Автоматизированное топологическое проектирование вычислительных сетей на основе потоковой модели рабочей нагрузки

Автоматизированное топологическое проектирование вычислительных сетей на основе потоковой модели рабочей нагрузки

Автор: Азов, Максим Сергеевич

Шифр специальности: 05.13.12

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Ульяновск

Количество страниц: 240 с. ил.

Артикул: 2936013

Автор: Азов, Максим Сергеевич

Стоимость: 250 руб.

Автоматизированное топологическое проектирование вычислительных сетей на основе потоковой модели рабочей нагрузки  Автоматизированное топологическое проектирование вычислительных сетей на основе потоковой модели рабочей нагрузки 

Содержание.
Список принятых сокращений.
Введение.
Актуальность проблемы.
Цель диссертационной работы.
Задачи исследования.
Научная значимость работы.
Научная новизна.
Основные положения, выносимые на защиту.
Практическая значимость работы
Глава 1. Обзор и сравнительный анализ САПР вычислительных сетей
1.1. Моделирование ВС с целью изучения поведения отдельных ее параметров.
1.2. Моделирование потоков данных
1.3 Теория возможностного программирования.
1.4. Методы описания прикладных процессов
1.4.1. Функциональное моделирование
1.4.2.Структурное моделирование
1.5. Обзор существующих систем моделирования и проектирования ВС
1.5.1 Зарубежные коммерческие системы
1.5.2. Проект . i 2.
Глава 2. Модель вычислительной сети для автоматизированного проектирования
2.1. Виды переменных, характеризующих ВС.
2.1.1. Трафик
2.1.2. Вычислительная загрузка узлов.
2.2. Вероятностная и нечеткая природа трафика и вычислительной загрузки.
2.2.1. Вероятностная природа трафика.
2.2.2. Вероятностная природа вычислительной загрузки
2.2.3. Возможности измерения трафика
2.2.4. Определение нечеткой вероятностной величины
2.3. Моделирование вычислительной сети
2.3.1. Функциональное моделирование ВС. Дополнения к языку ИБЭ
2.3.2. Структурное моделирование ВС.
2.3.4. Имитационная модель ВС.
2.3.5. Лингвистическое описание модели ВС в САПР
2.4. Методика проектирования вычислительных сетей.
2.5. Оптимизация результатов проектирования.
2.5.1. Стандартный генетический алгоритм
2.5.2. Перегруппировка блоков потоковой диаграммы относительно физической структуры сети. Адаптация стандартного генетического алгоритма.
Глава 3. Структурно функциональное решение САПР ВС
3.1. Выбор среды реализации.
3.2. Этапы проектирования. Общая структура САПР ВС
3.2.1. Начальный этап проектирования ВС. Специализированный графический редактор
3.2.2. Расчет обобщенной модели. Генетический алгоритм
3.2.3. Общая структура САПР ВС
3.2.4. Интерфейс САПР ВС. Этапы проектирования
3.3. Иерархии классов системы
3.4. Основные алгоритмы САПР ВС
Глава 4. Реализация и внедрение САПР ВС
4.1. Реализация вычислительных экспериментов на базе локальной сети ОАО
УКБП.
4.1.1. Общее описание
4.1.2 Функциональная схема цикла деятельности УКБП.
4.1.3. Формирование рабочей нагрузки в ЛВС УКБП
4.1.4. Структурная схема ЛВС УКБП
4.1.5. Вычислительные эксперименты по сети УКБП
4.2. Описание проектируемой сети ОАО Ульяновский авод тяжелых и уникальных станков
4.2.1. Общее описание.
4.2.2. Описание основного цикла деятельности ОАО УЗТС
4.2.3. Описание прикладных процессов ЛВС ОАО УЗТС
4.2.4. Описание проекта локальной вычислительной сети ОАО УЗТС.
4.2.5. Результаты вычислительных экспериментов.
4.3. Преимущества автоматизированного проектирования вычислительных сетей
Заключение.
Список литературы


