Содержание к диссертации
Введение
1. Методы представления знаний для анализа ситуаций в заданном контексте 12
1.1 Пространственные ситуации в описании прикладных информационных процессов и структур 12
1.2 Когнитивная семантика и образное мышление. Когнитивные модели знаний. 18
1.3 Контексты представления знаний о ситуациях 23
1.4 Методы машинного обучения в представлении и использовании пространственных ситуаций 31
1.5 Прецедентный анализ пространственных ситуаций 37
1.6 Сравнительный анализ моделей представления знаний 42
1.7 Выводы по разделу и задачи диссертационного исследования 45
2 Разработка модели образа ситуации с внутриконтекстными преобразованиями 47
2.1 Концепция образа ситуации в заданном контексте 47
2.2 Анализ представления знаний образами 52
2.3 Оценка качества отображения контекстного смысла преобразований 59
2.4 Логика сопоставления образов 61
2.5 Задача синтеза образа в заданной системе контекстов 72
2.5.1 Контроль контекстной визуализации 72
2.5.2 Ограничения контекстного картографирования 75
2.5.3 Ограничения корректности базы знаний 77
2.6 Синтез и использование образных рядов 79
2.7 Выводы по разделу 2 84
3 Разработка и исследование трансформирования образов 86
3.1 Задача трансформирования образов в ситуационном анализе 86
3.2 Анализ подходов к трансформированию образов 90
3.3 Разработка метода трансформирования в классе допустимого преобразования 93
3.4 Реализация алгоритмов трансформирования 97
3.5 Разработка методики представления знаний о трансформировании 105
3.5.1 Картографическое зонирование как концептуальная форма знаний 105
3.5.2 Отношения между зонами применения и аргументация сопоставления образов 108
3.6 Выводы по разделу 3 114
4 Применение образного представления с контекстными преобразования для решения прикладных задач 115
4.1 Ситуационный анализ логистических проектов 115
4.2 Интеллектуальное реконфигурирование и предотвращение аварийных ситуаций в механических транспортных системах 120
4.3 Выводы по разделу 4 129
5 Заключение 130
Список использованных источников 131
Приложение 143
- Пространственные ситуации в описании прикладных информационных процессов и структур
- Концепция образа ситуации в заданном контексте
- Задача трансформирования образов в ситуационном анализе
- Интеллектуальное реконфигурирование и предотвращение аварийных ситуаций в механических транспортных системах
Пространственные ситуации в описании прикладных информационных процессов и структур
Считается, что значительная часть информации, обрабатываемой современными информационными системами, имеет пространственную привязку [1]. Это означает, что пользователи информационных систем и сервисов в процессе решения прикладных задач явно либо неявно используют пространственное положение объектов и пространственные отношения между ними. Примером явного использования можно считать обращение к геоинформационным сервисам, предоставляемым крупными интернет-порталами Google, Yandex, Mail. Неявным использованием считается, например, обращение программ мобильных устройств к средствам пространственной локации и навигации, которые входят в состав операционной системы.
Уже первые работы в области искусственного интеллекта затрагивали проблемы представления модели внешнего мира через концепцию ситуаций [2]. Данная работа предлагала подход, основанный на применении логики. В частности, описано специальное исчисление, в котором под ситуацией понималась логическая формула, описывавшая элемент мира. Методы и средства представления информации и знаний о пространстве, времени и семантике реальных объектов, событий и явлений продолжают оставаться в центре внимания разработчиков и исследователей. С нашей точки зрения, это объясняется несколькими причинами:
1) усложнением задач, которые должны решаться с применением интеллектуальных компонентов, которые оперируют пространственными категориями. Например, для управления цепями поставок далеко недостаточно «разумно» определять наилучший путь по карте местности. Не менее важно «разумно» построить план взаимодействия поставщиков и потребителей по ходу транспортировки, если возникли некоторые непредвиденные события. При этом решение должно приниматься с учетом текущего местоположения всех участников процесса;
2) возрастанием роли опыта и знаний, извлекаемых из больших объемов эмпирических данных (Big Data). Реальный мир труднопредсказуем, поэтому стремление получить более точные прогнозы его состояния требует привлечения большего объема знаний. Результаты, полученные в последние годы в практике использования машинного обучения для обработки больших данных, показали высокий потенциал систем добычи знаний. При этом методы использования добытых знаний относительно самостоятельны, а их исследование представляет собой самостоятельную задачу;
