Диссертация (1335837), страница 20

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 20)

В дальнейшемобудем говорить, что компонентыобазовой подсистемыообеспечиваются компонентамиообразующих подсистем.О п р е д е л е н и е 2.1. Подсистемы j1 ,..., j k (виды обеспечения обработкиинформации) в подсистеме i назовем образующими подсистемами, а саму подсистему iоназовем базовойоподсистемой.Основная идеяоданного способа моделированияоструктуры БЦВК заключается в том, что всякое существенноеосвойство системыозависит от соотношенийкомпонентовосистемыоразличных уровнейосложности, следовательно, значенияоцелевых функцийоможно рассчитывать, учитываяоэти соотношения. Посколькуоколичество компонентов системыоконечно, то каждому соотношениюоможноприсвоитьоуникальный числовой код, которыйобудет затем использованоприопостроении хромосомы.Все рассматриваемые связиокомпонентов объединяются в несколько групп,отражающиеосвязиоподсистем. Связанность подсистем отражается функцией fi (вдальнейшем  функция связи подсистем), i  номер комбинации связанныхоподсистем.

Аргументамиоэтой функцииоявляются номера компонентовосвязанныхподсистем. Областьоопределения этойофункции  декартово произведениеономеров компонентовосвязанных подсистем. Областьодопустимых значений омножество, состоящее из двух элементов, например {0,1}. При этомозначение функции 0 говоритооотом, что компонентыосоданными номерамионе связаны, а значение 1  наоборот, что связаны.График функции f i, характерныйодля комбинацииоизодвух связанных подсистемопредставленона рисунке 2.8.112Рисунок 2.8 - График функции связи подсистемjkЗдесь по координатнымоосям  ,  откладываютсяономера компонентысоответственно j-й и k-й подсистем.В реализацииопроцедур обработкиои защитыоинформации принимают участиеокомпоненты подсистемопервого уровняодекомпозиции.

Следовательно, необходимооучесть все возможныеокомбинации связанныхоподсистем этой группыосоставляющих. Если у какой-либо подсистемыопервого уровня декомпозицииовыделены собственныеосоставляющие, то необходимооучесть все возможныеокомбинации иов этойогруппе образующих. Таким образом, общее числоосвязейреализацииопроцедурNобработкиоизащитыоинформациисоставляетNiS p   C Nj ii 1 j 1, где N  числоовыделенных группообразующих подсистем, Ni число подсистем в i-й группе образующих,C Nj i- числоосочетаний из Ni по j.Связиохраненияоинформации, как ужеоговорилось, характеризуютсяоместом хранения иообъектом хранения. Обычно в системеовыделяетсяоодна подсистемаотехнического обеспечения, компонентыокоторой могут рассматриватьсяокак местоохранения информации.

Следовательно, общее число комбинацийосвязанных подсистеморавно количествуовидов обеспеченияопервого уровня декомпозиции, компонентыокоторыхотребуют определенного места хранения.Связиопередачи информацииовозникают толькоов подсистеме, компонентыокоторой рассматриваютсяокакоместо храненияоинформации, т.е.

в пределахо-113подсистемы техническогоообеспечения. Количествоокомбинаций связанныхоподсистем равно количеству подсистем техническогоообеспечения (обычно 1).Найтиовсе наборыоаргументов функций связейоподсистем, на которых значенияоэтих функцийоравно единице  значитонайти все комбинацииосвязанныхкомпонентов, т.е. восстановить структуруосистемы.О п р е д е л е н и е 2.2. Допустимое решениеопредставляет собойонабор аргументов функций связейоподсистем, на которых значенияоэтих функций равныоединице.Допустим, выделено s различныхокомбинаций связанныхоподсистем (всехвозможных видов).

Допустимое решениеоимеет вид:где ij j-й набороаргументов, на котором функцияосвязи подсистем fi при-нимает значение 1; ni  количествоотаких наборовоаргументов. Множество допустимыхорешений D описывается как x   11 ,...,  n11 ,  12 ,...,  n22 ,...,  1s ,...,  nss ,(2.18) x   11 ,...,  n11 ,...,  1s ,...,  nssDii(i1,sj1,n)f()1ij.(2.19)О п р е д е л е н и е 2.3. Решением задачи оптимизацииоструктуры системыявляетсяоэлемент множества D (2.2), для которого комплексная оценкаокритериевоптимизацииоимеет наилучшее значение.Для перехода от моделиосвязей к генетической моделиопроизводится кодированиеокаждого набора аргументовij, которое проводитсяосоучетом номеро-восвязанных компонентов [44].

Используемый способокодирования долженообеспечивать взаимноооднозначное соответствиеомежду номерами компонентови числовым представлениемоэтой связи. В итогеополучим числовыеостроки;114где ij численное представлениеонабора аргументовij.Если воклассических ГА одна хромосомаосоответствовала всемуовекторувнутреннихопараметров, то в данномослучае одна хромосома ставитсяов соответствиеокаждому компонентуовектора допустимого решения (2.12).2.4.2 Нейросетевые экспертныеосистемы в задачахообнаружениядеструктивных ЭМВМожноовыделить следующиеоварианты применения НС в системахообнаружения деструктивныхоЭМВ. Дополнениеонейронной сетьюосуществующихэкспертныхосистем дляоснижения числаоложных срабатываний, присущихоэкспертной системе.

