Planiranje i provođenje eksperimenata za određivanje parametara mrežnih napada
U sljedećoj fazi provjere saobraćajnog modela, potrebno je utvrditi da li se ovaj model može primijeniti na zadatke mrežne sigurnosti, posebno na otkrivanje mrežnih napada.
Kako bi se saznali detalji neovlaštenog upada, odlučeno je da se provedu eksperimenti koji simuliraju pokušaj napada. Izvedeni su na mreži Državnog avio-svemirskog univerziteta u Samari (SSAU).
Kao izvor napada korišćeni su udaljeni personalni računari povezani na Internet, koji se nalaze u eksternoj mreži u odnosu na proučavanu. Cilj napada bio je jedan od internih servera mreže SSAU. Granični ruter mreže SSAU Cisco 6509 izabran je kao NetFlow senzor, NetFlow kolektor je bio isti server koji je napadnut.
Samo jedan računar je bio uključen u skeniranje, jer se napad skeniranja portova izvodi iz jednog izvora. Za skeniranje je korišten program Nmap kojem je naređeno da izvrši potpuno skeniranje svih portova napadnutog servera.
Nmap je besplatni uslužni program dizajniran za raznovrsno prilagođeno skeniranje IP mreža s bilo kojim brojem objekata, određivanje stanja skeniranih mrežnih objekata (portova i njihovih odgovarajućih usluga). Nmap koristi mnogo različitih metoda skeniranja kao što su UDP, TCP (povezivanje), TCP SYN (poluotvoreno), FTP proxy (ftp breakout), Reverse-ident, ICMP (ping), FIN, ACK, Xmas tree, SYN- i NULL -skeniranje.
Tokom DDoS napada, isti web server je izabran kao meta napada kao i tokom skeniranja. Kao izvori napada poslužilo je nekoliko računara koji se nalaze u eksternoj mreži. U prvom dijelu eksperimenta, kompjuteri koji su napadali su pola sata istovremeno slali ping zahtjeve, izvodeći ICMP flood napad. U drugom dijelu eksperimenta, računari koji su napadali izveli su DDoS napad koristeći specijalizovani LOIC program. U roku od sat vremena, web server je napadnut različitim vrstama saobraćaja: HTTP, UDP, TCP. Tokom svih eksperimenata prikupljani su podaci koji su naknadno analizirani kako bi se identifikovali obrasci različitih vrsta napada.
Slika 1.16 - Šema eksperimenta
Podaci o toku koji služe kao osnova za analizu prikupljeni su sa rubnog rutera mreže Cisco 6509. Za prikupljanje podataka sa rutera korišćen je NetFlow kolektor nfdump. NetFlow podaci se izvoze za analizu svakih pet minuta. Svakih pet minuta generiše se fajl koji pokazuje parametre svih tokova snimljenih na ruteru u tom trenutku. Ovi parametri su navedeni u uvodu i uključuju: vrijeme početka toka, trajanje toka, protokol prijenosa podataka, izvornu adresu i port, odredišnu adresu i port, broj prenesenih paketa, broj prenesenih podataka u bajtovima.
Kao rezultat analize podataka prikupljenih tokom skeniranja mreže, otkriven je nagli porast broja aktivnih tokova sa gotovo nepromijenjenom količinom prenesenog saobraćaja (vidi sliku 1.16). Svaki kompjuter za skeniranje generisao je oko 10-20 hiljada vrlo kratkih tokova (veličine do 50 bajtova) u roku od 5 minuta. Istovremeno, ukupan broj aktivnih tokova na ruteru, generiranih od strane svih korisnika, bio je oko 50-60 hiljada.
Slika 1.17 prikazuje grafik statusa mreže, apscisa prikazuje broj završenih tokova N, ordinata prikazuje ukupno opterećenje kanala u megabitima po sekundi (Mbps). Svaka tačka na grafikonu odražava stanje mreže koja se proučava za prethodni petominutni interval, pokazujući zavisnost prosječnog opterećenja kanala od broja aktivnih tokova. Tačke predstavljaju normalna stanja mreže, dok trouglovi predstavljaju stanja mreže snimljena tokom skeniranja porta. Trake prikazane na grafikonu i paralelne sa y-osom pokazuju intervale pouzdanosti za prosječno opterećenje izračunato za pet praznina protoka (20000-30000, 30000-40000, 40000-50000, 50000-60000, 60000).
Slika 1.17 - Skeniranje portova
Kao rezultat eksperimenta sa ping zahtjevima, ustanovljeno je da postoji samo jedan vrlo dugačak tok ICMP prometa po računaru koji napada ako su zahtjevi poslani na jednom portu. Pošto se podaci o jednoj niti zapisuju tek nakon njenog završetka, potrebni podaci su upisani u nfdump datoteku nakon što je napad završen. Otkriven je jedan nenormalno dug tok ICMP saobraćaja, izvor je bio napadački računar. Dakle, kao rezultat analize eksperimentalnih podataka, bilo je moguće utvrditi napad tipa ICMP-flood. Treba napomenuti da da bi se postigao rezultat - kvarovi u radu informacionog sistema, jedan aktivni tok ICMP prometa očito nije dovoljan, račun mora ići na desetine hiljada zahtjeva.