3) недостаточной достоверностью решений, принимаемых на основе пространственных данных, которые отражают меняющийся мир. Эта причина объективно обусловлена наблюдением и измерением, с помощью которых получают геопространственные данные. То, что информация не может в точности соответствовать действительности, не вызывает сомнений. Тогда возникают вопросы о том, а насколько серьезно это рассогласование и в какой степени можно доверять выводам, основывающимся на заведомо неполных, неточных и неоднозначных данных;
4) неопределенностью процедуры переноса знаний, обладающих пространственной локализацией. Задача состоит в том, чтобы применять знания, полученные в одном месте, к ситуациям другой пространственной области. Очевидно, что знания, перегруженные «подробностями» строения местности, невозможно применить к аналогичной ситуации в другой местности. Чтобы это сделать, следует «ослабить» привязку, внести определенное обобщение. Эта задача не решена;
5) необходимостью совершенствования процедур визуального анализа карт, схем и планов земной поверхности. Визуальный анализ является мощным средством решения трудно формализуемых задач и получения фундаментальных знаний, однако его реализация во многом осложняется избыточностью картографической информации. Разумный отбор сведений, полезных для анализа, представляет собой задачу, связанную с представлением знаний о полезных изображениях изучаемых ситуаций; 6) повышением требований к смысловому содержанию представляемых пользователю пространственных данных. Трудно определяемое в общем случае понятие «смысл» имеет интуитивно понятную для аналитиков интерпретацию в конкретных прикладных областях. Возможность находить одинаковые по смыслу ситуации, манипулировать рядами близких по смыслу ситуаций, строить рассуждения на основе узко понимаемого смысла играет важную роль в практических приложениях поисковых и аналитических систем.
Использование понятия пространственной ситуации помогает не только структурировать знание, но и специальным образом формулировать задачи по добыче (knowledge mining) и применению знаний для принятия решений (decision making). Как показал анализ научных публикаций, на сегодняшний день существует множество разнообразных определений и трактовок понятия «ситуация». Например, в классической работе [3] «текущая ситуация» определялась как совокупность сведений о структуре объекта управления и его функционирования в данный момент времени. Использовать данное определение вне контекста ситуационного управления невозможно, поэтому рассмотрим формальное определение пространственной ситуации, которое будет использоваться в последующем изложении.
Пусть XJ,Z - декартовы координаты, а А- множество атрибутивных данных, которые могут связываться с пространственными сущностями. Тогда множество информационных моделей пространственных сущностей Е является отображением
Множеством пространственных ситуаций будем называть множество, полученное отображением
Любая sn є S есть ситуация, представленная подмножеством пространственных объектов. Существенным является то, что любая прикладная интеллектуальная система оперирует относительно небольшим набором ситуаций, т.е. Em » S,0 m E.
Данная особенность связана с наличием у ситуаций смысла - свойства, которое неформально и играет важнейшую роль в имитации разумного поведения технической системы. Классические теоретико-множественные операции и применяемые к ним формальные рассуждения [4] не предусматривают осмысленности действий над ситуациями. В то же время, при работе реальных систем возникают аномалии принятия решений. Примером могут быть задачи:
(i) распознавания (классификации) ситуаций, когда анализируемой ситуации sneS сопоставляется вектор значений функций принадлежности цс (sn) к /–му классу (М - число классов) и требуется принимать «разумное» решение об отнесении ситуации в точности к одному из классов. Обозначим результат классификации через (sn,сг). Аномалия возникает, когда находится некоторая пара классифицированных ситуаций (sa, сг ) и (sb, cq ), формально относящихся к разным классам хотя со смысловой точки зрения это не так. Обозначим смысловую эквивалентность ситуаций как
Можно предположить, что аномалия может быть устранена, а качество работы классификатора повысится, если будет учтено смысловое различие между ситуациями;
(ii) ранжирования (упорядочения) ситуаций. Задача состоит в том, чтобы, задав отношение предпочтения
Концепция образа ситуации в заданном контексте
Пусть D(s) есть зависимость, используемая для генерации решений на заданном наборе параметров внешней среды s. Если имеется опыт принятия решения d 0 — D(s 0) при значении параметров s0, то распространение этого опыта на проблемную ситуацию с параметрами s означает получение решения dp =D(sp).
