Содержание к диссертации
Введение
1. Анализ состояния сервера 11
1.1. Анализ состояния сервера 11
1.2. Системы контроля параметров сервера 17
1.2.1. Аппаратные системы 17
1.2.2. Программные системы 19
1.3. Наиболее адекватные числовые параметры для оценивания работоспособности сервера терминалов 22
1.4. Статистические методы прогнозирования состояния сервера 27
1.4.1. Регрессионные модели 28
1.4.2. Авторегрессионные модели 33
1.4.3. Адаптивное прогнозирование 36
1.4.4. Подход динамического регрессионного моделирования 39
1.5. Существующее программное обеспечение для моделирования временных рядов 42
1.6. Нечеткие модели для формализации экспертных оценок работоспособности сервера 46
1.6.1. ACL-шкала 46
1.6.2. Механизм нечеткого вывода по Мамдани 50
1.6.3. Модели нечетких временных рядов 55
1.6.4. Гибридные модели ВР 56
1.7. Выводы 61
2. Метод регрессионно-нечеткого моделирования сервера 63
2.1. Разработка обобщенной регрессионно-нечеткой модели состояния сервера 63
2.2. Метод регрессионно-нечеткого моделирования состояния сервера 66
2.3. Алгоритмическое обеспечение метода регрессионно-нечеткого моделирования состояния сервера по набору параметров 75
2.3.1. Алгоритм решения задачи прогнозирования на основе динамического регрессионного моделирования. 75
2.3.2. Алгоритм решения задачи интерпретации параметров и их тенденций сервера на основе применения ACL-шкалы 77
2.3.3. Алгоритм вычисления комплексной оценки общей нечеткой тенденции числового параметра сервера 79
2.4. Выводы 80
3. Разработка программного обеспечения регрессионно нечеткого анализа состояния сервера 82
3.1. Обобщенная структура и функции ПО НЕРА 82
3.2. Описание модулей и структур ПО НЕРА 83
3.2.1. Подсистема сбора значений характеристик сервера 83
3.2.2. Подсистема адаптивного динамического регрессионного моделирования 85
3.2.3. Подсистема автоматизации ДРМ-моделирования 87
3.2.4. Подсистема нечеткого моделирования и резюмирования характеристик сервера 89
3.3. Выводы 90
4. Вычислительные эксперименты анализа поведения сервера на основе регрессионно-нечеткого моделирования 91
4.1. Прогнозирование числовых параметров сервера 92 4.2. Интерпретация параметров сервера и генерация экспертных оценок прогнозных значений и тенденций 100
4.3. Генерация итогового экспертного заключения 105
4.4. Оценка эффективности метода 111
4.4.1. Критерий точности распознавания 111
4.4.2. Информационный критерий 113
4.4.3. Критерии достоверности и объективности. Временной критерий 114
4.4.4. Экономический критерий 118
4.5. Выводы 119
Заключение 121
Список сокращений 123
Список литературы 124
- Наиболее адекватные числовые параметры для оценивания работоспособности сервера терминалов
- Алгоритмическое обеспечение метода регрессионно-нечеткого моделирования состояния сервера по набору параметров
- Подсистема адаптивного динамического регрессионного моделирования
- Генерация итогового экспертного заключения
Введение к работе
Актуальность темы
В современных условиях интенсивного развития информационно-коммуникационных технологий задача обеспечения стабильного функционирования отдельного сервера, как элемента ИТ-структуры является актуальной. Особую важность эта задача приобретает для предприятий малого и среднего бизнеса, обладающих ограниченными ресурсами и находящимися на стадии развития.
