2013. №4(26)

Алескеров Фуад Тагиевич - доктор технических наук, руководитель департамента математики, факультет экономики, Национальный исследовательский университет «Высшая школа экономики»; заведующий лабораторией, Институт проблем управления имени В.А.Трапезникова РАН. 
Адрес: 101000, Москва, Мясницкая ул., 20.
E-mail: alesk@hse.ru

Белоусова Вероника Юрьевна  – кандидат экономических наук, заведующий отделом методологии бюджетного планирования, Институт статистических исследований и экономики знаний; доцент кафедры банковского дела, департамент финансов, факультет экономики; с.н.с. Банковского института, Национальный исследовательский университет «Высшая школа экономики». 
Адрес: 101000, Москва, Мясницкая ул., 20.
E-mail: vbelousova@hse.ru

Егорова Людмила Геннадьевна  – преподаватель департамента математики, факультет экономики, Национальный исследовательский университет «Высшая школа экономики». 
Адрес: 101000, Москва, Мясницкая ул., 20.
E-mail: legorova@hse.ru

Миркин Борис Григорьевич  –доктор технических наук, профессор кафедры анализа данных и искусственного интеллекта, отделение прикладной математики и информатики, Национальный исследовательский университет «Высшая школа экономики». 
Адрес: 101000, Москва, Мясницкая ул., 20.
E-mail: bmirkin@hse.ru

В данной работе термин «паттерн» используется для обозначения комбинаций параметров значимых признаков, характерных для определённых групп объектов, соответствующих  отличающимся от других типам поведения.  В предыдущей части работы представлен обзор литературы в каждом из трёх основных аспектов этого понятия: использование понятия паттерн в науке и технике, методы кластер-анализа, динамика многомерных объектов, а также предложено уточнение этого понятия в эквивалентных, но когнитивно-различающихся терминах: (а) параллельные координаты, (б) конъюнктивные описания, (в) геометрических «боксов».
В этой части статьи представлены примеры статического и динамического анализа паттернов в данных на основе использования формализма параллельных координат. Под статическим анализом понимается использование двухэтапного метода для автоматизации формирования паттернов. На первом этапе обычный кластер-анализ применяется для формирования кластеров, на втором – ищутся паттерны, достаточно полно и точно представляющие полученные кластеры. Динамический анализ паттернов основан на анализе частоты смены паттерна объектами для определения типов устойчивости их функционирования. Такая типологизация может оказаться полезным инструментом анализа  и управления объектами. Кроме того, она способствует выделению групп риска стратегического развития объектов.
Нами рассмотрены проблематика и соответствующие данные для: (а) сопоставительного макроэкономического анализа, (б) оценки эффективности  и выявления бизнес-моделей коммерческих банков в Турции и России, (в) анализа паттернов поведения избирателей в условиях многопартийной системы в Великобритании и Финляндии, а также (г) исследования проблем инновационного развития регионов Российской Федерации в долгосрочной перспективе. Это рассмотрение в значительной степени является обзором отдельных проектов, сделанных с участием авторов данной работы, часть из которых была выполнена ещё до того, как в полной мере сложилось понятие паттерна, развиваемое в данной статье. В этом плане можно рассматривать данную статью как обобщение этих более ранних публикаций. 

Гаврилова Татьяна Альбертовна – доктор технических наук, профессор, заведующий кафедрой информационных технологий в менеджменте, Высшая Школа Менеджмента, Санкт-Петербургский государственный университет.
Адрес: 199004, Санкт-Петербург, Волховский пер., 3.
E-mail: gavrilova@gsom.pu.ru

Кудрявцев Дмитрий Владимирович – кандидат технических наук, руководитель направления управления знаниями Бизнес Инжиниринг Групп (ООО «КВФ «БИГ-СПб»), доцент Санкт-Петербургского государственного политехнического университета.
Адрес: 191015, Санкт-Петербург, Фуражный пер., д.3, лит. К, БЦ «Рождественский», офис 237.
E-mail: dmitry.ku@gmail.com

