82635

Разработка системы прогнозирования состояний компьютерной сети

Дипломная

Информатика, кибернетика и программирование

В ходе работы были рассмотрены существующие методы и средства прогнозирования и мониторинга компьютерной сети проведен анализ технического задания предложена логическая структура системы прогнозирования. Был проведен эксперимент на работающем сегменте компьютерной сети.

Русский

2015-03-01

1020.5 KB

22 чел.

Аннотация

В данной работе произведена разработка системы прогнозирования состояний компьютерной сети. В ходе работы были рассмотрены существующие методы и средства прогнозирования и мониторинга компьютерной сети, проведен анализ технического задания, предложена логическая структура системы прогнозирования. Для реализации системы были использованы некоторые готовые программные продукты и разработан модуль взаимодействия этих продуктов. Был проведен эксперимент на работающем сегменте компьютерной сети. На основе этого эксперимента были сделаны выводы о пригодности каждого модуля и системы в целом при процессе прогнозирования, а также были сформулированы предложения по дальнейшей модернизации системы.


Оглавление

[1] Аннотация

[2]
Введение

[2.1] Актуальность темы

[2.2] Задача работы

[2.3] Структура работы

[3]
Анализ задания

[4]
Обзорно-аналитическая часть

[4.1] Обзор готовых решений прогнозирования

[4.2]
Обзор средств мониторинга сети

[4.2.1] Выбор протокола управления сетью

[4.2.2] Выбор средства мониторинга сети

[4.3] Обзор методов прогнозирования

[4.3.1] Выбор метода прогнозирования

[4.4] Обзор СУБД

[4.4.1] Описание различных СУБД

[4.4.2] Сравнение СУБД

[4.5] Выводы к главе

[5]
Технологическая часть

[5.1] Обзор протокола управления сетью SNMP

[5.2] Обзор программного продукта Net-SNMP

[5.3] Обзор нейросетевых технологий

[5.3.1] Определение нейронных сетей

[5.3.2] Преимущества нейросетевого метода прогнозирования

[5.3.3] Модели нейронов

[5.3.4] Типы функции активации

[5.3.5] Выбор количества нейронов и слоев

[5.3.6] Представление знаний

[5.4] Обзор MySQL

[5.5] Описание сегмента компьютерной сети

[5.6] Выводы к главе

[6]
Разработка

[6.1] Разработка архитектуры системы прогнозирования

[6.1.1] Разработка логической структуры

[6.1.2] Алгоритм работы системы прогнозирования

[6.2] Настройка модуля сбора информации

[6.2.1] Установка Net-SNMP на ОС Ubuntu

[6.2.2] Установка SNMP-агента на Windows-машинах

[6.2.3] MIB

[6.3]
Организация работы нейронной сети

[6.4] Проектирование базы данных

[6.5] Разработка модуля вывода результатов

[6.6] Выводы к главе

[7]
Экспериментальная часть

[7.1] Внедрение в сегмент компьютерной сети

[7.2] Сбор статистических данных

[7.3] Проверка правильности прогноза

[7.4] Выводы к главе

[8]
Охрана труда

[8.1] Исследование возможных опасных и вредных факторов при эксплуатации ЭВМ и их влияния на пользователей.

[8.2] Анализ влияния опасных и вредных факторов на пользователя

[8.2.1] Влияние электрического тока

[8.2.2] Требования к помещениям и организации рабочих мест

[8.2.3] Требования к организации работы

[8.3] Методы и средства защиты пользователей от воздействия на них опасных и вредных факторов

[9]
Итоги работы

[10]
Выводы

[11]
Список литературы

[12]
Приложение 1. Листинг block_upr.pl

[13]
Приложение 2. Алгоритм работы системы прогнозирования

[13.1] Часть А

[13.2]
Часть В


Введение

Актуальность темы

В настоящий момент практически ни одна организация не обходится без своей корпоративной сети. ЛВС состоят из активного и пассивного оборудования, которое предоставляет информацию о своей работе.

Следить за правильностью работы всех конкретных устройств и сети в целом было бы невозможно без каких-либо специальных средств мониторинга. Все они собирают статистические данные о работе оборудования и могут их представлять в графическом виде.

Но все эти средства мониторинга дают информацию лишь о прошлом и настоящем состоянии сети. А с увеличением сложности ЛВС становится необходимым и предсказание состояния, особенно предсказания о сбоях и внештатных ситуациях в работе ЛВС.

Системы прогнозирования помогут избежать и предотвратить любые нежелательные ситуации работы сети, так как они заблаговременно сообщают администратору о надвигающемся сбое. Администратор может принять решение об увеличении вычислительной мощности сети или об изменении параметров. Например, если предсказан сбой в работе порта маршрутизатора, администратор должен принять меры по переконфигурированию маршрутной таблицы.

Задача работы

Задача данной работы заключается  в разработке программного комплекса – системы прогнозирования, позволяющая составлять прогнозы и предсказывать сбои в работе компьютерной сети.

Система прогнозирования должна отвечать следующим требованиям:

  •  предоставлять доступ к сети непосредственно с компьютера системного администратора
  •  производить опрос всех устройств внутри компьютерной сети
  •  производить мониторинг компьютерной сети
  •  сохранять полученные данные в базу данных
  •  анализировать полученные данные
  •  представлять результаты прогнозирования в графическом виде

Структура работы

В обзорно-аналитической части данной работы были рассмотрены различные подходы и средства для решения поставленных задач. Были рассмотрены существующие системы прогнозирования. Также был проведен анализ различных методов мониторинга и прогнозирования и сделан выбор технологий, использующихся в разработке системы, которые удовлетворяют поставленным задачам.

В специальной части подробно рассматриваются технологии и программные продукты, выбранные в предыдущей главе. Описаны принципы работы нейронной сети, протокола SNMP, программного комплекса Net-SNMP и система управления базами данных MySQL. Также в этой главе приведено описание сегмента сети, в котором был проведен эксперимент.

В главе «Разработка» описан процесс создания системы прогнозирования. Описаны логическая структура системы, процесс настройки мониторинга сети, структура нейронной сети и базы данных, а также модуль вывода результатов.

В экспериментальной часть описано проведение эксперимента. Описаны процессы внедрения системы в сегмент сети и проведения прогноза.

 В главе «Охрана труда»  


Анализ задания

Перед началом разработки необходимо провести анализ требований к функциональным параметрам и условиям эксплуатации стенда, чтобы сформировать концептуальный подход к конструированию устройства. Очень важно перед началом разработки учесть все требования и факторы, так как упущение на первый взгляд незначительных деталей может привести к необходимости проводить все работы заново.

Первой частью работы является выбор средства мониторинга сети. Для этого в первую очередь необходимо рассмотреть существующие протоколы управления сетью. На сегодняшний день самыми популярными из них являются протоколы SNMP и CMIP. Из этих протоколов необходимо выбрать один, наиболее подходящий для выполнения этой работы.

Так же необходимо выбрать и средство управления сетью. Основные требования для выбора средства являются требования простоты использования и быстроты обработки команд.

Следующим шагом в разработке является выбор метода прогнозирования. Эта задача наиболее сложная и требует углубленного рассмотрения. Для правильного выбора подходящего метода необходимо рассмотреть все параметры и свойства каждого метода.

Затем необходимо выбрать СУБД для хранения результатов. Так как хранение данных является лишь вспомогательной задачей, было принято решение подробно не останавливаться на выборе СУБД.

При проектировании системы прогнозирования необходимо учитывать множество факторов, влияющих на весь процесс разработки. Это такие факторы, как совместимость компонентов, скорость их работы, использование готовых решений и опыт построения подобных систем.

Данная работа должна заканчиваться проведением эксперимента, в ходе которого будет сделан прогноз, и будут выявлены сильные и слабые стороны системы прогнозирования.


Обзорно-аналитическая часть

Обзор готовых решений прогнозирования

Oracle Hyperion Planning

Oracle Hyperion Planning – это бизнес-приложение для автоматизации бюджетирования от компании Oracle. С помощью Oracle Hyperion Planning автоматизируются все основные операции бюджетного процесса.

Бизнес-платформа Oracle Enterprise Performance Management является комплексным интегрированным решением, включающим в себя методологии, показатели, процессы и информационные системы, обеспечивающие мониторинг и управление эффективностью бизнес деятельности предприятия. На сегодняшний день это наиболее полная и гибкая EPM-система, основу которой составляют решения для управления эффективностью бизнеса и бизнес-аналитики (BI).

Для управления финансовой и стратегической эффективностью бизнеса, Оracle предлагает модульный, не имеющий аналогов пакет интегрированных решений использование которых позволяет клиентам достичь высоких стандартов управления, повышает рентабельность, увеличивает стоимость бизнеса благодаря гибкой динамичности управления, предсказуемости и уверенности в результате, а также общей упорядоченности структуры бизнеса.

Приложения Оracle для управления эффективностью бизнеса состоят из нескольких независимых, но дополняющих друг друга продуктов:

  •  Oracle Hyperion Strategic Finance (Стратегическое моделирование)
  •  Oracle Hyperion Financial Management (Консолидация финансовой и управленческой отчетности)
  •  Oracle Hyperion Planning (Планирование и Бюджетирование)
  •  Oracle Hyperion Performance Scorecard (Стратегическое управление)
  •  Oracle Hyperion Workforce Planning (Планирование расходов на персонал)
  •  Oracle Hyperion Capital Expense Planning (Планирование внеоборотных активов)

Cистема SAS

Система SAS известна с 1976 г. и способна работать под управлением практически любой операционной системы (ОС). Установка SAS на компьютер приводит к инсталляции своей собственной операционной системы, которая, однако, способна обмениваться данными из приложений, работающих под управлением других ОС.

SAS включает свыше 20 различных программных продуктов, объединенных друг с другом "средствами доставки информации" (Information Delivery System или IDS, так что весь пакет иногда обозначается как SAS/IDS). Под понятием IDS подразумевается, что пользователю SAS достаточно поставить на свой компьютер кроме ОС систему SAS и этим ограничиться для 100% информатизации деятельности (все остальные функции типа задач, решаемых на основе Excel, Word, любой из СУБД и др. полностью возьмет на себя SAS/IDS). Традиционно сложилось, что основными отечественными пользователями системы являются предприятия ВПК, крупные бизнесмены (некоторые банки, включая Центробанк, биржи, торговые фирмы), некоторые атомные станции, крупнейшие медицинские и геофизические центры, крупные государственные структуры.

Основным достоинством SAS является непревзойденная мощность по набору статистических алгоритмов среди универсальных пакетов. Кроме того, SAS предоставляет пользователю возможность подключения собственных оригинальных алгоритмов.

Использованием SAS возможно решить практически любые задачи как систематизации данных, так и практически любого вида статистического анализа. Однако, высокая стоимость системы и малая распространенность ее в России делает ее малоизвестной среди отечественных специалистов, занимающихся исследованием качества жизни.

Пакет SPSS для Windows

Пакет программ SPSS (PASW Statictics) (аббревиатура SPSS расшифровывается как Statistical Package for Social Science – Статистический пакет для социальных наук) является наиболее распространенным, мощным и удобным инструментом статистического анализа. Программа SPSS пользуется популярностью у экономистов, социологов, маркетологов, предоставляет пользователю широкие возможности по статистической обработке эмпирических данных психологического исследования, по формированию баз данных (файлов данных SPSS с возможностью импорта/экспорта в файлы данных других форматов), по их модификации, по мере необходимости, а также по созданию так называемых отчетов, предоставляя широкие возможности по представлению результатов статистической обработки в текстовой, табличной и графической формах (диаграммы, гистограммы и т.п.)

Пакет SPSS предназначен в первую очередь для статистиков-профессионалов. Он включает развитый аппарат статистического анализа, соизмеримый по мощности с SAS. Программу SPSS для Windows считают в настоящее время одним из лидеров среди универсальных статистических пакетов. Алгоритмы шкалирования опросников качества жизни распространяются также в виде скриптов на языке SPSS, причем научиться самостоятельно писать подобные алгоритмы способен даже специалист без начального программистского образования.

SPSS имеет удобные графические средства (более 50 типов диаграмм), а также развитые средства подготовки отчетов. Аналитические параметры отображаются на экране в виде простых и понятных меню и диалоговых окон. Новая контекстно-ориентированная справочная система содержит пошаговые инструкции для наиболее важных операций. В литературных источниках, посвященных исследованию качества жизни, упоминания об использовании SPSS встречаются практически наравне с упоминаниями о SAS.

Универсальная статистическая система SYSTAT

Универсальная статистическая система SYSTAT разработана одноименной фирмой, которая с сентября 1994 г. поглощена корпорацией SPSS. Главное достоинство пакета - исключительно широкий диапазон и глубина проработки функционального наполнения. Здесь есть широкие возможности и для слабо подготовленного в статистике пользователя и для достаточно искушенного статистика. Для исследователя качества жизни этот программный продукт представляет интерес благодаря наличию алгоритмов анализа шкал опросников, таких как анализ внутреннего постоянства, многомерное шкалирование, классический и логит-анализ пунктов шкалы.

Пакет MINITAB

Пакет MINITAB развивается более 20 лет и широко известен в США, где он является одним из основных учебных пакетов. Пакет также работает на компьютерах Macintosh.

MINITAB хорошо продуман по разделу описательной (дескриптивной) статистики, хорошо сконструирован и управляется с помощью удобного меню, или, по желанию пользователя, через команды, составлять которые помогают диалоговые окна пакета. Часто используемые команды можно запускать по их первой букве. Общее число команд превышает 200. Можно составлять специальные макросы для выполнения последовательностей команд.

Импорт/экспорт данных из других Windows-приложений делается через стандартный буфер обмена. В пакете имеются разнообразные возможности по управлению данными.

Пользователь Minitab при исследовании качества жизни может легко и быстро решать практически все типовые задачи, в основном из области получения описательных статистик и сравнения групповых средних, анализа временных рядов. Если на этапе создания и валидации опросника исследования качества жизни требуется применение методов многомерной статистики, то Minitab позволяет находить главные компоненты или же проводить стандартный линейный или даже квадратичный дискриминантный анализ, использовать алгоритмы факторного и кластерного анализа.

Кроме того, Minitab позволяет получать множество хороших и сложных полноцветных графиков. В плане характеристики мощность Minitab достаточно силен и разнообразен, поэтому говорят, что первые четыре буквы пакета скорее надо поменять на Maxi.

Пакет Statistica 6.0

Пакет Statistica 6.0 не стоит использовать пользователю-новичку в статистике, так как он предполагает владение статистической терминологией. Тем не менее на отечественном рынке этот пакет пользуется популярностью благодаря высокой активности фирмы-разработчика Statsoft и дилера в России - Softline, способствующих популяризации пакета (см.сайт www.statsoft.ru).

Ряд авторов считает, что пакет Statistica является хорошо сбалансированным по соотношению "мощность/удобство". Наличие достаточно широкого спектра функциональных алгоритмов делает его достаточно привлекательным для статистиков-профессионалов. В частности, он включает в себя ряд непараметрических методов анализа, методы многомерного анализа: дискриминантного, факторного кластерного, логлинейного и др. В области исследования качества жизни Statistica 6.0 предоставляет возможности анализа шкал и пунктов, а также обладает развитым блоком анализа мощности и необходимого количества наблюдений.

Средства манипулирования исходными данными в пакете Statistica хорошо развиты. Данные относительно легко отредактировать, можно создавать новые переменные ("признаки"), выбирать отдельные наблюдения или "вырезать" подмножество данных по строкам и/или по столбцам таблицы "объект-признак". Благодаря обширной панели инструментов, для выполнения большинства манипуляций достаточно несколько щелчков мышки, так как почти для всех функций пакета здесь имеются пиктограммы.

