17299

Засоби захисту від спаму

Лекция

Информатика, кибернетика и программирование

Лекція 9. Засоби захисту від спаму Загальні відомості Спам давно вже перестав бути просто нав'язливою рекламою. Технології які використовують спамери для розсилки пошти небезпечні для корпоративних інформаційних систем. Вони використовують шкідливий мобільний код

Украинкский

2013-06-30

155 KB

3 чел.

Лекція 9. Засоби захисту від спаму

Загальні відомості

Спам давно вже перестав бути просто нав'язливою рекламою. Технології, які використовують спамери для розсилки пошти, небезпечні для корпоративних інформаційних систем. Вони використовують шкідливий мобільний код, заражають поштові системи, використовують комп'ютери-жертви для розповсюдження спаму.

Проблеми спаму можуть бути успішно вирішені тільки в контексті загальної політики інформаційної безпеки, оскільки комплексне рішення задач дозволяє боротися з численними загрозами інформаційній системі, які несе в собі спам.

В наш час існує багато спам – фільтрів. Деякі з них використовуються для захисту поштових серверів провайдерів, деякі для захисту робочих станцій користувачів.

Розглянемо спам – фільтр Spambayes, що ефективно захищає робочі станції користувачів від спаму. Програма Spambayes має ряд специфічних можливостей, які роблять її ефективною з погляду боротьби із спамом. До таких можливостей, в першу чергу, відносяться:

  •  фільтрація спаму в рамках політики використання електронної пошти;
  •  застосування контекстної фільтрації для категоризації листів;
  •  ефективне навчання і автоматичне самокоректування фільтру;
  •  об'єднання всіх методів фільтрації (за формальними ознаками і за змістом) в єдиному модулі, можливість їх комбінування;

Головним показником якості роботи фільтру є низький рівень помилкових спрацьовувань. В даний час система Spambayes дозволяє відсівати 98-99% спамерських листів, при рівні помилкових спрацьовувань в 0,001-0,01% (1-10 листів на 100 000). Потрібно сказати, що помилкові спрацьовування у фільтрі Spambayes звичайно викликають не ділові листи, а прес-релізи і розсилки з переважанням рекламної лексики. Значно понизити ризик помилкових спрацьовувань дозволяє, так званий, білий список, тобто "список друзів", в який користувач може додати всю адресну книгу, зокрема всіх співробітників, ділових партнерів і т.ін.

Інша серйозна перевага полягає в тому, що є можливість скористатися статистикою архіву, що входить до складу системи, а це дозволяє автоматично аналізувати поштовий потік і періодично коректувати роботу анті-спам фільтру. Цей факт дозволяє назвати систему Spambayes самонавчальною. Завдяки цій властивості практично виключені помилкові спрацьовування фільтру і, отже, втрати важливої інформації. Крім того, автоматичне самокоректування значно полегшує завдання користувача по її контролю і настройці, а також скорочує час на її обслуговування.

І, нарешті, на відміну від інших фільтрів, що використовують статистичну технологію, дана система може застосовуватися не тільки для боротьби із спамом, але і для фільтрації будь-яких інших категорій листів залежно від бажання користувача. Крім того, як було відмічено вище, особливістю даної системи є можливість індивідуальної настройки фільтру.

Якщо порівнювати "Spambayes" з традиційними анті-спам фільтрами, то необхідно відзначити, що він одночасно використовує як статистичні (імовірнісні) методи фільтрації, так і фільтрацію спаму на основі ознак електронного листа. Це дозволяє забезпечити гнучкішу і глибшу контекстну фільтрацію і підвищити ефективність роботи системи по боротьбі із спамом.

Огляд Spambayes

SpamBayes – це ефективна безкоштовна система класифікації електронної пошти з відкритим початковим кодом, заснована на баєсових мережах. SpamBayes був створений в серпні 2002 році, незабаром після публікації П.Грехема “Plan for Spam”.