Условием положительного эффекта от применения решения dp в проблемной ситуации является неравенство: W(dp) W(d0) где W(x) - критерий качества решения x . Очевидно, что применимость на практике решения dp - всего лишь гипотеза, достоверность которой тем выше, чем ближе s p и s0. Это следует из интуитивного предположения о непрерывности реального мира: очень малые изменения ситуаций не должны приводить к существенным изменениям сути решений и уровня их полезности. При неравенство становится достоверным равенством. Оно соблюдается в окрестности sp, где так как это гарантирует отсутствие потери качества решения. Знание о том, каков характер зависимости D(s) в области As = sp — s0 и каковы границы данной области можно рассматривать как отображение смысла ситуаций.
Поскольку зависимость D(s) не известна, равенство (2.1) можно рассматривать как концептуальную основу представления знаний, которая заключается в накоплении знаний об отклонениях (преобразованиях) параметров ситуаций и решений. Знание отклонений - это возможность сконструировать достоверное решение окрестности As точки S со степенью принадлежности в то время как при отсутствии такого знания \/sk GAs:ju(D(sk)) = 0.
Условие (2.1) можно рассматривать как формальную основу концепции представления знаний в виде преобразований ситуаций. Обдумывание произошедших событий, анализ результатов принятых решений представляет собой опыт мыслительной деятельности, который обладает высокой ценностью. Нечеткость описания ситуаций в данном случае будет отображать интуитивно понятные эксперту заключения.
Назовем образом ситуации в заданном контексте c кортеж первый элемент которого (sc) является центром образа, второй (Hc(s)) набором допустимых преобразований центра в контексте (С). Индекс контекста ( С ) указывает на принадлежность преобразования одному из конечного множества контекстов С = {Cfc }, Контекст - это подмножество классов, экземпляров объектов и отношений, которое может визуализировать ГИС, а также тематические карты из указанных сущностей, которые используются для решения некоторого множества прикладных задач.
Центр sc представляет собой подмножество sс cz Q элементов описания ситуаций (это множество обозначено через Q и содержательно является множеством картографических объектов, которые использует ГИС), Hc(s) - вектор-функцию с конечным числом элементов:
H c (s) = ( 1 с (s),h 2 с (s),...h сM (s)) . (2.3) Размерность вектор-функции Hc{s) в (2.3) произвольна , М 0 , и сверху ограничена лишь значением 2 . Далее по ходу изложения там, где речь идет об одном и том же контексте и это не вызывает двусмысленности, индекс «с» будет опускаться.
Формально контекст будем представлять как множество элементов, образованных объектами базы данных геосервиса [136] и набором данных из внешних источников данных: где включает в себя специфические для рассматриваемого контекста документы, базы данных, мультимедиа-ресурсы. Контекст задает отображение К:сх ?- Ф, в котором Ф является множеством правил, представляющих знание о ситуациях, возникающих в заданном контексте. Такое знание можно называть смыслом ситуаций в контексте. Обладая набором Ф и способностью реализовать отображение К, информационная система может быть отнесена к интеллектуальной потому, что для всякой ситуации могут быть определены действия, приводящие к получению решения. В реальности К и Ф представляются в информационных системах неполно. Это стимулирует исследования в направлении поиска форм и способов получения знаний о ситуациях с целью принятия решений.
Количество допустимых преобразований Hc{s) ситуации считается мерой ее смыслового наполнения. Чем оно больше, тем более осмысленной считается описанная в ГИС ситуация.
Рассмотрим свойства образов ситуаций.
Свойство 1.
Любой образ имеет центр: V/: s 0
Это означает, что образ порожден реальной ситуацией, которую в реальности наблюдал эксперт и которая отображена на карте. Если s 0&H(s) = 0, то будем называть такой образ примитивным. Любая карта или схема ситуации из картографической базы данных ГИС является примитивным образом. Примитивные образы являются первым шагом конструирования образов в некотором контексте.
Следующие утверждения определяют связи компонентов образа с контекстом:
Утверждение 1.
Образ (2.2) имеет смысл в контексте с, если ситуация sc и ее допустимые преобразования Нс (sc ) могут быть описаны экспертом средствами этого контекста.
Средства контекста для описания ситуаций - это множество классов, отношений и экземпляров картографических объектов, которые используются при создании карт, схем и планов в заданном контексте.
Утверждение 2.
Образ (2.2) имеет смысл в контекстах сi,с2,..сa, если ситуация sc и ее допустимые преобразования Hc(sc) могут быть описаны экспертом общими для всех контекстов средствами сглсхглс2сл...слса Ф 0.
Свойство 2.