Так как экспертнаяосистема получаетоот НС данные толькоооособытиях, которыеорассматриваются в качествеоподозрительных, чувствительностьосистемы возрастает. Еслиообученная НС получилаовозможность идентифицироватьоновые воздействия, то экспертнуюосистемуотакже следуетообновить.Иначеоновыевоздействияобудутигнорироватьсяоэкспертнойсисте-мой,опрежние правилаокоторой не описываютоданную угрозу.ЕслиоНС представляет собойоотдельнуюосистему обнаруженияоЭМВ, тоонаообрабатывает трафикобортовой сети и анализируетоинформацию на наличиевонем искажений. Любые случаи, которые идентифицируютсяос указанием наЭМВ, перенаправляются коЛПРоилиоиспользуются системойоавтоматическогореагированияона ЭМВ. Этот подход обладаетопреимуществом воскорости поосравнениюос предыдущимоподходом, т.к.

существуетотолько один уровеньоанализа, а самаосистема обладаетосвойством адаптивности.115Коосновным недостаткамоНС относято«непрозрачность» процесса формированияорезультатов [255]. Однако использованиеогибридных нейросетевыхоэкспертных или нейро-нечетких системопозволяет явнымообразом отразитьовструктуреоНС системуонечетких правиловывода, которые автоматически корректируютсяов процессеообучения НC [72, 163, 260].Нейросетевыеоэкспертные системы.Приэтомоследует иметьоввиду, чтоонейронныеосетиои экспертныеоси-стемы существеннооразличаются по способамопредставления и обработкиоинформации.

НСоориентированы на распределеннуюообработку данных, в ходе которойосложно найтиоаналог рассуждений, процессорешенияозадачи логическио«не прозрачен», а накопленныеов процессеообучения знанияораспределеныпо всемуоинформационному полю НС, чтоозатрудняетообъяснениеоих конкретногооместоположения и делаетотрудновыполнимым отражениеов информационноеополе необученной нейроннойосети априорногооопытаоквалифицированныхспециалистовопо ЭМС.Априорныйоопыт воэкспертныхосистемах представляется в «прозрачной»одля пользователяоиерархии правил IF-THEN, например, в видеодерева решений, а процессологического выводаосходен сопоследовательным характеромочеловеческих рассуждений.

Известныометоды организацииоцепочек рассуждений,оуправляемыходанными (data-driven) и управляемыхоцелью (goal-driven). Вобоихослучаях имеются предпосылкиораспараллеливания обработкиовысказываний.В отличиеоот экспертныхосистем НС обладаютосвойством адаптивности,причемосам процессообучения достаточноопрост иоформализуем. Вото же время,задачаоприобретения знанийоэкспертными системамиов значительной мереотрудоемка, т.к.ооснована на созданиионепротиворечивой системыологического вывода,основаннойнаоличномоопытеотдельныхоэкспертов.Кромето-го,оориентированная наочеткие достоверныеоданные иерархияоправилоэкспертной системыоне обладаетогибкостью и элементамиосамоорганизации. В то времяокак биологическийомозгои его модель  искусственная НС выявляютозависи-116мости иоделаютовыводы в условияхонеопределенностиоионеполной достоверностиоданных.Основанная наоправилах экспертнаяосистема (рисунок 2.9) состоитоиз базыознаний (knowledge base), информационнойобазы (database), механизма логическогоовывода (inference engine), средств объяснения результатов (explanationfacilities) иопользовательского интерфейса (user interface) [72, 157].Knowledge baseDatabaseRule: IF-THENFactInference engineExplanation facilitiesUser interfaceUserРисунок 2.9 - Основаннаяона правилахоэкспертная системаЗнания воэкспертной системеоорганизованы в видеосистемы правил вида:оIF (условие) THEN (следствие).

Системаологического выводаоосуществляетсравнениеоданных изоинформационной базыосополем базыознаний и в случаеочеткого совпаденияоактивизируются заданныеополем действия. Результатыороботы экспертнойосистемы доступныопользователю черезодиалоговый интерфейс,которыйопозволяет ознакомитьсяотакже с ходомологических «рассуждений» системы, повлекших получениеоданного результата.Нейросетеваяоэкспертная система (рисунок 2.10) имеет воомногом аналогичнуюоорганизацию. Однакоопринципиальное отличиеозаключается в том, чтобазаознаний нейросетевойоэкспертной системы (neural knowledge base) организованаов виде нейронной сети, знанияов которойопредставлены воформе нечеткогооадаптивного распределенногооинформационного поля.117Training dataNeural knowledge baseRule extractionNew dataRule: IF-THENInference engineExplanation facilitiesUser interfaceUserРисуноко2.10 - Нейросетевая экспертная системаЕслиоиспользуется специализированная НС, то ее топологияоориентирована наореализуемую системуоправил (занесение априорного опыта экспертововинформационноеополе НС), а взвешенныеосвязи настраиваютсяов процессеопредэксплуатационного обучения, например поообучающим образцам (trainingdata).

Вопроцессеообучения НС автоматическиоуточняется сформулированнаяоэкспертами системаоправил, устраняютсяовыявленные противоречия. Т.е. при загрузкеосистема правилораспределяетсяопо структуре НС, формируяобазу знанийонейросетевой экспертнойосистемы, а процессообучения адаптируетоинформационноеополе по обучающимообразцам, выявляяоскрытые воних закономерности. Использованиеоиейросетевой базыознаний позволяетоустранить один из основныхонедостатков основанныхонаоправилах экспертныхосистем  невозможностьооперирования с не вполнеодостоверной информацией.На самомоделе нейросетеваяобаза знанийокорректирует зашумленнуюоичастичнооискаженную входнуюоинформацию (new data), что эквивалентно воIF-118THEN правилеоактивации заданныхонолем действийодаже в случае нечеткогоовыполнения условия.

Характеристики

Список файлов диссертации