SpamВayes – це спеціальна програма, яка відрізняє небажану електронну пошту від тієї, яку необхідно отримати. Перш ніж працювати з цією програмою, необхідно потренуватися на звичайних зразках пошти, яка поступає. Лише після цього слід використовувати програму для розрізнення нової пошти від спаму. Краще тренуватися на останній пошті, яка поступила, оскільки з часом зовнішній вигляд і характеристики спаму змінюються.

Коли програма SpamВayes працює з поштою, вона порівнює кожне поштове повідомлення з інформацією, яка була закладена під час тренування і ухвалює рішення: або дане повідомлення є спамом, або ні, або взагалі не знає, як класифікувати це повідомлення. Потім вона самостійно класифікує повідомлення, надаючи йому визначення “спам” або “невідомо”, або “лист”. Залежно від того, якою версією програми користуватися, вона може автоматично розподіляти пошту, або ж власними силами можна встановити необхідні параметри відкидання небажаної пошти (наприклад, створивши спеціальний каталог для спаму).

Проект мав початковий успіх з використанням оригінальної схеми об'єднання П.Грехема – схеми типів “Native Bayes”; проте, схема мала ряд проблем, особливо вибір “magic” чисел, потрібних схемою і тенденція видавати рахунок “1”(певний спам) або “0”(певний хем). В результаті, коли система помилялася, вона була повністю упевнена в (некоректній) оцінці; більш недавні підходи все ще роблять деякі помилки класифікації, але система менш упевнена в (некоректній) оцінці. Різні методи, розвинуті Г.Робінсон, полегшили ці недоліки, включаючи підхід “Теореми головної межі”, яка проводила дві внутрішні оцінки, одну для хем і одну для спаму. Це означало, що можливим було повернення відповіді “Я не знаю”, коли хем і спам були обидва дуже низькими або дуже високими. Не дивлячись на те, що підхід головної межі був використаний на користь chi-пристосованого об'єднання, цей “не визначений” діапазон сформував важливе доповнення.

Інструменти тестування

Основою діяльності групи SpamBayes є тестування, і початкові дистрибутиви включають різноманітні сценарії для допомоги користувачеві у врегулюванні і виконанні різноманітних тестів. Безліч користувачів і членів груп мають ідеї, які за їх твердженням поліпшили б результати; на практиці розвиток продуктів знаходиться в точці, в якій майже всі ідеї мають ефект. Це фокусує на оцінці ефективності ідей до того як зміна продукту допоможе позиціонувати SpamBayes, як один з найбільш ефективних спам продуктів, доступних користувачеві. Найчастіше використовується тест – сценарій простої перехресної перевірки: хем і спам масиви довільно діляться на “n” множин; кожна множина “n” фільтрується через класифікатор, що зв'язується із значеннями від 1 до n-1, і це повторюється, поки всі значення не профільтруються.

Поки тест перехресної перевірки надає інформацію, яку просто  інтерпретувати, цей тест не імітує практичного використання і тренування класифікатора. Тест перехресної перевірки імітує користувача, який виконує велику кількість початкових навчань (навчаючи кожним повідомленням), а потім не робить ніяких подальших навчань. На практиці, фільтрація і навчання – це ітеративний процес, який продовжується з використанням фільтру і деякі повідомлення, можливо, не використовуються для навчання. SpamBayes надає сценарій, який імітує цю форму “покрокового” навчання. Надані хем і спам масиви, що сортуються по даті, і “учбовий режим”, як описано нижче, сценарій імітує прибуття кожного повідомлення, виконує відповідне навчання, записує результати, і переходить до наступного (у хронологічному порядку) повідомлення. Ця форма тестування створює більше даних, які декілька важче інтерпретувати, але відповідності, у використанні яких застосовується фільтр, набагато ближчі.

