Автореферат (Методы и алгоритмы интеллектуализации принятия решений в условиях неопределенности на базе аппарата нейронных сетей и эволюционного моделирования), страница 4

Для проверки эффективностинейроэволюционной модели в качестве классификатора линейно-неразделимых образовбыла использована эталонная задача реализации функции XOR, являющаяся частнымслучаем задачи о классификации точек единичного гиперкуба. Задача была выбрана по двумсоображениям: реализация XOR наглядно демонстрирует точность настройки весовыхкоэффициентов и релевантность выбора вида функции активации; она позволяет точноопределить адекватность топологии ИНС.

Задачи восстановления поврежденных данных засчет слабой формализуемости показательны при испытании нейроэволюционных моделей. Вкачестве такой задачи было выбрано восстановление поврежденного изображения размера неболее R×C, X% пикселей которого неизвестны. Усредненные по 100 запускам результатырешения эталонных задач при помощи разработанного метода и методов,13проанализированных в первом разделе диссертационной работы, представлены в таблице 5.Предложенный метод демонстрирует наилучшие или близкие к лучшим результаты ивыигрывает у большинства приведенных методов по количеству эпох и неудачных запусков.Таблица 5 – Сравнение эффективности нейроэволюционных методовна эталонных задачахЗадачаКоличество эпох/неудачОбратныйДваОбратныйXORВосстановлениемаятникобратныхмаятник наизображенияМетодмаятникаплоскостиПредложенный2/025/137/211/0146/2методCE5/0150/14230/2019/0441/4CNE4/0800/301312/2731/2659/0DXNN3/0614/28802/129/0235/0EANT7/0975/141040/114/0148/233ENS8/0741/161021/515/1360/0EPNetESPGNARLICONENEATSANENES3/02/04/06/06/011/09/1543/2019/1591/13903/624/163/3692/8717/4533/2719/341452/1479/1104/3834/1710/017/116/012/08/09/022/3152/0554/0408/7415/0210/0276/4685/5Для практической реализации нейроэволюционного метода и алгоритмов предложенамодель СППР, определяющая популяцию нейросетей, генерируемую посредствомнейроэволюционного метода, среду, источники данных и пользовательский интерфейс.Нейроэволюционный метод инкапсулируется в модуль принятия решений.

Для программнойреализации компонентов СППР был использован язык программирования C++ всовокупности с библиотеками STL, Boost и QWT, системой управления базами данныхSQLite и инструментарием разработки Qt.В четвертой главе описываются эксперименты и практические результаты работы,полученныесиспользованиемразработанногопрограммногоинструментария,обеспечивающего реализацию нейроэволюционного метода и модели системы поддержкипринятия решений в условиях неопределенности. В ходе диссертационного исследованиярешены три актуальные практические задачи: защита корпоративного портала от DDoS-атак,автоматическая обработка материалов, размещаемых в виртуальной среде работы надпроектами, и конструктивная модификация деталей 3D-принтера Prusa i2.При решении задачи защиты корпоративного портала НИФИ от DDoS-атак (вчастности, HTTP-флуда) была реализована СППР для фильтрации трафика, обеспечивающаяраспознавание запросов легитимных пользователей и атакующих машин.

Былосформировано 14 входных параметров для анализа (таблица 6), которые подверглисьпредобработке (в частности, масштабированию и нормированию).В процессе нейроэволюции количество параметров было сокращено до 11, при этомв 17-ю эпоху в сетях прямого распространения были сформированы обратные связи иконтекст. Наиболее качественные результаты показала рекуррентная ИНС, которая имеетследующую структуру: входной слой, контекст, первый скрытый слой из 31 нейрона, второйскрытый слой из 14 нейронов, выходной слой (2 нейрона, выход которых поступает на14контекст).

Внедрение данной СППР позволило значительно снизить риск отказа серверов изза DDoS-атак.№1234567891011121314Таблица 6 – Входные параметры нейроэволюционного методаПараметрОписаниеHTTP-методПринимает одно из значений, определенных протоколом.Используется для определения атак типа HTTP GET (POST)URIURI запрашиваемого ресурса в стартовой строке запросаВерсия протокола Строка, содержащая наименование протокола и версиюUrl источникаОпределяется по значению заголовка referer и проходитвалидациюUser-AgentИнформация о клиентском приложении, обрабатываемаяпарсером для разбиения на отдельные признакиКорректностьЗначение данного двоичного параметра формируется парсеромзаголовковзаголовковКод состоянияСтатус сервера в ответе на запрос клиента.