Сильной стороной пакета является графика и средства редактирования графических материалов. В пакете представлены сотни типов графиков 2D или 3D, матрицы и пиктограммы. Предоставляется возможность разработки собственного дизайна графика.

Средства управления графиками позволяют работать одновременно с несколькими графиками, изменять размеры сложных объектов, добавлять художественную перспективу и ряд специальных эффектов, разбивку страниц и быструю перерисовку. Например, 3D-графики можно вращать, накладывать друг на друга, сжимать или увеличивать. Передовая анимационная техника позволяет увидеть на графиках, какие точки изменились под влиянием изменений в одной из переменных.

Российский статистический пакет STADIA

Пакет STADIA разработан ведущими специалистами Московского государственного университета им. М. В. Ломоносова (главный разработчик - А. П. Кулаичев) совместно с НПО "Информатика и компьютеры". Первая версия пакета была создана в конце 70-х гг. для БЭСМ-6. С тех пор пакет постоянно модифицировался, пополняя свои функциональные и сервисные возможности.

Пакет STADIA является единственным российским статистическим пакетом, представленном на рынке, который можно отнести к классу универсальных пакетов, то есть в нем представлены все самые распространенные методы статистического анализа данных от описательной статистики и проверки различных гипотез до анализа временных рядов и контроля качества, а также многомерных (факторный, кластерный, дискриминантный анализ, шкалирование) и непараметрических методов анализа. Таким образом, пакет подходит для решения практически всех задач, встречающихся в исследовании качества жизни.

Пакет STADIA, в отличие от SAS и SPSS, не поддерживает обработку миллионов наблюдений, но прекрасно справляется с данными выборочных обследований нескольких сотен или тысяч респондентов. Пакет ориентирован на конкретные статистические расчеты и построение сопутствующих графиков во всех областях прикладной статистики, снабжая пользователя попутно всей необходимой информацией о работе статистических процедур.

В настоящее время пакет используется в учебном процессе и научно-практической работе более чем в 150 университетах России, включая 17 университетов медицинского профиля. Среди пользователей пакета не только ведущие медицинские центры страны (НИИ им. Сербского, НИИ педиатрии РАМН, НИИ дефектологии, институт медико-биологических проблем, НИИ медицинского приборостроения и др.), но и поликлиники, больницы, медсанчасти городов: Москвы, Самары, Перми, Тулы, Уфы, Липецка, Архангельска, Кисловодска, Оренбурга, Бердянска и др.

Пакет STADIA простой в освоении, недорогой (профессиональная версия стоит 500 у.е.) и очень мощный инструмент статистического анализа данных ограниченных объемов. Он учитывает уровень статистической подготовки российского пользователя, позволяет быстро найти необходимый метод обработки данных, представить результаты анализа в табличной и графической формах и продолжить их оформление в других средствах среды Windows (текстовых и графических редакторах).

STATGRAPHICS 5.1 for Windows

STATGRAPHICS включает более 250 статистических процедур, применяющихся в бизнесе, экономике, маркетинге, медицине, биологии, социологии, психологии, на производстве и в других областях. Каждой группе процедур соответствует собственное меню. Результаты представляются в табличной форме или на удобных для восприятия графиках.

Версия 5.1 обогащена диалоговой системой ввода данных из других приложений и выбора методов анализа. Уникальной особенностью STATGRAPHICS является процедура регрессионного анализа, где представлено сравнение полученной регрессионной зависимости с альтернативными моделями. При исследовании статистических связей между показателями качества жизни и клинико-лабораторными данными этот модуль может оказаться неоценимым.

Модуль Statistical Advisor кратко поясняющий суть любого проведенного анализа оказывает помощь в интерпретации результатов. Таким образом, STATGRAPHICS является достаточно полезным программным продуктов для исследования «Качество жизни», доступным как для начинающего исследователя, так и для совершенствующегося эксперта.


Обзор средств мониторинга сети

Выбор протокола управления сетью

На сегодняшний день существует два популярных семейства стандартов систем управления – это семейство IETF и семейство ISO. Каждое из семейств описывает свой протокол управлению сетью.  

На данный момент существует два основных протокола управления сетью – это протокол SNMP (разработанный IETF)  и протокол CMIP (разраотанный ISO).

Протокол SNMP (Simple Network Management Protocol  — протокол простого управления сетями) работает на базе транспортных возможностей UDP и предназначен для использования сетевыми управляющими станциями. Он позволяет управляющим станциям собирать информацию о работе всех устройств в сети. Протокол создан для обеспечения управления и контроля за сетевыми устройствами путём обмена управляющей информацией между агентами, расположенными на сетевых устройствах, и менеджерами, которые расположены на станциях управления.

Среди плюсов протокола SNMP над другими подобными протоколами можно выделить следующие качества:

  •  простота в использовании
  •  скорость работы протокола велика благодаря использованию протокола UDP
  •  высокое распространение протокола
  •  использование протокола SNMP достаточно для решения большинства задач, применение других протоколов необходимо только узкоспециализированных задачах

Протокол SNMP является одним из самых ранних и самых простых протоколов подобного семейства. Вследствие чего, количество выполняемых им функций довольно ограниченно, а сам протокол имеет множество недостатков.

Для борьбы с этими недостатками был создан протокол CMIP (Common Management Information Protocolр – протокол общей управляющей информации). Принцип работы CMIP схож с протоколом SNMP, но имеются так же и существенные различия:

  •  агенты CMIP выполняют, как правило, более сложные функции, чем агенты SNMP. Из-за этого операции, которые менеджеру можно выполнить над агентом SNMP, носят атомарный характер, что приводит к многочисленным обменам между менеджером и агентом.
  •  агенты CMIP более интеллектуальны, что позволяет им выполнять последовательность сложный действий по одной команде
  •  уведомления (команда trap) агента CMIP всегда передаются с помощью надежного транспортного протокола TCP и в случае потери будут переданы повторно, в то время как уведомления агента SNMP посылаются менеджеру по протоколу UDP, то есть без ожидания подтверждения, что может привести к потере сообщений, вследствие чего, важные сетевые проблемы могут остаться незамеченными
  •  CMIP намного лучше масштабируется, так как может воздействовать сразу на несколько объектов, а ответы от агентов проходят через фильтры, которые ограничивают передачу управляющей информации только определенным агентам и менеджерам
  •  Уведомления (traps) агента SNMP посылаются менеджеру без ожидания подтверждения, что может привести к тому, что важные сетевые проблемы останутся незамеченными, так как соответствующее уведомление окажется потерянным, в то время как уведомления агента CMIP всегда передаются с помощью надежного транспортного протокола и в случае потери будут переданы повторно.

Несмотря на все преимущества протокола CMIP не получил большого распространения на рынке из-за своей сложности. Сравнительно не большое количество производителей сетевого оборудования встраивает в свои продукты поддержку этого протокола, и в основном такое оборудование поддерживает работу обоих протоколов.

Опираясь на сравнительный анализ обоих протоколов для решения данной поставленной задачи был выбран протокол SNMP.

Выбор средства мониторинга сети

Мониторинг сети - работа системы, которая выполняет непрерывное наблюдение за компьютерной сетью в поисках медленных или неисправных систем и которая при обнаружении сбоев сообщает о них сетевому администратору с помощью нескольких доступных средств оповещения (SMS, электронная почта и т.д.). Эти задачи являются подмножеством задач управления сетью.

Мониторинг сети может выполняться с помощью различных программных или аппаратных средств. Можно осуществлять мониторинг практически любого типа  сети, будь то проводная, беспроводная, локальная сеть предприятия, виртуальная частная сеть и т.д. Мониторинг может охватывать устройства с различными операционными системами и выполняемыми функциями — от  сотовых телефонов и планшетных компьютеров до серверов и коммутаторов. Системы мониторинга помогают: выявить специфическую или аномальную активность или неполадки в сети и предоставить результаты, которые могут помочь решить множество разнообразных задач: от предупреждения угроз внутренней безопасности сети до обеспечения прозрачности сетевых операций.

Система обнаружения вторжений в сеть следит за появлением угроз извне, в то время как система мониторинга выполняет наблюдение за сетью в поисках проблем, вызванных перегруженнымиили неисправными устройствами, а также сетевыми соединениями.

Например, чтобы определить состояние веб-сервера, программа мониторинга может время от времени отправлять запрос на получение страницы. Для почтовых серверов можно отправить тестовое SMTP-сообщение и получить ответ по протоколам POP3 или IMAP.

Неудавшиеся запросы (соединение не может быть установлено, оно завершается по тайм-ауту, или когда сообщение не было доставлено) обычно вызывают одну или несколько реакций со стороны системы мониторинга:

  •  отсылка сигнала тревоги системному администратору;
  •  автоматическое включение системы защиты от сбоев, которая временно выведет проблемный сервер из эксплуатации или постарается решить проблему с помощью специальных скриптов или вспомогательных программ.

Существует множество средств мониторинга сети: Cacti, Nagios, net-SNMP и т.д. Для данной работы необходимо провести анализ существующих средств мониторинга и выбрать наиболее подходящее решение для поставленных задач.

Для анализа были выбраны следующие программные продукты:

  •  Cacti
  •  Ganglia
  •  MRTG
  •  Nagios
  •  Net-SNMP
  •  Zabbix

Cacti

Cacti — open-source веб-приложение, система позволяет строить графики при помощи RRDtool. Cacti собирает статистические данные за определённые временные интервалы и позволяет отобразить их в графическом виде. Преимущественно используются стандартные шаблоны для отображения статистики по загрузке процессора, выделению оперативной памяти, количеству запущенных процессов, использованию входящего/исходящего трафика.

Ganglia

Ganglia — масштабируемая распределенная система мониторинга кластеров параллельных и распределенных вычислений и облачных систем с иерархической структурой. Позволяет наблюдать статистику и историю (загруженность процессоров, сети) вычислений в реальном времени для каждой из наблюдаемых машин.

MRTG

MRTG ( Multi Router Traffic Grapher) — является свободным программным обеспечением под лицензией GPL. Это инструмент для организации сервиса для мониторинга и измерения данных с течением времени. Данные от различных источников собираются и затем отображаются в виде графиков.

Nagios

Nagios — программа мониторинга компьютерных систем и сетей с открытым кодом. Предназначена для наблюдения, контроля состояния вычислительных узлов и служб, оповещает администратора в том случае, если какие-то из служб прекращают (или возобновляют) свою работу.

Net-SNMP

Net-SNMP представляет собой набор программного обеспечения для развёртывания и использования протокола SNMP (v1, v2c и v3 и протокол AgentX субагента). Он поддерживает IPv4, IPv6, IPX, AAL5, сокеты доменов Unix и других протоколов. Он содержит общие клиентские библиотеки, набор консольных приложений, очень расширяемый SNMP-агент, модули Perl и модули Python.

Zabbix

ZABBIX — открытое программное обеспечение, созданное для мониторинга и отслеживания статусов разнообразных сервисов компьютерной сети, серверов и сетевого оборудования. Для хранения данных используется MySQL, PostgreSQL, SQLite или Oracle. Веб-интерфейс написан на PHP.

Среди всех рассмотренных средств мониторинга наиболее подходящим для использования в данной работе является продукт Net-SNMP. Он наиболее прост в работе, скорость выполнения запросов достаточно велика, имеются готовые библиотеки для совместного использования с другими приложениями путем написания API на различных языках программирования.

Обзор методов прогнозирования

Перед  тем как углубиться в изучение различных методов прогнозирования необходимо дать определение самому понятию «метод прогнозирования». Метод прогнозирования это способ теоретического и практического действия, направленный на разработку прогнозов. Данное определения включает в себя всю область методов: начиная с простейших экстраполяционных расчетов и до сложных процедур многошаговых экспертных опросов. Для более полного понимания сути целесообразно сразу детализировать такое широкое понятие как методы прогнозирования. Поэтому будем разделять простые методы и комплексные методы, состоящие из совокупности простых.   Далее рассмотрим наиболее часто употребляемые из них, такие как:

  •  Эвристические методы прогнозирования;
  •  Методы временной экстраполяции;
  •  Методы пространственной экстраполяции;
  •  Методы прогнозной экстраполяции;
  •  Методы моделирования процессов;
  •  Логические методы искусственного интеллекта;
  •  Нейросетевые методы прогнозирования;
  •  Регрессионные методы;

Эвристические методы прогнозирования

Метод эвристического прогнозирования является один из самых ранних способов прогнозирования, основанный на знании экспертов и их способности анализировать ситуации и выдавать набор решений. Метод не всегда является оптимальным, но способен решать сложнейшие задачи за счет экспертных знаний и интуитивного поиска решений в бесконечном множестве ситуаций. Эвристический метод применим во многих областях, для прогнозирования любых процессов и событий, независимо от того, какого рода процесс необходимо анализировать. Требуется ли качественный или количественный прогноз, непрерывный процесс или дискретный, имеется ли статистика или нет.  Основным из его преимуществ является возможность избегания грубых ошибок, особенно в области скачкообразных изменений прогнозируемой величины.

Существует два наиболее часто используемых вида эвристического прогноза:  индивидуальные экспертные оценки и коллективные экспертные оценки. Эффективность методов достигается за счет привлечения квалифицированных экспертов, проведения опросов и дальнейшего анализа полученных вариантов решений.

Метод индивидуальных экспертных оценок основывается на использовании индивидуальных  экспертных оценок одного узкоспециализированного эксперта и незначительного психологического давления на него. В этом и есть его основное преимущество, т.к. эксперт способен дать все варианты решения исходя из своего огромного опыта. Для принятия более сложных решений или решений о перспективах развития сложных систем используют метод коллективных экспертных оценок, в котором каждому эксперту предлагается оценить прогнозируемую величину. Коллективные экспертные оценки основываются на принципах выявления согласованных мнений экспертов о перспективах работы процесса или системы. Так же возможно прогнозирование многопараметрических процессов за счет разделения функций прогноза между различными экспертами. При этом достоверность прогноза пропорциональна зависимости параметров друг от друга.

Существуют и другие методы эвристического прогнозирования, к ним относят такие методы как метод Дельфи, методы коллективной генерации идей, последовательного выбора, парных сравнений, балльной оценки, оценки вероятностей, ранжирования ряда. Все эти методы базируются на разнообразных спроектированных алгоритмах оценки субъективных мнений экспертов.

Метод Дельфи предполагает проведение опроса членов группы экспертов и дальнейшее циркуляционное ознакомление членов группы с мнением коллег и лиц, заинтересованных в итогах экспертизы с целью достижения группового консенсуса. Метод коллективной генерации идей (“мозговая атака”) предполагает проведение дискуссии, в которой допускаются высказывания любых, самых парадоксальных мнений, оригинальных идей и предложений. После проведения опроса производится оценка его качества и обработка суждений экспертов. Эвристические методы необходимо применять только в том случае, если есть эксперты способные дать адекватные оценки. Ещё одной точкой преткновения при использовании эвристических методов является прогнозирование многочисленных характеристик сложных технических устройств.

Методы временной экстраполяции

На данный момент методы временной экстраполяции являются самыми широко используемыми. Экстраполяционные методы основаны на предположении, что будущие события определяются прошлыми. Метод экстраполирования сводятся к определению того, какие значения будет принимать та или иная переменная величина X = x(t), если известен ряд ее значений в прошлые моменты времени:

x(t1), ..., x(tn-1) → x(tn).

Использование экстраполяции в прогнозировании имеет в своей основе предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих регулярной и случайной. Считается, что регулярная составляющая представляет собой гладкую функцию от аргумента (в большинстве случаев - времени), описываемую конечномерным вектором параметров, которые сохраняют свои значения на периоде упреждения прогноза. Эта составляющая называется также трендом, уровнем, детерминированной основой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса. Интуитивное, потому что для большинства экономических, технических, природных процессов нельзя однозначно отделить тренд от случайной составляющей. Все зависит от того, какую цель преследует это разделение и с какой точностью его осуществлять. Случайная составляющая обычно считается некоррелированным случайным процессом с нулевым математическим ожиданием. Ее оценки необходимы для дальнейшего определения точностных характеристик прогноза. Экстраполяционные методы прогнозирования основной упор делают на выделение наилучшего, в некотором смысле, описания тренда и на определение прогнозных значений путем его экстраполяции.