Два образа Iа и 1 ситуаций a и b эквивалентны в заданном контексте c, если совпадают их центры и набор допустимых преобразований:
Данное свойство позволяет исключать избыточные образы, описанные экспертами в одном и том же контексте, а также повторно использовать опыт принятия решений в различных по смыслу ситуациях.
Свойство 3. Два образа I 1 = а, 1 (а) и 12 = а,Н2 (а) одной и той же ситуации a в заданном контексте c порождают агрегированный образ, если Inew = I1oI2 = a,H1(s)uH2(s) , здесь через о обозначена операция агрегирования.
Данное свойство определяет единственный путь повышения смыслового уровня образа - добавление новых допустимых преобразований.
Свойство 4.
Два образа 1 = а, 1 (а) и 12 = а,Н2 (а) одной и той же ситуации a в заданном контексте c порождают редуцированный образ, если здесь через обозначена операция редуцирования.
Данное свойство определяет путь деградации образа, когда по некоторым причинам исключаются допустимые преобразования. К этому может привести, например, актуализация карты местности.
Свойство 5.
Новый образ может быть порожден из существующего образа применением функции трансформирования: где Isrc - исходный образ, W - целевая область карты для трансформирования, ctg - заданный целевой контекст, F TR (a,b,c) функция трансформирования, ставящая в соответствие образу а трансформированный образ в заданном контексте в заданной области карты. Данное свойство формализует понятие воображения аналитика. Воображаемый образ Inew существует, если установлены формальные правила трансформирования, позволяющие построить изображение центра и допустимых преобразований воображаемого образа.
Свойство 6.
Из заданного образа может быть порожден новый образ применением функции генерализации
Задача трансформирования образов в ситуационном анализе
Необходимость использования операции трансформирования обусловлена тем, что опыт наблюдения объектов, событий и явлений реального мира всегда имеет пространственно-временную и семантическую привязку. Одна из основных задач ситуационного анализа – прогнозирование – невозможна без модельного воспроизведения ситуаций в той местности, где они не наблюдались. Создатели геоинформационных систем с самого начала предполагали [124], что пользователь ГИС сможет получать ответы на вопросы типа «что произойдет с объектом, если изменить условия внешней среды», «как это явление проявится в другом месте», «каковы последствия наблюдавшегося в других районах события, если оно произойдет здесь», «насколько будут отличаться последствия того, что уже наблюдалось здесь ранее», и т.д. Современные ГИС так и не реализовали подобную идею, хотя значимость её реализации высока. Причины неудачи, как показывает анализ, это неполнота и неопределенность аналитических моделей процессов и явлений реального мира [125], наличие большого объема конкретных данных о конкретных событиях, который трудно достоверно обобщить [126], сложность формализации и повторного использования знаний экспертов, которые успешно решают задачи пространственного анализа [59]. Данную проблему можно решать, используя идею отображения известных образов в заданную пространственную область. Суть отображения в том, что знания о конкретной ситуации используются для ее реконструирования в другой области пространства, которое не является однородным. Карта ГИС содержит обширную информацию о структуре и топологии области анализа.
Знание о наблюдавшихся ранее ситуациях при определенных условиях позволяют оценить реализуемость события или явления и затем рационально оценить принимавшиеся в данной ситуации решения. Факт реализуемости гипотетической ситуации представляется чрезвычайно важным. Эксперты-аналитики интуитивно выполняют это действие, приступая к изучению проблемной ситуации. Мысленное сопоставление известных прецедентов с проблемной ситуацией предполагает, что известные прецеденты близки, а близость оценивается в пространственно-временных границах. Например, неразумно сопоставлять ситуацию борьбы с пожаром в тайге и лесопарке, который расположен вблизи мегаполиса. Существует опасность того, что формально вычисляемая близость не учитывает некоторых деталей, что приводит к бессмысленному решению. Пространственные ситуации отличаются наличием большого числа разнородных параметров, влияние которых существенно зависит от географического положения. Это является причиной слабой эффективности прецедентного анализа (CBR- case-based reasoning), использующего обобщенную метрику близости и предположение об однородности пространства, в котором используется метрика. Заложенное в метрике обобщение становится базой аналогии, которая правдоподобна, но не достоверна [77].
Исследуемая модель образного представления ситуаций включает кроме прецедента интуитивные обобщения, которые делают возможным дедуктивные заключения в последующем сопоставлении образов. Совпадение отдельных допустимых преобразований двух различных ситуаций есть факт, который ведет к правдоподобным и достоверным выводам. Однако трудность использования обобщений в их пространственно-временной локализации. Сопоставляемые образы должны находиться в одной пространственной области, играющей роль базы дедукции. Это приводит к необходимости трансформирования образов.
