Содержание к диссертации
Введение
Глава 1. Исследование проблем разработки информационных систем и систем принятия решений 10
1.1. Проблемы разработки экспертных систем 10
1.2. Анализ систем приобретения знаний 14
1.3. Анализ методологий проектирования информационных систем 22
1.3.1. Связь методологий с этапами жизненного цикла разработки программных систем 28
1.4. Применение интеллектуальных агентов и WEB/database 33
1.4.1 Программные агенты и мультиагентные системы 33
1.4.2. Анализ современных направлений в области создания интеллектуальных агентов. 39
1.5. Выводы 43
1.6. Постановка задачи 46
Глава 2. Совершенствование методологии проектирования информационных систем 48
2.1. Принятые методологии и средства исследования 48
2.1.1. Методология KADS 48
2.1.2. Стандарт онтологического исследования IDEF5 49
2.2. Совершенствование методологии проектирования информационных систем 52
2.3. Классификация моделей в экономических системах 57
2.4. Модель функционирования и управления предприятием с использованием экспертной системы 59
2.5. Разработка методологии представления архитектуры разрабатываемой системы 63
2.6. Проектирование концептуальной модели аудиторской деятельности 69
2.6.1. Выбор основания для построения концептуальной модели 69
2.6.2. Определение объектов проектируемой системы 71
2.6.3. Определение функций 71
2.6.4. У становление сетевых представлений 14
2.7. Формализация архитектурных представлений 76
2.8. Разработка информационной модели объектов аудита 78
2.9. Разработка программного обеспечения, информационной системы аудита финансового состояния предприятия 82 2.9.1. Основные положения при разработке программного обеспечения 82
2.9.2. Разработка программного обеспечения информации}той системы финансового состояния предприятия 83
2.10. Выводы 88
Глава 3. Разработка экспертной системы на базе интернет технологий 90
3.1. Проектирование виртуальной области знаний для оценки финансового состояния предприятия 90
3.2. Концептуальная модель экспертной оценки финансового состояния предприятия 96
3.3. Алгоритм оценки финансового состояния 98
3.3.1. Основные понятия и определения теории нечетких множеств 98
3.3.2. Лингвистические переменные 99
3.3.3. Формализация процесса оценки финансового состояния 103
3.3.4. Определение функции принадлежности и Коэффициента надежности принятия решения относительно оценки финансового состояния 106
3.3.5. Определение доверительного интервала коэффициента надежности 107
3.3.6. Определение степени влияния (важности) показателя на оценку финансового состояния предприятия. 108
3.4. Формирование базы знаний для оценки финансового состояния предприятия 109
3.4.1. Формальное описание базы знаний 109
3.4.2. Определение прототипа базы знаний 110
3.5. Обучение (заполнение) базы знаний экспертной системы оценки финансового состояния предприятия 112
3.5.1. Формирование отражения базы знаний в виртуальном пространстве 112
3.5.2. Формирование базы знаний виртуального пространства 113
3.5.3. Алгоритм вывода рекомендаций интеллектуальным агентом 114
3.6. Алгоритм фильтра для расчета коэффициентов основных показателей 114
3.7. Выводы 117
Глава 4. Практическое использование программного обеспечения информационных систем и экспертных систем 118
4.1. Информационная система «Оптовые поставки медикаментов» 118
4.1.1. Состав программного обеспечения 118
4.1.2. Структура корпоративной информационной системы 120
4.1.3. Система удаленного администрирования корпоративных
сетей 123
4.2. Модель информационной системы с помощью Erwin и Bpwin 125
4.3. Экспертная система на базе агентной технологии 127
4.4. Описание виртуальной экспертной системы аудита (ВЭС-АУДИТ) 136
4.5. Выводы 154
Заключение и основные выводы 156
Использованные источники
- Анализ методологий проектирования информационных систем
- Стандарт онтологического исследования IDEF5
- Концептуальная модель экспертной оценки финансового состояния предприятия
- Формирование отражения базы знаний в виртуальном пространстве
Введение к работе
Развитие новых информационных технологий и образование реальной всемирной компьютерной сети - Internet/Intranet предоставляет новые возможности в получении информации и знаний, которые предприятия и физические лица могут использовать в своей деятельности. Современное состояние разработок в области информационных систем на базе локальных, корпоративных, глобальных компьютерных сетей можно охарактеризовать как стадию все возрастающего интереса среди широких слоев специалистов-финансистов, менеджеров, преподавателей, инженеров, медиков, психологов, программистов, лингвистов. Тенденция увеличения числа пользователей сети Internet/Intranet ставит актуальной задачу совершенствование методологии проектирования информационных систем, ориентированных на применение Internet/Intranet для учета и анализа финансовой деятельности предприятия, дающей сокращение сроков проектирования.