Методы экстраполяции во многом пересекаются с методами прогнозирования по регрессионным моделям. Иногда их различия сводятся лишь к различиям в терминологии, обозначениях или написании формул. Тем не менее, сама по себе прогнозная экстраполяция имеет ряд специфических черт и приемов, позволяющих причислять ее к некоторому самостоятельному виду методов прогнозирования. Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки числового ряда с целью преобразования его к виду, удобному для прогнозирования, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние, как на выбор вида экстраполирующей функции, так и на определение границ изменения ее параметров.

Основными недостатками данного метода являются:

  •  необходимость наличия некоторого объема статистических данных;
  •  невозможность учета скачков;
  •  обязательная необходимость описания математических процессов изменения параметров.

Методы нейросетевого прогнозирования

Искусственные нейронные сети - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Первой такой моделью мозга был персептрон. Впоследствии эти модели стали использовать в практических целях, как правило, в задачах прогнозирования.

Искусственная нейронная сеть представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.       

Методы пространственной экстраполяции

При прогнозировании параметров с помощью метода пространственной экстраполяции используется в качестве аргумента один параметр – время. Пространственная экстраполяция связана с прогнозированием в пространстве характеристик, и состоит в оценке значений векторного поля по отдельным наблюдениям. Основная задача метода пространственной экстраполяции заключается в анализе результата наблюдений, полученных  в результате оценки пространств ситуаций и решений. Отсюда можно сделать вывод, что основным достоинством метода является возможность не строить сложных математических моделей. Однако есть у метода и недостатки, такие как линейность преобразований причинно-следственных связей и следствий. А так же сложность разработки алгоритмов, оценивающих значимость наблюдения и учитывающих старение информации о ситуациях.

Методы прогнозной экстраполяции

Сущность методов прогнозной экстраполяции заключается в изучении динамики изменения характеристик в предпрогнозном периоде и перенесения найденной закономерности на некоторый период будущего. Обязательным условием применения экстраполяционного подхода в прогнозировании следует считать познание и объективное понимание природы исследуемого процесса, а также наличие устойчивых тенденций в механизме развития.

Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обуславливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия «измерителей» по отношению к сущности рассматриваемых характеристик. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром.

-экстраполируемое значение уровня;

- период упреждения;

- уровень, принятый за базу экстраполяции.

Операцию экстраполяции в общем виде можно представить как определение значений функции. Простейшим способом прогнозирования считается подход, формирующий прогнозную оценку от фактически достигнутого уровня при помощи среднего прироста или темпа роста.

 

В соответствии с ним прогноз k шагов вперед на момент времени:

 ;

 

где dсредний абсолютный прирост.

Этот способ обладает определенными достоинствами, среди которых незначительна трудоемкость вычислительного алгоритма, универсальные расчетные схемы[6]. Кроме указанных достоинств, он имеет несколько существенных недостатков:

  •  Все фактические наблюдения являются результатом закономерности или случайности, следовательно, основываться на последнем наблюдении неправомерно;
  •  Нет возможности оценить правомерность использования среднего прироста в каждом конкретном случае;
  •  Данный метод не позволяет сформировать интервал, в который попадает прогнозируемая величина.

Отсюда можно сделать вывод, что метод экстраполяции не дает точных результатов на длительный срок прогноза. Данный метод исходит из прошлого и настоящего, и тем самым погрешность с течением времени накапливается.

Методы моделирования процессов функционирования систем

Моделирование - исследование объектов познания на их моделях; построение и изучение моделей реально существующих предметов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя. Выделяют три метода моделирования: физическое, математическое и имитационное.

Физическое моделирование - метод экспериментального изучения различных физических явлений, основанный на их физическом подобии.

Метод применяется при следующих условиях:

  •  Исчерпывающе точного математического описания явления на данном уровне развития науки не существует, или такое описание слишком громоздко и требует для расчётов большого объёма исходных данных, получение которых затруднительно.
  •  Воспроизведение исследуемого физического явления в целях эксперимента в реальных масштабах невозможно, нежелательно, или слишком дорогостояще (например, некоторые процессы проистекающие в природе: цунами, торнадо и др.).

Метод состоит в создании лабораторной физической модели явления в уменьшенных масштабах, и проведении экспериментов на этой модели. Выводы и данные, полученные в этих экспериментах, распространяются затем на явление в реальных масштабах. Метод может дать надёжные результаты, лишь в случае соблюдения физического подобия реального явления и модели. Подобие достигается за счёт равенства для модели и реального явления значений критериев подобия — безразмерных чисел, зависящих от физических (в том числе геометрических) параметров, характеризующих явление. Экспериментальные данные, полученные методом физического моделирования, распространяются на реальное явление также с учётом критериев подобия. В широком смысле, любой лабораторный физический эксперимент является моделированием, поскольку в эксперименте наблюдается конкретный случай явления в частных условиях, а требуется получить общие закономерности для всего класса подобных явлений в широком диапазоне условий. Искусство экспериментатора заключается в достижении физического подобия между явлением, наблюдаемым в лабораторных условиях и всем классом изучаемых явлений.

Математическое моделирование предполагает под собой описание процесса или явления с помощью совокупности уравнений, неравенств, логических условий и т.д. Метод не может быть использован, если математическая модель объекта слишком объемна, в силу громоздкости вычислений. Для большого объекта составление системы уравнений описывающих данную систему может быть слишком трудоемким процессом, поэтому математическое моделирование используют в основном в тех случаях, когда модель легко поддается описанию с помощью формализации.

В свою очередь, имитационное моделирование применяется только в тех случаях, когда процессы сложны и многообразны настолько, что использование методов математического моделирования становится нерациональным, т.к. слишком приближение к действительной сути модели становится слишком грубым.

Логические методы искусственного интеллекта

Данные методы используются преимущественно для задач распознавания образов, где под образами подразумевается прогнозируемые явления и процессы. Логические методы основываются на дискретном анализе и исчислении высказываний.

В общем случае метод опирается на наличие логических связей с наблюдавшимися ранее событиями. Выражаются такого рода связи через булевы уравнения. При этом переменные являются логическими признаками прогнозируемых состояний, а неизвестные величины  - классами состояний. При наличии большого числа состояний, будет присутствовать элемент эвристики при введении элементарных понятий и высказываний. Это, пожалуй, и является основным недостатком данного метода. Еще один минус заключается в монотонности логического вывода, и потреблении большого числа ресурсов при построении систем сложных объектов. В качестве преимущества можно указать возможность в условиях недостатка априорной информации  применять методы логического прогнозирования в качестве методов экстраполяции в пространстве признаков подобных ситуаций.

 Регрессионные методы прогнозирования

Для прогнозирования так же используются регрессионные алгоритмы. Коротко суть алгоритмов такого класса можно описать так. Существует прогнозируемая переменная Y (зависимая переменная) и отобранный заранее комплект переменных, от которых она зависит - X1, X2, ..., XN (независимые переменные). Природа независимых переменных может быть различной. Например, если предположить, что Y – некоторый показатель сети в следующем месяце, то независимой переменной может быть тот же показатель в прошлый и позапрошлый месяцы. Главное - уметь формализовать все внешние факторы, от которых может зависеть уровень показателей, в аналитический вид.

Модель множественной регрессии в общем случае описывается выражением

 

В более простом варианте линейной регрессионной модели зависимость зависимой переменной от независимых имеет вид:

 

Здесь - подбираемые коэффициенты регрессии,- компонента ошибки. Предполагается, что все ошибки независимы и нормально распределены.

Для построения регрессионных моделей необходимо иметь базу данных, выраженную с помощью таблицы значений прошлых наблюдений, в ней можно подобрать (например, методом наименьших квадратов) коэффициенты регрессии, настроив тем самым модель[6].  При работе с регрессией надо соблюдать определенную осторожность и обязательно проверять на адекватность найденные модели. Существуют разные способы такой проверки. Полезно иметь независимый набор примеров, на которых можно проверить качество работы модели.

В качестве недостатков данного метода можно отметить:

  •  Неоднородность всех переменных, которые могут измеряться в разных шкалах;
  •  Переменных может быть бесчисленное множество, часть из них может коррелировать между собой.

В этих условиях возникает явление мультиколлинеарности, приводящее к плохой обусловленности.      

Выбор метода прогнозирования

В таблице 2.2 представлены методы прогнозирования, которые целесообразно применять к сложным техническим системам, к которым относятся корпоративные сети. По оценкам отечественных и зарубежных исследователей число различных методов, приемов и методик прогнозирования превысило 150.

Выбранные критерии позволяют составить адекватную оценку применимости выбранного метода для эффективного решения поставленной задачи прогнозирования поведения корпоративной сети.  В результате анализа составляется шкала, показывающая среднюю оценку методов относительно критериев, по которой можно оценить, способен тот или иной метод математического прогнозирования справиться с поставленной перед ним задачей.

       Таблица . Оценка основных методов математического прогнозирования.

Требования, предъявляемые к методу прогнозирования состояния корпоративной сети

Эвристические методы

Методы временной экстраполяции

Методы пространственной экстраполяции

Методы  прогнозной экстраполяции

Методы моделирования

Логические методы

Регрессионные методы

Нейросетевые методы

Возможность многопараметрического прогноза

-

+

-

+

+

-

+

-

-

+

-

+

Возможность обработки данных в реальном масштабе времени

-

-

-

+

-

+

-

-

+

+

Нечувствительность к недостатку априорной информации

+

-

+

-

+

-

+

-

-

+

Возможность обработки разноформатной информации

+

-

+

+

-

+

+

-

-

+

-

Возможность прогнозирования не наблюдавшихся ранее событий

+

-

+

-

+

-

+

-

+

Возможность строгой формализации и алгоритмизации методов прогнозирования

-

+

+

-

+

+

+

+

+

Возможность решения слабо формализованных задач прогнозирования

+

-

-

-

+

-

+

+

+

Трудности реализации метода прогнозирования

+

-

-

+

-

-

-

-

+

-

+

-

Возможность аппаратной реализации методов прогнозирования

_

+

+

+

-

-

+

-

+

-

Суммарный показатель предпочтения

0

-4

3

-2

0

-1

0

6

Проведя анализ базовых методов математического прогнозирования можно прийти к выводу, что наиболее эффективным будет использование методов нейросетевого прогнозирования, т.к. большинство методов требуют чрезвычайно громоздких вычислений, либо слишком прямолинейны и не учитывают всей специфики предметной области, либо категорически не могут выдавать обоснованные результаты для данной области исследований.

В качестве примера рассмотрим метод временной экстраполяции, который работает с “историческими данными”. Разница заключается в том, что, во-первых, методом временной экстраполяции невозможно обрабатывать скачкообразные изменения данных. Вторым минусом данного метода является невозможность обойтись без математического описания процессов изменения параметров. Для нейронной сети достаточно иметь сеть необходимой конфигурации и достаточный набор данных, на которых данную сеть можно обучить. Знание о процессах изменения параметров не требуется.

Преимуществом нейронных сетей над эвристическими методами прогнозирования, которые во многом схожи с нейронной сетью, является тот факт, что нейронная сеть может обрабатывать многомерные данные, в то время как в эвристическом методе при обработке большого количества параметров используются знания нескольких экспертов. И с ростом параметров соответственно растет количество экспертов. Обработка такого количества различных экспертиз может занять не одну неделю, в то время как нейронная сеть обучается и выдает результат мгновенно.  Методы математического моделирования для решения данной задачи будут слишком громоздкими. Нет возможности полностью описать систему, ни с точки зрения физического моделирования, ни с точки зрения математического моделирования. А имитационное моделирование не может охватить все возможные состояния корпоративной сети, тем более что изменение состояний происходит в режиме реального времени. Как вывод, прогнозирование поведения корпоративной сети методами математического моделирования не даст необходимого результата. Логические методы так же не подойдут в связи с тем, что в самой сути задачи нет необходимости производить какие бы то ни было логические изыскания. А методы регрессий требуют слишком большого числа вычислительных операций.

Таким образом, результаты оценки методов прогнозирования по представленным критериям позволили для решения задачи прогнозирования состояния корпоративной сети выбрать метод нейросетевого прогнозирования.

Обзор СУБД

Система управления базами данных (СУБД) — совокупность программных и лингвистических средств общего или специального назначения, обеспечивающих управление созданием и использованием баз данных.

Современные СУБД являются объектно-ориентированными и реляционными. Основной единицей является объект, имеющий свойства, и связи между объектами. СУБД используют несколько моделей данных: иерархическую и сетевую (с 60-х годов) и реляционную (с 70-х). Основное различие данных моделей в представлении взаимосвязей между объектами.

Иерархическая модель данных строится по принципу иерархии объектов, то есть один тип объекта является главным, все нижележащие – подчиненными. Устанавливается связь «один ко многим», то есть для некоторого главного типа существует несколько подчиненных типов объектов. Иначе, главный тип именуется исходным типом, а подчиненные – порожденными. У подчиненных типов могут быть в свою очередь подчиненные типы. Наивысший в иерархии узел (совокупность атрибутов) называют корневым.

Сетевая модель данных строится по принципу «главный и подчиненный тип одновременно», то есть любой тип данных одновременно может одновременно порождать несколько подчиненных типов (быть владельцем набора) и быть подчиненным для нескольких главных (быть членом набора).

Реляционная модель данных объекты и связи между ними представляются в виде таблиц, при этом связи тоже рассматриваются как объекты. Все строки, составляющие таблицу в реляционной базе данных должны иметь первичный ключ. Все современные средства СУБД поддерживают реляционную модель данных.

Объект (Сущность) – элемент какой-либо системы, информация о котором сохраняется. Объект может быть как реальным (например, человек), так и абстрактным (например, событие – поступление человека в стационар).

Атрибут – информационное отображение свойств объекта. Каждый объект характеризуется набором атрибутов.

Таблица – упорядоченная структура, состоящая из конечного набора однотипных записей.

Первичный ключ – атрибут (или группа атрибутов), позволяющий однозначным образом определить каждую строку в таблице.

Напротив, альтернативный ключ – это атрибут (или группа атрибутов), не совпадающая с позволяющим первичным ключом и однозначным образом определяющий каждую строку в таблице.

Для выполнения данной работы необходима база данных для хранения статистических данных. Следовательно, необходимо выбрать подходящую СУБД для должной работы с базой данных.

Из всего множества существующих СУБД было выбрано 9 самых популярных для дальнейшего рассмотрения:

  1.  Apache Derby
  2.  Firebird
  3.  DB2
  4.  Microsoft Office Access
  5.  Microsoft SQL Server
  6.  MongoDB 
  7.  MySQL
  8.  Oracle Database
  9.  PostgreSQL
  10.  SQLite

Описание различных СУБД

Apache Derby

Apache Derby это реляционная СУБД, написанная на Java, предназначенная для встраивания в Java-приложения или обработки транзакций в реальном времени. Занимает 2 MB на диске.Apache Derby разрабатывается как open source и распространяется на условиях лицензии Apache 2.0. Дерби был ранее известен как IBM Cloudscape. Sun распространяет те же бинарные файлы под именем Java DB.

Fifebird

Firebird (FirebirdSQL) — компактная, кроссплатформенная СУБД, работающая на Linux, Microsoft Windows и разнообразных Unix платформах.

В качестве преимуществ Firebird можно отметить многоверсионную архитектуру, обеспечивающую параллельную обработку оперативных и аналитических запросов (это возможно потому, что читающие пользователи не блокируют пишущих), компактность (дистрибутив 5Mb), высокую эффективность и мощную языковую поддержку для хранимых процедур и триггеров.