В общем случае операция трансформирования должна выполняться применением функции трансформирования где Isrc - исходный образ, W - целевая область карты для трансформирования, ctg - заданный целевой контекст. Построение функции трансформирования представляет собой сложную проблему с большим числом вариантов трудно проверяемых с точки зрения достоверности решений, поэтому следует декомпозировать задачу для формулировки частных подзадач, решение которых можно проверить. Анализ показал следующее. Функция трансформирования Fm является векторной, размерность которой составляет (М+2) и определяется числом допустимых преобразований конкретного образа: где fm- функция трансформирования центра образа, fm - его /-го допустимого преобразования. Компоненты вектора независимы и должны определяться соответственно типу отражающего преобразование картографического объекта. Например, уличная парковка всегда ориентирована вдоль линии дороги, внут-риквартальная ограничена находящимися рядом зданиями, сооружениями и дорогами. Таким образом, функции трансформирования классифицируются соответственно допустимым преобразованиям. Число различных функций трансформирования не совпадает с количеством допустимых преобразований описанных в ГИС образов. В каждом классе находятся функции с различным числом параметров, что в объектной модели информационной системы реализуется как полиморфизм методов класса.
Следуя принципам объектного подхода, можно утверждать, что каждый экземпляр образа должен включать программно реализованный метод трансформирования. На рис. 3.1 показан возможный вариант объектной модели. В ней экземпляр образа агрегирует метод трансформирования, входящий в иерархию наследования образов ситуаций. Такой подход позволяет упростить программную реализацию конструктора образов и повысить надежность процедуры добавления новых методов трансформирования.
Следует заметить, что число функций трансформирования быстро растет с увеличением числа контекстов. Сократить это число можно только за счет обобщения контекстов и построения специальной классификации контекстов для трансформирования. Рис. 3.1 Объектная модель с функциями трансформирования
Первым шагом трансформирования является применение функции fTRs в области w. Для этого всякий прецедент должен быть параметризован, т.е. выделены сущности, пространственное размещение которых определяет суть прецедента. Например, логистическая цепь задается расположением производителя продукта, потребителя и списком логистических операций; площадь разлива нефтепродуктов – точкой расположения источника утечки, объемом нефтепродукта, его средней плотностью. Параметризация позволяет избежать изучения огромного числа вариантов «вписывания» прецедента в область w.
Критерием достоверности трансформирования следует считать получение нетривиальных образов (обладающих центром), сохраняющих заданный инвариант преобразования: площадь отображения на карте, либо размерности допустимых преобразований, либо распределения типов допустимых преобразований, и т.д. Различные инварианты порождают различные результаты трансформирования. Подбор инварианта, адекватного сути ситуационного анализа, может основываться на имеющихся описаниях образов, т.е. данная поисковая задача автоматизируется. Проведенный анализ указывает на необходимость исследования следующих задач:
1) конструирования функций трансформирования допустимого преобразования заданного типа;
2) разработки алгоритмов трансформирования;
3) разработки общей методики трансформирования.
Интеллектуальное реконфигурирование и предотвращение аварийных ситуаций в механических транспортных системах
В данном разделе отражены результаты экспериментального исследования применения образного представления с контекстными преобразованиями для интеллектуального реконфигурирования и предотвращения аварийных ситуаций в механических транспортных системах. Результаты частично опубликованы в работе [128]. Механическая транспортная систем (МТС) образована сетью конвейеров для перемещения объектов. В узлах сети расположены механические переключатели направления. Любая единица транспортируемого груза перенаправляется переключателем на один из связанных с данным конвейеров. Информация о перенаправлении извлекается сканированием бирки, прикрепленной к грузу. В целом МТС имеет несколько входных и выходных конвейеров. Бирка на транспортируемом объекте содержит адрес входного и выходного переключателя. МТС является системой IoT (Internet of Things). Транспортировочный процесс сопровождается интенсивным сетевым взаимодействием переключателей направления. Контроллеры узлов реализуют управление потоком груза. Данная задача должна решаться, исходя из состояния средств транспортировки, интенсивности грузопотока, стоимость перемещения объектов, потерь из-за аварийных ситуаций, результата рекон-фигурирования и заданного уровня риска.