С целью синтеза экспертной системы поддержки принятия решений для СУ СТК необходима реализация полученного математического обеспечения системы управления программными средствами на ЭВМ, что может быть получено с использованием объектно-ориентированного подхода. Теории возможностпого программирования посвящены исследования A. B. Язенина, который работает на математическим аппаратом нечетких случайных величин. Нечеткая случайная величина есть математическая модель случайного эксперимента с нечетким исходом. Язеиин, ]. В литературе, наряду с определением нечеткой случайной величины, вводятся определения ее математического ожидания, изучаются его свойства и предлагаются способы его вычисления в ряде частных случаев. Однако, по-прежнему, ряд важных вопросов, таких как способ представления нечеткой случайной величины, определение дисперсии и ковариации, разработка исчисления нечетких случайных величин, остается открытым. Это обстоятельство явно сдерживает применение нечетких случайных величин для моделирования комбинированного типа неопределенности в задачах принятия решений. В работах [3,4] представлены результаты, отражающие последние достижения в приведенных выше направлениях. Рассматривается представление нечеткой случайной величины, позволяющее эксплицировать случайные и нечеткие факторы и построить соответствующее исчисление. Анализируются подходы к определению моментов второго порядка. Развиваемый математический аппарат и исчисление нечетких случайных величин ориентированы на их использование в задачах оптимизации и принятия решений, в частности на задачи портфельного анализа. Автор [Язенин, ] в своих исследованиях вводит необходимые определения и понятия. Г, Р(Г)- множество всех подмножеств Г, Еп - п - мерное евклидово пространство. Определение 1. А{ € р(г ). Триплет (Г,Р(Г),лг) называется возможностным пространством. Определение 2. Возможностной (нечеткой) переменной (величиной) называется отображение Z :Г —» Е[. Z(r) = z}, VzeE1. Z может принять значение z. Vze Е]; б) sup//z(z) = l. Определение 3. Носителем возможностной переменной Z называется множество supp (z)= {z е El ! Определение 4. Z называется множество zr = {ze? Ifiz(z)>rre(0,1]. Мера необходимости v является двойственным понятием по отношению к мере возможности и определяется следующим образом: v(A)= -7г{аС где "с-" обозначает дополнение множества А е Р(Г). Опираясь на результаты, дадим определение нечеткой случайной величины и ее интерпретацию. Пусть (Q,B,P) есть вероятностное пространство. Определение 5. ЛГ(у):ахГ->? Г, величина Ху = Х(со,у) является случайной величиной на (0,В,Р). Из приведенного определения следует две интерпретации. Хф -Х[о)9у). Их{х,со). Г:Х(со,у) = х} Ухе Е1. Теперь каждому со отвечает возможностное распределение, представляющее случайный выбор эксперта, который дает неопределенную, субъективную оценку при определенном количестве. С другой стороны, фиксируя /, имеем, что X есть случайная величина, при этом мы не уверены в значении ее распределения. В контексте принятия решений математическое ожидание играет решающую роль для объяснения случайной информации. Определить математическое ожидание ЕХ(со,у)}} нечеткой случайной величины Х(со,у) можно различными способами. МЕх(х)=Л’{/еГ:Е{Х(<:»’Г)} = х} ^еЯ1. Можно показать, что определяемое таким образом ожидаемое значение нечеткой случайной величины обладает основными свойствами, характерными для математического ожидания обычных случайных величин [Язенин, ]. Методы описания прикладных процессов. Функциональное моделирование. Наиболее распространенной методологией функционального моделирования является семейство стандартов IDEF. С их помощью можно эффективно отображать и анализировать модели деятельности широкого спектра сложных систем в различных разрезах. При этом широта и глубина обследования процессов в системе определяется самим разработчиком, что позволяет не перегружать создаваемую модель излишними данными. IDEF0 - методология функционального моделирования. С помощью наглядного графического языка IDEF0, изучаемая система предстает перед разработчиками и аналитиками в виде набора взаимосвязанных функций (функциональных блоков - в терминах IDEF0). IDEF1X (IDEF1 Extended) - методология построения реляционных структур.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.224, запросов: 244