Firebird используется в различных промышленных системах (складские и хозяйственные, финансовый и государственный сектора) с 2001 г. Это коммерчески независимый проект C и C++ программистов, технических советников и разработчиков мультиплатформенных систем управления базами данных, основанный на исходном коде, выпущенном корпорацией Borland 25 июля 2000 года в виде свободной версии Interbase 6.0.

Среди недостатков: отсутствие кеша результатов запросов, полнотекстовых индексов.

DB2

DB2 — семейство программных продуктов в области управления информацией компании IBM. Чаще всего, ссылаясь на DB2, имеют в виду реляционную систему управления базами данных DB2 Universal Database (DB2 UDB), разрабатываемую и выпускаемую компанией IBM.

К отличительным особенностям DB2 относится диалект языка SQL, определяющий, за редкими исключениями, чисто декларативный смысл языковых конструкций, и мощный многофазовый оптимизатор, строящий по этим декларативным конструкциям эффективный план выполнения запроса. В отличие от других диалектов SQL, в диалекте SQL DB2 практически отсутствуют подсказки оптимизатору, мало развит (а долгое время вообще отсутствовал) язык хранимых процедур, и, таким образом, всё направлено на поддержание декларативного стиля написания запросов. Язык SQL DB2 при этом является вычислительно полным, то есть потенциально позволяет в декларативной форме определять любые вычислимые соответствия между исходными данными и результатом. Это достигается в том числе за счёт использования табличных выражений, рекурсии и других развитых механизмов манипулирования данными.

Благодаря приоритету IBM в развитии реляционной теории и позициям фирмы в компьютерной отрасли, диалект DB2 SQL оказывает значительное влияние на стандарты SQL ANSI/ISO.

Microsoft Access

Microsoft Office Access — реляционная СУБД корпорации Microsoft. Имеет широкий спектр функций, включая связанные запросы, связь с внешними таблицами и базами данных. Благодаря встроенному языку VBA, в самом Access можно писать приложения, работающие с базами данных.

MS Access является файл-серверной СУБД и потому применима лишь к маленьким приложениям. Отсутствует ряд механизмов, необходимых в многопользовательских БД, таких, например, как триггеры.

Существенно расширяет возможности MS Access по написанию приложений механизм связи с различными внешними СУБД: "связанные таблицы" (связь с таблицей СУБД) и "запросы к серверу" (запрос на диалекте SQL, который "понимает" СУБД). Также MS Access позволяет строить полноценные клиент-серверные приложения на СУБД MS SQL Server. При этом имеется возможность совместить с присущей MS Access простотой инструменты для управления БД и средства разработки.

Microsoft SQL Server 

Microsoft SQL Server — система управления реляционными базами данных , разработанная корпорацией Microsoft. Основной используемый язык запросов — Transact-SQL, создан совместно Microsoft и Sybase. Transact-SQL является реализацией стандарта ANSI/ISO по структурированному языку запросов (SQL) с расширениями. Используется для работы с базами данных размером от персональных до крупных баз данных масштаба предприятия; конкурирует с другими СУБД в этом сегменте рынка.

Сервер баз данных Microsoft SQL Server в качестве языка запросов использует версию языка SQL, получившую название Transact-SQL (сокращённо T-SQL). Язык T-SQL является реализацией SQL-92 (стандарт ISO для языка SQL) с множественными расширениями. T-SQL позволяет использовать дополнительный синтаксис для хранимых процедур и обеспечивает поддержку транзакций (взаимодействие базы данных с управляющим приложением).

При взаимодействии с сетью Microsoft SQL Server и Sybase ASE используют протокол уровня приложения под названием Tabular Data Stream (TDS, протокол передачи табличных данных). Протокол TDS также был реализован в проекте FreeTDS с целью обеспечить различным приложениям возможность взаимодействия с базами данных Microsoft SQL Server и Sybase.

Для обеспечения доступа к данным Microsoft SQL Server поддерживает Open Database Connectivity (ODBC) — интерфейс взаимодействия приложений с СУБД. Версия SQL Server 2005 обеспечивает возможность подключения пользователей через веб-сервисы, использующие протокол SOAP. Это позволяет клиентским программам, не предназначенным для Windows, кроссплатформенно соединяться с SQL Server. Компания Microsoft также выпустила сертифицированный драйвер JDBC, позволяющий приложениям под управлением Java (таким как BEA и IBM WebSphere) соединяться с Microsoft SQL Server 2000 и 2005.

MongoDB

MongoDB — документо-ориентированная система управления базами данных с открытым исходным кодом, не требующая описания схемы таблиц. Написана на языке C++.

СУБД управляет наборами JSON-подобных документов, хранимых в двоичном виде в формате BSON. Подобно другим документо-ориентированным СУБД (CouchDB, пр.), MongoDB не является реляционной СУБД

MongoDB, по мнению разработчиков, должна заполнить разрыв между простыми хранилищами данных типа «ключ-значение» (быстрыми и легко масштабируемыми) и большими РСУБД (со структурными схемами и мощными запросами).

Имеется подробная и качественная документация, большое число примеров и драйверов под популярные языки Java, C++, C#, PHP, Python, Perl, Ruby. Заявляется, что релиз MongoDB 1.0.0 готов к использованию в производстве как в качестве единичного мастера, так и в связках master/slave. Код этого релиза достаточно стабилен и проверен в промышленной эксплуатации на протяжении 1,5 лет. MongoDB — продукт довольно молодой, и в нем встречаются ошибки, появляются новые возможности и т. д. Характерен высокий темп разработки (проект пишут не только волонтеры, но и компания людей на полной занятости). Компания-разработчик предоставляет платные поддержку, хостинг, консультации.

MySQL

MySQL  — свободная система управления базами данных. MySQL является собственностью компании Oracle Corporation, получившей её вместе с поглощённой Sun Microsystems, осуществляющей разработку и поддержку приложения. Распространяется под GNU General Public License или под собственной коммерческой лицензией. Помимо этого разработчики создают функциональность по заказу лицензионных пользователей, именно благодаря такому заказу почти в самых ранних версиях появился механизм репликации.

MySQL является решением для малых и средних приложений. Входит в состав серверов WAMP, LAMP и в портативные сборки серверов Денвер, XAMPP. Обычно MySQL используется в качестве сервера, к которому обращаются локальные или удалённые клиенты, однако в дистрибутив входит библиотека внутреннего сервера, позволяющая включать MySQL в автономные программы.

Гибкость СУБД MySQL обеспечивается поддержкой большого количества типов таблиц: пользователи могут выбрать как таблицы типа MyISAM, поддерживающие полнотекстовый поиск, так и таблицы InnoDB, поддерживающие транзакции на уровне отдельных записей. Более того, СУБД MySQL поставляется со специальным типом таблиц EXAMPLE, демонстрирующим принципы создания новых типов таблиц. Благодаря открытой архитектуре и GPL-лицензированию, в СУБД MySQL постоянно появляются новые типы таблиц.

Oracle Database

Oracle Database — объектно-реляционная система управления базами данных компании Oracle. Oracle Database создана специально для работы в сетях распределенных вычислений Grid и предназначена для эффективного развертывания на базе различных типов оборудования: от небольших серверов до мощных многопроцессорных серверных систем, от отдельных кластеров до корпоративных распределенных вычислительных систем. Oracle Database обеспечивает автоматизацию управления и кластеризацию серверов в целях эффективного использования ресурсов, что делает ее использование простым и экономически выгодным. Используя Oracle Database, организации могут управлять всей корпоративной информацией и контролировать бизнес-процессы. Oracle Database может функционировать на большинстве платформ.

PostgreSQL

PostgreSQL - это объектно-реляционная система управления базами данных (СУБД), которая имеет традиционные возможности коммерческих СУБД с расширениями, которые есть в СУБД нового поколения. PostgreSQL - это свободное и полностью открытое программное обеспечение.

Существует в реализациях для следующих платформ: Linux, Solaris/OpenSolaris, Win32, Mac OS X, FreeBSD, QNX 4.25, QNX 6.

SQLite

SQLite – это встраиваемая библиотека в которой реализовано многое из стандарта SQL 92. Её притязанием на известность является как собственно сам движок базы, так и её интерфейс (точнее его движок) в пределах одной библиотеки, а также возможность хранить все данные в одном файле. Я отношу позицию функциональности SQLite где-то между MySQL и PostgreSQL. Однако, на практике, SQLite не редко оказывается в 2-3 раза (и даже больше) быстрее. Такое возможно благодаря высокоупорядоченной внутренней архитектуре и устранению необходимости в соединениях типа «сервер-клиент» и «клиент-сервер».

Всё это, собранное в один пакет, лишь немногим больше по размеру клиентской части библиотеки MySQL, является впечатляющим достижением для полноценной базы данных. Используя высоко эффективную инфраструктуру, SQLite может работать в крошечном объёме выделяемой для неё памяти, гораздо меньшем, чем в любых других системах БД. Это делает SQLite очень удобным инструментом с возможностью использования практически в любых задачах возлагаемых на базу данных.

Сравнение СУБД

Основными критериями сравнения этих СУБД стали следующие параметры:

  •  Тип БД (реляционная или нет)
    •  Операционные системы (кроссплотформенная или нет)
    •  Лицензия (проприетарное или свободное ПО)
    •  Имеется опыт работы с данной СУБД

Результаты сравнения представлены в таблице 2:

Таблица 2. Сравнение СУБД

Название

Разработчик

Тип

ОС

Лицензия

Опыт

1

Apache Derby

Apache Software Foundation

+

+

+

-

2

Firebird

Сообщество Firebird

+

+

+

-

3

DB2

IBM

+

+

-

-

4

Microsoft Office Access

Microsoft

+

-

-

+

5

Microsoft SQL Server

Microsoft

+

-

-

-

6

MongoDB

MongoDB

-

+

+

-

7

MySQL

MySQL AB

+

+

+

+

8

Oracle Database

Oracle

-

+

-

+

9

PostgreSQL

Сообщество PostgreSQL

-

+

+

-

10

SQLite

Ричард Хипп

+

+

+

-

Как видно из представленной таблицы всем требованиям удовлетворяет только одна система управления базами данных – MySQL.

Выводы к главе

В данной главе были рассмотрены различные пути реализации системы прогнозирования, а как же выбраны готовые программные продукты для использования совместно с системой прогнозирования. В частности, для реализации процесса мониторинга сети был выбран протокол управления сетью SNMP и пакет программ Net-SNMP для развертывания этого протокола. Так же были выбраны нейронные сети в качестве метода прогнозирования и система управления базами данных MySQL для хранения результатов.


Технологическая часть

Обзор протокола управления сетью SNMP

SNMP (Simple Network Management Protocol) — основанный на архитектуре UDP протокол простого управления сетями.

Данный протокол позволяет обеспечить сбор информации, управление и контроль над устройствами и приложениями в сети путём обмена специальными информационными пакетами между клиентами (агентами) на сетевых устройствах и серверами (менеджерами) на станциях управления. Он определяет сеть как совокупность управляющих станций и элементов сети (шлюзов, главных машин, терминальных серверов и маршрутизаторов), которые совместно обеспечивают клиент-серверные связи между друг другом.

SNMP и его версии

В настоящий момент существует три версии протокола: SNMPv1, SNMPv2c, и SNMPv3. Каждая последующая версия построена на основе предыдущей с добавлением каких-то новых функций. Вы неправы, если считаете, что самая последняя версия является самой распространенной. На самом деле первая версия пользуется большей популярностью вследствие своей простоты и нормального человеческого желания использовать проверенные вещи.

Между тремя версиями существуют значительные различия. SNMPv1 отлично справлялся со своей задачей, но в нем были некоторые недостатки, в частности, безопасность была практически на нулевом уровне. Сообщения передавались открытым текстом, и могли быть прочитаны любым владельцем анализатора пакетов. Это конечно же плохо. Поэтому появился SNMPv2, в котором были исправлены некоторые недостатки предшественника. В нем были изменены определения MIB (информационная база управления), PDU (узел данных протокола) и улучшена безопасность. Последнее выразилось в виде целостности данных через использование MD5 и алгоритма шифрования DES. И наконец появилась защита от атак в виде процедуры аутентификации.

Протокол SNMP v1 

Simple Network Management Protocol реализован практически во всех общераспространенных сетевых средах: TCP/IP, AppleTalk, IPX/SPX и тд. Идеей, лежащей в основе протокола является то, что вся информация, необходимая для управления устройством, хранится на самом устройстве (маршрутизаторе, модеме, сервере и т.д.) в особой административной базе данных (Management Information Base - MIB). SNMP как сетевой протокол предоставляет только команды для работы с переменными этой базы:

  •  get-request (запрос одного или нескольких параметров MIB)
  •  get-next-request (последовательное чтение значений. используется для чтения оставшихся строк таблицы после запроса первой строки при помощи get-request)
  •  set-request (установка значения одной или нескольких переменных MIB)
  •  get-response (ответ на запрос set-request, get-next-request или get-request)
  •  trap (возвращает сообщение о событиях типа “warm” или “cold restart” или отключении некоторого “линка”)

Чтобы проконтролировать работу какого-либо устройства в сети необходимо получить доступ к его административной базе данных, постоянно обновляемой самим устройством, и проанализировать значения необходимых переменных.

Формат сообщений 

SNMP-сообщения состоят из двух частей: community name (имени сообщества) и data (данных). Имя сообщества назначает среду доступа для набора системы сетевого управления (Network Management System), которые используют данное имя. Информационная часть содержит некоторую SNMP-операцию (get, set, и т.д.) и связанные с ней операнды.

Managment Information Base (MIB, MIB-II). RFC 1213 

MIB представляет из себя набор переменных, характеризующих состояние объекта управления. Эти переменные могут отражать такие параметры, как количество пакетов, обработанных устройством, состояние его интерфейсов, время функционирования устройства и т.п. Каждый производитель сетевого оборудования, помимо стандартных переменных, включает в MIB какие-либо параметры, специфичные для данного устройства (в поддерево private enterprise).

Как происходит адресация в MIB к некоторой ее переменной?

По своей структуре MIB представляет из себя дерево.Каждому элементу соответствует численный и символьный идентификатор. В имя переменной включается полный путь до нее от корневого элемента root.

Например, время работы устройства с момента перезагрузки хранится в переменной, находящейся в разделе system под номером 3 и называется sysUpTime. Соответственно, имя переменной будет включать весь путь: iso(1).org(3).dod(6).internet(1).mgmt(2).mib-2(1).system(1).sysUpTime(3); или на языке чисел: 1.3.6.1.2.1.1.3. Следует заметить, что при этом узлы дерева разделяются точками.

Существует стандартная ветвь MIB, относящаяся к разделу управления mgmt, которую обычно поддерживают все сетевые устройства.

Тестирование сети с помощью SNMP 

При помощи SNMP можно выполнять различные тесты функциональных возможностей сетевых устройств, определенные опять же на самих устройствах. Это бывает полезно, поскольку просто наблюдение статистики зачастую не дает полной картины происходящего.

Так, например, для раздела, относящегося к интерфейсам Ethernet, определен тест TDR (Time-domain reflectometry), позволяющий определять приблизительное расстояние до повреждения в коаксиальном кабеле. Для того, чтобы запустить TDR тест необходимо установить значение переменной ifExtnsTestTypе (1.3.6.1.2.1.12.2.1.4), содержащей тип выполняемого теста, так, чтобы она содержала идентификатор теста TDR в MIB: 1.3.6.1.2.1.10.7.6.1.

