включает 4 Модуля и 9 Тем.

Автором создан учебно-методический комплекс по данной дисциплине, написано учебное пособие «Защита интеллектуальной собственности», состоящее из 8 глав, объемом 88 страниц, разработаны «Практические задания по учебной дисциплине «Защита интеллектуальной

собственности», включающие 6 практических заданий.

Барабаш П.А.

Россия, Санкт-Петербург, Смольный институт Российской академии образования УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС ДИСЦИПЛИНЫ «ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И СЕТИ В ОТРАСЛИ»

Учебно-методический комплекс дисциплины (УМКД) – это совокупность учебно-методических материалов, способствующих эффективному освоению студентами содержания учебной программы дисциплины по основной образовательной программе.

В основу нормативно-информационного обеспечения УМКД «Вычислительная техника и сети в отрасли» легли следующие нормативные документы: Федеральный закон Российской Федерации:«Об образовании в Российской Федерации» (от 29 декабря 2012 г. №273-ФЗ), Федеральный государственный образовательный стандарт по направлению подготовки 190700.62 «Технология транспортных процессов» высшего профессионального образования (бакалавриат), утвержденный приказом Министерства образования и науки Российской Федерации от «22» декабря 2009 г. №803 (далее ФГОС ВПО).

Цель УМКД - организовать работу студента в аудитории при самостоятельной подготовке к практическим и лекционным занятиям, сдаче итогового контроля по дисциплине.

Задачи УМКД - способствовать организации самостоятельной работы студентов по освоению содержательной части учебной дисциплины, определять параметры оценки знаний, устанавливать

http://spoisu.ru