В случае возникновения изменения нагрузки на отдельный сервер, приводящего к снижению или потере его работоспособности, в таких организациях требуется от нескольких часов до нескольких дней для восстановления его стабильного функционирования. Изменение нагрузки может возникнуть и в случае воздействия на сервер внешних трудно формализуемых факторов, а поэтому формулируемых экспертно лицами, принимающими решение, например, таких как увеличение объема решаемых задач, рост числа клиентов, изменение масштаба предприятия. Все это может привести к потере ценной информации, непредвиденным и значительным материальным затратам в условиях активного перехода к интернет-экономике. Чтобы обеспечить раннее предупреждение о возможных в будущем нарушениях функционирования отдельного сервера и учесть эти риски при планировании развития ИТ-ресурсов предприятия целесообразно применять методы анализа состояния сервера, ориентированные как на текущие, так и на прогнозные оценки тенденций изменения физических (числовых) параметров сервера с учетом внешних экспертных оценок тенденций развития предприятия.
Для решения проблемы обеспечения стабильного функционирования сервера применяются системы мониторинга и контроля работоспособности серверов по отдельным параметрам (например, «PWS ИТ-мониторинг»1, «NMS Aurora»2), однако, функции таких систем не предусматривают решение задачи прогнозирования, а также не позволяют идентифицировать опасные тенденции изменения состояния сервера как целостного объекта.
Достаточно часто используется подход к прогнозированию состояния сервера путем визуального анализа графиков временных рядов числовых параметров, однако при этом результаты прогноза в значительной степени зависят от квалификации и субъективного мнения администратора вычислительной сети.
Поэтому в ряде работ обоснована необходимость прогнозирования числовых параметров сервера, в частности в работе Терейковской (2011) предлагается применять статистические модели временных рядов для прогнозирова-
1 PWS ИТ-Мониторинг // PingWin Software [Электронный ресурс]. 2013.
2 Система управления сетью NMS Aurora // NMS [Электронный ресурс]. 2013.
ния числовых параметров интернет-серверов 3 . В работе Веркотрен и др. (2007)4 для прогнозирования нагрузки на веб-сервер предлагается иерархическая модель временного ряда, включающая в себя гармоническую и авторегрессионную составляющие. В работе Ярушкиной и др. (2007)5 предложена математическая имитационная модель числовых параметров терминал-сервера как элемента вычислительной сети на основе временных рядов их нечетких тенденций, позволяющая прогнозировать трафик сервера. Также разрабатываются подходы к прогнозированию отдельных характеристик сервера для целей управления его ресурсами6,7.
Можно констатировать, что существующие модели прогнозирования состояния сервера основаны на моделировании его внутренних числовых параметров по временным рядам и не учитывают внешние экспертные оценки тенденций развития предприятия.
Возникает научно-техническая проблема разработки метода прогнозирования работоспособности сервера путем интеграции статистических моделей прогнозирования его числовых параметров и нечетких моделей экспертного оценивания для обнаружения возможных проблем на ранних стадиях и получения о них информации, необходимой для принятия обоснованных и оперативных управленческих решений.
Объектом исследования является сложный технический объект – сервер предприятия.
Предметом исследования являются модели прогнозирования состояния сервера.
Цель работы – повышение эффективности прогнозирования состояния сервера на основе разработки метода, интегрирующего регрессионное и нечеткое моделирование его параметров.
Задачи исследования
Для достижения указанной цели в работе необходимо решить следующие задачи:
-
Выбор эффективного подхода к моделированию числовых временных рядов, обладающих различным поведением.
-
Разработка обобщенной модели прогнозирования состояния сервера, включающей числовые временные ряды и нечеткую экспертную оценку.
-
Разработка алгоритма получения комплексной оценки состояния сервера.
3 Терейковская Л.А. Перспективы использования методов теории вейвлет-преобразований для
прогнозирования технического состояния internet-серверов // Управление развитием сложных систем. —
Киев, 2010. — 4. — C. 100-103.
4 Vercauteren T., Aggarwal P., Wang X., Li T.H. Hierarchical Forecasting of Web Server Workload Using Sequential
Monte Carlo Training // IEEE Transactions on Signal Processing. — 2007. — Т. 55 вып. 4. — C. 1286-1297.
5 Ярушкина Н.Г., Юнусов Т.Р., Афанасьева Т.В. Моделирование трафика терминал-сервера на основе анализа
нечетких тенденций временных рядов // Программные продукты и cистемы. - 2007. - №4. - С. 15-19.