Результатом теста будет, во-первых, значение переменной ifExtnsTestResult (1.3.6.1.2.1.12.2.1.5), характеризующей исход теста:

  •  отсутствие результата
  •  успех
  •  выполняется
  •  не поддерживается
  •  невозможно запустить
  •  прекращен
  •  неудачное завершение

И во-вторых, значение переменной ifExtnsTestCode (1.3.6.1.2.1.12.2.1.6) будет содержать идентификатор переменной MIB, содержащей результат теста. Результат теста определен как временной интервал в 100-наносекундных единицах между началом передачи тестового пакета и обнаружением коллизий в несущей. В принципе, на основании данного значения можно определить требуемое расстояние.

SNMP v2 

Фундаментальным новшеством в SNMPv2 является то, что элемент администрирования сети может работать в качестве менеджера, агента или менеджера и агента одновременно. Данная концепция дает возможность пользователям применять SNMP в иерархической структуре, в которой локальные менеджеры отчитываются перед менеджерами среднего звена, которые, в свою очередь, контролируются менеджером высшего уровня. Немало места отводится проблемам защищенности SNMP, пожалуй, самой уязвимой точки протокола.

Обзор программного продукта Net-SNMP

Net-SNMP представляет собой набор программного обеспечения для развёртывания и использования протокола SNMP (v1, v2c и v3 и протокол AgentX субагента). Он поддерживает IPv4, IPv6, IPX, AAL5, сокеты доменов Unix и других протоколов. Он содержит общие клиентские библиотеки, набор консольных приложений, очень расширяемый SNMP-агент, модули Perl и модули Python.

Стив Волдбюссер из CMU начал свободное распространение пакета программ SNMP в 1992 году. Пакет впоследствии был заброшен в CMU и Уэс Хардакер из UC Davis переименовал его в UCD-SNMP и расширил его для удовлетворения потребностей управления сетью электротехнического отдела проектирования. В конце концов мистер Хардакер покинул университет и понял, что этот проект в настоящее время используется в глобальной сети и, поэтому, переименовал его в Net-SNMP, чтобы отразить распределённость его разработки.

SNMP-приложения, входящие в Net-SNMP

Программный продукт Net-SNMP включает в себя четырнадцать различных приложений, которые взаимодействуют с сетью и устройствами, входящими в неё. Эти приложения созданы для более эффективного использования протокола SNMP. Все приложения описаны в таблице:

Приложение

Описание

encode_keychange

Производит изменение ключа KeyChange в SNMPv3.

snmptranslate

Перевод MIB OID имён между цифровой и текстовой формами

snmpget

Взаимодействует с сетью, используя SNMP GET запросы

snmpgetnext

Взаимодействует с сетью, используя SNMP GetNext запросы

snmpbulkget

Взаимодействует с сетью, используя SNMP GETBULK запросы

snmpwalk

Получает поддерево управления значений с помощью SNMP GetNext запросов

snmpbulkwalk

Получает поддерево управления значений с помощью SNMP GETBULK запросов.

snmpset

Взаимодействует с сетью, используя SNMP SET запросы

snmptrap

Посылать SNMP траппы или информационные сообщения

snmpd

SNMP агент, который отвечает на запросы SNMP для данного хоста.

snmptrapd

Демон SNMP, прослушивает SNMP траппы или информационные сообщения, регистрируя их или воздействует на них.

snmptest

Взаимодействует с сетью, используя SNMP запросы.

mib2c

Утилита преобразования MIB-файлов, которая позволяет перевести MIB-структуру в другие формы, такие как C-код

tkmib Perl / Tk

интерактивный графический браузер MIB для SNMP.

Обзор нейросетевых технологий

Определение нейронных сетей

Способ обработки информации человеческим мозгом в корне отличается от способов, применяемых в информационных технологиях. Именно это и легло в  основу теории искусственных нейронных сетей. Мозг представляется собой сложный компьютер, обладающий возможностью организовывать свои структурные компоненты, называемые нейронами, так, чтобы иметь возможность решать конкретные задачи. Нейроны связаны друг  с другом с помощью синаптических связей.  Задачи распознавания образов, обработки сигналов, поступающих от органов чувств, моторики выполняются мозгом во много раз быстрее, чем самым быстродействующим компьютером.

В общем случае искусственная нейронная сеть моделирует способ решения конкретной задачи мозгом. Нейронные сети используют множество взаимосвязанных между собой элементарных вычислительных ячеек, называемых нейронами. Процедура, используемая для процесса обучения, называется алгоритмом обучения. Именно эта процедура выстраивает в определенном порядке синаптические веса нейронной сети для обеспечения необходимой структуры взаимосвязей нейронов. Изменение синаптических весов представляет собой традиционный способ настройки нейронных сетей[11].

Таким образом, можно дать определение нейронной сети:

«Нейронная сеть это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные данные  и представляющих их для последующей обработки».  

Нейронная сеть сходна с мозгом с дух точек зрения:

  1.  Знания поступают в нейронную сеть из окружающей среды и используются в процессе обучения.
  2.  Для накопления знаний применяются связи между нейронами, называемые синаптическими связями.

Преимущества нейросетевого метода прогнозирования

Основными преимуществами нейронных сетей являются:

  1.  Возможность распараллеливания обработки информации
  2.  Способность самообучения, т.е. создавать обобщения. Под термином обобщения подразумевается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения.

Используя эти преимущества можно решать задачи огромной сложности. На практике же одну большую задачу бьют на несколько более простых, часть из которых могут решать нейронные сети.  Использование нейронных сетей обеспечивает следующие полезные свойства:

  1.  Нелинейность. Нейроны могут быть как линейными, так и нелинейным, и в зависимости от этого могут решать различные задачи.
  2.  Отображение входной информации в выходную. Одна из парадигм обучения является обучение с учителем. Это подразумевает изменение синаптических весов на основе выбора маркированных учебных примеров. Каждый пример состоит из входного сигнала и желаемого отклика. Из этого множества выбирается пример, а нейронная сеть модифицирует синаптические веса для минимизации расхождений желаемого выходного сигнала и формируемого сетью согласно выбранному статистическому критерию. Так происходит до тех пор, пока разница не будет минимальной. Таким образом, нейронная сеть обучается на примерах, составляя таблицу соответствий входов – выходов для конкретной задачи.
  3.  Адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. В результате чего при работе в нестационарных системах, нейронные сети могут в режиме реального времени адаптировать свои веса под изменение окружающей среды.
  4.  Очевидность ответа. Используется в задаче распознавания образов при необходимости принятия сомнительных решений.
  5.  Контекстная информация. Знания представляются в самой структуре сети с помощью ее состояния активации. Каждый нейрон сети потенциально может быть подвержен влиянию других нейронов, и как следствие существование нейронной сети непосредственно связано с контекстной информацией.
  6.  Отказоустойчивость. При нарушении нейрона или его связей эффективность системы падает незначительно. Только серьезные повреждения структуры нейронной сети в значительно степени повлияют на её работоспособность. Чтобы гарантировать отказоустойчивость нейронной сети необходимо внести соответствующие дополнения в алгоритмы ее обучения.
  7.  Масштабируемость. Параллельная структура нейронных сетей потенциально ускоряет процесс решения многих задач.
  8.  Единообразие анализа и проектирования. Одно и тоже проектное решение нейронной сети может использоваться неоднократно.   

Модели нейронов

Нейрон представляет собой единицу обработки информации в нейронной сети. Основными элементами нейрона являются (рис. 3.1):

  •  Набор синапсов (связей) каждый из которых характеризуется своим весом или силой. В частности, сигнал xj на входе синапса j, связанного с нейроном k, умножается на вес wkj. Первый индекс относится к  рассматриваемому нейрону, а второй ко входному окончанию синапса, с которым связанный данный вес.
  •  Сумматор складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона.
  •  Функция активации ограничивает амплитуду выходного сигнала нейрона. Обычно нормализованный диапазон амплитуд выходного нейрона лежит в интервале либо [0,1], либо [-1,1].

В модель нейрона показанного на рис. 3.1 включен пороговый элемент, который обозначается символом bk. Эта величина отображает увеличение или уменьшение входного сигнала, подаваемого на функцию активации.

Рис. 3.1. Модель нейрона

Используя математические термины функционирование нейрона можно описать следующей парой уравнений.

                            

где x1, x2xn – входные сигналы; wk1, wk2wkn – синаптические веса нейрона k; uk – линейная комбинация входных воздействий; bk– порог; φ() – функция активации; yk – выходной сигнал нейрона[11].

Типы функции активации

Функции активации обозначаются в формулах как φ(). Существует несколько видов функций активации:

  •  Функция единичного скачка, или пороговая функция. Этот вид описывается следующими уравнениями:

Соответственно выходной сигнал нейрона k имеет вид:

где vk – это индуцированное локальное поле нейрона, т.е.

а график имеет вид:

Рис. 3.2. Функция единичного скачка

  •  Кусочно-линейная функция. Описывается следующим набором уравнений:

где коэффициент усиления в линейной области оператора предполагается равным единице. Эту функцию активации можно рассматривать как аппроксимацию нелинейного усилителя.

График функции имеет вид:

Рис 3.3. Кусочно-линейная функция

  •  Сигмоидальная функция. Одна из самых популярных функций график которой напоминает букву S. Это быстро возрастающая функция, поддерживающая баланс между линейным и нелинейным поведением. Примером может служить логистическая функция, задаваемая следующим уравнением:

где а – параметр наклона сигмоидальной кривой.

График имеет вид:

Рис 3.4. Сигмоидальная функция

График меняется в зависимости от параметра а, изменяя который можно регулировать его крутизну[11,5]. При достижением параметром а значения близкого к бесконечности, функция вырождается в пороговую. Область значений функции активации этой функции представляет собой отрезок от 0 до +1, однако может быть и от -1 до +1.

Выбор количества нейронов и слоев

Нет строго определенной процедуры для выбора количества нейронов и количества слоев в сети. Чем больше количество нейронов и слоев, тем шире возможности сети, тем медленнее она обучается и работает и тем более нелинейной может быть зависимость вход-выход[3].

Количество нейронов и слоев связано:

  •  со сложностью задачи;
  •  с количеством данных для обучения;
  •  с требуемым количеством входов и выходов сети;
  •  с имеющимися ресурсами: памятью и быстродействием машины, на которой моделируется сеть;

Были попытки записать эмпирические формулы для числа слоев и нейронов, но применимость формул оказалась очень ограниченной.

Если в сети слишком мало нейронов или слоев:

  •  сеть не обучится и ошибка при работе сети останется большой;
  •  на выходе сети не будут передаваться резкие колебания аппроксимируемой функции y(x).

Превышение требуемого количества нейронов тоже мешает работе сети.

Если нейронов или слоев слишком много:

  •  быстродействие будет низким, а памяти потребуется много;
  •  сеть переобучится: выходной вектор будет передавать незначительные и несущественные детали в изучаемой зависимости y(x), например, шум или ошибочные данные;
  •  зависимость выхода от входа окажется резко нелинейной: выходной вектор будет существенно и непредсказуемо меняться при малом изменении входного вектора x;
  •  сеть будет неспособна к обобщению: в области, где нет или мало известных точек функции y(x) выходной вектор будет случаен и непредсказуем, не будет адекватен решаемой задаче.

Представление знаний

Успех решения задач зависит от хорошего представления знаний. Форма представления входных сигналов может быть самой разной. Основной задачей нейронной сети является  наилучшее обучение модели на примерах окружающего мира для решения конкретной задачи. В данном случае, обучение будет производится на данных базы MIB.

Знания о мире могут быть:

  •  априорными, т.е. состояния внешнего мира являются достоверными фактами;
  •  основанные на наблюдениях за внешней средой, полученные с помощью тех или иных технических средств. В данной работе данные получены с использованием технических средств. Обычно такие измерения в значительной степени зашумлены и могут стать источником ошибок.

Множество пар сигналов вход – выход, каждая из которых состоит из входного сигнала и желаемого выходного сигнала, называется обучающими данными или обучающей выборкой.

Наборы данных, используемые для обучения нейронной сети должны быть как положительные, так и отрицательные. В нейронной сети заданной архитектуры знания об окружающей среде представляются множеством свободных параметров (т.е. синаптических весов и порогов) сети. Такая форма представления знаний соответствует самой природе нейронных сетей,  именно в ней кроется  ключ эффективности нейронных сетей. Выделим основные правила представления знаний:

  •  Правило 1: Схожие входные сигналы от схожих классов должны формировать единое представление в нейронной сети. Существует множество различных способов определения сходства, но обычно степень подобия определяется на основе Евклидова  расстояния. Евклидово расстояние между парой xi и xy вычисляется как:

где xik и xjkk-е элементы векторов xi и xy соответственно.

Чем меньше Евклидово расстояние, тем выше сходство между векторами xi и xy. Правило 1 гласит что, если вектора xi и xy схожи, то они должны быть отнесены к одной категории (классу).

  •  Правило 2: Элементы, отнесенные к различным классам, должны иметь  в сети как можно более отличные представления (Правило противоположное первому).
  •  Правило 3: Если некоторое свойство имеет большое значение, то для его представления в сети необходимо использовать большое количество нейронов. Т.е. одно свойство системы должно быть рассмотрено с разных сторон и для его описания должен использоваться большой набор нейронов. Увеличение количества нейронов повышает достоверность принятого решения и устойчивость к помехам.
  •  Правило 4: В структуру нейронной сети должны быть встроены априорная информация и инварианты, что упрощает  архитектуру сети  и процесс обучения. Важно отметить, что каждая сеть имеет свою специализацию, и правильная конфигурация обеспечивает оптимальное решения задачи[11].

Обзор MySQL

MySQL - это реляционная система управления базами данных, быстрая и довольно простая, которая была создана для управления интернет-сайтами. С её развитием в ней появлялись различные методы хранения (такие как InnoDB и Berkley DB), хранимые процедуры и внешние ключи.

СУБД MySQL распространяется под лицензией GPL/LGPL.

MySQL была разработана на языках программирования C и C++ и была совместима только с некоторыми операционными системами такими, как Solaris 2.7-2.9 (SPARC), FreeBSD, Linux (SuSE, Red Hat, ReiserFS, ядро 2.4, x86), но с увеличением её популярности разработчики выпустили версии под множество популярных операционных систем.

Структура MySQL включает в себя mysqld (многопотоковый сервер), клиентскую библиотеку, а так же огромное множество утилит. Одна из самых популярных утилит – это утилита mysql, которая является клиентским приложением для полного доступа к возможностям сервера. В этой СУБД предусмотрено множество различных API, например, API для C, C++, Perl, PHP, Python.

Для удобства использования и оптимизации запросов в MySQL существуют различные методы хранения данных:

  •  ISAM (устарел и удален в версии 5.0)
  •  MyISAM (по умолчанию; в 3-5 раз быстрее, чем методы с поддержкой транзакций; LOCK TABLE; myisamchk)
  •  Berkley DB (BDB, есть поддержка транзакций)
  •  InnoDB (есть поддержка транзакций, foreign keys)
  •  HEAP (временные таблицы в памяти, записи только фиксированной длины)

Основные кодировки и правила сравнения в СУБД MySQL – это koi8-r и cp1251. Начиная с версии 4.1, появилась поддержка Unicode (UTF8, UCS2) на всех уровнях системы. Так же клиент может использовать свою кодировку и правила сортировки. В MySQL предусмотрен полнотекстный поиск слов и выражений, применяющий булевые операции и ранжирование результатов. Начиная с версии 4.1, все метаданные такие, как имена таблиц и длина записи), хранятся к кодировке UTF-8.

Для соединения с базой данных клиент может использовать сокеты TCP/IP, сокеты Unix или именованные каналы. Поддержка криптографического протокола SSL и возможность ограничить использование ресурсов появились в версии 4.0.

Так же в MySQL предусмотрена парольная защита – то есть, перед отправкой пароля происходит процесс его шифрации, однако, это не увеличивает безопасность. Система безопасности основана на привилегиях и паролях, а так же на возможности верификации с удаленного компьютера, за счет чего обеспечивается гибкость и безопасность использования MySQL.

