Использование технологии распределенных реестров при проектировании информационной системы "Аренда недвижимости" с применением искусственных нейронных сетей

В.А. Евсин, С.Н. Широбокова, Е.А. Продан

Южно-Российский государственный

политехнический университет

Ключевые слова: аренда, недвижимость, анализ данных, информационная безопасность, нейросети, распределенные реестры, информатика, информационная система, corda.

В современном мире высокую значимость имеет экономическая деятельность с использованием информационных технологий. Самым распространенным способом реализации торговли с использованием корпоративных сетей в настоящее время являются реестры, содержащие в себе данные по факту совершения сделки. Данный вариант реализации имеет недостатки, выраженные в отсутствии прозрачности, низком уровне защиты против неправомерных действий мошенников, а также высокой стоимости решения. Для решения данных проблем рассматриваемая информационная система была спроектирована с использованием технологии распределенных реестров на платформе Corda. Система использует модель сети peer-to-peer. Участниками сети являются владельцы недвижимости (,), агентства недвижимости (,), арендаторы (,), а также узел нотариусов, которые проверяют соответствие данных требованиям в смарт-контрактах, и оракулов, которые организуют взаимодействие данной сети с внешними, организация данной сети представлена на рис. 1. Система взаимодействия участников содержит центральный сервер предприятия (ЦСП), сервер распределенных реестров (СРР), клиентские приложения, а также центральный сервер сети (ЦСС), включающий в себя модули анализа данных, модули взаимодействия с внешней средой, а также модули служб нотариусов. Подробнее о технологии blockchain можно прочесть в [1].

Рис. 1. - Общая архитектура сети

Для взаимодействия клиентов с соответствующими им серверами используются REST API. Для повышения безопасности все объекты, передаваемые между компонентами, передаются с использованием ЭЦП RSA с хеш-функцией MD5. Последовательность операций при проведении транзакции, визуализированная в нотации UML, приведена на рис. 2.

Рис. 2. - Проведение транзакции между агентством и арендатором

Транзакции участника, относящиеся к одному объекту недвижимости, образуют цепь состояний данного помещения путем реализации интерфейса «LinearState» в каждом потоке транзакций. Для обеспечения дополнительной безопасности для каждой транзакции рассчитывается хеш-функция транзакции. Хеш-функция рассчитывается с использованием алгоритма дерева Меркла, форма которого имеет следующий вид:

,(1)

где - хеш-функции структуры на k-м уровне, - хеш-функция структуры на (k-1) уровне, - хеш-функция прочих ветвей до (k-1) уровня, K - количество уровней дерева Меркла. К числу основных параметров, хеш-функция которых рассчитывается на первом уровне дерева, можно отнести следующие: входные и выходные данные, вложения, команды и прочие параметры, подробнее в [2]. Собранные данные используются для построения моделей прогнозирования и оценки (Data Mining). Одной из таких моделей является оценка стоимости аренды недвижимости. Функционал качества данного прогноза имеет вид:

, (2)

где - стоимость фактическая, - благоустроенность региона, - благоустроенность помещения, - удаленность от центра, - материал, - константа, - веса j-го кортежа. Коэффициенты , зависят от набора параметров. Оценка благоустроенности помещения имеет вид:

, (3)

где - весовой коэффициент s-го характеристического показателя, - степень качества s-го характеристического показателя, - весовой коэффициент от наличия i-го предмета в помещении, - степень ценности i-го предмета в помещении, - коэффициент износа i-го предмета в помещении. Интегральная оценка влияния t-го типа объектов инфраструктуры региона на стоимость объекта недвижимости имеет следующий вид: транзакция реестр нейронный недвижимость

, (4)

где - модификатор значения степени влияния за первый объект t-го типа, - модификатор значения степени влияния за последующие объекты, - количество значимых объектов инфраструктуры, подробнее о данном подходе к оценке в [3,4]. Для корректной оценки необходимо подвергнуть данные предобработке, в частности, следует кортежи, не содержащие данные по фактической стоимости аренды, подвергнуть интерполяции. Данная процедура целесообразна в том случае, если для более чем двадцати кортежей выполняется условие Евклидовой метрики:

, (5)

где - i-й параметр рассматриваемого помещения, - i-й параметр j-го кортежа, - максимально допустимое отклонение. Интерполяция полиномом Лагранжа будет иметь следующий вид:

, (6)

параметры которого идентичны представленным в (2). Для реализации оценки стоимости аренды используется нейрон типа ADALINE с обучением по методу градиентного спуска. Подробнее об алгоритмах обучения нейронной сети в [5-7]. Градиент функции стоимости для j-го веса имеет вид:

, (7)

где - стоимость i-го объекта недвижимости, - функция активации,

- транспонированная матрица весов, - вектор параметров помещения, .

