CC BY
81
Секция «Информационные системы и технологии»
УДК 004.457
Т. С. Иванова Научный руководитель - В. В. Вдовенко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
МОДЕЛЬ ДАННЫХ СИСТЕМЫ МОНИТОРИНГА АКТИВНОСТИ ПОСЕТИТЕЛЕЙ САЙТА
Предлагается решение проблемы разработки базы данных для мониторинга активности посетителей сайта. Процесс разработки базы данных состоит из трех этапов: концептуальное проектирование, логическое проектирование, физическое проектирование.
На текущий момент мониторингом активности сайтов крупных компаний занимается огромное количество людей. Для реализации такого мониторинга необходимо выполнять сбор и обработку статистических данных по многим параметрам, содержащим сведения об активности пользователей в процессе посещения сайтов.
В результате анализа предметной области была разработана концептуальная модель базы данных, на основе которой было выполнено логическое проектирование и разработана логическая модель данных (рис. 1). Логическое проектирование базы данных -это процедура конструирования информационной модели на основе существующих конкретных моделей данных, не зависящей от используемой СУБД и других физических условий реализации.
Рис. 1. Логическая модель данных
Физическое проектирование базы данных - это процесс создания описания конкретной реализации базы данных, размещаемой во вторичной памяти, в результате которого определяются структуры хранения данных и методы, предназначенные для осуществления наиболее эффективного доступа к информации. Выполнение этого этапа предусматривает проведение анализа транзакций, которые будут выполняться в базе данных. Результаты анализа используются для выбора оптимальной файловой организации таблиц. С целью оптимизации производительности системы принимаются решения о создании вторичных
индексов или внесении в данные контролируемой избыточности.
В качестве СУБД была выбрана СУБД MySQL. Создана схема базы данных (рис. 2), описывающая поведение всего приложения. Схемы MySQL были созданы с типом таблиц InnoDB, так как только этот тип поддерживает целостную связь таблиц и транзакции.
Рис. 2. Физическая модель базы данных
Физическая модель данных состоит из девяти таблиц:
- Site - содержит название сайтов клиентов, описание, дату создания сайта и идентификационный номер категории;
- Input - содержит идентификационный номер значения входных данных;
- Output - предназначена для уточняющих выходных данных: идентификационный номер их значения;
- Values - содержит значения логов;
- SiteOUTput -предназначена для связи таблиц Site и output, хранящая значения идентификационных номеров сайтов и номера выходных данных.
- SiteINput - таблица, связывающая таблицу Site и input . В ней содержатся значения идентификационных номеров сайтов и номера выходных данных.
- SiteLanguage - таблица для хранения языков программирования с помощью которых был написан
Актуальные проблемы авиации и космонавтики. Информационные технологии
сайт клиента. Содержаться данные идентификационного номера сайта и type, содержащие такие языки как: C#, Java, С++, JavaScript, ActionScript, PHP
- Codes - таблица кодов для вставки на клиентский сайт. Содержит описание кода и идентификационный номер языка программирования из базы Site-Language
- Category - таблица, для хранения каталога сайтов клиентов.
Представленные модели явились основой для разработки информационной системы мониторинга активности посетителей сайта.
© Иванова Т. С., 2012
УДК 004.032.26
Ю. А. Истомина Научный руководитель - В. В. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
АВТОМАТИЗАЦИЯ ПРОЦЕССА МОДЕЛИРОВАНИЯ НЕЙРОННЫХ СЕТЕЙ
Раскрывается необходимость автоматизации процесса проектирования искусственных нейронных сетей. Рассматривается практическая реализация программной системы автоматизации процесса нейросетевого моделирования.
Многие прикладные задачи эффективно решаются с помощью искусственных нейронных сетей (ИНС), при этом в процессе моделирования специалист должен выбрать тип нейронной сети, задать ее архитектуру, подготовить обучающее множество, и, используя определенный алгоритм, обучить нейронную сеть. Процесс решения вышеперечисленных задач занимает много времени, кроме того, является сложным для понимания. Основная проблема использования нейронных сетей заключается в том, что успешному их применению на практике всегда предшествует трудоемкий процесс изучения теоретических основ нейро-сетевого моделирования. Таким образом, задача автоматизации процесса построения искусственных нейронных сетей является, несомненно, актуальной.
Можно выделить следующие основные подходы к решению указанной задачи:
1. Использовать готовую программную систему моделирования и обучения нейронных сетей.
2. Создать собственную программу с помощью имеющихся библиотек классов и методов;
3. Спроектировать библиотеку классов и реализовать собственный программный продукт.
Оценивая перечисленные подходы, следует отметить, что готовые программные продукты в большинстве своем не соответствуют одновременно всем требованиям, которые обычно выдвигаются прикладными пользователями систем подобного рода [1]. Использование же существующих библиотек классов и методов нейросетевого моделирования требует наличия у проектировщика ИНС устойчивых навыков программирования, однако в данном случае все механизмы обучения сети оказываются скрыты от пользователя, хотя проблема выбора ее эффективной архитектуры обычно не снимается. Создание собственной программной системы - это более сложный и требующий высокой квалификации разработчика способ, исходя из чего, существует вероятность наличия не-выявленных в ходе разработки ошибок и необработанных исключений. Тем не менее, применение такого подхода позволяет учесть и программно реализовать весь набор требований предметной области.
Поэтому для решения задачи автоматизации моделирования нейронных сетей был выбран последний способ. Реализация данного способа помогает изучить и понять алгоритмы обучения нейронных сетей, позволяет осознать потребности пользователя.
Главное окно системы автоматизации нейросетевого моделирования
Для устранения недостатков выбранного способа автоматизации необходимо выдвинуть несколько обязательных требований к системе, а именно:
1. Разбить систему на составные части (модули):
a) Модуль управления данными, обеспечивает сохранение, загрузку и обработку обучающего множества.
b) Модуль моделирования нейронных сетей, предоставляет пользователю возможность создавать сети с заданными свойствами.
c) Модуль обучения нейронных сетей, реализует алгоритм обучения и позволяет задавать параметры обучения.
ф Модуль тестирования нейронных сетей, позволяет проверить работу построенной нейросетевой модели.