Щоб визначити на які повідомлення навчати, тестер надає сценарій “підготовчий режим”. Ця функція надає як передбачувані, так і правильні класифікації повідомлення, а також указує сценарію підготувати повідомлення як хем, підготувати як спам, або не виконувати підготовки з повідомленням. Найпростіший режим навчання – навчитися на всіх повідомленнях з їх правильною класифікацією; варіанти включають “навчання на помилках” (всі помилкові позитиви, помилкові негативи, і повідомлення невпевнено класифіковані), “не краєве навчання” (навчання всіх повідомлень в межах певного діапазону рахунку, як, наприклад 0.05 і 0.95), і “навчання для витягання” (подібний до алгоритму персептрон).

Chi-пристосоване об'єднання

Після ідей в “Теоремі центральних меж”, Робінсон запропонував нову, але добре засновану схему об'єднання, що використовує chi-пристосовану вірогідність. Chi-пристосований  тест обчислює вірогідність, з якою конкретний розподіл відповідає гіпотезі (в даному випадку, що повідомлення – спам і, окремо, що повідомлення – хем). Результатами цих двох chi-пристосованих тестів є комбінування і вимірювання, щоб надати повну оцінку спам повідомленню в діапазоні від 0 до1. “Невизначена” середня основа визначена, як будь-яке повідомлення з падінням кінцевої відмітки в межах верхньої і нижньої меж. Невизначений діапазон  за умовчанням – повідомлення з кінцевою об'єднаною відміткою спаму між 0.20 і 0.90; ця відсутність симетрії відображає антипатію до помилкових позитивів. Декілька кінцевих ідей було вдосконалено, після виявлення Rob Hooft більш перевіреного способу, в основі якого є об'єднання внутрішніх хем і спам відміток, для поліпшення виявлення “середньої основи “.

Ключовими в цьому процесі є, те, що повідомлення прагнуть вести підрахунок в межі діапазону, але важким залишається класифікувати спад повідомлень ближче до середини.

Чудовою властивістю chi-об'єднання є те, що користувачі, загалом, були солідарні з його “невизначеними” оцінками: користувачі зазвичай згодні з тим, що невпевнено класифіковані повідомлення дійсно важко розподілити. Наприклад, HTML реклама по електронній пошті, що поступає від компанії, з якою йде бізнес, мабуть буде відмічена, як невизначена, коли система перший раз виявить таке повідомлення від конкретної компанії. Спам і комерційна електронна пошта сильно використовують мову і пристрої рекламування, так що важко їх розділити окремо. Підготовка швидко навчає систему, як розпізнати бажану комерційну електронну пошту після підбору ключів, припустивши від якої компанії відісланий лист і як він адресований, згідно видам продукції і послуг які пропонує компанія.

Об'єднання і підрахунок

Наступна частина системи – підрахунок і об'єднання. Це та частина, де на арену дослідження виходять математика і статистика.

Почнемо з оригінальної схеми об'єднання Пола Грехема – “Наївний Баєс”, яка має ряд вбудованих “системних кодів” файлу і “невизначених чинників”.

Об'єднана схема Грехема має ряд недоліків, за винятком внутрішніх чинників, які прагнуть проводити підрахунки в межах від 1 (спам), до 0 (нормальне повідомлення), і залишається дуже маленький проміжок, який часто приводить до “невпевненості” і до помилок. Нижче приведений графік ілюструє цю проблему:

На графіку вісь X показує “підрахунок” повідомлення, виміряного від 0-100. (де 0 - "це нормальне повідомлення", і 100 - "спам"), і вісь Y показує число повідомлень з цією відміткою (обчислено за допомогою логарифмів). Слід також відзначити, що повідомлення не були наперед систематизовані по даті.