Целью диссертационной работы является развитие, совершенствование и применение методологии и методов проектирования информационных систем, ориентированных на фиксированную предметную область. Разработка и исследование метода моделирования аудиторской и финансовой деятельности. Разработка и внедрение корпоративной информационной системы учета и анализа финансового состояния предприятия на базе технологий Internet/Intranet
Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума витала в воздухе еще в древнейшие времена. Родоначальником искусственного интеллекта считается средневековый испанский философ, математик и поэт Раймонд Луллий, который еще в XIII веке попытался создать механическую машину для решения различных задач, на основе разработанной им всеобщей классификации понятий [11].
Рождение искусственного интеллекта как научного направления произошло только после создания ЭВМ в 40-х годах XX века. В это же время Норберт Винер создал свои основополагающие работы по новой науке -кибернетике.
После признания искусственного интеллекта отдельной областью науки произошло разделение его на два направления: нейрокибернетика и "кибернетика черного ящика" Эти направления развиваются практически независимо, существенно различаясь как в методологии, так и в технологии. Нейрокибернетика ориентирована на программно-аппаратное моделирование структур, подобных структуре мозга.
В основу "кибернетики черного ящика" был положен следующий принцип. Не имеет значения, как устроено "мыслящее" устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг. Существенный вклад в становление новой науки внесли ее "пионеры": Маккарти (автор первого языка программирования для задач искусственного интеллекта — ЛИСПа), Минский (автор идеи фрейма и фреймовой модели представления знаний), Ньюэлл, Саймон, Шоу, Хант и другие.
Большой вклад в развитие теоретических основ искусственного интеллекта внесли ученые Цетлин М. Л., Пушкин В. Н., Гаврилов М. Л., Поспелов Д.А. и другие.
Широко известны работы, по созданию систем искусственного интеллекта имеющих большое практическое значение в области образования и технологий ученых и исследователей Живоглядова В.П., Бабак В.Ф. и другие.
Представление знаний и разработка систем, основанных на знаниях (knowledge-based systems) - основное направление в области изучения искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем. Это направление включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.
Программное обеспечение систем ИИ (software engineering for А1) -одно из важнейших направлений. В рамках этого направления разрабатываются специальные языки для решения интеллектуальных задач - языки ИИ, в которых традиционно упор делается на преобладание логической и символьной обработки в рамках вычислительных процедур. Эти языки ориентированы на символьную обработку информации — LISP, PROLOG, SMALLTALK, РЕФАЛ и др. Также создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, или программное обеспечение искусственного интеллекта, например KEE, ARTS, G2 [83; 51]. Достаточно популярно также создание так называемых пустых экспертных систем или "оболочек" — KAPPA, EXSYS, Ml, ЭКО и др., базы знаний которых можно наполнять конкретными знаниями, создавая различные прикладные системы.
Обучение и самообучение (machine learning) - активно развивающаяся область искусственного интеллекта, которая включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний на основе анализа и обобщения данных [15], обучение на примерах (или индуктивное обучение), а также традиционные подходы из теории распознавания образов [47]. В последние годы к этому направлению тесно примыкают стремительно развивающиеся системы анализа данных (data mining) и поиска закономерностей в базах данных (knowledge discovery) и другие направления.
Существенный прорыв в развитии практических приложений искусственного интеллекта произошел в США, когда в середине 1970-х на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях, или экспертные системы (ЭС). Стал применяться новый подход к решению задач искусственного интеллекта — представление знаний. В этот период были созданы MYCIN и DENDRAL [105; 94], две первые экспертные системы для медицины и химии,
ставшие уже классическими.
