Повышение оперативности мониторинга окружающей среды на основе интеллектуального анализа инфокоммуникационных процессов

от

 В.П. Евстигнеев, Д.Ю. Воронин, А.В. Скатков, Ю.В. Таций

Севастопольский государственный университет, РФ, г. Севастополь, ул. Университетская, 33

E—mail: vald_e@rambler.ru

DOI: 10.33075/2220-5861-2019-4-54-59

УДК 621.391

Реферат:

     В статье рассматриваются особенности интеллектуального анализа процессов информационного облуживания систем мониторинга окружающей среды для повышения оперативности получаемых решений. Предложенный комплексный подход ориентирован на повышение оперативности мониторинга окружающей среды на основе интеллектуального анализа инфокоммуникационных процессов. Показана возможность использования современных инструментальных средств кластеризации объектов инфокоммуникационной сети в соответствии с характерными особенности динамики их функционирования при решении задач мониторинга окружающей среды.

     Авторами проведена типизация «профилей» нагрузки неиерархическим методом кластерного анализа – методом k-медоид, который является робастным аналогом более распространенного метода k-средних. В работе были использованы данные непрерывной ежесуточной регистрации нагрузки на 133-х коммутаторных узлах инфокоммуникационной сети интернет-провайдера за период 01.06.2018 г. по 01.04.2019 г. Данные представлены в виде хронологических рядов суммарной длительности интернет трафика через коммутатор за каждые сутки. Результатом объективной классификации стали четыре типичных профиля (кластера) внутринедельной нагрузки. Была выбрана следующая стратегия анализа: 1) применение метода главных компонент (МГК) для установления главных мод изменчивости нагрузки на сети коммутационных узлов; 2) спектральный анализ временных коэффициентов МГК-разложения.

     В заключительной части работы дано обсуждение примеров использования предлагаемого подхода, в частности для задач построения системы мониторинга окружающей среды. В рассмотренном примере, для инфокоммуникационной сети масштаб соответствовал неделе. В реальной системе мониторинга окружающей среды объектами мониторинга служат естественные процессы, некоторые из которых имеют схожий временной масштаб своего развития (например, синоптические процессы развиваются в течение 3-7 дней).

Ключевые слова: мониторинг окружающей среды, интеллектуальный анализ данных, инфокоммуникационная система, информационное обслуживание, классификация, R.

Для цитирования пройдите по ссылке DOI и используйте опцию Actions-Cite или скопируйте:

[IEEE] В.П. Евстигнеев, Д.Ю. Воронин, А.В. Скатков, Ю.В. Таций, “ПОВЫШЕНИЕ ОПЕРАТИВНОСТИ МОНИТОРИНГА ОКРУЖАЮЩЕЙ СРЕДЫ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ИНФОКОММУНИКАЦИОННЫХ ПРОЦЕССОВ”, Системы контроля окружающей среды, вып. 4, с. 54–59, декабрь 2019.

Полный текст в формате PDF

СПИСОК  ЛИТЕРАТУРЫ 

  1. Жукова Н.А. Общая и частные задачи многоуровневого синтеза моделей объектов мониторинга // Научно-техническая информация. Серия 2: Информационные процессы и системы. 2019. № 11. С. 16–22.
  2. Пономарев Д.Ю. Теория телетрафика: учеб. пособие. Красноярск: СибГУ им. М.Ф. Решетнева, 2017. 160 с.
  3. Проактивный и реактивный риск-менеджмент IT-сервисов облачных сред / Д.Ю. Воронин, А.В. Скатков, В.И. Шевченко [и др.] // Информационно-управляющие системы. 2017. № 3 (88). С. 25–33.
  4. Концепция проактивного управления сложными объектами: теоретические и технологические основы / М.Ю. Охтилев, Н.Г. Мустафин, В.Е. Миллер [и др.] // Известия вузов. Приборостроение. 2014. Т. 57. № 11. С. 7–14.
  5. Macal C., North M. Tutorial on agent-based modeling and simulation // Journal of Simulation. 2010. Т. 4. С. 151–162.
  6. Jolliffe I.T. Principal Component Analysis, 2nd edn. Springer: New York, 2002. 518 p.
  7. Анализ многомерных данных. Избранные главы / пер. с англ. С.В. Кучерявского / под ред. О.Е. Родионовой. Черноголовка: Изд-во ИПХФ РАН, 2005. 160 с.
  8. North G.R., Bell T.L., Cahalan R.F., Moeng F.J. Sampling errors in the estimation of empirical orthogonal functions // Monthly Weather Review. 1982. Vol. 110. P. 699–706.
  9. Core Team R. A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2012. ISBN 3-900051-07-0, URL: http://www.r-project.org/ (дата обращения: 13.08.2019).
  10. Дженкинс Г., Ваттс Д. Спектральный анализ и его приложения. Вып. 1. М.: Мир, 1971. 316 с.
  11. Сергиенко А.Б. Цифровая обработка сигналов: учеб. для вузов. СПб.: Питер, 2002. 608 с.
  12. Schubert E., Rousseeuw P.J. Faster k-Medoids Clustering: Improving the PAM, CLARA, and CLARANS Algorithms. In: Amato G., Gennaro C., Oria V., Radovanović M. (eds) Similarity Search and Applications. SISAP 2019. Lecture Notes in Computer Science. Vol. 11807. Springer, Cham.
  13. Tibshirani R., Walther G., Hastie T. Estimating the number of clusters in a data set via the gap statistic // J. R. Statist. Soc.B. 2001. Vol. 63. P. 411–423.

Loading