Стоит отметить очень высокую скорость работы MySQL. Это достигается благодаря многим особенностям этой системы. Например, MySQL позволяет обеспечить работу с несколькими процессорами благодаря использованию многопоточности. Работа с дисковыми таблицами основана на принципах В-деревьях со сжатием индексов. Очень быстрые соединения, использующие оптимизированный метод однопроходного мультисоединения (one-sweep multi-join). В MySQL хеш-таблицы в памяти используются как временные таблицы. SQL-функции реализованы при помощи хорошо оптимизированной библиотеки классов, поэтому они выполняются настолько быстро, насколько это возможно. Обычно после инициализации запроса распределения памяти не происходит вообще.

Система управления базами данных MySQL достаточно масштабируема и позволяет управлять очень большими базами данных. Например, компания MySQL AB, разработавшая MySQL, использует её для работы с несколькими базами данных, которые содержат 50 миллионов записей. Так же многие крупные фирмы использую эту базы данных MySQL, в которых насчитываются до 60000 таблиц, включающих около 5000000000 строк. 

Однако в MySQL имеются некоторые ограничения. Например, для каждой таблицы разрешается иметь до 32 индексов. Каждый индекс может содержать от 1 до 16 столбцов или частей столбцов. Максимальная ширина индекса 500 бит (это значение может быть изменено при компиляции MySQL). Для индекса может использоваться префикс поля CHAR или VARCHAR.

Описание сегмента компьютерной сети

Компьютерная сеть – это сложный комплекс взаимосвязанных и согласованно функционирующих программных и аппаратных компонентов.

Компьютерную сеть можно представить многослойной моделью, состоящей из слоев:

  •  сетевые приложения
  •  операционные системы
  •  компьютеры
  •  коммуникационное оборудование

Часть коммуникационного оборудования (приемопередатчики или трансиверы, повторители или репитеры, концентраторы, коммутаторы или маршрутизаторы) служит для объединения нескольких компьютеров в требуемую конфигурацию сети. Соединенные с концентратором или коммутатором персональные компьютеры образуют один сегмент локальной сети, т.е. концентраторы и коммутаторы являются средством физической структуризации сети, так как, разбивая сеть на сегменты, упрощают подключение к сети большого числа компьютеров и другого оборудования.

В данной работе предусмотрено проведение эксперимента на постоянно работающем сегменте сети. Суть эксперимента состоит в следующем:

  1.  установить на выбранный участок сети систему прогнозирования
  2.  в течение одного месяца необходимо производить сбор статистики MIB со всех устройств сети
  3.  собранную статистику необходимо проанализировать и сделать прогноз

Для проведения полноценного и достоверного эксперимента к сегменту сети были предъявлены следующие требования:

  •  все устройства находятся в рабочем состоянии не менее десяти часов в сутки
  •  количество устройств должно быть не менее двенадцати
  •  все персональные компьютеры должны работать под операционными системами MS Windows или UNIX-подобными системами
  •  по мимо персональных компьютеров в сегменте сети должны находиться и другие сетевые устройства (коммутаторы, маршрутизаторы или концентраторы)
  •  сегмент сети должен иметь доступ в сеть Internet 

В результате обработки этих требований был выбран участок сети, удовлетворяющий всем требованиям и схематично представленный на рисунке:

Этот сегмент сети состоит из двадцати трех персональных компьютеров и 48-портового управляемого коммутатора Cisco 3560-38. Для удобства работы все компьютеры были объединены в VLAN. Все устройства находятся во внутренней сети предприятия, внешний IP-адрес – 113.17.5.70.

Список IP-адресов и MAC-адресов всех устройств представлен в таблице:

Название устройства

IP-адрес

MAC-адрес

Коммутатор Cisco

-

00-27-0E-06-4C-C4

Компьютер 1

192.168.3.2

00-21-A0-0B-88-00

Компьютер 2

192.168.3.5

00-02-B3-B6-8C-37

Компьютер 3

192.168.3.6

00-21-85-3C-53-03

Компьютер 4

192.168.3.7

48-5B-39-73-25-9C

Компьютер 5

192.168.3.9

00-0A-EB-AB-97-F5

Компьютер 6

192.168.3.14

Компьютер 7

192.168.3.15

Компьютер 8

192.168.3.16

Компьютер 9

192.168.3.17

Компьютер 10

192.168.3.22

Компьютер 11

192.168.3.24

Компьютер 12

192.168.3.25

Компьютер 13

192.168.3.26

Компьютер 14

192.168.3.27

Компьютер 15

192.168.3.40

Компьютер 16

192.168.3.41

Компьютер 17

192.168.3.43

Компьютер 18

192.168.3.68

Компьютер 19

192.168.3.69

Компьютер 20

192.168.3.72

Компьютер 21

192.168.3.79

Компьютер 22

192.168.3.80

Компьютер 23

192.168.3.85

Выводы к главе

В данной главе были подробно рассмотрены все средства и методы, выбранные в предыдущей главе. Были проанализированы все характеристики, достоинства и недостатки этих средств, а так же были выявлены подходы для использования их при разработке системы прогнозирования.

Так же был подробно описан процесс выбора сегмента сети, на котором необходимо провести эксперимент. Были составлены требования к этому сегменту, после выбора было предоставлено описание всех устройств этого сегмента.


Разработка

Разработка архитектуры системы прогнозирования

Разработка логической структуры

Система прогнозирования должна состоять из трех основных блоков:

  1.  Блок управления сбором статистики
  2.  Блок составления прогнозов
  3.  База данных

Основные функции, которые должен выполнять блок управления сбором статистики – это:

  •  предоставление доступа к оборудованию
    •  организация обмена данными между менеджером и агентами
    •  ведения учета по базе данных MIB

Основные функции, которые должен выполнять блок составления прогнозов – это:

  •  организация работы нейронной сети
  •  анализ полученных данных
  •  составление прогноза
  •  визуализация полученных прогнозов (составление графиков)

Основные функции, которые должен выполнять база данных – это:

  •  хранение полученных статистических данных
  •  хранение данных об устройствах сети
  •  хранение полученных прогнозов

Так как функции предоставления доступа и организация обмена в блоке управления сбором статистики достаточно сложны, целесообразно разбить этот блок на два равноправных блока, которые выполняют более простые операции:

  •  блок доступа к оборудованию
  •  блок сбора статистики

По той же причине целесообразно разбить блок составления прогнозов на два более простых блока:

  •  блок нейронной сети
  •  блок представления результатов

В представленной структуре не хватает отдельного блока, который будет управлять работай всех остальных блоков, организовывать их совместную работу, следить за передачей данных между блоками. Было принято решение создать отдельный блок управления, который выполняет все эти функции.

После анализа всех блок и выполняемых ими функций, а так же анализа связей между блоками логическая структура системы прогнозирования была разработана и представлена на рисунке:

Логическая структура системы прогнозирования состоит из шести блоков:

  •  Блок доступа к оборудованию – предоставляет доступ к информации о состоянии объекта по компьютерной сети.
  •  Блок сбора статистики – осуществляет сбор статистических данных о каждом устройстве.
  •  База данных  – используется для хранения собранных данных об объектах сети.
  •  Блок нейронной сети – включает в себя нейронную сеть.
  •  Блок управления  – осуществляет контроль над всеми элементами системы и формирует прогноз о состоянии компьютерной сети на основе данных, получаемых с выходного уровня нейронной сети.
  •  Блок представления результатов – представляет собой графический интерфейс пользователя.

Для организации работы блока доступа к оборудованию и блока сбора статистики было принято решение использовать набор программного обеспечения Net-SNMP. Для организации блока нейронной сети и блока представления результатов было принято решение о, использовании пакета Statistica. Для базы данных использовалась СУБД MySQL.

Блок управления представляет себя программу block_upr.pl, написанную на языке программирования Perl. Эта программа дает команды программе Net-SNMP на сбор статистики по всем выбранным объектам MIB, сохраняет их в базу данных MySQL, после чего полученные данные отправляет на вход нейронной сети.

Листинг программы block_upr.pl представлен в приложении 1.

Предлагаемая архитектура системы управления реализует метод, позволяющий не только идентифицировать ошибку в работе объекта компьютерной сети и всей компьютерной сети в целом, как это делается в известных системах управления сетями, но и предотвратить ее появление в будущем за счет формирования прогноза и принятия решения на основе этого прогноза по управлению объектами компьютерной сети. Реализации предлагаемой архитектуры позволит повысить качество принимаемого решения по управлению компьютерной сетью, так как при формировании прогноза состояния объектов компьютерной сети и состояния компьютерной сети в целом, используется многомерные векторы, описывающих состояние каждого объекта компьютерной сети.

Алгоритм работы системы прогнозирования

Алгоритм работы системы прогнозирования делится на две части:

  1.  в первой части происходит опрос всех устройств в сети
  2.  во второй части полученная статистика отправляется на вход нейронной сети, происходит анализирование полученных данных и строится прогноз

Блок-схемы обоих частей алгоритма представлены в приложении 2 частях А и В соответственно.

Настройка модуля сбора информации

Для проведения эксперимента было необходимо, чтобы хотя бы один из компьютеров был под управлением Unix-подобной операционной системы, так как программа Net-SNMP работает только под подобными системами. Остальные персональные компьютеры могут работать как на таких же операционных системах, так и под управлением MS Windows.

Для данной работы физические характеристики компьютеров не имеют значения, поэтому процесс выбора составляющих не описан.

Установка Net-SNMP на ОС Ubuntu

Для сбора информации о компьютерах в сети был выбран протокол SNMP и программа для его использования Net-SNMP. Станция, на которую была поставлена эта программа, стала сетевой станцией управления (NMS, Network Management Station). Процесс установки на станцию программы Net-SNMP представлен на рисунке:

Установка SNMP-агента на Windows-машинах

Агент – это субъект управления, настроенный или встроенный в программу или устройство, отвечающий на запросы менеджера управления, который находится на сетевой станции управления, передавая данные об устройстве или оказывая на устройство управляющее воздействие.

Для данной работы было принято решение использовать стандартный SNMP-агент для компьютеров под управлением ОС Windows. Процесс установки агента представлен ниже:

1) Открыть «Панель управления», затем «Установка и удаление программ», затем «Установка компонентов Windows». Здесь можно увидеть установлен ли уже агент или нет.

2) Для конфигурации SNMP-агента необходимо зайти в сервисы Windows. В панели управления выбирать «Администрирование» и далее выбирать «Сервисы». В выпавшем списке ищем «Сервис snmp».

3) В закладке «Безопасность» указывать имя community, в данном случае достаточно только на чтение. Указывать «snmp», значение public стоит по умолчанию.

4) Проверять запущен или нет сервис. В случае, если нет, произвести принудительный запуск. Необходимо учесть, что необходимо или отключит брандмауэр, или сделать исключение для snmp.

5) Проверить связку станции управления и одного из агентов:

MIB

В данной работе было принято решение строить прогнозы о входящем и исходящем трафике на сетевых интерфейсах устройств. Для этого были использованы объекты MIB, входящие в ветку iso.org.dod.internet.mgmt.mib (1.3.6.1.2.1). Подробное описание в этих объектов находятся в RFC-1156.

Список MIB, использованных в работе:

  •  1.3.6.1.2.1.2.2.1.10 — кол-во входящих октетов (полное число байтов)
  •  1.3.6.1.2.1.2.2.1.14 — кол-во входящих ошибок (errors)
  •  1.3.6.1.2.1.2.2.1.16 — кол-во исходящих октетов (полное число байтов)
  •  1.3.6.1.2.1.2.2.1.20 - кол-во исходящих ошибок (errors)
  •  1.3.6.1.2.1.2.2.1.6 — мак адрес интерфейса (будем использовать для названия таблиц)


Организация работы нейронной сети

Для организации работы Блока нейронной сети была использована программа Statistica. Для этого Statistica была установлена на сетевую станцию. Так как эта программа работает только под управлением операционной системы MS Windows, было принято решение об отказе от прогнозирования в режиме реального времени, и прогнозирование производилось только после сбора всей статистики по MIB.

Процесс создания нейронной сети в пакете Statistica представлен на рисунке:

Для создания нейронной сети в программе STATISTICA был подключен модуль Нейронные сети и выбран тип задач Регрессия. Так как в инструментах выбран способ создания Мастер решений, нейронная сеть создается автоматически, учитывая все требования к параметрам. Входящими переменными были выбраны все объекты MIB, собираемые Блоком сбора статистики, то есть входящий и исходящий трафики, а так же количество входящих и исходящих ошибок.

Для получения всех входных данных необходимо было установить соединение с базой данных. Для этого в программе Statistica существует специальный модуль подключения к удаленной базе данных, который был подключен к Базе данных системы прогнозирования.

Созданная нейронная сеть представляет собой персептрон с одним скрытым слоем, четырьмя входящими сигналами и двумя исходящими.

Конечная схема нейронной сети представлена на рисунке:

Проектирование базы данных

Проектирование Базы данных было начато с рассмотрения всех  компонентов, которые должны входить в базу данных. Основными двумя компонентами, входящими в базу данных являются информация обо всех устройствах, входящими в сеть, и информация о базе MIB, которая используется для сбора статистики. Так же в базу данных должен входить компонент результата опроса устройств.

После анализа всех компонентов была создана логическая структура базы данных, состоящая из трех таблиц:

  •  Units
  •  MIB
  •  Pool_Results

Логическая структура базы данных представлена на рисунке:

Таблица MIB хранит всю основную информацию об объектах MIB, которые используются для сбора статистики. Эта таблица включает в себя четыре атрибута:

  1.  ID_M (первичный ключ) – порядковый номер записи
  2.  OID – числовой идентификатор объекта
  3.  Name – символьный идентификатор объекта
  4.  Note – описание объекта

Таблица Units хранит всю основную информацию об устройствах сети, которые опрашивает система прогнозирования. Эта таблица состоит из четырех атрибутов:

  1.  ID_U (первичный ключ) – порядковый номер записи
  2.  MAC – MAC-адрес опрашиваемого устройства
  3.  IPIP- адрес опрашиваемого устройства
  4.  Type – тип опрашиваемого устройства

Таблица Poll_Results хранит в себе информацию о каждом опросе каждого устройства. Эта таблица состоит из шести атрибутов:

  1.  ID_R (первичный ключ) – порядковый номер записи
  2.  ID_M (внешний ключ) – порядковый номер записи из таблицы MIB
  3.  ID_U (внешний ключ) – порядковый номер записи из таблицы Units
  4.  Date – дата опроса
  5.  Time – время опроса
  6.  Status – значение объекта MIB данного устройства в этом опросе

Разработка модуля вывода результатов

Важной характеристикой системы комплексной статистической обработки данных является наличие средств всесторонней графической поддержки процесса анализа данных. STATISTICA включает в себя большое количество разнообразных категорий и типов графиков. Это всевозможные графики на плоскости и в пространстве: гистограммы, матричные, категоризованные графики, диаграммы рассеяния, пиктографики и др.

Графические средства системы используются для визуализации численных и текстовых значений электронной таблицы с исходными данными. Для этого используются Статистические графики − Stats Graphs и Пользовательские графики − CustomGraph.

Выводы к главе

В данной главе подробно описан процесс разработки системы прогнозирования. Были разработаны логическая структура системы и алгоритм её работы, а так же были спроектированы нейронная сеть и база данных.

Был описан процесс разработки всех блоков системы и организации связи между ними. На данном этапе система прогнозирования полностью готова к установке на сегмент сети и проведению эксперимента.


Экспериментальная часть

В данной работе было предусмотрено проведение эксперимента на выбранном участке сети с доказательством работоспособности разработанной системы прогнозирования и пригодности нейро-сетевых технологий для прогнозирования.