Analiza eksperimenta simulacije DDoS napada pomoću LOIC uslužnog programa također je pokazala nagli porast broja aktivnih streamova zajedno s povećanjem prenesenog prometa. Uslužni program paralelno šalje podatke na različite ciljne portove, stvarajući tako veliki broj kratkih tokova dužine do jedne minute (vidi sliku 1.18). Trokuti predstavljaju stanja mreže snimljena tokom napada.
Slika 1.18 - DDoS napad
Tako je postalo očito da je korištenjem NetFlow protokola moguće otkriti ne samo trenutak početka napada, već i odrediti njegov tip. Detaljan opis algoritama za otkrivanje napada i rada na kreiranju sigurnog hostinga možete pronaći u sljedećim odjeljcima.
Književnost
1. Bolla R., Bruschi R. RFC 2544 evaluacija performansi i interna mjerenja za otvoreni ruter baziran na Linuxu // High Performance Switching and Routing, 2006 Workshop on. - IEEE, 2006. - P. 6 str.
2. Fraleigh C. et al. Mjerenja prometa na nivou paketa iz Sprint IP kičme //IEEE mreže. - 2003. - T. 17. - Br. 6. - S. 6-16.
3. Park K., Kim G., Crovella M. O odnosu između veličina datoteka, transportnih protokola i sličnog mrežnog prometa // Network Protocols, 1996. Proceedings., 1996. Međunarodna konferencija o. - IEEE, 1996. - S. 171-180.
4. Fred S. B. et al. Statističko dijeljenje propusnog opsega: studija zagušenja na nivou protoka //ACM SIGCOMM Computer Communication Review. - ACM, 2001. - T. 31. - Br. 4. - S. 111-122.
5 Barakat C. et al. Model zasnovan na protoku za internet okosnicu saobraćaja //Proceedings of the 2nd ACM SIGCOMM Workshop on Internet measurment. - ACM, 2002. - S. 35-47.
6. Sukhov A. M. et al. Aktivni tokovi u dijagnostici rješavanja problema na glavnim vezama //Journal of High Speed Networks. - 2011. - T. 18. - Br. 1. - S. 69-81.
7. Lyon G. F. Nmap mrežno skeniranje: Zvanični Nmap projektni vodič za otkrivanje mreže i sigurnosno skeniranje. – Nesiguran, 2009.
8. Haag P. Gledajte svoje tokove uz NfSen i NFDUMP //50. RIPE sastanak. – 2005.
Raspodjela ranga za određivanje graničnih vrijednosti mrežnih varijabli i analizu DDoS napada
Uvod
Eksponencijalni rast internet saobraćaja i broja izvora informacija prati nagli porast broja abnormalnih stanja mreže. Anomalna stanja mreže objašnjavaju se i ljudskim razlozima i ljudskim faktorom. Prepoznavanje anomalnih stanja koje stvaraju napadači prilično je teško zbog činjenice da imitiraju radnje običnih korisnika. Stoga je takva anomalna stanja izuzetno teško otkriti i blokirati. Zadaci osiguranja pouzdanosti i sigurnosti internetskih usluga zahtijevaju proučavanje ponašanja korisnika na određenom resursu.
Ovaj članak će raspravljati o otkrivanju abnormalnih stanja mreže i metodama za suzbijanje DDoS napada. (Distributed Denial of Service, distribuirani napad uskraćivanjem usluge) je vrsta napada u kojem se skup računara na Internetu, nazvanih "zombiji", "botovi" ili bot mreža (botnet), po komandi napadača , početi slati zahtjeve za uslugu žrtve. Kada broj zahtjeva premaši kapacitet servera žrtve, novi zahtjevi stvarnih korisnika se više ne poslužuju i postaju nedostupni. U ovom slučaju žrtva trpi finansijske gubitke.
Studije koje su opisane u ovom poglavlju tutorijala koriste jedinstveni matematički pristup. Identificiran je niz važnih mrežnih varijabli, što generiše jednu eksternu IP adresu kada se pristupa datom serveru ili lokalnoj mreži. Takve varijable uključuju: učestalost pristupa web serveru (na datom portu), broj aktivnih niti, količinu dolaznog TCP, UDP i ICMP saobraćaja, itd. Izgrađena infrastruktura je omogućila mjerenje vrijednosti za navedene mrežne varijable.
Nakon pronalaženja ovih vrijednosti za analizirane varijable u proizvoljnom trenutku, potrebno je konstruirati rang distribuciju. Da biste to učinili, pronađene vrijednosti su raspoređene u opadajućem redoslijedu. Analiza stanja mreže će se izvršiti upoređivanjem odgovarajućih distribucija. Ovo poređenje je posebno jasno kada su distribucije za anomalno i normalno stanje mreže ucrtane na isti grafikon. Ovaj pristup olakšava određivanje granice između normalnog i abnormalnog stanja mreže.
