ИСПОЛЬЗОВАНИЕ ОНТОЛОГИЙ ДЛЯ УНИФИКАЦИИ ВЗАИМОДЕЙСТВИЯ КОМПОНЕНТОВ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ
Аннотация и ключевые слова
Аннотация (русский):
Многообразие программных и аппаратных элементов в современных автоматизированных системах диспетчерского управления усложняют процесс интеграции их в единую коммуникационную среду. Различное оборудование, протоколы, службы прикладных уровней современных систем диспетчеризации имеют возможность взаимодействия в рамках одной отдельно взятой подсистемы комплекса в формате вертикального межуровневого общения. Обмен между подсистемами происходит с помощью специализированного прикладного интерфейса или коннектора, что влияет на качество получаемых данных и в результате снижает показатели функционирования автоматизированной системы диспетчерского управления. Совершенствование механизма обеспечения коммуникации между элементами подсистем используя онтологический подход, позволяет сформировать унифицированную среду. В которой возможно применение различных методов сбора информации, анализа, структурирования, а также методов принятия решений о функционировании и восстановлении работоспособности на основе интеллектуальных агентов, повышающих уровень работы автоматизированной системы.

Ключевые слова:
агентный онтологический поход, онтология, распределенные вычислительные системы, автоматизированная система диспетчерского управления
Текст
Текст произведения (PDF): Читать Скачать

Введение. Применение различных технологий при построении автоматизированной системы диспетчерского управления БГТУ позволяет использовать многообразие инструментов для решения задачи программного контроля различных технологических систем [2]. Одним из недостатков данного подхода является использование центральной системы прикладного уровня для сбора, анализа и принятия управленческих решений о функционировании среды, которая имеет особенность увеличения времени реакции на возникающий запрос обслуживания. Применение онтологического подхода с использованием интеллектуальных агентов [3], позволяет существенно повысить уровень обслуживания компонентов автоматизированной системы диспетчерского управления и сформировать структурированное хранилище информации о элементах, режимах функционирования среды.

Методология. Применение в существующей АСДУ подхода по интеграции компонентов различных технологических подсистем без привязки к конкретному программному решению позволяет хранить информацию об объектах среды в унифицированном онтологическом виде. В данном случае распределенная агентная сеть, работающая в рамках всего комплекса может использовать данный вид структурированных знаний для решения задач мониторинга, анализа, интеллектуального принятия решений по оптимизации и восстановлению работоспособности элементов.

Основная часть.  Внедрение агентной структуры в существующую автоматизированную систему диспетчерского управления создает предпосылки для хранения информации генерируемой системой или интеллектуальными агентами в структурированном виде. Так как на различных уровнях существующего объекта работают различные по своей специфике элементы, необходимо провести классификацию структур, обеспечивающих сбор, анализ, хранение и обработку информации на каждом базовом сегменте [1].

  • агенты управления – объединяют нижний технологический слой функционирования автоматизированной системы;
  • агенты обеспечения взаимодействия – являются интеграционным элементом между нижним технологическим уровнем, обеспечивают унификацию различных протоколов связи в единую среду;
  • агенты УМПР – представляют надстройку над прикладным SCADA-уровнем, позволяют обеспечивать управление, мониторинг и принятие решений над агентами нижестоящих уровней.

Вопрос использования онтологий  для  эффективной организации взаимодействия подсистем АСДУ [2] возможен только при условии создания единого информационного пространства. Исследования показывают, что спроектированная модель информационного пространства должна включать в себя следующие элементы:

  • набор словарей (тезаурусов), по соответствующей предметной области;
  • базы знаний и данных различных подсистем;
  • комплекс специализированной документации по элементам АСДУ в электронном виде.

Будем рассматривать онтологию в виде формального описания концептов, их свойств и отношений между объектами. Фактически вопрос эффективного использования данного метода сводится к решению задачи более точного описания предметной области, разработки методов по структурированию получаемой от объектов комплекса информации, а также наиболее сложного вопроса расширения и модификации, текущих объектов онтологий[7]. Предполагается, что разрабатываемая надстройка над существующими модулями управления АСДУ в виде агентной платформы, может быть использована для:

  • обеспечения информационного взаимодействия подсистем АСДУ;
  • накопления и структуризации данных для повторного использования;
  • анализа получаемой информации о функционировании всей единой среды АСДУ;
  • обеспечения реализации моделей интеллектуального поведения агентов на основе онтологических представлений. 

В результате исследований была спроектирована и реализована межуровневая концепция хранения знаний о системе в структурированном виде.  Выделенные уровни функционирования системы представляют собой наиболее законченный набор однородных объектов, что позволяет обеспечивать модернизацию АСДУ на каждом уровне за счет расширения элементной базы.  На каждом из трех уровней(рис. 1) была разработана модель онтологии, включающая в себя унифицированное описание элементов подсистем.