6 Паяин С.В. Методика динамического управления загрузкой канала связи в корпоративных сетях с гаранти
рованной доставкой данных: Дис. канд. техн. наук. – М., 2009. – 112 с.
7 Басараб М. А., Колесников А. В., Иванов И. П. Анализ сетевого трафика корпоративной сети университета
методами нелинейной динамики // Наука и образование. — М., 2013. — 8. — C. 341-352.
-
Разработка метода регрессионно-нечеткого моделирования для прогнозирования состояния сервера, заданного набором гетерогенных данных.
-
Создание специализированной программной системы для моделирования и прогнозирования состояния сервера.
Научная новизна работы заключается в создании новых обобщенной регрессионно-нечеткой модели и метода регрессионно-нечеткого моделирования, позволяющих прогнозировать состояния сервера по временным рядам его числовых параметров и экспертной прогнозной оценкой его загрузки. Предложены новые алгоритмы, включая алгоритм вычисления комплексной нечеткой оценки состояния сервера. Разработан программный комплекс для прогнозирования состояния сервера.
Основные положения, выносимые на защиту
-
Обобщенная модель состояния сервера, состоящая из взаимосвязанных моделей: комплексной динамической регрессионной модели временных рядов внутренних числовых параметров сервера; модели нечеткой шкалы для получения нечетких оценок уровня и тенденций числовых параметров сервера; двухуровневой нечеткой модели прогноза состояния сервера, учитывающей внешнюю экспертную оценку.
-
Метод регрессионно-нечеткого моделирования для прогнозирования состояния сервера, отличающийся интеграцией моделей различных типов, согласованных по времени и значению, обеспечивающий снижение временных и экономических затрат за счет включения в модель внешней экспертной оценки и модели нечеткой тенденции.
-
Вычислительный алгоритм нахождения нечеткой оценки числового параметра сервера в виде нечеткой оценки общей тенденции его развития.
-
Комплекс алгоритмов и программ регрессионно-нечеткого моделирования, позволяющий прогнозировать состояние сервера по временным рядам числовых параметров и экспертным оценкам.
Общетеоретическая значимость и практическая ценность
Теоретической значимостью обладает предложенный метод интеграции гетерогенных данных при прогнозировании состояния сложной технической системы, и открывает новые практические возможности повышения качества прогнозирования состояния таких систем.
Практическая ценность результатов работы заключается в том, что разработанные алгоритмы и программы могут быть использованы для исследования состояния ИТ-инфраструктуры малых и средних предприятий.
Проведенное диссертационное исследование было в значительной мере мотивировано и поддержано выполнением НИР для предприятий и организаций:
-
«Проектирование подсистемы раннего предупреждения о нарушении условий устойчивого функционирования серверного узла» для ООО «Фирма ВИА».
-
Заявка на грант РФФИ №14-07-0247 «Методология моделирования и прогнозирования локальных тенденций временных рядов в задачах анализа
больших данных».
3. Анализ состояния и автоматизация прогнозирования серверов в ЗАО Банк «Венец» и ООО «Симбирск-Ойл».
Достоверность результатов, представленных в диссертации, обеспечивается корректностью применения математического аппарата статистического и нечеткого моделирования, и подтверждается результатами экспериментов на реальном оборудовании.
Апробация работы
Основные результаты работы докладывались на 5-й Международной научно-практической конференции "Интегрированные модели и мягкие вычисления" (Коломна, 2009); Всероссийских научно-технических конференциях аспирантов, студентов и молодых ученых "Информатика и вычислительная техника" (Ульяновск, 2010, 2011, 2012); Всероссийской научной конференции «Современные проблемы математического моделирования, супервычислений и информационных технологий» (Таганрог, 2012); 7-й Всероссийской научной конференции «Математическое моделирование развивающейся экономики и экологии» (Киров, 2012); Российской школе-семинаре аспирантов, студентов и молодых ученых «Информатика, моделирование, автоматизация проектирования» (Ульяновск, 2012); XIII Международная конференция "Информатика: проблемы, методология, технологии" (Воронеж, 2013); на ежегодных научно-технических конференциях профессорско-преподавательского состава УлГТУ (2010-2012); XVII Российская научно-практическая конференция «Инжиниринг предприятий и управление знаниями» (Москва, 2014).