Eksperimenti na DDoS napadu na servis mogu se izvesti korištenjem emulacije u laboratoriji. Istovremeno, vrijednost dobijenih rezultata je mnogo manja nego prilikom DDoS napada na komercijalni servis koji je pušten u rad, budući da emulator ne može u potpunosti reproducirati stvarnu kompjutersku mrežu. Osim toga, da biste u potpunosti razumjeli principe i metode DDoS napada, potrebno je iskustvo s njim. Stoga su autori anonimno pristali da izvrše pravi DDoS napad na posebno pripremljeni web servis. Tokom napada evidentiran je mrežni promet i prikupljana je NetFlow statistika. Proučavanje distribucije ranga za broj tokova i različite vrste dolaznog saobraćaja generisanog od strane jedne eksterne IP adrese, što je omogućilo određivanje graničnih vrednosti. Prekoračenje graničnih vrijednosti može se klasificirati kao znak napadačkog čvora, što nam omogućava da izvučemo zaključke o djelotvornosti metoda detekcije i protumjera.
Prva stvar koja skreće pažnju u domenu dokumenata je izuzetno brz rast njenog stanovništva.
Ova dobro poznata činjenica navodi na ozbiljno razmišljanje o tome čemu takav rast može dovesti. Ali možda su naši strahovi neosnovani, pa će se u budućnosti stopa rasta broja dokumenata usporiti? Za sada statistika govori drugačije.
Evo kako su se, na primjer, promijenili tokovi dokumentarnih informacija u hemiji. Godine 1732. cjelokupno nasljeđe hemije sažeo je i objavio holandski profesor u knjizi od 1433 stranice. Švedski naučnik Berzelius je 1825. godine objavio sve što se znalo o hemiji u 8 tomova sa ukupno 4150 stranica. Trenutno američki apstraktni časopis "Chemical Abstracts", koji izlazi od 1907. godine, objavljuje gotovo sve informacije o hemiji, dok je prvi milion sažetaka objavljen 31 godinu nakon osnivanja, drugi - nakon 18 godina, treći - nakon 7 godina, a četvrti - za 4 godine!
Otprilike ista priroda rasta broja dokumenata može se pratiti iu drugim oblastima nauke. Uočeno je da je rast dokumenata eksponencijalan. Istovremeno, godišnji porast protoka naučnih i tehničkih informacija iznosi 7 ... 10%. Trenutno se svakih 10 ... 15 godina udvostručuje obim naučnih i tehničkih informacija (NTI). Krivulja rasta broja dokumenata, dakle, može se opisati eksponentom oblika
y = Aekt
gdje y- količinu znanja naslijeđenog od prethodnih generacija, e je baza prirodnih logaritama ( e = 2,718...), t– indeks vremena (r); A je zbir znanja na početku odbrojavanja (kada t = 0), K– koeficijent koji karakteriše brzinu znanja, ekvivalent kojoj se primaju tokovi naučnih i tehničkih informacija. At t≈ 10...15 godina at = 2A.
Lako je zamisliti da nam ovakav rast broja naučnih dokumenata ne sluti na dobro u budućnosti, čak ni u bliskoj budućnosti. Šume su se pretvorile u planine papira u kojima se davi bespomoćni istraživač...
Međutim, kao što pokazuje istorija nauke i tehnologije, uslovi u kojima se razvijaju nisu konstantni, pa je mehanizam eksponencijalnog rasta tokova STI često narušen. Ovo kršenje se objašnjava brojnim faktorima odvraćanja, posebno ratovima, nedostatkom materijalnih i ljudskih resursa itd. Naime, rast broja dokumenata stoga nije podložan eksponencijalnoj zavisnosti, iako se u pojedinim razdobljima razvoja nauke i tehnologije u pojedinim oblastima znanja očituje prilično jasno. Šta je razlog tako brzog povećanja protoka dokumentarnih informacija?
U prethodnim poglavljima obratili smo pažnju na činjenicu da informacije igraju ogromnu ulogu u razvoju ljudskog društva, pa ih prati nagli rast obima informacija. Porast dokumentarnih tokova naučnih informacija može se povezati sa povećanjem broja kreatora naučnih informacija. Brzina ovog rasta je opisana eksponencijalnom funkcijom. Na primjer, u proteklih 50 godina, broj naučnika u SSSR-u se udvostručio svakih 7 godina, u SAD-u - svakih 10 godina, u evropskim zemljama - svakih 10-15 godina.
Naravno, stopa rasta broja naučnih radnika mora se usporiti i dostići neku manje-više konstantnu vrijednost u odnosu na cjelokupnu radno sposobnu populaciju. U suprotnom, cjelokupna populacija će se nakon nekog vremena baviti istraživačkim i razvojnim radom, što je nerealno. Stoga u budućnosti treba očekivati usporavanje rasta broja naučnih radova. Trenutno su ove stope još uvijek visoke i izazivaju zabrinutost kod potrošača informacija: kako pohraniti i obraditi dokumente, kako među njima pronaći onaj koji je potreban?
Situacija se čini beznadežnom: zakon eksponencijalnog rasta dokumenata, koji je još uvijek na snazi u domeni dokumenata, naglo je zaoštrio i „stambene“ i „transportne“ probleme u njemu.