На графіку можна бачити, що більшість з нав'язливої реклами набуває множинних значень близьких до 100, тоді як більшість з повідомлень набуває множинних значень, близьких до 0. Це дуже добре. На жаль, є також істотний ряд повідомлень, в яких відмітка близька до 100, і нав'язлива реклама близька до 0. Це означає, що система не тільки розпізнає їх неправильно, але вона і ще на сто відсотків упевнена в їх неправильності. (Слід зазначити, що різниця не така вже очевидна як могла б бути це – логарифмічний графік масштабу)

Есе Гарі Робінсона і експерименти з електронною поштою дали наступні результати. Початкові експерименти Гарі Робінсона показали результати, що приведені в наступному графіку:

Цей графік демонструє  зовсім інші результати – але на цьому графіку вимальовувалася і інша проблема – існує велика безодня між великою кількістю нормальних повідомлень і нав'язливою рекламою (спамом). Вибір кращого значення для “всього вищеописаного як спам” виявився дуже делікатною операцією, яка надзвичайно залежала від даних користувачів.

Г.Робінсон запропонував ряд альтернативних підходів до об'єднання і підрахунку. Одним з перших був той, що після нескінчених суперечок на сьогодні знаходиться в коді “gary_combining”, і другий - це графік приведений вище. Наступна спроба Робінсона містила пару інших підходів, які використовують в своїх дослідженнях “Центральну Теорему Межі”.

Дослідження, проведені з використанням цієї теореми надали результати, які викликають інтерес і здивування, – отримано дві внутрішні множини, одна для нормальних повідомлень і одна для нав'язливої реклами. Значить неможливо розпізнати навіть таку просту відповідь як “Я не знаю”, оскільки і множник спаму і нормальних повідомлень має в той же час і високі і низькі показники. Але коли спробувати спроектувати ці результати за методом Грехема, то виникають певні проблеми.

“Центральна теорема межі” була відкинута після того, як Г.Робінсон запропонував оригінальну, але добре обґрунтовану схему об'єднання, яка використовує в своїх дослідженнях chi-squared вірогідність. Втіленням займався Т.Петер, зокрема розроблена унікальна підпрограма, щоб обчислювати -2*sum(ln p_i) без логарифмів. Зараз ця схема об'єднання використовується за умовчанням. Декілька кінцевих елементів даної схеми було вдосконалено Р.Хустом після того, як він виявив більш простий шлях комбінування нормальних повідомлень і множини нав'язливої реклами, який поліпшив процес знаходження “середньої основи”.

Сhi-squared вірогідності подібні до “Центральної теореми межі”, але не мають жодних проблем з навчанням, від яких так страждає попередній підхід, і вони демонструють більш “зважений” підрахунок.

Підхід chi-squared демонструє два результати – “вірогідне повідомлення (“*H*”)” і “вірогідний спам” (“*S*”). Свідоцтвом спаму буде високе значення *S* і низьке *H*, тоді як нормальне повідомлення матиме високе значення *H* і низьке *S*. У випадку, якщо повідомлення зовсім не схоже на ті, на яких вивчали систему, то буде низьким значення *H* і низьке *S* – це є умовним символом системи, що вона не знає, як класифікувати це повідомлення. Деякі повідомлення можуть навіть мати як високе значення *H*, так і високе *S*, указуючи на те, що повідомлення є одночасно дуже схожим на спам і на нормальне повідомлення. В даному випадку SpamBayes теж не знає, як необхідно класифікувати дане повідомлення і кінцевим у такому разі є половинний результат. На графіку нижче це дуже добре відображено.

Отже, в кінці дослідження, отримаємо три можливі результати – “Спам”, “Нормальне повідомлення”, або “Невідомо”. Можливо, врівноважити кількість повідомлень з грифом “Невідомо” шляхом ділення їх на помилкові позитиви і негативи. У результатах, отриманих за методом chi-squared, каталог з повідомленнями з грифом “Невідомо” може мати неабиякий розмір, але містити незначну кількість “невизначених” повідомлень.

Tokenizing

Tokenizing (перетворення рядка повідомлення у вектор особливості) повідомлення має глибокий вплив на загальні результати механізму класифікації. Протягом історії розвитку SpamBayes, було запропоновано і випробувано багато ідей для tokenization повідомлення. Більшість схем забезпечували не статистичну значущість над різноманітними масивами. SpamBayes дозволяє включити ці ідеї, як експериментальні особливості. Важливо відзначити, що вигідні tokenizing схеми змінюються через якийсь час, через зміни спаму. Іншими словами, прийняті і знехтувані методи слід періодично перевіряти на достовірність.