Экспертные системы эффективны в специфических "экспертных" областях, где важен эмпирический опыт специалистов. Эти системы интегрируют опыт специалиста в компании по ключевым и стратегически важным технологиям.
Современные ЭС — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и распространяющие этот эмпирический опыт для консультирования менее квалифицированных пользователей. Разработка экспертных систем, как развивающаяся ветвь информатики, направлена на использование ЭВМ для обработки информации в тех областях науки и техники, где традиционные математические методы моделирования малопригодны. В этих областях важна смысловая и логическая обработка информации, важен опыт экспертов.
Приведем некоторые условия, которые могут свидетельствовать о необходимости разработки и внедрения экспертных систем [77]:
нехватка специалистов, затрачивающих значительное время для оказания помощи другим;
выполнение небольшой задачи требует многочисленного коллектива специалистов, поскольку ни один из них не обладает достаточным знанием;
сниженная производительность, поскольку задача требует полного анализа сложного набора условий, а обычный специалист не в состоянии просмотреть (за отведенное время) все эти условия;
большое расхождение между решениями самых хороших и самых плохих исполнителей;
наличие конкурентов, имеющих преимущество в силу того, что они лучше справляются с поставленной задачей.
В настоящее время в мире применяются различные консультативно-советующие ЭС, которые дают советы:
- при управлении сложными диспетчерскими пультами, например, сети
распределения электроэнергии, - Alarm Analyser [14];
при постановке медицинских диагнозов - ARAMIS [105, 94], NEUREX [14];
при поиске неисправностей в электронных приборах, диагностика отказов контрольно-измерительного оборудования - Intelligence Ware [123,], Plant Diagnostics [77], FOREST [108];
по проектированию интегральных микросхем - DAA [66], NASL [14];
по управлению перевозками - AIRPLAN [32];
по прогнозу военных действий - ANALYST [32, 86], BATTLE [123];
налогообложению - RUNE [106].
Главное отличие ЭС от других программных средств - это наличие базы знаний (БЗ), в которой знания хранятся в форме, понятной специалистам предметной области, и могут быть изменены и дополнены также, в понятной форме. До последнего времени именно различные языки представления знаний (ЯПЗ) были центральной проблемой при разработке ЭС.
Значение работы заключается в том, что разработан метод понятийного моделирования информационных систем и управления экономическими объектами на основе представления трех составляющих: «диаграммы объектов - дерева функций - сетевого представлении». С помощью данного метода достигается уменьшение временных и материальных затрат, связанных с привлечением специалистов предметных областей. Совместное использование экспертных систем и сетевых технологий позволяет повысить качество предоставляемых услуг аудиторскими фирмами - предприятиям, а также сократить затраты времени необходимые на принятие решений.
Практическая ценность диссертационной работы подкреплена двумя, внедренными в производство программными системами - корпоративной информационной системой для анализа и управления финансовой деятельностью предприятия с удаленными администрированием распределенных баз данных, и виртуальной системой аудита, реализованной в пространстве Internet/Intranet.
Анализ методологий проектирования информационных систем
Разработка и проектирование экспертных систем предполагает наличие мощного информационного потока данных, на основании, которого ЭС должна предложить пользователю возможное решение проблемы.
В 70-х и 80-х годах при разработке информационных систем (ИС) достаточно широко применялась структурная методология, предоставляющая в распоряжение разработчиков строгие формализованные методы описания ИС и принимаемых технических решений. Она основана на графической технологии - для описания различного рода моделей ИС использовались схемы и диаграммы. Наглядность и строгость такого анализа позволяла разработчикам и будущим пользователям системы с самого начала неформально участвовать в ее создании, обсуждать и закреплять основные технические решения.