Međutim, kako se ispostavilo, ovdje postoji zakon koji donekle ublažava situaciju...
Krajem 40-ih godina našeg veka, J. Zipf je, prikupivši ogroman statistički materijal, pokušao da pokaže da se distribucija reči prirodnog jezika povinuje jednom jednostavnom zakonu, koji se može formulisati na sledeći način. Ako se za bilo koji dovoljno veliki tekst sastavi lista svih riječi koje se u njemu susreću, tada se te riječi slažu u opadajućem redoslijedu u odnosu na njihovu učestalost pojavljivanja u ovom tekstu i numeriraju redom od 1 (redni broj najčešće pojavljuje se riječ) to R, tada će za bilo koju riječ proizvod njenog serijskog broja (ranga) / u takvoj listi i učestalosti njenog pojavljivanja u tekstu biti konstantna vrijednost koja ima približno istu vrijednost za bilo koju riječ sa ove liste. Zipfov zakon se može analitički izraziti kao
fr = c,
gdje f- učestalost pojavljivanja riječi u tekstu;
r– rang (redni broj) riječi u listi;
sa je empirijska konstanta.
Rezultirajuća zavisnost je grafički izražena hiperbolom. Istraživši tako široku lepezu tekstova i jezika,
uključujući i hiljade godina stare jezike, J. Zipf je za svaki od njih izgradio naznačene zavisnosti, dok su sve krive imale isti oblik – oblik „hiperboličkih merdevina“, tj. pri zamjeni jednog teksta drugim, opća priroda distribucije se nije promijenila.
Zipfov zakon je otkriven eksperimentalno. Kasnije je B. Mandelbrot predložio njegovo teorijsko opravdanje. Smatrao je da je moguće uporediti pisani jezik sa kodiranjem, a svi znakovi trebaju imati određenu "vrijednost". Na osnovu zahtjeva minimalne cijene poruka, B. Mandelbrot je matematički došao do zavisnosti slične Zipfovom zakonu
fr γ = c ,
gdje je γ vrijednost (bliska jedinici), koja može varirati ovisno o svojstvima teksta.
J. Zipf i drugi istraživači su otkrili da ne samo svi prirodni jezici svijeta, već i drugi fenomeni društvene i biološke prirode podliježu takvoj distribuciji: raspodjela naučnika prema broju članaka koje su objavili (A. Lotka, 1926), američki gradovi po broju stanovnika (J. Zipf, 1949), stanovništvo prema prihodima u kapitalističkim zemljama (V. Pareto, 1897), biološki rodovi po broju vrsta (J. Willis, 1922) itd.
Najvažnije za problem koji razmatramo jeste činjenica da se dokumenti iz bilo koje grane znanja mogu distribuirati po ovom zakonu. Poseban slučaj je Bradfordov zakon, koji više nije direktno vezan za distribuciju riječi u tekstu, već za distribuciju dokumenata unutar predmetne oblasti.
Engleski hemičar i bibliograf S. Bradford je, ispitujući članke o primijenjenoj geofizici i podmazivanju, primijetio da distribucije naučnih časopisa koji sadrže članke o podmazivanju i časopisa koji sadrže članke o primijenjenoj geofizici imaju zajednički oblik. Na osnovu utvrđene činjenice, S. Bradford je formulisao pravilnost u distribuciji publikacija među publikacijama.
Glavno značenje obrasca je sljedeće: ako su znanstveni časopisi raspoređeni u opadajućem redoslijedu prema broju članaka o određenoj problematici, onda se časopisi na rezultirajućoj listi mogu podijeliti u tri zone tako da broj članaka u svakoj zoni na datu temu je isto. Istovremeno, prva zona, tzv. core zona, obuhvata specijalizovane časopise direktno posvećene temi koja se razmatra. Broj specijalizovanih časopisa u zoni jezgra je mali. Drugu zonu čine časopisi koji su djelimično posvećeni datoj oblasti, a njihov broj se značajno povećava u odnosu na broj časopisa u jezgru. Treća zona, najveća po broju publikacija, objedinjuje časopise čije su teme veoma udaljene od teme koja se razmatra.
Dakle, sa jednakim brojem publikacija na određenu temu u svakoj zoni, broj naslova časopisa naglo raste pri prelasku iz jedne zone u drugu. S. Bradford je utvrdio da će broj časopisa u trećoj zoni biti otprilike toliko puta veći nego u drugoj zoni, koliko je puta veći broj naslova u drugoj zoni nego u prvoj. Označiti R 1 - broj časopisa u 1. zoni, R 2 - u 2., R 3 - broj časopisa u 3. zoni.
Ako a a- odnos broja časopisa u 2. zoni prema broju časopisa u 1. zoni, tada se obrazac koji je otkrio S. Bradford može napisati na sljedeći način:
P 1: P 2: P 3 = 1: a : a 2
P 3: P 2 = P 2: P 1 = a.
Ovaj odnos se naziva Bradfordov zakon.