Повідомлення розділені на декілька видів ознак; ознаки заголовка, ознаки тіла і синтезовані признаки. Ознаки заголовка – це набір ознак, які визначаються як частина заголовка повідомлення. Таке розділення приносить користь класифікаторові від різниці в значенні між “словами”, що з'являються в заголовку і появою такого ж початкового “слова” в тілі повідомлення. Крім того, це дозволяє системі ігнорувати певні поля заголовка, які не забезпечують значущі ключі, і синтезує ознаки для значущої інформації заголовка. Розділення може включати ознаки використання особливостей заголовка, як, наприклад великі числа одержувачів, таке ж ім'я користувача-одержувача в різних областях, відправник вимагає бути локальним, і так далі. Ознаки, які виходять за межі основного діапазону від 0.4-0.6 використовуються, щоб оцінити повідомлення. Для оцінки будь-якого повідомлення використовується не більше ніж 150 значущих ознак.

Синтезовані ознаки генеруються tokenizer, щоб забезпечити класифікатор ключами, які не беруться безпосередньо з повідомлення. Прикладом є генерація ознаки, щоб вказати на те, що повідомлення не має ніякої теми, не має адреси, і так далі. Спеціальні ознаки генеруються також для “слів”, які довше, ніж встановлено, заміна “пропуск:n” ознаки, яка вказує, яким великим було пропущене слово. Деякі з синтезованих ознак додають ключі, які інакше відкинув би tokenizer; інші – обмежують розмір бази даних, не вводячи надмірних ознак, які додають дуже маленьке значення.

Настройка Spambayes

Управління більшістю елементів настройки SpamBayes відбувається через менеджер SpamBayes, який доступний із інструментальної панелі SpamBayes. Оскільки цей діалог дозволяє настроїти стандартні елементи настройки, існує і ряд інших (зазвичай детальних або експериментальних) елементів настройки, які можуть бути встановлені вручну.

Щоб змінити ці настройки потрібно буде використовувати текстовий редактор для редагування файлів конфігурацій. Якщо що-небудь піде неправильно, можна буде втратити існуючу настройку SpamBayes (не впливає на дані навчання). Створення копії будь-яких файлів, які  редагуються рекомендовано.

SpamBayes зберігає всі опції конфігурацій, зокрема список каталогів, у файлі конфігурацій. Не варто змінювати що-небудь, що не зрозуміло. Деякі з цих рядків надзвичайно довгі – слід переконатися, що вони виглядають, як єдиний рядок.

Перед тим, як вручну змінити будь-які файли конфігурацій, необхідно відключити Outlook – інакше виконані зміни в конфігурації будуть втрачені.

Конфігурація SpamBayes

Outlook плагін використовує два набори конфігурації – один містить значення елементів настройки, характерних для Outlook плагіну, а інший містить значення елементів настройки, які використовують інші програми SpamBayes. Важливо відредагувати необхідний файл, оскільки розміщення значень елементів настройки в неправильному файлі не матиме ніякого ефекту.

Всі елементи настройки зі всіх файлів конфігурацій “об'єднані”. Це означає, що будь-який файл може визначити будь-який елемент настройки. Якщо чисельні файли конфігурацій визначають одну і ту ж настройку, то використовується значення з  останнього завантаженого файлу. Коли SpamBayes протягом нормальної обробки записує свою конфігурацію, записується набір чисельних елементів настройки. Тобто в наступному запуску SpamBayes, ранні файли конфігурацій не матимуть ніякого ефекту, оскільки один останній завантажений (основний файл конфігурації, що записує SpamBayes), вже матиме всі значення.

Для настройки Outlook plugin необхідно вибрати SpamBayes Manager в каталозі SpamBayes на панелі інструментів SpamBayes.