 

Macintosh HD:Users:igorgvozdevsky:Desktop:Screen Shot 2016-02-02 at 18.52.39.png

Рис. 1. Модель онтологии аппаратного и транзитного уровня применяемой в АСДУ

 

 

Применение распределенной агентной сети позволяет использовать разработанную модель для обеспечения интеллектуальных агентов комплексом эталонных знаний о внешней среде функционирования автоматизированной системы [2], а также оперативной модели знаний, обеспечивающей стабильную работу всех элементов и подсистем. Причем разработанная онтология позволяет использовать такие виды агентов, как делиберативные, коммуникативные и когнитивные [3] не изменяя структуры знаний в целом, реализация взаимодействия конкретного агента с базой знаний будет осуществлена за счет использования определённой программной надстройки. 

Определение онтология, часто трактуют, как «спецификация разделяемой разными людьми концептуализации» или «логическая теория, основанная на концептуализации» [4]. Исходя из этих определений в структуру онтологии обычно входят тезаурусы, предметной области, определения, атрибуты, отношения и правила вывода. Для создания унифицированного объекта, позволяющего более точно описать предметную область решаемой задачи к каждой разработанной модели предъявлялись, требования обеспечивающие полноту данных онтологий. Была разработана схема (рис. 2), позволяющая реализовать более полнофункциональные модели онтологий.

 

Macintosh HD:Users:igorgvozdevsky:Desktop:Screen Shot 2016-02-20 at 16.33.37.png

Рис. 2. Схема интеграции онтологий для прикладного взаимодействия

 

 

Данная схема позволила при проектировании структур использовать верхний описательный уровень в виде формальной математической спецификации онтологии, которая обеспечивает совместно с точным математическим аппаратом [5], создаваемых структур, также формальный анализ свойств объектов в них входящих.

При использовании разработанных моделей для обеспечения функционирования распределенной вычислительной сети, были рассмотрены основные способы хранения и взаимодействия с онтологиями [7], которые должны обеспечивать высокие показатели эффективности и производительности. Для хранения подобных структур необходимо кроме, объекта информации иметь возможность сопоставлять данные и набор метаданных, описывающих классы и их свойства, а также взаимосвязи между ними.  В настоящее время существует несколько направлений по реализации онтологических хранилищ [8]:

  • в виде плоской модели;
  • отображение онтологии на SQL-подобную модель баз данных;
  • прикладное реляционное хранилище rdf-триплетов, owl-репозиторий.

Можно отметить следующие разработки: Jena API [11] (Jena SDB использует реляционную базу данных для хранения и выполнения запросов на RDF хранилищах, Jena TDB обеспечивает масштабируемое нетранзакционное хранилище триплетов и слой SPARQL запросов, Jena In-memоry предоставляет возможность размещения структуры хранилища в памяти), Ontotext GraphDB (OWLim) – коммерческое программное обеспечение реализующее хранилище RDF СУБД с полной поддержкой SPARQL запросов [14], Sesame свободная разработка в виде автономного хранилища предоставляющего полную поддержку запросов SPARQL, NoSQL Graph Support – версия IBM DB2 для хранения онтологий, Urika GD – продукт компании Cray, обеспечивающий поддержку онтологических структур огромных массивов данных.

Для взаимодействия с разработанной моделью был проведен эксперимент, в котором предварительно сформированная структура онтологии одного из уровней функционирования модели автоматизированной системы диспетчерского управления была загружена в соответствующие типы онтологических хранилищ. Для эксперимента были использованы: связка в виде Jena версии 3.0.1, Jena Fuseki версии 2.3.1 и версии MySQL 5.6, как основная СУБД (Jena TDB, Jena SDB, In-mem) [12], Sesame версии 4.0.1, GraphDB (OWLim) версии 6.5 и плоская модель хранилища в виде файлового объекта OWL. Тестовый стенд состоит из среды Intel Core i5 4x2,5GHz/20Gb 1333MHz DDR3/HDD 500Gb на базе Ubuntu server 15.10. 

На первом этапе эксперимента был рассмотрен процесс загрузки определенного количества триплетов в хранилище, что позволило оценить временные показатели скорости инициализации данных в объекте для работы (табл. 1).