B. Vickery je poboljšao model S. Bradforda. Otkrio je da se časopisi, rangirani (poređani) po opadajućem redoslijedu članaka o određenoj problematici, mogu podijeliti ne u tri zone, već u bilo koji željeni broj zona. Ako su časopisi raspoređeni po opadajućem broju članaka o određenoj problematici, onda se u rezultirajućoj listi može izdvojiti više zona, od kojih svaka sadrži isti broj članaka. Prihvatamo sljedeću notaciju X– broj artikala u svakoj zoni. T x– broj časopisa koji sadrže Xčlanci, T 2x– broj časopisa koji sadrže 2 Xčlanke, tj. zbir naslova časopisa u 1. i 2. zoni, T 3x– broj časopisa koji sadrže 3 Xčlanke, tj. zbir naslova časopisa u 1., 2. i 3. zoni, T 4x– broj časopisa koji sadrže 4 Xčlanci.
Tada će ovaj uzorak izgledati
T x : T 2x : T 3x : T 4x : ... = 1: a : a 2: a 3: ...
Ovaj izraz se naziva Bradfordov zakon kako ga tumači B. Vickery.
Ako Zipfov zakon karakterizira mnoge fenomene društvene i biološke prirode, onda je Bradfordov zakon specifičan slučaj Zipfove distribucije za sistem periodike u nauci i tehnologiji.
Iz ovih pravilnosti mogu se izvući zaključci od velike praktične koristi.
Dakle, ako poređate bilo koju periodiku u opadajućem redoslijedu prema broju članaka na određenom profilu, onda se, prema Bradfordu, mogu podijeliti u tri grupe koje sadrže jednak broj članaka. Pretpostavimo da smo odabrali grupu od 8 naslova časopisa koji zauzimaju prvih 8 mjesta na rezultirajućoj listi. Zatim, kako bismo udvostručili broj članaka na profilu koji nas zanima, morat ćemo dodati još 8 na postojećih 8 a naslovi časopisa. Ako a a= 5 (ova vrijednost je pronađena eksperimentalno za neke predmetne oblasti), tada je broj ovih naslova 40. Tada će ukupan broj naslova periodike biti 48, što je, naravno, mnogo više od 8. Ako pokušamo dobijete tri puta više članaka, morat ćemo pokriti već 8 + 5 8 + 5 2 8 = 256 stavki! Od toga je trećina članaka koji nas zanimaju koncentrisana u samo 8 časopisa, tj. Članci su neravnomjerno raspoređeni po naslovima časopisa. S jedne strane, postoji koncentracija značajnog broja članaka o određenoj temi u nekoliko specijalizovanih časopisa, s druge strane, ovi članci su rasuti u ogromnom broju publikacija o srodnoj ili udaljenoj temi koja se razmatra, dok u praksi je neophodno identifikovati glavne izvore u oblasti od našeg naučnog interesa, tehničko znanje, a ne nasumična izdanja.
Obrasci koncentracije i disperzije naučnih i tehničkih informacija u oblasti dokumenata omogućavaju da se izaberu upravo one publikacije koje će najverovatnije sadržati publikacije koje odgovaraju određenom profilu znanja. U masovnom procesu informacione podrške na nacionalnom nivou, korišćenje ovih pravilnosti omogućava smanjenje ogromnih troškova za nacionalnu ekonomiju.
Sadašnje širenje publikacija ne može se ocijeniti samo kao štetna pojava. U uslovima disperzije, poboljšane su mogućnosti za međusektorsku razmjenu informacija.
Pokušaj da se sve publikacije jednog profila koncentrišu u više časopisa, tj. spriječiti njihovo raspršivanje imat će negativne posljedice, a da ne spominjemo činjenicu da nije uvijek moguće precizno dodijeliti dokument jednom ili drugom profilu.
Rezultati testova Bradfordovog zakona rasejanja, kako je pokazao S. Brooks, imaju različite stepene slaganja. Uprkos učinjenim amandmanima, Bradfordov model ne odražava raznolikost stvarnih distribucija. Ovo neslaganje može se objasniti činjenicom da je Bradford svoje zaključke izveo na osnovu izbora nizova koji se odnose samo na uska predmetna područja.
Velika zasluga J. Zipfa i S. Bradforda leži u činjenici da su postavili temelje za rigorozno proučavanje tokova dokumentarnih informacija (DIP), koji su zbirke naučnih publikacija i neobjavljenih materijala (na primjer, izvještaji o istraživanju i razvoju rad). Dalja istraživanja, među kojima istaknuto mjesto zauzimaju rad sovjetskog specijaliste u oblasti računarstva V.I. Gorkova, pokazao je da je moguće odrediti ne samo kvantitativne parametre skupova naučnih dokumenata, već i skupove elemenata obeležja naučnih dokumenata: autore, termine, indekse sistema klasifikacije, naslove publikacija, tj. nazivi elemenata koji karakterišu sadržaj naučnih dokumenata. Na primjer, možete urediti časopise u opadajućem redoslijedu prema broju autora objavljenih u njima, u opadajućem redoslijedu prema prosječnoj veličini članaka objavljenih u njima ili urediti zbirku dokumenata po bilo kojem elementu.