Предотвращение потерь при транспортировке посредством МТС играет важную роль при эксплуатации системы. Обнаружение в реальном времени аномалий, которые способны привести к ущербу, ликвидация угрозы и минимизация потерь представляет собой перспективный способ организации работы МТС.
Применение и накопление опыта является перспективной возможностью противодействия угрозам для МТС. С течением времени значимость «разумных» мер становится выше. Это обусловлено непрерывным изменением самой МТС и природы влияния на нее внешней среды. Ценность опыта велика. Даже при отсутствии явных причинно-следственных связей решения полезны. Важна форма представления опыта, которая была бы ориентирована на повторное применение накопленного знания.
Рассмотрим модель защиты от аварийных ситуаций с точки зрения взаимовлияния разнородных потоков друг на друга и на систему конвейеров. Практика показывает, что эксперты способны описать ситуации и результаты апостериорного анализа прецедентов приостановки потока из-за затора (пробки) застрявших грузов либо отказа оборудования отдельных конвейеров. Знания должны позволить определить угрозу и дать возможное решение о своевременной защите.
Задача, которую решает система, можно формально описать следующим образом: где Е fare(t)- стоимость транспортировки на временном промежутке [Ту, Т2 ] , E loss (/) - потери, F - множество возможных аномальных ситуаций.
Как показывает анализ задачи (4.2), в системе реализуются два параллельных независимых процесса: транспортировки и ликвидации аварийных ситуаций. Управление транспортировкой ставит своей целью минимизацию стоимости многопродуктового потока за счет маршрутизации. Управление аварийными ситуациями направлено на минимизацию потерь за счет своевременного обнаружения опасности, применения соответствующей маршрутизации или реконфигурирова-ния сети.
Для решения задачи (4.2) предлагается путь, основанный на применении образного представления ситуаций. Цель использования образов в предотвращении локальных угроз аварий.
Рассмотрим особенности реализации предлагаемого подхода.
Первое, что необходимо выполнить, это описать образы угроз, возникающих при транспортировке. В отличие от простой фиксации прецедента реализации угрозы, в образе должны быть отражены глубинные связи параметров состояния транспортировки, отражающие угрозу. Тем самым достигается отображение смысла локальной угрозы. Угрозы будут оставаться локальными по причине неопределенности и неоднозначности понимания причин возникновения пробок и повреждений груза на конвейере. Образ аварийной ситуации описывается как / = с, Н(с) , с с Н(с), Н(с) с J, где С - центр образа, Н(с) - допустимые преобразования, J = J1xJ2x...xJfJ - пространство образов. Координатами пространства (Ji,i = 1,n) для МТС являются:
1) фрагмент схемы МТС. Фрагмент отображает один или несколько конвейеров, с которыми связана опасная ситуация, и узлы с конвейерами, которые могут быть задействованы в защитном перенаправлении потока груза;
2) ось времени. Характер угроз изменяется с течением времени, поэтому важна не только динамика интенсивности потоков, но и динамика структуры сети и ее исполнительных механизмов;
3) оси интенсивностей потоков. Сочетание интенсивностей потоков разных типов считается основным фактором возникновения аварий;
4) набор осей массы, габаритов единиц груза, механической устойчивости, эластичности, и т.д.
На рис. 4.6 показан фрагмент МТС, отражающий прецедент аварийной ситуации. Пунктиром показаны потоки, влияющие на ситуацию в изображенных фрагментах, а также допустимые преобразования структуры фрагмента.
Рис. 4.7 двойными пунктирными линиями - серой и черной - показаны варианты принятых решений. Черным цветом обозначено реально принятое решение, состоящее в перенаправлении потока в нижнюю часть сети на рис. 4.7. Серым цветом показано допустимое преобразование данного решения.
Следующим этапом является разработка процедуры переноса опыта с известного прецедента на локальную ситуацию в МТС. Для этого должны быть разработаны функции трансформирования обеспечивающие воспроизведение известного образа как нового в изучаемом участке МТС.
Механизм защиты от угрозы реализуется как протокол согласованного изменения параметров маршрутизации контроллерами МТС. Начальной процедурой протокола является централизованное уведомление об угрозе аварии в определенном участке МТС. Уведомление формируется центром управления МТС. Контроллеры узлов сети переключаются на соответствующий угрозе режим маршрутизации. Новые параметры маршрутизации действуют до уведомления о ликвидации угрозы. Слежение за существованием угрозы осуществляет центр управления МТС. Если в течение заданного времени угроза аварийной ситуации не исчезает, предпринимается попытка реконфигурирования сети.