Публикации
По теме диссертации опубликовано 13 печатных работ, из которых 3 – в изданиях, входящих в перечень ВАК.
Личный вклад автора
Постановка задачи осуществлена совместно с научным руководителем. Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Подготовка к публикации полученных результатов проводилась совместно с соавторами, причем вклад диссертанта был определяющим. Все представленные в диссертации результаты получены лично автором.
Структура и объем работы
Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка литературы, включающего 94 наименования источников отечественных, зарубежных авторов и электронных ресурсов, списка сокращений и 1 приложения. Общий объем диссертации составляет 135 страниц.
Наиболее адекватные числовые параметры для оценивания работоспособности сервера терминалов
Программные средства контроля параметров сервера не привязаны к физическому оборудованию и имеют менее обширные возможности контроля параметров. Однако, простота использования и низкая стоимость программных средств контроля позволяет использовать их для сбора информации о состоянии сервера. Simple Server Monitor [16] – это мощная, простая в использовании утилита для мониторинга за сервером. Программа позволяет вам следить за статусом серверов и веб-приложений с рабочего стола. Программа Simple Server Monitor запускается как служба Windows с консолью мониторинга. Когда происходит сбой в мониторинге, вас оповещает всплывающее окно, e-mail тревога (изменяемые пользователем сообщения) и звуковой сигнал. Программа поддерживает протоколы ICMP, HTTP/HTTP, FTP/FTPS, SMTP/SMTPS, POP3/POP3S, IMAP/IMAPS и изменяемый мониторинг (поддержка SSL/TLS). Программа Simple Server Monitor также поддерживает мониторинг производительности, рисуя время отклика и запись всех последовательностей мониторинга в системный журнал.
Serversaurus Rex – это комплект аудита и мониторинга для Microsoft Windows серверов и рабочих станций. Данная программа позволяет администраторам извлекать детальную информацию о своей Windows системе и потом выполнять сбор данных по основной статистике производительности для отчетности и уведомлений. Устанавливая различные проблемные точки, проблемы, которые уменьшают производительность вашей системы, могут быть определены и установлены перед тем, как они повлияют на пользователей. Serversaurus Rex интегрирует большое количество заданий по управлению в своем интерфейсе, повышая возможности сетевых администраторов для быстрого выявления проблем и исправления потенциальных угроз. Serversaurus Rex наблюдают за производительностью, также как за Windows сервисами, процессами и записями лога событий. Данная программа может также выполнять мониторинг доступности любого IP устройства. PMP – это программа слежения за производительностью удаленных/различных Windows серверов. Вы можете следить за работой процессора, памяти, диска и загруженностью сети, в режиме реального времени, за несколькими серверами и будете уведомлены об определенном статусе сервера. В дополнении к основным методам оповещения, PMP предоставляет уведомление по электронной почте, автоматическое/ручное выполнение удаленных команд. PMP также предоставляет HTML отчеты и вы можете поделиться с вашими коллегами.
ProLAN-Эксперт [17] – пакет, дающий возможность создания на его основе автоматизированной системы управления IT-Инфраструктурой. Продукты семейства ProLAN-Эксперт позволяют эффективно решать следующие задачи:
- Измерять метрики работы всех компонент IT-Инфраструктуры (бизнес приложений, коммутаторов, маршрутизаторов, серверов, арендуемых каналов связи, ИБП, и т.п.). Это обеспечивается поддержкой всех технологий сетевого управления - SNMP, WMI, sFlow, NetFlow, Cisco SAA, IP SLA, эмуляция приложений, эмуляция трафика, ARM и др.