Якщо використовується поштовий сервер POP3 або IMAP фільтр, то потрібно просто зайти на сайт <http://localhost:8880>, натиснути кнопку для настройки зверху справа на сторінці і ввести необхідну інформацію.

Якщо використовується поштовий сервер POP3 і якщо використовується лише один проксі сервер, необхідно встановити номер порту проксі сервера 110.  Якщо це не спрацьовує або використовується велика кількість проксі серверів, то можна спробувати інші номери, типу 8110, 8111, 8112, і так далі.

Якщо використовується поштовий сервер POP3, слід налаштувати клієнт електронної пошти так, щоб він отримував пошту, використовуючи замість звичайного сервера сервер проксі. Необхідно замінити еквівалент pop3.example.com на localhost (або на назву машини, на якій встановлений проксі сервер) в установці клієнта електронної пошти, і зробити те ж з еквівалентом smtp.example.com. Натискаємо кнопку “Отримати нову електронну пошту” і дивимося на заголовки електронної пошти (можна послати електронний лист собі, якщо немає жодного) – повинен з'явитися заголовок X-Spambayes-Classification. Швидше за все, він звучатиме як “невпевнений”, якщо не буде ніякого навчання. Необхідно створити каталог названий “Підозрюваний spam” і встановити правила фільтрування, за допомогою яких всі повідомлення, які отримали заголовок “X-Spambayes-Classification: spam” прямували в цей каталог.

Файли конфігурації Outlook

Outlook плагін проглядає вказані нижче файли конфігурації:

  1.  Файл під назвою “default_configuration.ini” у каталозі “bin” в каталозі, де встановлений SpamBayes (за умовчанням C:\Program Files\SpamBayes). За умовчанням, такий файл конфігурації не існуватиме.
  2.  Файл під назвою “default_configuration.ini” у каталозі SpamBayes в каталозі “Application Data” Windows (наприклад, в Windows XP це \Documents and Settings\ { ім'я користувача}Application Data\SpamBayes). За умовчанням, такий файл конфігурації не існуватиме.
  3.  Файл під назвою {outlook-профиль-ім'я}.ini у каталозі даних. Використання імені профілю Outlook означає, що SpamBayes працюватиме в багатопрофільному середовищі.

Загальні файли конфігурації SpamBayes

Outlook плагін проглядає вказані нижче файли конфігурації:

  1.  Файл під назвою “default_bayes_customize.ini” у каталозі “bin” в каталозі, де встановлений SpamBayes (за умовчанням C:\Program Files\SpamBayes).
  2.  Файл під назвою “default_bayes_customize.ini” у каталозі SpamBayes в каталозі “Application Data” Windows (наприклад, в Windows XP це \Documents and Settings\ { ім'я користувача }Application Data\SpamBayes). За умовчанням, такий файл конфігурації не існуватиме.
  3.  Файл під назвою {outlook-профіль-і’мя}_bayes_customize.ini у каталозі даних. Використання імені профілю Outlook означає, що SpamBayes працюватиме в багатопрофільному середовищі. За умовчанням, такий файл конфігурації не існуватиме.

  Редагування файлів конфігурації

Файли конфігурації є простими текстовими файлами, і можуть редагуватися в будь-якому текстовому редакторові (наприклад, Блокнот). Формат для файлів конфігурацій специфічних для Outlook, і загальних файлів конфігурації SpamBayes – такий же; відрізняються тільки доступні настройки.

Файл конфігурації має ряд секцій, і кожна секція містить число названих значень. Наприклад:

[Filter]

enabled:True

save_spam_info:False

Слід зазначити, що секція, елемент настройки, і (зазвичай) значення - все з урахуванням регістра. Іншими словами, “Загальний” не такий як “загальний”.

У приведеному вище прикладі настройки під назвою “enabled” привласнюється значення “True”, і значення “False” елементу під назвою “save_spam_info”, обидва розташовані в секції під назвою “Filter”.

