Використання моделей штучного інтелекту для перевірки вимог до функціональної стійкості інформаційних систем

DOI: 10.31673/2409-7292.2024.030002

Анотація

Активна інформатизація суспільства вимагає все більш активного використання інформаційних систем. З ростом необхідності їх застосування для вирішення тих чи інших задач зростають й вимоги до інформаційних систем з однієї сторони та їхні розміри з другої. Очевидно, що функціональна стійкість займає все більш значиме місце в експлуатації інформаційних систем. Внаслідок цього розробляються найрізноманітніші способи її охарактеризувати та забезпечити фізично. Як наслідок, вже розроблено ряд показників та критеріїв функціональної стійкості систем, а також і вимоги до організації самої системи. Метою цього всього є зробити використовувані інформаційні системи максимально функціонально стійкими. Попри розробку нових показників та критеріїв функціональної стійкості та вимог, виконання яких функціональну стійкість забезпечує, на даний момент у них всіх є дуже суттєвий недолік: їх досить складно реалізувати технічно. Як наслідок, при збільшенні розмірів інформаційних систем або їх деградації стає все важче оцінити, чи є вони функціонально стійкими, чи ні. В результаті, виникає необхідність в оптимізації вже розроблених методів оцінки та забезпеченні функціональної стійкості. Останнім часом досить підвищився інтерес до використання моделей машинного навчання, в тому числі, і для оптимізації обчислень. Останні дослідження показують, що моделі машинного навчання в ряді випадків справляються з даною задачею досить успішно. А тому логічним постає питання про їх застосування і в дослідження функціональної стійкості інформаційних систем. В даній роботі досліджується застосування кількох моделей машинного навчання для оптимізації перевірки виконання умови, виконання якої забезпечує функціональну стійкість розглядуваної інформаційної системи.

Ключові слова: інформаційні системи, машинне навчання, штучний інтелект, нейронні сітки, дерева рішень, мережеві технології.

Перелік посилань

1. Машков, О. А., Барабаш, О. В. Оцінка функціональної стійкості розподілених інформаційно-керуючих систем. Фізико-математичне моделювання та інформаційні технології. 2005. № 1. С. 159–165.
2. Барабаш, О. В. Побудова функціонально стійких розподілених інформаційних систем. Київ: НАОУ, 2004. 226 с.
3. Машков, О. А., Барабаш, О. В. Топологічні критерії та показники функціональної стійкості складних ієрархічних систем. Моделювання та інформаційні технології: Збірник наукових праць, 2003. № 25: С. 29-35.
4. Саланда, І. П., Барабаш, О. В., Мусієнко, А. П. Система показників та критеріїв формалізації процесів забезпечення локальної функціональної стійкості розгалужених інформаційних мереж. Системи управління, навігації та зв'язку, 2017. Т. 41, № 1. С. 122–126.
5. Калашник, Г. А., Калашник-Рибалко, М. А. Ознаки та критерії функціональної стійкості інтегрованого комплексу бортового обладнання сучасного повітряного судна та перспективні напрямки його розвитку. Збірник наукових праць Харківського національного університету Повітряних Сил, 2021. Т. 68, № 2. С. 7–15.
6. Кравченко, Ю. В., Нікіфоров, С. В. Визначення проблематики теорії функціональної стійкості щодо застосування в комп'ютерних системах. Телекомунікаційні та інформаційні технології. 2014. № 1. С. 12–18.
7. Барабаш, О. В., Кіреєнко, В. В. Поняття та визначення властивості функціональної стійкості системи розвідки повітряного противника. Збірник наукових праць ВІКНУ. 2013. Т. 44. С. 12–17.
8. Kravchenko, Y., Vialkova, V. The problem of providing functional stability properties of information security systems. 13th international conference on modern problems of radio engineering, telecommunications and computer science (TCSET). 2016. P. 526–530.
9. Барабаш, О., Лукова-Чуйко, Н., Мусієнко, А., Собчук, В. Забезпечення функціональної стійкості інформаційних мереж на основі розробки методу протидії DDoS-атакам / O. Barabash та ін. Сучасні інформаційні системи. 2018. Т. 2, № 1. С. 55–63.
10. Cen, J., Chen, X., Xu, M., Zou, Q. Deep finite volume method for high-dimentional partial differential equations. Guangzhou. 16 p. (Preprint)
11. Zhang, X., Helwig, J., Lin, Y., Xie, Y., Fu, C., Wojtowytsch, S., Ji, Sh. SineNet: Learning teporal dynamics in time-dependent partial differential equations. Texas. 42 p. (Preprint)
12. Dulny, A., Heinisch, P., Hotho, A., Krause, A. GrINd: Grid Interpolation Network for Scattered Observations. Würzburg. 19 p. (Preprint. University Würzburg).
13. Sobchuk, V., Olimpiyeva, Yu., Musienko, A., Sobchuk, A. Ensuring the properties of functional stability of manufacturing processes based on the application of neural networks. IT&I workshops. 2020. P. 106–116.