- Автоматически оценивать (по пятибалльной шкале) качество работы всех компонент IT-Инфраструктуры. Это обеспечивается автоматической экспертной "раскраской" всех измеряемых метрик.
- Автоматически определять, что нужно изменить в IT-Инфраструктуре для улучшения производительности и доступности бизнес приложений. Это обеспечивается встроенной функциональностью корреляционного и регрессионного анализа, позволяющей автоматически определять взаимосвязь между качеством работы бизнес приложений и метриками работы сетевого оборудования, серверов, каналов связи и т.п.
- Защититься от неизвестных угроз (автоматически выявлять сетевые аномалии). Это обеспечивается автоматическим построением базовых
линий, характеризующих типичную работу IT-Инфраструктуры и автоматическим сравнением (в режиме реального времени) текущих значений измеряемых метрик со значениями базовой линии.
- Повысить доступность IT-Инфраструктуры, т.е. сократить время простоя сетевого оборудования и серверов, вызванное системными сбоями, хакерскими или вирусными атаками и т.п. Это обеспечивается автоматическим выполнением типовых управляющих воздействий, таких как: перезагрузка оборудования, перезапуск сетевых сервисов, включение/выключение портов, изменение прав доступа и т.д.
- Повысить доступность бизнес приложений. Это обеспечивается встроенной экспертной системой, позволяющей автоматически в режиме реального времени определять причины сбоев в работе бизнес приложений.
- Эффективно управлять распределенной IT-Инфраструктурой. При изменении топологии IT-Инфраструктуры или конфигурации оборудования система автоматически определяет, что такое событие имело место, после чего автоматически адаптирует алгоритм своей работы под новую конфигурацию или топологию. При этом система не загружает каналы связи служебным трафиком, что обеспечивается автоматической экспертной оценкой данных в месте их сбора и передачей на консоль оператора только интегральных оценок. "Сырые" данные могут передаваться только по требованию, например, для определения причин сбоев в работе IT-Инфраструктуры. Мы называем это Режимом Эффективного Мониторинга.
Алгоритмическое обеспечение метода регрессионно-нечеткого моделирования состояния сервера по набору параметров
Основным математическим аппаратом формализации, представления и обработки экспертных оценок является теория нечетких множеств, предложенная Л. Заде [56]. В результате использования данного подхода у пользователя появляется возможность оперировать естественными ему понятиями -лингвистическими термами. Такой подход дает приближенные, но строгие в математическом смысле описания организационно-технических систем. В слабоструктурированных и плохо формализуемых предметных областях при создании систем обработки данных применяют интеллектуальные технологии в виде нечетких экспертных систем [57] [58] [59] [60].
Естественным инструментом нечеткого оценивания и получения абсолютных и сравнительных оценок (для описания нечетких тенденций) является нечеткая шкала. Рассмотрим нечеткую ACL-шкалу, предложенную в работе [61]. Формально шкалой называется кортеж из трех элементов { } (1.44) где { } реальный объект со свойствами , на которых задано отношение , { ( ) ] определяет шкалу как знаковую систему с отношением гомоморфное отображение на так, что { ( )) только тогда, когда {j для всех [62]. Тип шкалы определяется по (( )} и множеству допустимых операций. Модель ACL-шкалы для определения абсолютных и сравнительных лингвистических оценок (ЛО) представима в виде лингвистической переменной с отношениями: {X ] (1.45) где - имя ACL-шкалы, X - базовое терм-множество абсолютных ЛО (лингвистическое название градаций), например, X {}, х X, универсальное множество, на котором определена шкала,. синтаксические правила вывода (порождения) цепочек оценочных высказываний (производные термов, не входящих в базовое терм-множество), - семантические правила, определяющие функции принадлежности для каждого терма(задаются обычно экспертно), (XXj) - лингвистическое отношение, фиксирующее тип изменения между двумя оценками X Xj шкалы, {xXj ) лингвистическое отношение, фиксирующее интенсивность различия между двумя оценками X х; шкалы. Отношение (xXj) является нечетким лингвистическим отношением, применяемым для определения сравнительной лингвистической оц енки (xxj), характеризующей направление изменения (увеличение или уменьшение) значения абсолютной ЛО х по отношению к х;, которое может быть представлено лингвистическими выражениями, например, значениями из множества { ). Отметим, что каждая оценка (XXj) представима своим нечетким множеством. Отношение
