КРИТЕРИИ И МОДЕЛИ ОЦЕНКИ живучести компьютерных СИСТЕМ |
11-03-2024 |
К третьей группе целесообразно относить вероятностные критерии, позволяющие адекватно оценить:
достоверность и параметры снижения производительности и реактивности системы при изменении конфигурации вследствие отказов, сбоев или вывод части ИТресурсив по эксплуатации;
требования к активным системных ИТресурсив, необходимых для обеспечения значений показателей по производительности и реактивности, адекватных входящем трафике и характера запросов на обслуживание;
характеристики, связанные с вероятностными оценками удовлетворения системой требований по производительности и реактивности в условиях изменения нагрузки путем оптимизации конфигурации ИТресурсив;
вероятностные оценки успешного выполнения ответственных и критически важных приложений в условиях прогнозируемых сбоев, отказов и деградации системных ресурсов.
Наконец, последняя группа содержит критерии, объединенные целью эффективного использования имеющихся в КС ИТресурсив, а именно:
критерии для оценки рациональности вложения средств для модернизации / утилизации ИТ ресурсов в связи с изменением внешней среды или принятием принципиально иной стратегии развития системы, что в свою очередь связано с неизбежной сменой целей использования системы;
техникоэкономического критерии типа методики определения затрат на информационные системы и возврата инвестиций с отслеживанием динамики их изменения на протяжении всего жизненного цикла КС;
показатели для оценки минимально необходимого уровня текущего финансирования для сохранения функциональных возможностей системы на необходимом уровне вплоть до ее вывода из эксплуатации и последующей утилизации.
Суммируя все вышесказанное, следует отметить, что именно живучесть может рассматриваться как наиболее объективный и адекватный показатель, который позволяет наилучшим образом оценить все аспекты структурнофункциональнои надежности КС, которое находится во внешней среде, которая постоянно меняется, и подвергается перманентным модернизациям с целью улучшения показателей качества ее функционирования. Действительно, при исследовании живучести акцент делается не на единичные сбои и отказы, вызывающие временную нетрудоспособность системы, а на ее способность выполнять свои функции в течение длительного периода времени, желательно в течение всего жизненного цикла КС.
Конечной целью исследований в области изучения факторов живучести КС построение высоконадежных систем, обладающих необходимыми адаптационными свойствами на случай неблагоприятного изменения внешней ситуации, например, резкого ухудшения условий эксплуатации или изменения целей использования системы.
Функциональная живучесть характеризует допустимые пределы снижения качества функционирования КС, т.е. эффективности выполнения системой заданного набора функций на протяжении всего жизненного цикла в условиях постоянной деградации ее ресурсов. Исследования проблемы обеспечения живучести КС требует, кроме всего прочего, проведения анализа уязвимости и управления рисками.
Модели для исследования живучести КС.
Учитывая, что задача анализа и синтеза сетевых структур средней и большой размерности является NPсладнимы, а для их решения часто приходится строить отдельную модель, объемы времени, затрачиваемого на расчеты различных физических ресурсов, могут быть велики. Исследования в данной области ведутся с середины XX века, и произведено множество подходов для решения указанных задач, основными из которых являются :
1) вероятностные полиномиальные процедурные модели расчета;
2) процедурные модели, построенные с использованием элементов искусственного интеллекта (так называемые искусственные нейронные сети ИНС, Artifidal Neural Network, ANN)
3) поточные модели, основанные на критерии допустимости КС.
Принципиальная схема функционирования сетевой структуры формализуется известной математической моделью, которая называется многопродуктовой потоковой сетью и задается с помощью графа.
Поскольку количество параметров модели большая и, к тому же, может варьироваться в зависимости от использования модели с п. 13, возникает потребность хранения большого количества данных, то есть потребность в базе данных (БД) параметров модели. Кроме того, часто приходится анализировать не только модель живучести самой КС, но и модели неблагоприятных факторов, при воздействии которых система должна функционировать. Неблагоприятные факторы разделяют на внешние и внутренние. Для внутренних моделируем отказа программных средств, а для внешних действия по неблагоприятных факторов, лежащих вне системы. После параметризации полученные данные по неблагоприятных факторах также сохраняются в специализированной БД.
Рассмотрим конкретные примеры моделей, предназначенных для анализа надежности и живучести КС. Для этих целей целесообразно применять подходы на основе теории вероятностей, теории массового обслуживания и исследования операций, а также методы исследования моделей с использованием аппарата конечных цепей Маркова, включая цепи с доходами, и сто хастични сети Петри. Примем также как исходные базовые положения следующие:
построение и анализ моделей для оценки живучести КС целесообразно осуществлять отдельно для внутренних и внешних подсистем, из-за различия решаемых ими функциональных задач, особенностей архитектурных решений и нюансов технической реализации ;
исследования живучести должно проводиться неразрывно с анализом вероятного нагрузки подсистем КС в рамках одних и тех же моделей;
оценку показателей живучести следует проводить в отношении некоторого заданного календарнопланового периода эксплуатации системы.
В настоящее время наиболее популярные математические модели для анализа живучести, это:
1) марковская модель переходов состояний сложной системы, называемая моделью «гибели размножения»;
2) процедурная модель расчета живучести КС через полином Тутти (Tutte polynomial) для любого графа с максимум 14 вершинами;
3) прогностическая модель искусственной нейросети для оценки живучести КС;
4) поточные математические модели реальных распределенных КС;
5) метод моделирования МонтеКарло для оценки живучести КС в верхних и нижних
пределах.
На наш взгляд наиболее перспективным является использование модели искусственной нейросети. Нейронные КС конструируются и тренируются с использованием альтернативной топологии, цель которой общая надежность верхних связей и живучесть конкретной цепи. Используется иерархический подход, т.е. по общей нейронной сетью, закрывающей конструкцию всех КС по соображениям живучести, следует специальная нейронная КС, что придает особую живучесть конструкции КС.
Создание крупномасштабных КС, обладающих необходимыми показателями надежности и функциональной живучести, остается одной из актуальных целей в области ИТ. Для их
решения необходимо изучение как теоретических аспектов управления показателями качества и надежности КС, которые разрабатываются, так и накопление достаточного фактического материала в виде эмпирических данных в данной области.
12 |