Лещева Ирина Анатольевна – старший преподаватель кафедры информационных технологий в менеджменте, Высшая Школа Менеджмента, Санкт-Петербургский государственный университет.
Адрес: 199004, Санкт-Петербург, Волховский пер., 3.
E-mail: leshcheva@gsom.pu.eu

Павлов Ярослав Юрьевич – младший научный сотрудник, Высшая Школа Менеджмента, Санкт-Петербургский государственный университет.
Адрес: 199004, Санкт-Петербург, Волховский пер., 3.
E-mail: yaroslav.pavlov@gmail.com

В настоящее время все больше современных менеджеров и специалистов понимают важность проблемы структурирования и наглядного представления знаний. Визуализация позволяет наглядно представить изучаемые процессы, явления и понятия в тех случаях, когда непосредственное восприятие затруднено. Графические представления как метод компактной организации информации могут использоваться как мощное орудие мышления применительно ко всем областям интеллектуальной деятельности, включая моделирование предприятий, сложных организационных структур, а также процессы бизнес-обучения. Важность визуальных представлений для лучшего усвоения материала в системах традиционного и дистанционного обучения очевидна. Такие графические модели облегчают понимание и коммуникации «преподаватель-студент». Хотя количество визуальных языков моделирования велико, выбор среди них зачастую случаен и необоснован. Это объясняется, в первую очередь, отсутствием ясной классификации средств визуализации и рекомендаций по выбору используемых графических моделей.
Цель работы заключается в разработке новой таксономии для выбора визуального языка в зависимости от типа представляемых знаний (аспектов предметной области), при этом в основу предлагаемого подхода положена семантическая классификация визуальных языков и типов знаний.
В результате предложена новая классификация языков визуального моделирования, которая позволяет выбрать тип диаграммы в зависимости от типа знаний, которые необходимо представить. В статье также представлено описание типов знаний с помощью вопросов проверки компетентности, а также выявлены общие понятия и отношения, характерные для каждого типа знаний и соответствующих языков. Данные описания вопросов проверки компетентности и общих элементов, с одной стороны, обосновывают распределение визуальных языков по типам, а с другой — помогают понять, в визуализации какого типа знаний есть потребность. Все вышеуказанные классификации и описания интегрированы в метод выбора языка визуального моделирования. Кроме того, в статье выявлены ограничения визуальных средств и предложены подходы по их устранению — интеграция с онтологическим инжинирингом, инженерией методов и отраслевыми лучшими практиками, а также с неграфическими средствами моделирования.

Глушенко Сергей Андреевич – ассистент кафедры экономической информатики и автоматизации управления, Ростовский государственный экономический университет.
Адрес: 344002, г. Ростов-на-Дону, ул. Большая Садовая, д. 69.
E-mail: www.555.sergey@mail.ru

В статье обосновывается важность применения анализа рисков при реализации системы обеспечения информационной безопасности организации. Рассматриваются наиболее распространенные методики оценки риска NIST и CRAMM, а также обосновываются ограничения и недостатки данных подходов. Оценку риска информационной безопасности организации предлагается проводить с использованием теории нечеткой логики. Применение нечетких моделей позволяет учитывать как количественные, так и качественные характеристики, а также представлять нечеткие описания с помощью нечетких множеств и лингвистических переменных. На основе предложенной методики была разработана нечеткая продукционная модель, в которой определены семь входных лингвистических переменных, характеризующих факторы риска, и четыре выходных лингвистических переменных, характеризующих риски различных областей информационной безопасности. Модель содержит четыре базы правил и позволяет проводить лингвистический анализ рисков информационной безопасности организации. Нечеткая продукционная модель позволяет снять ограничения на число учитываемых входных переменных и интегрировать как качественные, так и количественные подходы к оценке рисков.
Реализация процесса нечеткого моделирования базы правил проводится посредством применения специализированного пакета Fuzzy Logic Toolbox программного средства MATLAB. Механизм получения оценок риска на основе алгоритма Мамдани позволяет получить численное значение риска, лингвистическое описание степени риска, а также уровень уверенности эксперта в возникновении рискового события. Результаты моделирования могут быть использованы ИТ-менеджерам для выявления приоритетов рисков (очень высокий, высокий, средний, низкий, очень низкий) и выбора плана мероприятий по снижению влияния наиболее опасных угроз на информационную безопасность организации.