 

Таблица 1

Тестирование скорости загрузки триплетов

Количество загруженных триплетов в модель

Скорость выполнения, тип хранения. сек

Плоская

Jena TDB

Jena SDB

In-mem

Sesame

GraphDB

MySQL

10K

0,54

0,24

2,89

0,75

2,35

2,46

0,011

50K

3,26

1,17

7,24

1,58

6,34

7,21

0,246

100K

6,19

4,45

14,35

7,02

15,32

14,99

0,573

250K

13,24

12,67

35,17

13,31

40,12

37,15

1,341

500K

30,01

24,75

68,87

25,17

85,69

81,14

3,027

1M

61,83

49,11

129,33

51,25

179,36

154,22

6,931

5M

341,55

272,56

684,11

289,16

1283,77

789,11

37,21

 

 

На втором этапе тестирования были проведены исследования характеристик выполнения основных запросов SPARQL. Созданы запросы, обеспечивающие тестовую выборку триплетов из структуры хранилищ, особое внимание было уделено конструкциям:

SELECT - предполагает выборку результатов подобно аналогичному оператору выбора в SQL нотации [14]. Имеет возможность возвращать определенные данные из соответствующим условию триплетов, причем выборки могут объединяться и не указанные элементы, переменные могут удаляться. Для выполнения тестирования был сформирован следующий запрос:

 

SELECT ?basic_property ?value WHERE {:log_data_cases ?basic_property ?value}            (1)

 

При выполнения запроса SELECT SPARQL, была осуществлена выборка данных из загруженной модели соответствующего RDF хранилища. В таблице (табл. 2). указано время осуществления выборки на разных объемах количества загруженных в структуру триплетов.

 

Таблица 2

Тестирование скорости выполнения запросов SPARQL SELECT

Количество загруженных триплетов в модель

Скорость выполнения запроса SELECT, тип хранения. сек

Плоская

Jena TDB

Jena SDB

In-mem

Sesame

GraphDB

500

0,053

0,028

0,073

0,065

0,007

0,013

1500

0,091

0,035

0,081

0,078

0,015

0,024

3000

0,161

0,043

0,091

0,951

0,023

0,037

10000

0,411

0,123

0,437

0,549

0,069

0,101

20000

0,763

0,354

0,752

0,799

0,165

0,235

 

 

Для реализации проверки наличия элементов в структуре хранилища RDF, причем результат возвращается в виде логического значения ложь или истина, был сформирован запрос с использованием оператора ASK:

 

ASK WHERE { UNSAID {:health_status :critical_error ?any}                               (2)

 

В результате выполнения запроса, была осуществлена выборка состояний системы health_status, принимающих значения critical_error  и получены следующие результаты (табл. 3).

 

 

Таблица 3

Тестирование скорости выполнения запросов SPARQL ASK

Количество загруженных триплетов в модель

Скорость выполнения запроса ASK, тип хранения. мсек

Плоская

Jena TDB

Jena SDB

In-mem

Sesame

GraphDB

500

0,039

0,021

0,043

0,040

0,005

0,006

1500

0,068

0,026

0,051

0,051

0,012

0,013

3000

0,125

0,035

0,067

0,602

0,018

0,023

10000

0,312

0,098

0,297

0,356

0,051

0,060

20000

0,569

0,298

0,532

0,504

0,124

0,141

 

 

Использование оператора CONSTRUCT, позволяет сформировать структуру из полученной выборки RDF согласно параметрам, встроенным в запрос конструкции шаблона. Для каждого результата оператор связывает переменные и добавляет состояния в модель результата. Для тестирования был создан запрос SPARQL:

CONSTRUCT { ?x :hasSystemType ?o }

WHERE {{ ?x :hasSerialNum ?o }

UNION { ?x :hasIPaddrees ?o }

UNION { ?o :hasDevID ?x }

UNION { ?:hasMode ?x }}               (3)

В результате выполнения которого была получена конструкция, определяющие параметра работы группы устройств имеющих определенные признаки, время выполнения для запроса CONSTRUCT (табл. 4).

 

Таблица 4

Тестирование скорости выполнения запросов SPARQL CONSTRUCT

Количество загруженных триплетов в модель

Скорость выполнения запроса CONSTRUCT, тип хранения. сек

Плоская

Jena TDB

Jena SDB

In-mem

Sesame

GraphDB

500

11,34

6,93

8,23

7,53

2,26

2,75

1500

29,67

22,85

27,68

25,13

6,87

7,28

3000

62,35

42,47

51,24

48,91

12,85

12,91

10000

181,28

152,35

173,31

169,33

44,61

45,13

20000

395,44

277,2

346,62

324,19

89,22

94,72

 

 

Оператор DESCRIBE позволяет делать выборку значений, находя ассоциированные триплеты и добавлять ее к результирующей модели. Обеспечивает получение большего количества параметров при запросе, чем другие операторы[14].

 

PREFIX system:  <http://127.0.0.1/transit_level#>

DESCRIBE ?dev_id WHERE { ?dev_id system:status "critical_error" }                 (4)

 

Результаты выполнения запроса, осуществляющего получение информации о критическом состоянии устройств, разработанной модели представлены в таблице (табл. 5).