Указанные свойства отношения позволяют классифицировать его как отношение порядка. Тогда совокупность всех возможных оценок [v] образует нечеткую порядковую шкалу { X }. Отношение (XXj) является также нечетким лингвистическим отношением, применяемым для определения сравнительной лингвистической оценки (XXj), характеризующей степень различия, «неметрическое» расстояние между x х;, которое может быть выражено лингвистически, например, значениями из множества { ). Эта оценка также представима своим нечетким множеством. Отношение антирефлексивно и симметрично:
Указанные свойства отношения позволяют классифицировать его как отношение различия, при этом совокупность всех возможных оценок { } образует нечеткую шкалу { X }. Таким образом, ACL-шкала для определения лингвистических оценок является двухуровневой. На первом уровне иерархии из ее универсального множества ACL-шкала позволяет определять лингвистические оценки x для значений характеризующие их качественные аспекты. Такие лингвистические оценки относятся к классу абсолютных ЛО. А на втором уровне иерархии для значений x Xj - лингвистические оценки их изменений ( ), характеризующих качественные аспекты различий или «разности первого порядка» по шкалам , . Такие лингвистические оценки относятся к сравнительным ЛО.
Для конечных пользователей ACL-шкала обеспечивает внешнее представление оценок в естественной лингвистической форме, семантика которых формализуется на основе аппарата теории нечетких множеств.
Рассмотрим особенности ACL-шкал. Предлагаемая лингвистическая ACL-шкала относится к классу нечетких оценочных шкал, входящих в класс порядковых шкал, в ней дополнительно можно оценивать различие и степень различия. Это свойство позволяет рассматривать лингвистическую оценочную ACL-шкалу как квазиинтервальную и определить для нее как «оценочные», так и «вычислительные» операции.
Подсистема адаптивного динамического регрессионного моделирования
Для реализации описанного метода был разработан комплекс программ регрессионно-нечеткого анализа состояния сервера (НЕРА), предназначенный для разработки комплексных моделей ВР характеристик сложного объекта с последующим использованием их для прогноза состояния объекта.
Комплекс состоит из следующих компонент: 1. Подсистема сбора значений характеристик сервера. 2. Подсистема адаптивного динамического регрессионного моделирования и прогнозирования значений характеристик сервера на основе пакета АС ДРМ-Т. 3. Подсистема нечеткого моделирования и резюмирования характеристик сервера, предназначенная для построения ACL-шкалы и реализации ее операций. 4. Подсистема нечеткого заключения о состоянии сервера, учитывающая влияние внешних факторов. 5. Подсистема хранения данных. 6. Подсистема обработки экспертных оценок. Экспертное формирование базы правил нечеткого вывода
Данная подсистема представляет собой программу, реализованную на языке C# с использованием библиотек .NET Framework 3.5. Для функционирования модуля на компьютере должна быть установлена операционная система Windows версии не ниже XP в случае рабочей станции или не ниже Windows Server 2003 в случае серверной системы.
Программа «Модуль мониторинга» предназначена для сбора информации о физических параметрах сервера, таких как уровень загруженности процессора, уровень загруженности оперативной памяти, уровень загрузки сети.
Для настройки программы необходимо указать желаемую частоту обновления данных (по умолчанию – раз в 10 секунд) и пропускную способность сетевого интерфейса для правильного расчета процентного значения загрузки сети. Главное окно программы представлено на рисунке 3.2:
Программа имеет возможность работать в режиме постоянного накопления данных о характеристиках сервера, обеспечивая непрерывный поток данных. Подсистема адаптивного динамического регрессионного моделирования Подсистема АДР-моделирования построена на основе существующей разработки АС ДРМ-Т. Ниже показаны схемы математического и структурного наполнения АС ДРМ-Т. Для моделирования и прогнозирования временных рядов технических параметров сервера используется ядро пакета АС ДРМ-Т.