Однако широкое применение этой методологии и следование ее рекомендациям при разработке конкретных ИС встречалось достаточно редко, поскольку при неавтоматизированной (ручной) разработке это практически невозможно. Действительно, вручную очень трудно разработать и графически представить строгие формальные спецификации системы, проверить их на полноту и непротиворечивость, и тем более изменить. Если все же удается создать строгую систему проектных документов, то ее переработка при появлении серьезных изменений практически неосуществима. Ручная разработка обычно порождала следующие проблемы: - неадекватная, нечеткая формулировка требований со стороны заказчика; - недостаточная осмысленность предметной области со стороны разработчиков; - неспособность обнаруживать ошибки в проектных решениях; - низкое качество вручную прорабатываемой документации, сопровождающей проект; - длительный цикл и неудовлетворительные результаты тестирования готовых продуктов.
Рассмотрим современные методологии построения информационных систем. Ключевой стадией в жизненном цикле процесса разработки ИС является проектирование. Ошибки и просчеты, допущенные здесь, — самые «дорогие». Поэтому основные усилия в области технологии создания направлены на автоматизацию проектирования программных комплексов. При этом базисными понятиями являются модель программы и модель системы.
Одну из таких моделей предлагает W/0 (Wamier/Orr) методология [14]. Она объединяет методологию Warnier по использованию логических структур данных и логических конструкций программ, а также методологию DSSD (Data Structured System Development), базисом которой является аксиома о логическом соответствии между эвристической структурой программ и данных, обрабатываемых этими программами. На практике такая методология предполагает, что в распоряжении проектировщика системы имеется представительный набор процедурных шаблонов для достаточно широкого класса программируемых задач.
В настоящее время DSSD-методология «переросла» из методологии разработки программ в методологию разработки систем. При этом выделены уровень программирования (programming level) и системный уровень (system level). Применяются в DSSD два концептуальных представления — диаграммы входов (Entity diagrams), обеспечивающие определение системного контекста, и модифицированные W/0-диаграммы (Assembly-line Diagrams), специфицирующие функциональное развитие системы [14]. Следующим подходом к созданию моделей программ является логическое моделирование Гэйна [12, 13, 14]. Сам метод ориентирован на создание систем обработки данных. Логическая модель системы проектируется в процессе последовательного применения следующих семи этапов: 1. Описание природы предметной области с помощью диаграмм потоков данных (Data Flow Diagram). 2. Выделение первичной модели данных (списка элементов данных в каждом информационном узле). 3. Проверка того, что DFD действительно отражает структуру данных, хранимых в системе. 4. Сведение полученной на предыдущем этапе информации в двумерные таблицы, которые в дальнейшем нормализуются. 5. Коррекция DFD с учетом результатов нормализации предыдущего этапа. 6. Разбиение полученной в результате выполнения предыдущих этапов модели на «процедурные единицы» (procedure units). 7. Определение деталей каждой процедурной единицы. После выполнения этих этапов принимается решение о необходимости прототипирования системы на целевом языке.
Третий подход к созданию модели проектируемой программы является метод Иордана [130]. Он включает два компонента: инструментальные средства и методики. Ориентирована методология Иордана на проектирование систем обработки данных. Под инструментальными средствами понимаются различные диаграммы, используемые при описании моделей требований и моделей архитектуры проектируемой информационной системы. Наиболее известные из таких диаграмм - диаграммы потоков данных DFD.
Однако их недостатком является отсутствие средств описания отношений между данными и их изменением во времени. С целью устранения этого недостатка в инструментальные средства метода Иордана кроме DFD включены ERD-диаграммы (Entity Relationship Diagrams) и STD-диаграммы (State Transition Diagrams).
Стандарт онтологического исследования IDEF5
Основной характерной чертой онтологического исследования является, в частности, разделение реального мира на составляющие и классы объектов (at its joints) и определение их онтологии, или же совокупности фундаментальных свойств, которые определяют их изменения и поведение.
Стандарт онтологического исследования IDEF5 (INTEGRATED DEFintion) представитель семейства государственных стандартов США IDEFx, включающих 14 стандартов, представляющих методологии исследования систем в различных отраслях знаний [114].
Принципы стандарта онтологического исследования
1. Онтологический анализ начинается с составления словаря терминов, который используется при обсуждении и исследовании характеристик объектов и процессов, составляющих рассматриваемую систему, а также создания системы точных определений этих терминов. Кроме того, документируются основные логические взаимосвязи между соответствующими введенным терминам понятиями. Результатом этого анализа является онтология системы, или же совокупность словаря терминов, точных их определений, взаимосвязей между ними.