 

Таблица 5

Тестирование скорости выполнения запросов SPARQL DESCRIBE

Количество загруженных триплетов в модель

Скорость выполнения запроса DESCRIBE, тип хранения. мсек

Плоская

Jena TDB

Jena SDB

In-mem

Sesame

OWLim

500

4,660

2,811

3,255

2,979

0,991

1,074

1500

12,192

9,270

10,949

9,940

3,013

2,844

3000

25,620

17,230

20,268

19,347

5,636

5,043

10000

74,490

61,808

68,553

66,979

19,565

17,629

20000

162,49

112,45

137,11

128,23

39,13

37,00

 

 

Выводы. Предложенная в работе модель хранения данных в виде онтологий показывает высокую эффективность при применении на реальной автоматизированной системе диспетчерского управления. Мультиагентная распределенная вычислительная сеть, используя данные наборы структурированной информации, позволяет без вмешательства оператора или вышестоящей прикладной SCADA-системы решать задачи поддержания высокого уровня коммуникации между элементами различных подсистем АСДУ [2]. Применение онтологических хранилищ и формирование моделей данных в предложенном виде показывает хороший уровень показателей быстродействия, кроме этого качественные показатели обработки знаний через интерфейсы SPARQL превосходят стандартные механизмы реляционных баз данных. Формирование эталонной модели функционирования, а также возможность агентов осуществлять свое развитие за счет анализа внешней среды или подключаемых источников знаний, увеличивает показатели отказоустойчивости и скорости реакции на возникающие инциденты. Использование онтологических моделей совместно с инструментами логического вывода позволяет находить новые знания в масштабах модели, а также применять методы интеллектуального анализа.

Список литературы

1. Поляков В.М., Буханов Д.Г., Синюк В.Г. Базовые структурные модели распределенных вычислительных систем в многоагентной диагностической среде. // Журнал «Информационные системы и технологии». 2012. №4(72). С. 52-56

2. Белоусов А.В., Глаголев С.Н., Быстров А.Б., Кошлич Ю.А. Демонстрационная зона по энергосбережению БГТУ им. В.Г. Шухова - база для развития энергоэффективных проектов в регионе // Энергосбережение. Энергетика. Энергоаудит. 2013. № 10 (116). С. 10-17.

3. Михайлов Н.В., Поляков В.М. Расширение функциональных возможностей банковских информационных систем с применением технологий интеллектуальных агентов. // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. 2011. № 3. С. 159-161.

4. Семерханов И.А., Муромцев Д.И. Интеграция информационных систем на основе связанных данных // Научно-технический вестник информационных технологий, механики и оптики. 2013. № 5 (87). С. 123-127.

5. Корзун Д.Ж., Ломов А.А., Ванаг П.И. Автоматизированная модельно-ориентированная разработка программных агентов для интеллектуальных пространств на платформе SMART // Программная инженерия. 2012. № 5. С. 6-14.

6. Слободюк А.А., Маторин С.И., Четвериков С.Н. О подходе к созданию онтологий на основе системно-объектных моделей предметной области // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2013. Т. 28. № 22-1 (165). С. 186-194.

7. Муромцев Д.И., Варгин Г.В., Семерханов И.А. Применение онтологий в системе управления интеллектуальными ресурсами // Научно-технический вестник информационных технологий, механики и оптики. 2011. № 2 (72). С. 170.

8. Wylot M., Cudré-Mauroux P., Groth P. TripleProv: Efficient processing of lineage queries a native RDF store // В сборнике: WWW 2014 - Proceedings of the 23rd International Conference on World Wide Web 23. 2014. С. 455-465.

9. Amann B., Fundulaki I., Scholl M. Integrating ontologies and thesauri for RDF schema creation and metadata querying // International Journal on Digital Libraries. 2000. Т. 3. № 3. С. 221-236.

10. Филатов В.А. Мультиагентные технологии интеграции гетерогенных информационных систем и распределенных баз данных : Дис. д-ра техн. наук: 05.13.06 // ХНУР. Х., 2004. 341с. с. 313-336.

11. Использование онтологий в системах на базе Jena [Электронный ресурс]. Систем. требования: Веб-браузер. URL: http://jena.apache.org/documentation/ontology/ (дата обращения: 11.02.2016).

12. Спецификация языка RDF. W3C: Resource Description Framework (RDF). [Электронный ресурс]. Систем. требования: Веб-браузер. URL: http://www.w3.org/RDF/ (дата обращения: 23.01.2016).

13. Использование языка структурированных запросов SPARQL в системах на базе Jena [Электронный ресурс]. Систем. требования: Веб-браузер. URL: http://jena.apache.org/tutorials/sparql.html (дата обращения: 11.02.2016).

14. Рекомендации по работе с языком запросов SPARQL ver 1.1 [Электронный ресурс]. Систем. требования: Веб-браузер. URL: https://www.w3.org/TR/2013/REC-sparql11-query-20130321/ (дата обращения: 11.02.2016).


Войти или Создать
* Забыли пароль?