Кухарев Георгий Александрович – доктор технических наук, профессор кафедры математического обеспечения и применения ЭВМ, факультет компьютерных технологий и информатики, Санкт-Петербургский государственный электротехнический университет; профессор факультета информатики, Западно-поморский технологический университет, Щецин, Польша.
Адрес: 197376, г. Санкт-Петербург, ул. Профессора Попова, 5.
E-mail: kuga41@gmail.ru, gkukharev@wi.zut.edu.pl

Каменская Екатерина Ивановна – кандидат технических наук, инженер программного обеспечения компании Google, Цюрих, Швейцария.
Адрес: Switzerland, 8002, Zürich, Brandschenkestrasse 110.
E-mail: ekamenskaya@google.com

Щеголева Надежда Львовна – кандидат технических наук, доцент кафедры математического обеспечения и применения ЭВМ, факультет компьютерных технологий и информатики, Санкт-Петербургский государственный электротехнический университет.
Адрес: 197376, г. Санкт-Петербург, ул. Профессора Попова, 5.
E-mail: stil_hope@mail.ru

В статье обсуждаются методы представления и сравнения семантически не связанных изображений, визуально подобных – имеющих схожие цвет, форму, текстуру, c оценкой их меры подобия в исходном пространстве признаков, а также представление алгоритма двумерного канонического корреляционного анализа (Canonical Correlation Analysis – 2D CCA/2D KLT) для реализации проекции этих изображений в пространство канонических переменных (ПКП) и оценки их меры подобия в ПКП.
Для сравнения изображений в исходном пространстве признаков использованы гистограммы цветных изображений и их фазовая корреляция, двумерная фазовая корреляция исходных изображений, а также индекс структурного подобия (Structural SIMilarity Index – SSIM). Однако доказать подобие, соответствующее субъективным ощущениям для выбранных примеров, удалось только частично – наличием фазовой корреляции между цветовыми яркостными гистограммами, что обусловлено цветовой гаммой изображений. Двумерная фазовая корреляция исходных изображений, а также индекс структурного подобия показали отсутствие подобия изображений.
Проекция рассматриваемых изображений в ПКП, реализованная в рамках метода 2D CCA/2D KLT, специально предназначенного для обработки двух составов изображений и детально представленного в статье, позволила подтвердить факт установления корреляции между изображениями собаки и ее хозяина в ПКП, в то время как никакими другими способами это подтвердить не удалось. При этом показано, что «неподобное в исходном пространстве признаков» может быть подобным в  ПКП. Это позволяет в рамках методов 2D CCA решать задачи индексирования одних изображений через другие (поиск, распознавание, модельное отображение одних образов в другие, реконструкция образов). Полученные результаты показывают, что методы 2D CCA/2D KLT могут быть широко использованы в задах поиска, распознавания и классификации образов и сокращения избыточности их представления независимо от их семантической взаимосвязи. 

Соловьев Сергей Юрьевич – доктор физико-математических наук, профессор кафедры алгоритмических языков, факультет вычислительной математики и кибернетики, Московский государственный университет им. М.В.Ломоносова.
Адрес: 119991, Москва, ГСП-1, Ленинские горы, МГУ им. М.В.Ломоносова, 1, стр. 52.
E-mail: soloviev@glossary.ru

Стельмашенко Дарья Евгеньевна– инженер, факультет вычислительной математики и кибернетики, Московский государственный университет им. М.В.Ломоносова.
Адрес: 119991, Москва, ГСП-1, Ленинские горы, МГУ им. М.В.Ломоносова, 1, стр. 52.
E-mail: dashanikolaeva@gmail.com