Redosled se postavlja rangiranjem (redosledom postavljanja) imena elemenata prema učestalosti njihovog pojavljivanja u opadajućem redosledu. Takav uređeni skup imena elemenata naziva se distribucija ranga. Distribucije koje je Zipf proučavao u svoje vrijeme tipični su primjeri raspodjela ranga. Pokazalo se da tip raspodjele rangova i njena struktura karakteriziraju skup dokumenata kojima ova rangova raspodjela pripada. Pokazalo se da pri konstruisanju rang distribucija, u većini slučajeva imaju oblik Zipfovog uzorka sa Mandelbrotovom korekcijom:
fr γ = c.
U ovom slučaju, koeficijent γ je varijabla. Konstantnost koeficijenta γ je sačuvana samo u srednjem dijelu grafa raspodjele. Ovaj dio ima oblik prave linije ako je graf gore navedene pravilnosti ucrtan u logaritamskim koordinatama. Presjek distribucije sa γ = konst naziva se centralna zona distribucije ranga (vrijednost argumenta u ovom dijelu varira od Inr 1 , do Inr 2). Vrijednosti argumenata od 0 do Inr 1 odgovara zoni jezgra distribucije ranga, a vrijednosti argumenta from Inr 2 to Inr 3 - takozvana zona skraćenja.
Šta znači postojanje tri jasno prepoznatljive zone raspodjele rangova? Ako se potonje odnosi na termine koji čine bilo koju oblast znanja, onda nuklearna zona, ili zona jezgra distribucije ranga, sadrži najčešće korištene, opšte naučne termine. Centralna zona sadrži pojmove koji su najtipičniji za ovu oblast znanja, koji zajedno izražavaju njenu specifičnost, razliku od drugih nauka, „pokrivaju njen osnovni sadržaj“. Zona skraćenja sadrži termine koji se relativno rijetko koriste u ovoj oblasti znanja.
Dakle, osnova vokabulara bilo koje oblasti znanja koncentrisana je u centralnoj zoni raspodjele rangova. Uz pomoć termina nuklearne zone, ovo područje znanja „pridružuje se opštijim oblastima znanja“, a zona skraćenja igra ulogu avangarde, kao da „pipa“ za veze sa drugim granama. nauke. Dakle, ako bi se prije nekoliko godina u rangiranoj distribuciji pojmova tematske oblasti „Obrada metala“ susreo termin „laseri“, onda bi zbog svoje male zastupljenosti najvjerovatnije spadao u zonu skraćenja: veze između laserske tehnologije i obrade metala i dalje su se samo "pipavali". Međutim, danas bi ovaj termin, bez sumnje, spadao u centralnu zonu, što bi već odražavalo njegovu prilično visoku zastupljenost, a samim tim i stabilnu vezu između laserske tehnologije i obrade metala.
Grafikon raspodjele rangova ispunjen je dubokim značenjem: na kraju krajeva, prema relativnoj veličini određene zone na grafu, može se suditi o karakteristikama čitavog polja znanja. Graf sa ekstenzivnom nuklearnom zonom i malom zonom skraćenja pripada prilično širokom i najvjerovatnije konzervativnom polju znanja. Dinamične grane nauke karakteriše proširena zona skraćenja. Mala vrijednost jezgrene zone može ukazivati na originalnost oblasti znanja kojoj pripada izgrađena rangova raspodjela itd. Tako se na osnovu analize rang-distribucije pokazalo da je moguće dati kvalitativne ocjene tokova dokumentarnih informacija u skladu sa granama nauke u kojima su nastali. Područje dokumenata poprima oblik sistema u kojem su elementi međusobno povezani, a obrasci koji upravljaju ovim odnosima mogu se istražiti!
Kako informacije stare...
Starenje... Značenje ovog pojma ne zahteva objašnjenje, svima je dobro poznato. Naša planeta stari, drveće stari. Stvari stare i ljudi kojima pripadaju. Dokumenti su stari. Stranice knjiga žute, slova blijede, korice se padaju. Ali šta je to? Student, mašući knjigom koja mu je ponuđena u biblioteci, prezirno primjećuje: „Već je zastarjela!“, iako je knjiga još uvijek potpuno nova! Tu, naravno, nema tajne. Knjiga je nova, ali informacije u njoj mogu biti zastarjele. U odnosu na dokumente, starenje se ne shvata kao fizičko starenje nosioca informacija, već kao prilično složen proces starenja informacija koje se u njemu nalaze. Izvana, ovaj proces se manifestuje u gubitku interesa za publikacije naučnika i stručnjaka sa povećanjem vremena proteklog od datuma njihovog objavljivanja. Kako je pokazalo istraživanje u 17 biblioteka koje je sprovelo jedno od granskih informacionih tela, 62% zahteva odnosi se na časopise koji su mlađi od 1,5 godine; 31% pogodaka - za časopise od 1,5...5 godina; 6% - za časopise od 6 do 10 godina; 7% - za časopise starije od 10 godina. Publikacijama objavljenim relativno davno se pristupa znatno rjeđe, što daje povod za tvrdnju da stare. Koji mehanizmi upravljaju procesom starenja dokumenata?