Для начала работы над экспериментом необходимо определить требования к нему и условия его проведения:

  1.  Эксперимент проводится только внутри одного выбранного сегмента сети (условия выбора и описание сегмента сети подробно описаны с п. «Описание сегмента компьютерной сети»)
  2.  Сбор статистики проводится в течении одного месяца
  3.  Структура нейронной сети должна повторять структуру нейронной сети, разработанной в п. «Организация работы нейронной сети»

Внедрение в сегмент компьютерной сети

Выбранный сегмент компьютерной сети состоит из двадцати трех персональных компьютеров, объединенный в VLAN, и управляемого коммутатора.

Один из компьютеров был выбран в качестве сетевой станции, с которого производится сбор статистики со всех остальных устройств сети. На этот компьютер была установлена система прогнозирования, включая менеджер Net-SNMP, система управления базами данных MySQL и пакет Statistica.

На все остальные устройства был установлен агент Net-SNMP.

Сбор статистических данных

Опрос сетевой станцией всех остальных устройств по всем MIB производился раз в полчаса. Все данные записывались в базу данных. За время проведения эксперимента всего было собранно около 100000 записей. В течение эксперимента не происходило внештатных ситуаций и сбоев, все устройства работали в штатном режиме.

После сбора статистики был начат процесс обучения нейронной сети. Для этого из общего числа записей была отобрана треть в качестве обучающего множества, которое подается на вход нейронной сети для того, чтобы были получены правильные весовые коэффициенты,  то есть коэффициенты дающие наименьшую ошибку.

После обучения нейронной сети и проверки правильности весовых коэффициентов на вход нейронной сети было подано остальное множество записей и сделан прогноз.

Проверка правильности прогноза

Для вывода результатов прогнозирования были использованы графические методы, установленные в пакете Statistica. Эта программа построила графики, с помощью которых были сделаны выводы о состояниях компьютерной сети в будущем.  

На следующем рисунке представлена гистограмма общего трафика и ошибок за период сбора статистики:

Как видно из гистограммы количество входящего трафика значительно превышает количество исходящего трафика, а ошибки в каждом из видов трафика незначительны и не мешают работе сети в целом.

На рисунке представлен прогноз сделанный системой прогнозирования на следующие две недели после обработки полученных данных:

Как видно из представленного графика все возможные ситуации являются штатными, крупных сбоев не предвидится, а сеть в целом будет работать без перебоев.

Выводы к главе

В данной главе был описан процесс проведения эксперимента на выбранном участке сети. Были подробно описаны процесс внедрения системы прогнозирования и процесс сбора статистики.

В ходе эксперимента были получены статистические данные о работе сети за период сбора информации и произведен прогноз на две недели вперед.

Была доказана успешность применения нейросетевых технологий для прогнозирования состояний компьютерной сети.


Охрана труда

Исследование возможных опасных и вредных факторов при эксплуатации ЭВМ и их влияния на пользователей.

В процессе использования ПЭВМ здоровью, а иногда и жизни оператора угрожают различные вредные факторы, связанные с работой на персональном компьютере. Типичными ощущениями, которые испытывают к концу дня люди, работающие за компьютером, являются: головная боль, резь в глазах, тянущие боли в мышцах шеи, рук и спины, зуд кожи на лице и т.п. Испытываемые каждый день, они могут привести к мигреням, частичной потере зрения, сколиозу, тремору, кожным воспаления и другим нежелательным явлениям.

Была также выявлена связь между работой на компьютере и такими недомоганиями, как быстрая утомляемость глаз, боли в спине и шее, запястный синдром, воспалительные процессы в тканях сухожилий, стенокардия и различные стрессовые состояния, сыпь на коже лица, хронические головные боли, головокружения, повышенная возбудимость и депрессивные состояния, снижение концентрации внимания, нарушение сна и немало других, которые не только ведут к снижению трудоспособности, но и подрывают здоровье людей.

Основным источником проблем, связанных с охраной здоровья людей, использующих в своей работе автоматизированные информационные системы на основе персональных компьютеров, являются мониторы, особенно мониторы с электронно-лучевыми трубками. Они представляют собой источники наиболее вредных излучений, неблагоприятно влияющих на здоровье операторов и пользователей.

Любой производственный процесс, в том числе и работа с вычислительной техникой, сопряжен с появлением опасных и вредных факторов.

Опасным называется фактор, воздействие которого на человека вызывает травму, то есть внезапное повреждение организма в результате воздействия внешних факторов.

Вредным называется фактор, длительное воздействие которого на человека, приводит к профессиональным заболеваниям.

Питание ПЭВМ производится от сети 220В. Так как безопасным для человека напряжением является напряжение 40В, то при работе на ПЭВМ опасным фактором является поражение электрическим током.

В мониторе ПЭВМ высоковольтный блок строчной развертки и выходного строчного трансформатора вырабатывает высокое напряжение до 25кВ для второго анода электронно - лучевой трубки. А при напряжении от 5 до 300 кВ возникает рентгеновское излучение различной жесткости, которое является вредным фактором при работе с ПЭВМ (при 15 - 25 кВ возникает мягкое рентгеновское излучение).

Изображение на ЭЛТ создается благодаря кадрово-частотной развертке с частотой:

  •  85 Гц (кадровая развертка);
  •  42 кГц (строчная развертка).

Следовательно, пользователь попадает в зону электромагнитного излучения низкой частоты, которое является вредным фактором.

Во время работы компьютера дисплей создает ультрафиолетовое излучение, при повышении плотности которого > 10 Вт/м2, оно становиться для человека вредным фактором. Его воздействие особенно сказывается при длительной работе с компьютером.

Любые электронно-лучевые устройства, в том числе и электронно-вычислительные машины во время работы компьютера вследствие явления статического электричества происходит электризация пыли и мелких частиц, которые притягивается к экрану. Собравшаяся на экране электризованная пыль ухудшает видимость, а при повышении подвижности воздуха, попадает на лицо и в легкие человека, вызывает заболевания кожи и дыхательных путей.

Выводы:

При эксплуатации перечисленных элементов вычислительной техники могут возникнуть следующие опасные и вредные факторы:

  •  Поражение электрическим током.
  •  Электромагнитное излучение.
  •  Ультрафиолетовое излучение.
  •  Статическое электричество.

Анализ влияния опасных и вредных факторов на пользователя

Влияние электрического тока

Электрический ток, воздействуя на человека, приводит к травмам:

  •  Судорожное сокращение мышц, без потери сознания
  •  Судорожное сокращение мышц, с потерей сознания
  •  Потеря сознания с нарушением работы органов дыхания и кровообращения
  •  Состояние клинической смерти
  •  Местные травмы:
  •  Электрические ожоги
  •  Электрический знак
  •  Электроавтольмия

Проходя через тело человека, электрический ток оказывает следующие воздействия:

  •  Термическое — нагрев тканей и биологической среды
  •  Электролитическое — разложение крови и плазмы
  •  Биологическое — способность тока возбуждать и раздражать живые ткани организма
  •  Механическое — возникает опасность механического травмирования в результате судорожного сокращения мышц

Рисунок 2. Последствия влияния электрического тока на организм человека

T - длительность воздействия в милисекундах (ms)

I - величина тока в милиамперах (mA).

Наиболее опасным переменным током является ток 20 - 100Гц. Так как компьютер питается от сети переменного тока частотой 50Гц, то этот ток является опасным для человека.

Влияние электромагнитных излучений

Электромагнитные поля с частотой 60Гц и выше могут инициировать изменения в клетках животных (вплоть до нарушения синтеза ДНК). В отличие от рентгеновского излучения, электромагнитные волны обладают необычным свойством: опасность их воздействия при снижении интенсивности не уменьшается, мало того, некоторые поля действуют на клетки тела только при малых интенсивностях или на конкретных частотах. Оказывается переменное электромагнитное поле, совершающее колебания с частотой порядка 60Гц, вовлекает в аналогичные колебания молекулы любого типа, независимо от того, находятся они в мозге человека или в его теле. Результатом этого является изменение активности ферментов и клеточного иммунитета, причем сходные процессы наблюдаются в организмах при возникновении опухолей.

Влияние ультрафиолетового излучения

Ультрафиолетовое излучение   электромагнитное излучение в области, которая примыкает к коротким волнам и лежит в диапазоне длин волн ~ 200 - 400 нм.

Различают следующие спектральные области:

  •  200 - 280 нм   бактерицидная область спектра.
  •  280 - 315 нм   Зрительная область спектра (самая вредная).
  •  315 - 400 нм   Оздоровительная область спектра.

При длительном воздействии и больших дозах могут быть следующие последствия:

  •  Серьезные повреждения глаз (катаракта).
  •  Рак кожи.
  •  Кожно-биологический эффект (гибель клеток, мутация, канцерогенные накопления).
  •  Фототоксичные реакции.

Влияние статического электричества

Результаты медицинских исследований показывают, что электризованная пыль может вызвать воспаление кожи, привести к появлению угрей и даже испортить контактные линзы. Кожные заболевания лица связаны с тем, что наэлектризованный экран дисплея притягивает частицы из взвешенной в воздухе пыли, так, что вблизи него «качество» воздуха ухудшается и оператор вынужден работать в более запыленной атмосфере. Таким же воздухом он и дышит.

Особенно стабильно электростатический эффект наблюдается у компьютеров, которые находятся в помещении с полами, покрытыми синтетическими коврами.

При повышении напряженности поля Е>15 кВ/м, статическое электричество может вывести из строя компьютер.

Методы и средства защиты от поражения электрическим током

Защитное зануление - преднамеренное соединение нетоковедущих частей с нулевым защитным проводником (см. на рис. Рисунок 2).

Рисунок 2. Защитное зануление

НЗП - нулевой защитный проводник

Защитное зануление применяется в трехфазных сетях с глухо заземленной нейтралью, в установках до 1000В и является основным средством обеспечения электробезопасности.

Принцип защиты пользователей при занулении заключается в отключении сети за счет тока короткого замыкания, который вызывает отключение ПЭВМ от сети.

Вывод

Для отключения ПЭВМ от сети в случае короткого замыкания или других неисправностей в цепь питания ПЭВМ необходимо ставить автомат с Jном = 8 А.

Общие рекомендации при работе с вычислительной техникой

Для защиты от вредных факторов имеющих место при эксплуатации ЭВМ необходимо придерживаться следующих рекомендаций:

  •  правильно организовывать рабочие места;
  •  правильно организовать рабочее время оператора, соблюдая ограничения при работе с вычислительной техникой.

Требования к помещениям и организации рабочих мест

Особые требования к помещениям, в которых эксплуатируются компьютеры:

  •  Не допускается расположение рабочих мест в подвальных помещениях.
  •  Площадь на одно рабочее место должна быть не меньше 6 м2, а объем - не менее 20 м3.

Для повышения влажности воздуха в помещениях с компьютерами следует применять увлажнители воздуха, ежедневно заправляемые дистиллированной или прокипяченной питьевой водой. Перед началом и после каждого часа работы помещения должны быть проветрены.

Рекомендуемый микроклимат в помещениях при работе с ПЭВМ:

  •  температура 19- 21°С;
  •  относительная влажность воздуха 55-62%.

В помещениях, где размещены шумные агрегаты вычислительных машин (матричные принтеры и тому подобное), уровень шума не должен превышать 75дБА, в обычных же помещениях, где стоят персональные машины, допускается максимум 65 дБА.

Помещения должны иметь естественное и искусственное освещение. Желательна ориентация оконных проемов на север или северо-восток. Оконные проемы должны иметь регулируемые жалюзи или занавеси, позволяющие полностью закрывать оконные проемы. Занавеси следует выбирать одноцветные, гармонирующие с цветом стен, выполненные из плотной ткани и шириной в два раза больше ширины оконного проема. Для дополнительного звукопоглощения занавеси следует подвешивать в складку на расстоянии 15-20 см от стены с оконными проемами.

Рабочие места по отношению к световым проемам должны располагаться так, чтобы естественный свет падал сбоку, преимущественно - слева.

Для устранения бликов на экране, также как чрезмерного перепада освещенности в поле зрения, необходимо удалять экраны от яркого дневного света.

Рабочие места должны располагаться от стен с оконными проемами на расстоянии не менее 1,5 м, от стен без оконных проемов на расстоянии не менее 1,0 м.

Поверхность пола в помещениях должна быть ровной, без выбоин, нескользкой, удобной для чистки и влажной уборки, обладать антистатическими свойствами.

Освещенность на рабочем месте с ПЭВМ должна быть не менее:

  •  экрана - 200 лк;
  •  клавиатуры, документов и стола - 400 лк.

Для подсветки документов допускается установка светильников местного освещения, которые не должны создавать бликов на поверхности экрана и увеличивать его освещенность до уровня более 300 лк. Следует ограничивать прямые блики от источников освещения.

Освещенность дисплейных классов, рекомендуемая отраслевыми нормами, лежит в пределах 400-700 лк и мощностью ламп до 40Вт.

В качестве источников света при искусственном освещении необходимо применять преимущественно люминесцентные лампы типа ЛБ цветовая температура (Тцв) излучения которых находится в диапазоне 3500-4200°K.

Допускается применение ламп накаливания в светильниках местного освещения. Для того чтобы избегать ослепления, необходимо устранять из поля зрения оператора источники света (лампы, естественный солнечный свет), а также отражающие поверхности (например, поверхность блестящих полированных столов, светлые панели мебели). При электрическом освещении упомянутые требования могут быть удовлетворены при выполнении следующих условий: освещение должно быть не прямым, для чего необходимо избегать на потолке зон чрезмерной освещенности. При этом освещенность должна быть равномерной, потолок должен быть плоским, матовым и однородным. Необходима также достаточная высота потолка для возможности регулировать высоту подвеса светильников.

При установке рабочих мест нужно учитывать, что мониторы должны располагаться на расстоянии не менее 2 метров друг от друга, если брать длины от задней поверхности одного до экрана другого, и 1,2 метра между их боковыми поверхностями. При выполнении творческой работы, требующей «значительного умственного напряжения или высокой концентрации внимания», между компьютерами должны быть установлены перегородки высотой 1,5-2,0 метра.

Дисплей должен поворачиваться по горизонтали и по вертикали в пределах 30 градусов и фиксироваться в заданном направлении. Дизайн должен предусматривать окраску корпуса в мягкие, спокойные тона с диффузным рассеиванием света. Корпус дисплея, клавиатура и другие блоки и устройства должны иметь матовую поверхность одного цвета с коэффициентом отражения 0.4-0.6 и не иметь блестящих деталей, способных создавать блики.

Рабочий стул должен быть подъемно-поворотным и регулируемым по высоте и углам наклона сиденья и спинки, а также расстоянию спинки от переднего края сиденья.

Экран монитора должен находиться от глаз пользователя на расстоянии 600-700 мм, но не ближе 500 мм. В помещениях ежедневно должна проводиться влажная уборка.

Рабочее место должно быть оборудовано подставкой для ног, шириной не менее 300 мм, глубину не менее 400 мм, регулировку по высоте в пределах 150 мм и по углу наклона опорной поверхности до 20 градусов. Клавиатуру следует располагать на поверхности стола на расстоянии 100-300 мм от края, обращенного к пользователю, или на специальной, регулируемой по высоте рабочей поверхности.

Требования к организации работы

Для преподавателей вузов и учителей средних учебных заведений длительность работы в дисплейных классах устанавливается не более 4 часов в день. Для инженеров, обслуживающих компьютерную технику, - не более 6 часов в день. Для обычного пользователя продолжительность непрерывной работы за компьютером без перерыва не должна превышать 2 часов.

Необходимо делать 15-минутные перерывы каждые 2 часа, менять время от времени позу.

Для тех, у кого смена работы за компьютером 12 часов, установлено - в течение последних четырех часов каждый час должен прерываться 15-минутным перерывом.