2. В любой системе существует две основные категории предметов восприятия, такие как сами объекты, составляющие систему (физические и интеллектуальные), и взаимосвязи между этими объектами, характеризующие состояние системы. В терминах онтологии, понятие взаимосвязи, однозначно описывает или, другими словами, является точным дескриптором зависимости между объектами системы в реальном мире, а термины - являются, соответственно, точными дескрипторами самих реальных объектов.
Таким образом, онтология представляет собой некий словарь данных, включающий в себя терминологию и модель поведения системы. Концепции IDEF5 Процесс построения онтологии, согласно методологии IDEF5 состоит из пяти основных действий: 1) Изучение и систематизирование начальных условий. Это действие устанавливает основные цели и контексты проекта разработки онтологии, а также распределяет роли между членами проекта 2) Сбор и накапливание данных. На этом этапе происходит сбор и накапливание необходимых начальных данных для построения онтологии 3) Анализ данных. Эта стадия заключается в анализе и группировке собранных данных и предназначена для облегчения построения терминологии. 4) Начальное развитие онтологии. На этом этапе формируется предварительная онтология на основе отобранных данных. 5) Уточнение и утверздение онтологии - Заключительная стадия процесса. Инструментальная среда, предлагаемая стандартом IDEF5
Для поддержания построения онтологии в IDEF5 существуют специальные онтологические языки: язык доработок и уточнений (Elaboration Language - EL) и схематический язык (Schematic Language - SL). EL представляет собой структурированный текстовый язык, который позволяет детально характеризовать элементы онтологии, и обеспечивает полноту представления структуры данных. SL является наглядным графическим языком, специально предназначенным для изложения компетентными специалистами в рассматриваемой области системы основных данных в форме онтологической информации. Язык SL позволяет строить разнообразные типы диаграмм и схем, наглядно и визуально представляющие основную онтологическую информацию. Наиболее важные и заметные зависимости между объектами описываются четырьмя видами основных видов схем, которые используются для накопления информации об онтологии в графической форме:
1. Диаграмма классификаций, обеспечивающая механизм для логической систематизации знаний, накопленных при изучении системы. Существует два типа таких диаграмм: Диаграмма строгой классификации (Description Subsumption - DS) и Диаграмма естественной или видовой классификации (Natural Kind Classification - NKC).
2. Композиционные схемы, являющиеся механизмом графического представления состава классов онтологии и фактически представляют собой инструменты онтологического исследования по принципу "Что из чего состоит".
3. Схемы взаимосвязей позволяют разработчикам визуализировать и изучать взаимосвязи между различными классами объектов в системе.
4. Диаграммы состояния объекта, позволяющие документировать тот или иной процесс с точки зрения изменения состояния или вида объекта. В соответствии со стандартом IDEF5 и методологией KADS примем основные концепции исследований в данной работе.
1. При построении концептуальной модели используются предметные знания в виде набора понятий и связывающих их отношений. Каждое понятие имеет имя и может иметь атрибуты, каждый атрибут может иметь значение с учетом специфики предметной области.
2. Модель может быть построена с использованием следующих средств: словаря терминов, используемых при описании характеристик объектов и процессов, имеющих отношение к рассматриваемой системе, точных и однозначных определений всех терминов этого словаря и классификации логических взаимосвязей между этими терминами.
3. При раскрытии иерархии понятий выделилось понятие, характеризующиеся объектно информационную и функциональную составляющие.
Концептуальная модель экспертной оценки финансового состояния предприятия
При работе с экономическими и статистическими данными, как в системах принятия решений, так и в базах данных и знаний, возникают ситуации, когда мы не можем точно количественно описать какие-либо объекты или явления. Иногда можно получить лишь качественный ответ -«высокий», «низкий», «не совсем низкий» т.п. Поэтому для успешного принятия решения необходимо научиться работать с качественными данными и нечетко определенными понятиями. В связи с этим возникают вопросы: как сложить два качественных описания или найти их среднее; как выполнить фильтрацию таких данных.