Пакет состоит из базовой части и программных модулей, расширяющих возможности динамического моделирования по обработке техногенных временных рядов: «Мультифрактальный анализ», «АРСС», «GARCH», «Робастные методы оценивания», «Сценарии обработки данных». Математическое наполнение базовой версии пакета АС ДРМ включает: 1. Модули предварительного анализа данных: - модуль «Статистика» предназначен для расчета основных статистических характеристик ВР (максимальный и минимальный элемент ряда, среднее значения, сумму и абсолютную сумму, смещенную и несмещенную дисперсии, коэффициент Дарбина-Уотсона); - тесты проверки ряда на стационарность по критерию согласия Пирсона, проверки постоянства среднего значения параметрическим критерием сдвига и постоянства дисперсии критерием рассеяния; - модуль «График» для построения графиков выбранных факторов в зависимости от времени; - модули «Корреляция и автокорреляция» предназначены для расчета корреляционной и автокорреляционной матриц соответственно, а также построения графика автокорреляционной функции выбранного фактора; - процедуры проведения одномерного или многомерного спектрального анализа в зависимости не только от частоты, но и от периода с нормировкой значения; - процедура определения параметров вейвлет-анализа; - модуль «Сдвиг ряда» позволяет вычислить и отобразить графически взаимную корреляционную функцию для двух стационарных ВР; - процедура центрирования исходных данных; - модуль для усреднения данных по дням, неделям, месяцам и годам; - модуль для вычисления длины радиус-вектора по имеющимся координатам; - модуль «Совместный спектральный анализ» предназначен для изучения взаимосвязей между гармониками двух ВР;
2. Модули построения различных моделей ВР: - выявление моделей трендовой составляющей (17 парных зависимостей); - реализация метода Хаусхолдера для восстановления зависимости между несколькими независимыми переменными и зависимой переменной; - модуль выделения полигармонической компоненты ряда, периоды/частоты которой можно оценить с помощью спектрального анализа, вейвлет-анализа, пошаговой регрессии, также пользователь может задать нужные периоды/частоты вручную; - построение авторегрессионной модели любого порядка; - модуль «Комплексная модель» предназначен для анализа и прогноза по комплексной модели ВР;
3. Процедуры для анализа точности по смешанным, внешним и внутренним мерам соответствия и диагностики выполнения условий РА-МНК: - «Библиотека критериев качества» предназначена для выявления степени адекватности модели наблюдениям и выявления степени пригодности модели для аппроксимации в данном выборочном пространстве, используя внешние, смешанные и внутренние меры соответствия; «Библиотека процедур анализа соблюдения предположений РА-МНК» позволяет проводить диагностику остатков построенной модели на выполнение условий РА-МНК (определенность модели, независимость регрессоров, нормальность распределения ошибок, нулевое значение математического ожидания ошибок, постоянство дисперсии, независимость ошибок) с целью выбора оптимальной модели.
Генерация итогового экспертного заключения
Немаловажным критерием является информационный критерий, позволяющий определить насколько более информативным будет сообщение о превышении ресурсов сервера. Объем информации для приятия управленческого решения в существующем подходе и после применения предложенного в работе метода можно вычислить по формуле Хартли: где – объем информации, содержащейся в сообщении; – количество символов в сообщении; – размер алфавита, из которого состоит сообщение.