Якщо потрібно встановити опцію, якої не існує в секції у файлі, варто тільки додати рядок із заголовком секції вище за ім'я опції. Також, якщо потрібно встановити елемент настройки у файлі, якого не існує (наприклад, default_configuration.ini), доведеться створити файл. Може використовуватися Блокнот, або будь-який інший текстовий редактор для створення і редагування .ini файлів.

Файл конфігурації, заздалегідь заповнений всіма значеннями за умовчанням (специфічних для Outlook або загальні SpamBayes) може бути використаний як початковий конфігураційний файл.


 

А также другие работы, которые могут Вас заинтересовать

39852. Проектирование участка механической обработки детали узла 58-308-00СБ Деталь: Вал-шестерня 58-308-01 N=400 шт 2 MB
  В связи с изменением методов проектирования и структуры технологической оснастке и широкое применение получит оснастка многократного использования. Опыт работы заводов показывает, что внедрение переналаживаемых станочных приспособлений в 2-3 раза сокращает трудоемкость проектирование и в 3-4 раза цикл изготовления станочных приспособлений.
39854. Разработка технологического процесса механической обработки деталей узла Редуктор - 338 – Б – 0002 1.34 MB
  Проектируемые и реализуемые производственные процессы должны обеспечивать решение следующих задач: выпуск продукции необходимого качества, без которого затраченные на неё труд и материальные ресурсы будут израсходованы бесполезно; выпуск требуемого количества изделий в заданный срок при минимальных затратах живого труда и вложенных капитальных затратах.
39855. Проектирование участка механической обработки для изготовления детали узла МБ – 901 «Барабан сцепления ведомый» 236.5 KB
  Проектируемые и реализуемые производственные процессы должны обеспечивать решение следующих задач: выпуск продукции необходимого качества без которого затраченные на нее труд и материальные ресурсы будут израсходованы бесполезно; выпуск требуемого количества изделий в заданный срок при минимальных затратах живого труда и вложенных капитальных затрат. В дальнейшем это позволит создавать интегрированные производства обеспечивающие автоматизацию основных и вспомогательных процессов и при минимальном участии человека в производственном...
39857. Проектирование участка механической обработки деталей узла Стакан 1.79 MB
  Очевидно, что круг задач эффективной эксплуатации производственных систем весьма широк, эти задачи сложны и многообразны, особенно если учесть масштабы современного производства и уровень техники, и решение их требует от технолога широкого кругозора и глубоких знаний различных дисциплин.
39858. Проект замены насосов Н-6, 6а типа НКВ-210/200 на НКВ-360/200 в связи с увеличением производительности установки АВТ-6 4.39 MB
  Позднее после того как недавно введенный технологический режим был закреплен руководством установки было принято решение заменить насос Н66а на более мощный. Температура бензина в К4 контролируется поз. Расход бензина в К4 контролируется поз. Расход холодного орошения в К4 регулируется клапаном регулятора давления расположенным на линии вывода газа из Е4 в систему собственного топливного газа или на установку 30 4 и регистрируется поз.
39859. Система автоматизации насосной установки станции подкачки воды жилищного комплекса 2.99 MB
  Задача данной системы управления – поддержание постоянного заданного напора в водопроводной магистрали жилищного комплекса обеспечение отработки суточной диаграммы напоров обеспечение энергосберегающего управления напором обеспечение защиты от превышения и занижения давления в водопроводной сети. ЭЛЕКТРОПРИВОД насосная установка АСИНХРОННЫЙ ЭЛЕКТРОДВИГАТЕЛЬ ЧАСТОТНОЕ РЕГУЛИРОВАНИЕ закон управления регулятор давления МОДЕЛИРОВАНИЕ ПИД РЕГУЛЯТОР ПЕРЕХОДНЫЕ ПРОЦЕССЫ MATLAB SIMULINK. Выбор датчика давления 52 4.59 Синтез контура...