Оценка повышения надежности и живучести экспертных систем

Размещено на http://www.allbest.ru/

Краснодарское высшее военное училище

имени генерала армии С.М. Штеменко (КВВУ)

Оценка повышения надежности и живучести экспертных систем

Д.А. Кошелев

Интеллектуальный агент - вычислительная система, помещенная в среду, воспринимающая её с помощью датчиков и взаимодействующая с ней с помощью исполнительных механизмов, совершая автономные рациональные действия для достижения определённых целей.

Под понятием рациональности действий подразумевается действие, которое обеспечивает наиболее «успешное» функционирование агента. Иллюстрация определения на рисунке 1.

Рис.1. Интеллектуальный агент

Определим, для начала проблемную среду. Проблемная среда - это среда, для которой агент является «решением». Например, если агентом является автоматизированный водитель, то проблемная среда: дороги, другие транспортные средства, пешеходы. Существует множество вариантов проблемной среды, тем не менее, можно неформально классифицировать варианты проблемной среды[1].

Взаимодействие агента с внешней средой

Статистическая или динамическая. Динамическая среда - среда, в которой при принятии решения на текущем шаге среда может измениться. Иначе - это статистическая среда[2].

Дискретная или непрерывная. Различие в этих средах заключается в состоянии среды, способах учета времени, восприятии и действии агента. Например, игра в шашки - дискретная среда, а вождение автомобиля непрерывная.

Одноагентная или мультиагентная.Различия в этих средах очевидны. Например, решение японского кроссворда является одноагентной средой, а игра в шашки - многоагентной (двухагентной).

Описав проблемную среду, опишем теперь структуру агентов. По своим структурам агенты могут быть разделены на четыре типа:

простые рефлексные агенты;

рефлексные агенты, основанные на модели;

агенты, действующие на основе цели;

агенты, действующие на основе полезности.

Простые рефлексные агентыигнорируют предыдущие акты восприятия, выбирая действия только на текущем акте, другими словами среда должна быть полностью наблюдаемая. Пример схематического изображения такого агента изображен на рисунке 2.

Рис. 2. Схематическое изображение структуры простого рефлексного агента

Очевидно, что такой агент с ограниченным интеллектом.

Рефлексные агенты, основанные на модели. При работе в условиях частичной наблюдаемости наиболее эффективно, чтобы агент следил за той частью мира, которая воспринимается им в текущий момент. Это значит, что агент должен иметь так называемое «внутреннее состояние».Во-первых, агент должен знать, как изменяется мир без участия агента, во-вторых информацию о том, как влияют его действия на мир.Знания о том «как работает мир» называются моделью мира. А агент, в котором используется такая модель, называется агентом, основанным на модели. Пример изображения такого агента изображен на рисунке 3.

Рис. 3. Рефлексный агент, основанный на модели

Агент, основанный на цели. Основным отличием такого агента от предыдущего является наличие цели. Цель это желаемое состояние агента. Она позволяет размышлять о будущем, отвечая на следующие вопросы: «Что будет, если я сделаю такое-то действие?» и «Выполнив это действие, удовлетворит ли меня оно?». Например, агент, основанный на цели при поездке в дождь, только обновит свои знания об эффективности тормозной системы, а рефлексному агенту пришлось бы переписывать правила «условие-действие».Схема такого агента изображена на рисунке 4[3].

Рис. 4. Агент, основанный на цели

Агент, основанный на полезности. Агент, основанный на цели, позволяет жестко разделить состояния «удовлетворенности» и «неудовлетворенности». В более общем случае агент должен сознавать насколько он будет «удовлетворенным», если он достигнет определенной цели. Поскольку «удовлетворенность» не является научным термином, то вместо него используется понятие полезность. Функция полезности отображает текущее состояние агента на вещественное число, которая отображает степень удовлетворенности агента. Функция полезности позволяет принимать рациональные решения в следующих случаях:

в случае если имеются конфликтующие цели (например, при поездке на машине скорость или безопасность), получаем приемлемый компромисс;

в случае если обе цели с определенной вероятностью не могут быть достигнуты, в таком случае получаем взвешенную оценку с учетом важности цели[4]. интеллектуальный экспертный рефлексный агент

Изображение этого агента можно увидеть на рисунке 5.

Рис.5. Агент, основанный на полезности

1. Обучающиеся агенты. Такие агенты функционируют в первоначально неизвестных вариантов среды, по сравнению с первоначальными знаниями. Обучающиеся агенты имеют четыре компонента:

2. обучающий компонент, который позволяет вносить улучшения в производительный компонент;

3. производительный компонент - это то, что до этого рассматривалось как агент, т.е. воспринимает информацию, и принимает какие-либо решения;

4. критика - ставит оценку, как действует агент, и каким образом он должен быть модифицирован;

5. генератор проблем, позволяет ставить своего рода «эксперименты», которые могут быть неэффективны в кратковременной перспективе, и находить лучшие действия с точки зрения долгосрочной перспективы.

Концептуальная схема такого агента изображена на рисунке 6[5].

Рис. 6. Обучающийся агент

Пусть множество , требования безопасности предъявляемые к мультиагентной системе, функция принадлежности (показатель надежности) определена на промежутке , аА - множество значений, определяющих выполнение требований безопасности в той или иной мере, и определяемое как(1):

,

таким образом, при правильном подборе функции , определим A, которая принимает значения из X. Для оценки эффективности защищённости мультиагентной системы от несанкционированного доступа необходимы только данные о необходимых требованиях защищённости и данные о полноте выполнения этих требований[6].

Предлагаемая методика даёт возможность её применения при оценке эффективности защищённостимультиагентной системы.

Заключение

Предложенная методика нуждается в апробации. При использовании методики совместно с мультиагентными системами можно достичь:

актуального состояния информационной безопасности мультиагентных систем, которые будут обнаруживать угрозы, и информировать о них с помощью датчиков;

включения режима «изоляции», при выходе какого-либо агента из строя во время осуществления атаки на мультиагентную систему.

Литература

1. Искольный Б. Б., Максимов Р. В., Шарифуллин С. Р. Оценка живучести распределенных информационно - телекоммуникационных сетей. // Вопросы кибербезопасности, 2017, Т. 24, № 5. - С. 72-82.

2. Елисеев Н. И. Анализ и синтез перспективной системы электронного документооборота Министерства обороны Российской Федерации. // Наукоемкие технологии, 2016, Т. 8, № 2. - С. 76-84.

3. Кошелев Д. А., Частиков А. П. Искусственный интеллект в информационных технологиях. // Инновационные технологии в образовательном процессе, 2016, С. 259-261.

4. Арутюнян Т. В. Математическая модель кардиоимпульса. // II Всероссийская научно-практическая конференция «Фундаментальные и прикладные исследования в России: проблемы и перспективы развития», 2015, С. 77-82.

5. Huhns M. N., Stephens L. M. Multiagent Systems and Societies of Agents // Multiagent Systems., 2001. - P. 79-121.

6. Jennings N. R., Wooldridge M. J. Applications of Intelligent Agents. London: Queen Mary & Westfield College, University of London., 2000. - 27 p.

Аннотация

В статье рассматриваются действия интеллектуальных агентов, направленные на повышение надежности и живучести экспертных систем. Предлагается методика по защите мультиагентной системы.

Ключевые слова: экспертные системы, интеллектуальные агенты, мультиагентные системы, надежность, живучесть.

Размещено на Allbest.ru