В существующем подходе визуального контроля параметров сервера администратором сообщение содержит 3 символа, по одному символу для каждого из трех параметров сервера. Количество символов в алфавите равно 7: «Очень низкий», «Низкий», «Ниже среднего», «Средний», «Выше среднего», «Высокий», «Очень высокий». Применяя формулу (4.13) получаем количество информации в сообщении при существующем подходе . В случае если администратор прибегнет к помощи классических средств прогнозирования алфавит расширяется тремя символами за счет включения тенденций развития («Рост», «Стабильность», «Падение») и составляет 10 символов. Длина сообщения также увеличивается и составляет 6 символов. Применяя формулу (4.13) получаем количество информации в сообщении при существующем подходе . В предложенном в настоящей работе методе регрессионно-нечеткого моделирования количество символов алфавита увеличивается еще на 3 символа за счет использования внешних экспертных оценок развития предприятия («Увеличение загрузки», «Стабильность», «Снижение загрузки») и составляет 13 символов.
Тогда, по формуле (4.13) количество информации результирующего сообщения из 7 символов (3 символа уровней числовых параметров + 3символа значений нечетких тенденций + 1 символ экспертной оценки развития предприятия) составит .
Для определения увеличения информативности сообщения предлагается использовать критерий: (4.14) Вычисляя значения для каждого из случаев, получаем и
Можно сделать вывод, что сообщение о превышении ресурсов сервера полученное предложенным в работе методом будет в три раза более информативным в случае сравнения с существующим подходом визуального контроля параметров сервера администратором и на 30% более информативным даже в случае использования администратором средств прогнозирования параметров сервера.
Критерии достоверности и объективности. Временной критерий
Для оценки эффективности применения метода регрессионно-нечеткого моделирования для получения информации о прогнозном состоянии сервера, важной в процессах принятия решений о модернизации ИТ-ресурсов была разработана методика, включающая оценки уровня субъективности, достоверности и времени принятия решений. На рисунке представлена схема этапов процесса взаимодействия отделов небольшого предприятия (около 100 сотрудников) при принятии управленческого решения о финансировании изменения элементов ИТ-инфраструктуры предприятия в случае снижения работоспособности сервера. 114 Рядовые сотрудники \=У1 ИТ-отдел К Я Менеджмент
Схема информационных потоков организации В существующей практике принятия решений существует следующая последовательность этапов: (4.15) - - запросы рядовых терминальных пользователей компьютерного парка предприятия о снижении работоспособности (например, замедление работы приложений) в IT-отдел. Количество запросов: 5-10 в год. - - исследование сотрудником IT-отдела типа отказа работоспособности сервера и динамики параметров сервера путем визуального анализа. Время обработки, включая время ожидания запроса в очереди задач IT-специалиста: 0,5-1 день. - - согласование результатов исследования параметров сервера с руководителем IT-отдела и выработка экспертной оценки его состояния (например: «норма», «есть проблема», «близко к серьезной проблеме»). Время согласования с учетом загрузки руководителя: 0,5-1 день. - - уточнение руководителем IT-отдела информации о возможном изменении нагрузки на сервер вследствие ожидаемого изменения масштаба предприятия от руководства предприятия (например: «изменения не предвидятся», «небольшое увеличение», «значительное снижение нагрузки»). Время, необходимое на уточнение: 0,5-1 день. - - формирование и обоснование итогового решения о состоянии сервера на основе согласования результатов анализа его числовых параметров и информации подготовка руководителем IT-отдела проекта финансового решения проблемы (в случае необходимости), по которой поступил запрос, и соответствующих документов. Время на подготовку проекта решения: 1-2 дня.
- – принятие управленческих решений ЛПР предприятия о финансировании или не финансировании решения проблемы, по которой поступил запрос, например, закупки дополнительной памяти или даже нового сервера. Время принятия решения ЛПР: 1-3 дня.
- Заключительный этап – реализация управленческого решения. Может затратить значительное количество времени в зависимости от принятого решения.
Таким образом, для принятия решения необходимо пройти 6 этапов (этап реализации решения не учитывается), что занимает до дней на один запрос. Для оценки эффективности строится таблица достоверности и объективности. Если информация объективна и достоверна, то в соответствующую графу таблицы проставляется «1», если нет – «0». Далее, производится оценка суммарных параметров подхода, которая вычисляется как сумма соответствующих параметров на каждом этапе, разделенная на количество этапов.