Особый интереспредставляют значения 403 – forbidden, 404 – not found, 503 –service unavailableIp клиентаПараметр необходим для фильтрации запросов по Ip-адресу, в томчисле по первому октету Ip, определяющему RIR (региональногоинтернет регистратора)Ответ на cookieСтрока вида name=value в ответе клиента на присланныйсервером cookie (добавленный в HTTP-заголовок илиустановленный сценарием JavaScript)ПоддержкаОтвет клиента на сценарий JavaScript, определяющий,JavaScriptподдерживается ли он клиентским приложениемПоддержка Flash- Ответ клиента на Flash-контент, отправленный серверомконтентаВремяПараметр был добавлен в выборку для снижения риска ошибокпоступлениявторого рода: вероятность запроса от легитимного клиента к ИС взапросанерабочее время ниже, чем ботнетаИнтервалПараметр позволяет блокировать ботнеты, отправляющиевремени междубольшое количество запросов за короткий промежуток временизапросамиКоличествоУчет данного параметра при фильтрации клиентов повышаетподключенийвероятность блокирования клиентов со статическим Ip, но полезенклиентадля фильтрации ботов, использующих проксиДля решения задачи автоматической обработки контента в виртуальной среде работынад проектами была разработана нейроэволюционная СППР, интегрированная ввиртуальную среду.

СППР выполняет следующие функции: формирование архиваматериалов и закрытого хранилища, ранжирование материалов, рубрикацию и удалениеневостребованного контента.На вход нейроэволюционной СППР подается векторнормированных и масштабированных параметров материалов, размещенных в виртуальнойсреде. На основании множества параметров, среди которых оценка модератора,пользовательская оценка, популярность, актуальность и рейтинг автора, формируетсяинтегрированная рейтинговая оценка, необходимая для принятия решения об обработкеконтента.Структурная схема виртуальной среды, в которую интегрирована СППР дляавтоматической обработки контента, представлена на рисунке 2.

Внедрение СППР позволилосократить время поиска необходимой информации в виртуальной среде, увеличить15количество и повысить качество размещаемых материалов, что позволило оптимизироватьдокументооборот, улучшить информационное взаимодействие сотрудников и, как следствие,повысить уровень внутрикорпоративных коммуникаций.Рисунок 2 – Структурная схема виртуальной средыТакже в диссертационной работе приведено решение задачи модернизациипластиковых элементов конструкции 3D-принтера модели Prusa i2 с целью улучшения такихпоказателей качества как материалоемкость деталей, прочность и максимальная скоростьпечати. Большинство известных разработок деталей принтера Prusa на текущее время имеетсущественные недостатки: неоправданно высокую материалоемкость и недостаточнуюпрочность.

Поэтому одним из ключевых направлений модернизации Prusa являетсяулучшение печатаемых элементов его конструкции по двум данным характеристикам.Задача формулируется следующим образом: максимизация прочности детали приограничениях на материалоемкость детали и отсутствии поддержки (конструкции дляпредотвращения деформации во время печати стенок детали, имеющих угол наклона более70°).

Процесс нейроэволюционного поиска рациональной конфигурации детали состоит изчетырех основных этапов:1. Подготовка трехмерной модели детали, конвертирование в каркасноепредставление для нейросетевой обработки.2. Этап нейроэволюции. Создание при помощи нейроэволюционного метода ИНС,максимально подходящей для задачи обработки пространственных объектов.3. Этап конструктивной модификации детали: активизация ИНС входным вектором,сгенерированным на предыдущем этапе, и получение на выходе ИНС результата.4. Постобработка и проверка качества детали.

Приведение выходного вектора ИНС кформату, пригодному для печати (экспорт результата в stl-формат). Проверка качестваполученной детали и, при необходимости, распечатывание методом послойного нанесенияфиламента. На рисунке 3 представлены модификации, внесенные в конструкцию детали(держателя направляющей оси X) на этапе 3.Для сравнительной оценки жесткости деталей были проведены измерениямаксимальной скорости печати периметров max 3D-принтера в двух конфигурациях: до ипосле модификации. В качестве эталонного объекта для печати выступал полый куб 1 см 3 столщиной стенки в один слой. При проведении серии тестов скорость печатипоследовательно увеличивалась с шагом 1 мм/с. Значение max – это наибольшее значениескорости печати, при которой для трех последовательных запусков процесс печатизавершается успешно без отрыва детали от рабочей поверхности, не происходит16проскальзывания в ременно-зубчатых передачах принтера, а геометрические искажениядетали не превышают 0.3 мм.а – до модификации; б – после модификацииРисунок 3 – Держатель направляющей оси XИнформация о материалоемкости деталей до и после модификации (при диаметрефиламента 1.75 мм), о приращении скорости при последовательном включении вконструкцию модифицированных деталей и экономии филамента дана в таблице 7.Реализованная система позволила снизить материалоемкость деталей в среднем на 27%и сократить время их изготовления на 15%.

За 230 часов эксплуатации модернизированногопредложенным методом принтера посредством измерения max было отмечено снижениевибраций и улучшение качества печатаемых изделий.Таблица 7 – Сравнение характеристик деталей до и после модификацииРасход филамента, мПриращениеЭкономияскоростиНеДетальМодифицированной филамента,печати,модифицированной%версиимм/сверсииСкоба мотора4.2244.1032.89оси XДержатель3.9653.3823.3827направляющейоси XСкоба мотора2.2091.67424.22оси ZЗАКЛЮЧЕНИЕСогласно поставленным в настоящей работе цели и задачам получены основныерезультаты:1.