В статье рассматривается задача совмещения локальных контекстов, описывающих в терминах различных наборов признаков одно и то же глобальное множество объектов. Результатом решения задачи является решетка формальных понятий, определенная на глобальном множестве объектов при помощи объединенного набора признаков. Из известных подходов к решению задачи выбирается метод @FC, который позволяет точно построить искомую решетку. Отмечается, что метод @FC сводит решение задачи к последовательности формально обоснованных классификационных решений относительно частично заданных описаний объектов. Трудоемкость решения задачи совмещения методом @FC находится в прямой зависимости от количества успешных классификационных решений, что порождает потребность в расширении их спектра. В аналогичных обстоятельствах весьма эффективным инструментом зарекомендовал себя метод экспертной классификации, который позволяет обоснованно переносить однажды полученные классификационные решения на иные объекты. Основу метода экспертной классификации составляет конструируемое в диалоге с экспертом отношение доминирования на описаниях объектов. Принципиальное затруднение при включении метода экспертной классификации в состав метода @FC состоит в необходимости непротиворечивой экстраполяции отношения доминирования на частичные описания объектов из глобального множества. В статье приводится и обосновывается конкретный способ экстраполяции отношения доминирования, устраняющий указанное затруднение и позволяющий совместить два метода. Непосредственным практическим результатом исследования является разработка эффективной модификации метода решения задачи совмещения локальных контекстов. С теоретической точки зрения предложенный способ совмещения двух методов порождает ряд новых интересных исследовательских тем.

Марон Аркадий Исаакович – кандидат технических наук, доцент кафедры бизнес-аналитики, факультет бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики».
Адрес: 101000, Москва, Мясницкая ул., 20.
E-mail: amaron@hse.ru

В настоящее время многие ведущие отраслевые научно-исследовательские и проектно-конструкторские институты (НИИ) представляют собой дочерние предприятия монопольных отраслевых корпоративных структур, которые являются основными заказчиками работ (такие заказы будем называть корпоративными). Любой корпоративный заказ должен обязательно быть выполнен. Если при этом НИИ располагает трудовыми ресурсами для выполнения работ по договорам с другими заказчиками, то он, будучи коммерческой структурой, также должен выполнять такие заказы. В этой связи приобретает актуальность вопрос о правильном распределении имеющихся трудовых ресурсов.

В условиях конкурентного рынка, независимо от того, утвержден корпоративный заказ или нет, возникает неопределенность относительно объемов работ, которые можно получить от сторонних заказчиков. Вместе с тем, компанию по заключению договоров со сторонними заказчиками надо начинать заблаговременно. Возникают риски: заключить слишком много таких договоров, не оставив достаточно ресурсов для выполнения корпоративного заказа, либо заключить мало договоров, зарезервировав избыточные трудовые ресурсы для выполнения корпоративного заказа. Первый из этих рисков является критическим, поэтому его надо избежать. Реализация второго риска приведет к тому, что определенное число сотрудников не будет привлечено к выполнению договоров, приносящих доход, что, в свою очередь, снизит прибыль организации.

Для решения данной задачи предлагается применить сценарный подход. При каждом сценарии  задача распределения сотрудников может быть сведена к задаче линейного программирования. После этого для выбора оптимального распределения применяется метод оптимизации по критерию Вальда. Таблица выигрышей будет состоять из значений прибыли, которые получены при решении задач линейного программирования, соответствующих различным сценариям.

Предложенный подход позволяет решить задачу закрепления ресурсов для выполнения корпоративного заказа в условиях, когда он еще не утвержден. Это позволяет руководителям НИИ планировать договорную компанию с коммерческими заказчиками, не ставя под угрозу гарантированное выполнение работ, заказанных основным учредителем.

Хачатрян Нерсес Карленович – кандидат физико-математических наук, старший научный сотрудник, Центральный экономико-математический институт Российской академии наук; старший преподаватель кафедры бизнес-аналитики, факультет бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики»
Адрес: 117418, Москва, Нахимовский проспект, 47.
E-mail: nerses@cemi.rssi.ru