Jedan od njih je direktno povezan sa kumulacijom, agregacijom naučnih informacija. Često se gradivo koje je prije stotinu godina zahtijevalo čitav niz predavanja sada može objasniti za nekoliko minuta uz pomoć dvije ili tri formule. Odgovarajući kursevi predavanja beznadežno stare: niko ih više ne koristi.
Nakon dobijanja preciznijih podataka, približni podaci, a samim tim i dokumenti u kojima su objavljeni, postaju stariji. Stoga, kada se govori o starenju naučne informacije, najčešće se misli upravo na njeno pojašnjenje, rigorozniji, sažetiji i generalizovaniji prikaz u procesu stvaranja novih naučnih informacija. To je moguće zbog činjenice da naučne informacije imaju svojstvo kumulativnosti, tj. omogućava sažetiju, generalizovaniju prezentaciju.
Ponekad starenje dokumentarnih informacija ima drugačiji mehanizam: objekt, čiji opis imamo, mijenja se tokom vremena toliko da informacije o njemu postaju netačne. Tako stare geografske karte: pustinje zamjenjuju pašnjaci, nastaju novi gradovi i mora.
Proces starenja se takođe može posmatrati kao gubitak informacija od praktične koristi za potrošača. To znači da ga više ne može koristiti za postizanje svojih ciljeva.
I, konačno, ovaj proces se može posmatrati sa stanovišta promjene ljudskog tezaurusa. Sa ovih pozicija, iste informacije mogu biti "zastarele" za jednu osobu i "nezastarele" za drugu.
Stepen starenja dokumentarnih informacija nije isti za različite vrste dokumenata. Na brzinu njenog starenja u različitim stepenima utiče mnogo faktora. Karakteristike informacionog starenja u svakoj oblasti nauke i tehnologije ne mogu se izvesti na osnovu apstraktnih razmatranja ili prosečnih statističkih podataka – one su organski povezane sa razvojnim trendovima svake pojedinačne grane nauke i tehnologije.
Kako bi na neki način kvantificirali brzinu starenja informacija, bibliotekar R. Barton i fizičar R. Kebler iz SAD-a, po analogiji s vremenom poluraspada radioaktivnih supstanci, uveli su "poluživot" naučnih članaka. Poluživot je vrijeme tokom kojeg je objavljena polovina sve trenutno korištene literature o bilo kojoj industriji ili temi. Ako je poluživot publikacija iz fizike 4,6 godina, onda to znači da 50% svih trenutno korištenih (citiranih) publikacija iz ove oblasti nije starije od 4,6 godina. Evo rezultata koje su dobili Barton i Kebler: za publikacije iz fizike - 4,6 godina, fiziologije - 7,2, hemije - 8,1, botanike - 10,0, matematike - 10,5, geologije - 11,8 godina. Međutim, iako je svojstvo starenja informacija objektivne prirode, ono ne otkriva unutrašnji proces razvoja ove oblasti znanja i prilično je deskriptivno. Stoga, zaključke o starenju informacija treba tretirati vrlo pažljivo.
Ipak, čak i gruba procjena stope starenja informacija i dokumenata koji ih sadrže ima veliku praktičnu vrijednost: pomaže da se ima u vidu samo onaj dio područja dokumenata koji, najvjerovatnije, sadrži dokumente koji nose osnovne informacije o datu nauku. Ovo je važno ne samo za zaposlene u naučnim i tehničkim bibliotekama i organima naučno-tehničkih informacija, već i za same potrošače NTI.
Izlaz u automatizaciji?
ANALIZA RANGA KAO METODA ISTRAŽIVANJA
Državni univerzitet Uljanovsk
Jedan od najopštijih zakona razvoja bioloških, tehničkih, društvenih sistema je zakon raspodjele rangova. Teoriju analize ranga (RA) preneli su iz biologije i razvili za tehnocenoze pre više od 30 godina profesor MPEI i njegova škola ( www kudrinbi. en) . Kako se kasnije pokazalo, ova metoda je primjenjiva i na fizičke i astronomski i društvenim sistemima. Tehnike za konstruisanje rang distribucija i njihova naknadna upotreba u svrhe optimizacije cenosis formiraju glavno značenje analiza ranga (cenološki pristup), čiji su sadržaj i tehnologija, zapravo, novi pravac koji obećava odlične praktične rezultate. Svrha ovog rada je da opiše metod analize ranga. Ono što je novo je uključivanje u RA „metode ispravljanja“, poznate u fizičkim istraživanjima, eksperimentalnog grafa koji je dobio istraživač (izgradnja i ispravljanje u odgovarajućim koordinatama) kako bi se odredio tip njegove matematičke zavisnosti i izračunao njen specifični parametri.
1. Pojmovni aparat cenološke teorije. Zakon raspodjele rangova.
cenosis naziva se množina pojedinci .