Тогда изменение весов имеет следующую форму:

, (8)

где - темп обучения функции. Данную операцию необходимо производить до тех пор, пока веса не перестанут изменяться. Подробнее о реализации искусственных нейросетей можно прочесть в [8-10]. Интерфейс формы создания договора аренды представлен на рис. 3.

Рис. 3. - Интерфейс экранной формы формирования договора

Дальнейшая работа будет направлена на оптимизацию работы сети.

Литература

1. Тапскотт Д. Технология блокчейн: то, что движет финансовой революцией сегодня. - М.: Эксмо, 2017. - 448 с.

2. Swan M. Blockchain. Blueprint for a New Economy. - Gravenstein Highway North, Sebastopol: O'Reilly, 2015. - 149 p.

3. Горбатенко Н.И., Евсин В.А., Широбокова С.Н. О подходе и проектных решениях реализации модуля оценки стоимости аренды недвижимости // Фундаментальные основы, теория, методы и средства измерений, контроля и диагностики: матер. 18-ой междунар. молодежной науч.-практ. конф., Новочеркасск. - Новочеркасск: ООО "Лик", 2017.- С. 382- 389.

4. Евсин В.А., Широбокова С.Н. Моделирование и реализация информационной системы подбора арендуемой недвижимости // Теория. Методы проектирования. Программно-техническая платформа корпоративных информационных систем: матер. 14-ой междунар. науч.-практ. конф., посв. 110-летию Юж.-Рос. гос. политехн. ун-та (НПИ) имени М.И. Платова. - Новочеркасск: ЮРГПУ(НПИ), 2016. - С. 114-120.

5. Shalev-Shwartz S. Understanding Machine Learning. From Theory to Algoritms. - New York: Cambridge University Press, 2014. - 449 p.

6. Лила В.Б. Алгоритм и программная реализация адаптивного метода обучения искусственных нейронных сетей // Инженерный вестник Дона, 2012, №1 URL: ivdon.ru/ru/magazine/archive/n1y2012/626/

7. Пучков Е.В. Сравнительный анализ алгоритмов обучения искусственной нейронной сети // Инженерный вестник Дона, 2013, №4

8. URL: ivdon.ru/ru/magazine/archive/n4y2013/2135

9. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. - М.: Горячая линия - Телеком, 2006. - 383 с.

10. Хайкин С. Нейронные сети. Полный курс. - 2 изд. - М.: Издательский дом "Вильямс", 2006. - 1104 с.

11. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2002. - 382 с.

References

1. Tapskott D. Tehnologija blokchejn: to, chto dvizhet finansovoj revoljuciej segodnja [The technology of the blockchain: what drives financial revolution today] M.: Jeksmo, 2017. 448 p.

2. Swan M. Blockchain. Blueprint for a New Economy. Gravenstein Highway North, Sebastopol: O'Reilly, 2015. 149 p.

3. Gorbatenko N.I., Evsin V.A., Shirobokova S.N. Fundamental'nye osnovy, teorija, metody i sredstva izmerenij, kontrolja i diagnostiki: mater. 18-oj mezhdunar. molodezhnoj nauch.-prakt. konf., Novocherkassk. Novocherkassk: OOO "Lik", 2017. pp. 382- 389.

4. Evsin V.A., Shirobokova S.N. Teorija. Metody proektirovanija. Programmno-tehnicheskaja platforma korporativnyh informacionnyh sistem: mater. 14-oj mezhdunar. nauch.-prakt. konf., posv. 110-letiju Juzh.-Ros. gos. politehn. un-ta (NPI) imeni M.I. Platova. Novocherkassk: JuRGPU(NPI), 2016. pp. 114-120.

5. Shalev-Shwartz S. Understanding Machine Learning. From Theory to Algoritms. New York: Cambridge University Press, 2014. 449 p.

6. Lila V.B. Inћenernyj vestnik Dona (Rus), 2012, №1. URL: ivdon.ru/ru/magazine/archive/n1y2012/626/

7. Puchkov E.V. Inћenernyj vestnik Dona (Rus), 2013, №4.

8. URL: ivdon.ru/ru/magazine/archive/n4y2013/2135

9. Rutkovskaja D., Pilin'skij M., Rutkovskij L. Nejronnye seti, geneticheskie algoritmy i nechetkie sistemy. [Neural networks, genetic algorithms and fuzzy systems] M.: Gorjachaja linija. Telekom, 2006. 383 p.

10. Hajkin S. Nejronnye seti. Polnyj kurs. [Neural networks. A Comprehensive Foundation]. 2 izd. M.: Izdatel'skij dom "Vil'jams", 2006. 1104 p.

11. Kruglov V.V., Borisov V.V. Iskusstvennye nejronnye seti. Teorija i praktika. [Artificial neural network. Theory and practice.] M.: Gorjachaja linija. Telekom, 2002. 382p. Размещено на Allbest.ru