Для ответа на подобные вопросы используется специальный математический аппарат называемый теорией нечетких множеств[27], который, как показали два последних десятилетия, оказался достаточно жизненным, широко и успешно применяемым в самых различных областях. Нечеткая логика (fuzzy logic) - это надмножество классической булевой логики, расширяющее ее возможности и позволяющее применять концепцию неопределенности в логических выводах. Концептуальное отличие нечеткой логики от классической заключается в том, что она оперирует не только значениями «истина» и «ложь», но и промежуточными значениями.
Напомним базовые определения [27].
Нечетким множеством А универсального множества U называется отображение ц. A:U — [0;1], которое ставит в соответствие каждому элементу и множества U степень принадлежности А и называется функцией принадлежности нечеткого множества А: ц, A(u), и є U. Носителем (основанием) нечеткого множества А называется подмножество универсального множества SA є U, такое что V S є SA: Ц л 0.
Высотой нечеткого множества А называется верхняя граница значений принадлежности: sup \i A(U). Если высота нечеткого множества равна-1, то оно называется нормальным, а если меньше 1 - субнормальным.
Лингвистические переменные
Лингвистические переменные (ЛП) изначально были предложены как средство моделирования нечеткости естественного человеческого языка, в котором границы между отдельными понятиями очень часто оказываются неявными и размытыми [27] . По сути, лингвистические переменные стали предпосылкой к развитию всей нечеткой логики и теории нечетких множеств.
В настоящее время ЛП являются распространенным способом описания сложных систем, параметры которых, в силу тех или иных причин, рассматриваются не с количественных позиций, а как качественные. При этом д(и)п Маленький Средний Большой ГУЛ 01234567М
Лингвистическая переменная "Показатель" лингвистические переменные дают возможность поставить в соответствие качественным значениям некоторую количественную интерпретацию с заданной долей уверенности, что позволяет возложить обработку качественных данных на ЭВМ. Как следствие, другой сферой применения ЛП является нечеткий логический вывод, отличие которого от обычного заключается в том, что истинность логических высказываний описывается не двумя значениями "ложь" и "истина" или 0 и 1, а множеством значений в интервале [0; I].
Описывая какой-либо показатель, можно не упоминать его точного значения, достаточно общей, качественной оценки в виде фраз "небольшой", "средний", "очень высокий" и т. д. Причем за каждым из этих названий скрывается некоторая совокупность конкретных значений, которая у разных людей может различаться, но в целом является общепринятой (Рис.3.4).
Таким образом, можно говорить, что при описании мы неосознанно пользуемся некоторым набором нечетких множеств, с помощью элементов которого описываем конкретное понятие. Такие наборы и получили название лингвистических переменных, для которых в нечеткой логике существуют рассматриваемые здесь особые правила создания и формального описания.
В основе понятия лингвистической переменной лежит термин "нечеткая переменная", обозначающая нечеткое множество, которому было присвоено некоторое название [27]. Нечеткой переменной называется совокупность трех элементов: {Х,и,цА(и)} (3.5) где Х- название нечеткой переменной; U- универсальное множество; juA(u)-нечеткое подмножество А универсального множества U.
Например, нечеткие множества "маленький показатель" и "большой показатель" являются нечеткими переменными, поскольку представляют собой не просто абстрактные отображения действительной оси в интервал [0; I], а отображения, имеющие за собой определенный смысл, выражающийся как в названии, так и в аналитическом выражении функции принадлежности.
Лингвистической переменной называется совокупность пяти элементов: {L,T(X),U,G,M}, где: L - название лингвистической переменной; Т(Х) - базовое терм-множество лингвистической переменной, состоящее из множества названий лингвистических значений переменной {Г ,Т2,...,ТП}, каждому из которых соответствует нечеткая переменная X универсального множества U; U -универсальное множество, на котором определена лингвистическая переменная; G - синтаксическое правило, имеющее форму грамматики, порождающее названия X значений переменной; М - семантическое правило, которое ставит в соответствие каждой нечеткой переменной X ее смысл М(Х), т.е. нечеткое множество универсального множества U.