В данной статье исследована модель организации грузоперевозок по замкнутой цепочке станций с заданной системой контроля. Предполагается, что между двумя соседними станциями существует межстанционный перегонный путь, где временно может храниться часть грузов. На произвольную станцию груз может поступать как с предыдущей станции, так и с перегонного пути, расположенного между ними. Аналогично, с произвольной станции груз может быть отправлен либо на следующую станцию, либо на перегонный путь, расположенный  между ними. Обработка грузов происходит в узлах станций. Очевидно, что количество задействованных узлов обработки грузов при бесперебойной работе всей цепи перевозок ограничено. Максимальное количество таких узлов определяет пропускную способность станций. Емкости перегонных путей ограничены. Организация грузоперевозок осуществляется с помощью двух технологий. Первая технология основана на установленных нормативных правилах взаимодействия соседних станций. Она не учитывает условия ограниченности пропускной способности станций. Кроме того, она не позволяет использовать весь потенциал станций. В связи с этим, наряду с первой технологией, используется и вторая технология. Она  позволяет как увеличивать число задействованных узлов, так и уменьшать его. При этом груз принимается с перегонного пути, либо отправляется на перегонный путь. Такая модель задается системой дифференциальных уравнений, описывающих интенсивность грузопотока на станциях, которая удовлетворяет дополнительным условиям. Эти условия определяют систему контроля и накладывают ограничения на емкости перегонных путей. Особый интерес представляет изучение стационарных решений указанной системы. Такая система имеет три типа стационарных решений. Основной задачей является исследование стационарных решений на устойчивость.  Аналитическое исследование множества всех решений сильно осложняется тем, что правые части дифференциальных уравнений являются разрывными функциями. В связи с этим данная модель была исследована численно. Численное исследование позволило показать, что только один тип стационарных решений является устойчивым. Для таких решений описана область их устойчивости.

Олейник Павел Петрович – кандидат технических наук, доцент, системный архитектор программного обеспечения, ОАО «Астон».  
Адрес: 346519, Ростовская обл., г. Шахты, пер. Бугроватый, 80.
E-mail: xsl@list.ru

В работе рассмотрены основные элементы унифицированной среды быстрой разработки корпоративных информационных систем различных прикладных предметных областей. Описана структура уровня доступа к данным, методика проектирования приложений и реализованные проекты. В качестве основы взята современная архитектура MDA (Model Driven Architecture), для которой сформулированы критерии оптимальности созданной среды разработки, получившей название SharpArchitect RAD Studio. Основные критерии оптимальности  предполагают реализацию возможности описания любых прикладных предметных областей, возможность реализации различных архитектур приложений (от классической двухзвенной до многозвенной архитектуры с поддержкой распределенных объектов), возможность использования современного объектно-ориентированного языка программирования и современной реляционной системы управления базами данных. Также обеспечивается поддержка разграничения прав доступа к объектам на основе учетных записей пользователей, а также реализация плагинной архитектуры, предполагающей создание модулей расширений функционала системы.

В статье представлена диаграмма классов метамодели объектной системы, позволяющей описать все основные структурные элементы объектно-ориентированной парадигмы. Перед реализацией метамодели были выдвинуты следующие критерии оптимальности: (1) метамодель должна быть единой; (2) необходимо предоставить набор базовых системных классов, реализующий наиболее общую функциональность; (3) необходимо предоставить обширную иерархию атомарных литеральных типов, представляющих наиболее распространенные типы данных современных объектно-ориентированных языков программирования.

При реализации метамодели использованы лучшие подходы из существующих реализаций. Иерархия литеральных типов построена на базе решений, описанных в стандарте объектно-ориентированных баз данных ODMG 3.0 и стандарте SQL:2003, регламентирующем объектные расширения реляционных баз данных. В реализуемой среде разработки использованы три основных современных метода (паттерна) объектно-реляционных отображений, названных «наследование с одной таблицей» (Single Table Inheritance), «наследование с таблицами для каждого класса» (Class Table Inheritance) и «наследование с таблицами для каждого конкретного класса» (Concrete Table Inheritance). Эти паттерны применялись при организации уровня доступа к данным. Для оценки полученной системы описаны качественные и количественные показатели реализованных проектов. В среде разработано 12 дипломных проектов, информационная система проведения научных конференций SharpArchitect Scientific Conference Manager (для конференции «Объектные системы»), а также платформа  создания  и  управления  торговыми  биржевыми роботами.