При работе с ПЭВМ в ночную смену, независимо от вида и категории работ, продолжительность регламентированных перерывов увеличивается на 60 минут. В случаях возникновения у работающих с ПЭВМ зрительного дискомфорта и других неблагоприятных субъективных ощущений, несмотря на соблюдение санитарно-гигиенических, эргономических требований, режимов труда и отдыха следует применять индивидуальный подход в ограничении времени работ с ПЭВМ и коррекцию длительности перерывов для отдыха или проводить смену деятельности на другую, не связанную с использованием ПЭВМ.

Профессиональные пользователи обязаны проходить периодические медицинские осмотры. Женщины во время беременности и в период кормления ребенка грудью к работе за компьютером не допускаются.

Необходимо строго регламентировать время и условия работы с компьютером для сотрудников, страдающих заболеваниями опорно-двигательного аппарата, глаз и т. д.

Методы и средства защиты пользователей от воздействия на них опасных и вредных факторов

Методы и средства защиты от поражения электрическим током

Для защиты от поражающего электрическим током используется технический метод - зануление. Зануление - это преднамеренное электрическое соединение с нулевым защитным проводником металлических нетоковедущих частей ЭЛУ, которые могут оказаться под напряжением. Применяется в трёхфазных четырехпроходных сетях с заземленной нейтралью при напряжении менее 1000В.

Основа принципа защиты занулением: защита человека осуществляется тем, что при замыкании одной из фаз на заземляющий корпус, в цепи появляется ток замыкания, который отключает от потребителя сеть. Ток короткого замыкания еще до срабатывания защиты вызывает перераспределение в сети, приводящее к снижению напряжения на корпусе относительно земли

Вывод: Для отключения ПЭВМ от сети в случае короткого замыкания или других неисправностей в цепь питания ПЭВМ необходимо включить автомат с Jном = 8 А.

Методы и средства защиты от ультрафиолетового излучения

Энергетической характеристикой является плотность потока мощности [Вт/м2] Биологический эффект воздействия определяется внесистемной единицей эр. 1 эр - это поток (280 - 315 нм), который соответствует потоку мощностью 1 Вт. Воздействие ультрафиолетового излучения сказывается при длительной работе за компьютером. Максимальная доза облучения: 7,5 мэр*ч/ м2 за рабочую смену; 60 мэр*ч/м2 в сутки.

Для защиты от ультрафиолетового излучения:

  •  защитный фильтр или специальные очки (толщина стекол 2мм, насыщенных свинцом);
  •  одежда из фланели и поплина;
  •  побелка стен и потолка (ослабляет на 45-50%);
  •  в помещении, где располагается рабочее место ПЭВМ, оконные проемы должны быть зашторены.

Защита от электромагнитных излучений осуществляется следующими способами:

  •  Время работы - не более 4 часов
  •  Расстояние - не менее 50 см от источника
  •  Экранирование
  •  Расстояние между мониторами - не менее 1,5 м
  •  Не находиться слева от монитора ближе 1.2 м, и сзади не ближе 1м.

Защита от статического электричества и вызванных им явлений осуществляется следующими способами:

  •  Иметь контурное заземление.
  •  Нейтрализаторы статического электричества.
  •  Отсутствие синтетических покрытий.
  •  Использование экранов.
  •  Влажная уборка.
  •  Подвижность воздуха в помещении не более 0.2 м/с.

Для уменьшения влияния статического электричества необходимо пользоваться рабочей одеждой из малоэлектризующихся материалов, например халатами из хлопчатобумажной ткани, обувью на кожаной подошве. Не рекомендуется применять одежду из шелка, капрона, лавсана.


Итоги работы

После окончания разработки системы прогнозирования и проведения эксперимента работу можно считать оконченной.

В процессе работы были рассмотрены различные подходы к решению поставленных задач, была разработана логическая структура системы прогнозирования, был создан прототип системы прогнозирования и проведен эксперимент.

В ходе разработки и проведения эксперимента были выявлены следующие недостатки системы прогнозирования:

  1.  Частичная несовместимость компонентов. Из-за того, что программа Net-SNMP не предусмотрена для работы вод управлением операционной системой MS Windows, а пакет Statistica работает только под этой системой, возникают трудности в организации их совместной и одновременной работе. Эта проблема может быть решена путем организации сетевой базы данных.
  2.  Сложность в установке. Из-за разнородности компонентов каждый из блоков системы прогнозирования устанавливается отдельно от всех остальных, и появляется необходимость  настройки их совместной работы.
  3.  Обучение и прогнозирование выполняются только после сбора статистики (отсутствие on-line прогнозирования). Эта проблема вытекает из двух предыдущих недостатков.

Несмотря на все эти недостатки, в разработанный прототип системы прогнозирования можно внести изменения для её модернизации и реализации более успешной системы в будущем:

  •  Замена одного из компонентов (Net-SNMP или Statistica) на кроссплатформенный продукт
    •  Реализация on-line прогнозирования

Итогами работы можно считать:

  •  Реализованная система удовлетворяет ТЗ
  •  Выявлен ряд недостатков разработанного прототипа, которые не позволяют производить прогноз в реальном масштабе времени
  •  Составлена рекомендация по улучшению системы


Выводы

В результате выполнения поставленных задач можно сделать следующие выводы:

  •  Проведен анализ методов прогнозирования, в результате которого определены общие требования к системе прогнозирования
  •  Анализ методов прогнозирования позволил обосновать выбор нейро-сетевых технологий для решения поставленных задач
  •  Разработаны логическая структура и алгоритм работы системы, предназначенной для прогнозирования на базе нейронных сетей
  •  Проведен эксперимент, результаты которого позволяют делать выводы о применимости данных методов прогнозирования

 


Список литературы


Приложение 1. Листинг block_upr.pl

#!/usr/bin/perl -w

# вводим переменные

# хост, который будем опрашивать

$snmp_host = '192.168.8.253';

# сообщество

$snmp_community = 'snmp';

# начало МИБ`а

$snmp_part_MIB = '.1.3.6.1.2.1.2.2.1';

# MySQL хост

$host = 'localhost';

# MySQL юзер

$user = 'SNMP';

# MySQL пароль

$password = 'SNMP';

# устанавливает модуль, отвечающий за SNMP

use Net::SNMP;

# устанавливаем модуль для работы с MySQL

use Mysql;

# достаём время

my ($sec,$min,$hour,$mday,$mon,$year,$wday,$yday,$isdst) = localtime time;

$year = $year + 1900;

$mon = $mon + 1;

$unix_time = time;

# строим MIB для MAC-адреса интерфейса

$snmp_MIB_MAC = $snmp_part_MIB . ".6.";

$IF_MAC = $session->get_request("$snmp_MIB_MAC");

die "request error: " . $session->error unless(defined $IF_MAC);

# результаты - MAC-адрес интерфейса

#$IF_MAC = $IF_MAC->{"$snmp_MIB_MAC"};

# MySQL база данных(название базы по мас адресу)

$database = $IF_MAC';

# Коннектимся к MySQL

$dbh = Mysql->Connect($host,$database,$password,$user);

# Создаём в БД таблицу для хранения итогов

$MySQL_query = "CREATE TABLE IF NOT EXISTS `" . $year . "_SNMP`

(`unic_id` INT(12) NOT NULL AUTO_INCREMENT ,

`SNMP_date` VARCHAR(10) NOT NULL ,

`SNMP_time` VARCHAR(8) NOT NULL ,

`SNMP_unix_time` INT(32) NOT NULL ,

`SNMP_IF_traff_in` INT(255) NOT NULL ,

`SNMP_IF_traff_out` INT(255) NOT NULL ,

PRIMARY KEY (`unic_id`),

KEY `SNMP_unix_time` (`SNMP_unix_time`),

KEY `SNMP_date` (`SNMP_date`)

)TYPE = MYISAM

# Создаём в БД таблицу для хранения временных данных

$MySQL_query = "CREATE TABLE IF NOT EXISTS `SNMP_tmp_table`

(`SNMP_unix_time` INT(255) NOT NULL,

`SNMP_IF` INT(255) NOT NULL,

`SNMP_IF_traff_in_absolute` INT(255) NOT NULL,

`SNMP_IF_traff_out_absolute` INT(255) NOT NULL

) TYPE = MYISAM

COMMENT = 'Временная таблица для данных SNMP'";

$dbh->Query("$MySQL_query") or die $Mysql::db_errstr;

# Очищаем временную таблицу, после использованием

#$MySQL_query = "TRUNCATE TABLE `SNMP_tmp_table`";

#$dbh->Query("$MySQL_query") or die $Mysql::db_errstr;

# открываем сессию SNMP

($session,$error)=Net::SNMP->session(Hostname => $snmp_host,

Community => $snmp_community);

die "session error: $error" unless($session);

# строим MIB для трафика

$snmp_MIB_traff_in = $snmp_part_MIB . ".10.";

$snmp_MIB_traff_out = $snmp_part_MIB . ".16.";

$traff_in = $session->get_request("$snmp_MIB_traff_in");

$traff_out = $session->get_request("$snmp_MIB_traff_out");

die "request error: " . $session->error unless(defined $traff_in);

# результаты по траффику

$traff_in = $traff_in->{"$snmp_MIB_traff_in"};

$traff_out = $traff_out->{"$snmp_MIB_traff_out"};

# заходим в БД с целью достать предыдущие значения счётчиков

# для начала достаём максимальный UNIX TIME для этого интерфейса

$MySQL_query = "SELECT MAX(`SNMP_unix_time`)

FROM `SNMP_tmp_table` WHERE `SNMP_IF`='" . $i . "'";

$sth = $dbh->query("$MySQL_query") or die $Mysql::db_errstr;

@row = $sth->fetchrow;

# забираем данные от предыдущего съёма статистики

$MySQL_query = "SELECT `SNMP_IF_traff_in_absolute`,`SNMP_IF_traff_out_absolute`

FROM `SNMP_tmp_table` WHERE `SNMP_IF`='" . $i . "'

AND `SNMP_unix_time`='" . $row[0] . "'";

$sth = $dbh->query("$MySQL_query") or die $Mysql::db_errstr;

@row = $sth->fetchrow;

# Проверяем что в $row[1] и $row[0]- число или нет

if($row[1] =~ /[0-9]/){

# число. Ничего не делаем

}else{

# Там не число. Приравниваем к 0 - будет число

$row[1] = 0;

}

if($row[0] =~ /[0-9]/){

# число. Ничего не делаем

}else{

# Там не число. Приравниваем к 0 - будет число

$row[0] = 0;

}

# проверяем, больше, или меньше текущее значение, чем предыдущее,

# на случай, что счётчики сбрасывались, между измерениями

if($traff_in >= $row[0]){

# счётчик не сбрасывался, считаем разницу

$delta_traff_in = $traff_in - $row[0];

}else{

# счётчик сбросился - данные по этому интерфейсу

# за последнюю минуту считаем пропавшими

#$delta_traff_in = $traff_in;

}

if($traff_out >= $row[1]){

# всё пучком, счётчик не сбрасывался, считаем разницу

$delta_traff_out = $traff_out - $row[1];

}else{

# счётчик сбросился - данные по этому интерфейсу

# за последнюю минуту считаем пропавшими

#$delta_traff_out = $traff_out;

}

# отправляем данные во временную таблицу

$MySQL_query = "INSERT INTO `SNMP_tmp_table`

(`SNMP_unix_time`,`SNMP_IF`,`SNMP_IF_traff_in_absolute`,

`SNMP_IF_traff_out_absolute`) VALUES ('" . $unix_time . "',

'" . $i . "','" . $traff_in . "','" . $traff_out ."')";

$dbh->query("$MySQL_query") or die $Mysql::db_errstr;

# отправляем даные в постоянную таблицу

$MySQL_query = "INSERT INTO `" . $year . "_SNMP`

(`SNMP_date`,`SNMP_time`,`SNMP_unix_time`,`SNMP_IF`,

`SNMP_IF_speed`,`SNMP_IF_status`,`SNMP_IF_traff_in`,

`SNMP_IF_traff_out`) VALUES

('" . $year . "-" . $mon . "-" . $mday . "',

'" . $hour . ":" . $min . ":00',

'" . $unix_time . "','" . $i ."',

'" . $IF_speed . "','" . $IF_status . "',

'" . $delta_traff_in . "','" . $delta_traff_out . "')";

$dbh->query("$MySQL_query") or die $Mysql::db_errstr;

}

# отключаемся от SNMP

$session->close;

# Удаляем из временной таблицы все записи,

# кроме тех, что добавили только что

$MySQL_query = "DELETE FROM `SNMP_tmp_table`

WHERE `SNMP_unix_time`!='" . $unix_time . "'";

$dbh->query("$MySQL_query") or die $Mysql::db_errstr;

1;


Приложение 2. Алгоритм работы системы прогнозирования

Часть А


Часть В


Количество входящих

ошибок

оличество входящих

ошибок

Исходящий трафик

Входящий трафик


 

А также другие работы, которые могут Вас заинтересовать

20717. ПОЛНЫЕ МЕТРИЧЕСКИЕ ПРОСТРАНСТВА 57 KB
  Чтобы разобраться в этом вопросе рассмотрим понятие фундаментальной последовательности на R’. Определение: последовательность {xn} называется фундаментальной если выполняется Пример. ТЕОРЕМАпринцип сходимости Коши Для сходимости последовательности необходимо и достаточно чтобы она была фундаментальной. Понятие фундаментальной последовательности переносится на метрические пространства.
20718. Формула и ряд Тейлора. Биномиальный ряд 130.5 KB
  Формула и ряд Тейлора. Биномиальный ряд. Теорема о разложении функции в ряд Тейлора: пусть функция имеет в некотором интервале производные до порядка включительно а точка находится внутри этого интервала. Используя эту теорему можно сделать следующий вывод: если функция имеет на некотором отрезке производные всех порядков раз они имеются все то каждая из них будет дифференцируемой и поэтому непрерывной то можно написать формулу Тейлора для любого значения .
20720. Линейные дифференциальные уравнения второго порядка с постоянными коэффициентами 72.5 KB
  Вопрос о том является ли это решение общим приводит к понятию линейной независимости системы частных решений линейно независимых функций 1 и фундаментальной системы решений 2. Совокупность всех линейнонезависимых частных решений уравнения называется фундаментальной системой решений этого уравнения тогда есть общее решение для уравнения . Таким образом для решения нужно: найти частные решения; выяснить их линейную независимость ; найти общее решение согласно .
20721. Мощность множества. Арифметика счетной мощности 59.5 KB
  Пусть A – некоторое счетное мнво тогда по определению A N.Из всякого бесконечного мнва можно выделить счетное подмново.Сумма конечного числа счетных мнв есть счетное мнво. Сумма счетного числа конечных мнв есть счетное мнво.
20722. Предел и непрерывность функции в точке. Основные свойства функции непрерывной на отрезке 29.5 KB
  Иногда говорят что предел функции в точке а : fx=b      х: ха ха и fxb Данное определение называется определением предела функции на языке .3 Если fx=fa то функция назся непрерывной в точке а.4 Если использовать предел функции в точке то определение функции в точке можно оформить в виде:    : ха х[ аb] и fxb Опред.
20723. Предел числовой последовательности. Необходимый и достаточный признак сходимости числовой последовательности 62 KB
  Определение: Если каждому по определённому закону можно поставить в соответствие то числа получающиеся при каждом конкретном n образуют числовую последовательность. Если такое имеет место то пишут что последовательность расходится. Теорема Необходимое условие сходимости числовой последовательности: если последовательность {Xn} сходится то она ограничена. Определение 2: Если предел сходящейся последовательности равен 0 то она называется бесконечно малой последовательностью.
20725. Замечательные пределы 40.5 KB
  Замечательные пределы Существует 4 замечательных предела: I. Покажем доказательство первого предела. ; ; ; ; ; ; ; по свойству функции имеющей предел имеем предел зажатой последовательности ч.