Рассмотрим эти компоненты подробнее. К названию ЛП и названиям ее термов не предъявляется особых требований. К термам ЛП лишь предъявляется требование упорядоченности: г, г2 ... г„. Функции принадлежности нечетких множеств универсального множества U, составляющие количественный смысл базовых термов ЛП, должны удовлетворять следующим условиям [16]:
Формирование отражения базы знаний в виртуальном пространстве
Структура информационной системы представляет собой корпоративную сеть компьютеров главного офиса в г. Бишкек и его филиалов в г. Оше и г. Джалал-Абаде поддерживающих объединенную базу данных.
Информационная система в связи со спецификой деятельности предприятия динамично развивается и требует постоянного внимания системного администратора. ИС «Оптовые поставки медикаментов» организована на базе RMI (DCOM)- технологии удаленного управления (remote control).
DCOM выбрана преимущественно в связи с тем, что корпоративная сеть фирмы «Юнимед-Фарм» реализована на базе компьютеров Intel и программного обеспечения Microsoft Windows. Корпоративная сеть фирмы, включающая главный офис в г. Бишкеке и в гг. Оше и Джалал-Абаде представлена на рис.4.2. Агент Хост сервер Супервайзер - Администратор Агент Хост сервер Офис г.Джал-Абад . [ & "\Ч ю ЛВС Директор ЛВС Гл Бухгалтер ЛВС Провизор Главный офис Бишкек ЛВС Касса
Программное обеспечение для визуального удаленного доступа и администрирования баз данных по телефонной линии или сетевому каналу связи включает следующие компоненты: Супервайзер - Агент администратор имеет возможность подключиться к управляемому компьютеру и установить над ним полный контроль, как при наличии, так и при отсутствии пользователя за управляемым компьютером. При этом содержимое экрана управляемого компьютера дублируется на экране суперваизера, а клавиатура и мышь компьютера суперваизера действуют как клавиатура и мышь управляемого компьютера. Брокер - Агент хост сервер обеспечивает возможность подключения агента администратора и удаленного доступа к ресурсам ЛВС входящим в корпоративную сеть. Информационная система с возможностью удаленного администрирования выполнена на базе программной оболочки Teledesk компании АПД-Софт. В результате Супервайзер -администратор информационной сети получает неограниченную возможность управлять хост-компьютером, запускать там любые приложения, контролировать работу, изменять любые настройки и даже выполнять перезагрузку Windows. Во время управления компьютером со стороны суперваизера пользователь, находящийся за управляемым компьютером, может наблюдать все происходящее одновременно с супервайзером и при необходимости принимать в этом участие. Имеется также режим блокирования экрана и/или мыши и клавиатуры управляемого компьютера, когда весь контроль эксклюзивно захватывает супервайзер. Поддерживаются следующие типы каналов связи: Модем/СОМ-порт, сеть NetBEUI, сеть IPX/SPX (Netware), сеть TCP/IP (в том числе Internet). Важной особенностью работы является то, что присутствие пользователя на управляемом компьютере не требуется. Супервайзер может подключаться к 123 управляемому компьютеру и отключаться от него полностью в автономном режиме. При этом каждый раз при разъединении управляемый компьютер автоматически переходит в состояние ожидания нового подключения со стороны удаленного оператора. Возможен также автоматический переход в режим ожидания подключения сразу после включения питания и загрузки Windows на управляемом компьютере. Технические требования: - Операционная система Windows 95/98/МЕ - Оперативная память (RAM) от 4-8 Мбайт - Подключение к модему либо к сети (NetBEUI, либо TCP/IP, либо IPX/SPX) - Установочное дисковое пространство 3-4 Мбайт - Допускается работа Windows 95 на одном компьютере и Windows 98 (или ME) на другом компьютере.
Поддерживает все возможные режимы дисплея по разрешающей способности и глубине цветопередачи. Управляемый и управляющий компьютеры могут иметь разные режимы дисплея и разные национальные версии Windows с разными шрифтами и языковыми установками.
Система удаленного администрирования корпоративных сетей
Система удаленного администрирования корпоративных сетей, представленная в работе представлена на рис 4.3. Корпоративные сети выполнены по единой технологии, включают в себя локальную сеть с серверной станцией совмещенной с одной из функциональных.