Broj jedinki u cenozi određuje jačina stanovništva. Ova terminologija je došla iz biologije, iz teorije biocenoza. "Biocenoza" je zajednica. Termin biocenoza, koju je uveo Möbius (1877), činio je osnovu ekologije kao nauke. Profesor MPEI je prenio pojmove "cenoza", "individua", "populacija", "vrsta" i iz biologije u tehnologiju: u tehnici "individua" - pojedinačni tehnički proizvodi, tehnički parametri i veliki skup tehničkih proizvoda ( pojedinci) se nazivaju tehnocenoza. definiše tehnički primerak kao poseban, dalji nedeljivi element tehničke stvarnosti, koji ima individualne karakteristike i funkcije u individualnom životnom ciklusu. Pogled- glavna strukturna jedinica u taksonomiji pojedinaca. Vrsta - grupa jedinki sa kvalitativnim i kvantitativnim karakteristikama koje odražavaju suštinu ove grupe. Pogled u tehnologiji naziva se marka ili model opreme i izrađuje se prema jednoj projektnoj i tehnološkoj dokumentaciji (traktor "Belorus", saperska lopata, automobil ZIL-131 itd.).
U društvenoj sferi „pojedinci“ su ljudi, organizovane društvene grupe ljudi (klase, studijske grupe) kao i društveni sistemi (institucije), na primer obrazovni – škole. Zatim po analogiji, sociocenoza mi ćemo nazvati bilo koji skup društvenih pojedinaca . Svaki pojedinac je strukturna jedinica cenoze. Pojedinac može biti bilo koja jedinica iz društvene sfere, zavisi od razmjera asocijacije i od toga šta se spaja u cenozu. Na primjer, razred, studijska grupa je sociocenoza koju čine pojedinci – studenti. Tada je moć populacije broj učenika u razredu. Škola je i sociocenoza, koju čine pojedinci - zasebne strukturne jedinice - odjeljenja. Ovdje je moć stanovništva broj odjeljenja u školi. Skup škola je cenoza većeg obima, pri čemu je pojedinac, strukturna jedinica ove cenoze škola.
U sistematici srednjoškolskih ustanova izdvajaju se sljedeće vrste: srednje škole, liceji, gimnazije, privatne škole. Ovi tipovi se razlikuju po sadržaju programa, zadacima i konstituisanju vrsta cenoza, gdje je svaka vrsta već jedinka.
Ispod distribucija rangova odnosi se na distribuciju dobijenu kao rezultat postupka rangiranja niza vrijednosti parametara postavljenih prema rangu. Rangiranje je postupak za sređivanje objekata prema stepenu izraženosti nekog kvaliteta. Pojedinac je objekt rangiranja. Rang - je broj pojedinca po redu u nekoj distribuciji. Po, zakon raspodjele rangova pojedinaca u tehnocenozi (H-distribucija ) ima oblik hiperbole:
Gdje je W - rasponski parametar pojedinaca; r – čin pojedinca (1,2,3….); A - maksimalna vrijednost parametra najboljeg pojedinca ranga r = 1, odnosno u prvoj tački (ili aproksimacijski koeficijent); β je koeficijent ranga koji karakteriše stepen strmine krive distribucije (najbolje stanje tehnocenoza, npr. je stanje u kojem je parametar β unutar 0,5 < β < 1,5).
Ako se rangira bilo koji parametar cenoze (sistema), tada se poziva distribucija rangiranje parametarski.
Rangirani parametri u tehnocenozama su tehničke specifikacije(fizičke ili tehničke veličine) koje karakteriziraju pojedinca, na primjer, veličina, težina, potrošnja energije, energija zračenja itd. U sociocenozama, posebno pedagoškim cenozama, rangirani parametri mogu biti akademski uspjeh, ocjena u bodovima učesnika olimpijada ili testiranje ; broj studenata upisanih na univerzitete i tako dalje, a rangirani pojedinci su sami studenti, razredi, studijske grupe, škole i tako dalje.
Ako se snaga populacije (broj individua koje čine vrstu u sociocenozi) uzme u obzir kao parametar, tada se u ovom slučaju raspodjela naziva rang specifičan. Dakle, vrste su rangirane u rangu distribucije vrsta. Odnosno, vrsta je jedinka.
2. Metodologija za primjenu analize ranga
Analiza ranga uključuje sljedeće korake-procedure:
1. Izolacija cenoze.
2. Određivanje parametara za formiranje pogleda. Parametri tehnologije koji formiraju pogled mogu biti cijena, energetska pouzdanost, broj servisnog osoblja, indikatori težine i veličine itd.
3. Parametarski opis cenoze. Doprinijeti za baza podataka vrijednosti parametara specifičnih za cenozu. Ovaj statistički rad uvelike je olakšan upotrebom računara. Rad na stvaranju informacijske baze cenoze završava se nakon izrade tabele (baze podataka) koja uključuje sistematizovane podatke o vrijednostima vrsta formirajućih parametara pojedinih jedinki uključenih u sociocenozu.
4. Konstrukcija tabelarne raspodjele rangova Tabelarna distribucija ranga u obliku je tabela od dvije kolone: parametara jedinki W raspoređenih po rangu i rangnog broja jedinke r (parametarske ili vrste).
Prvi rang se dodeljuje pojedincu sa maksimalnom vrednošću parametra, drugi - pojedincu sa najvećom vrednošću parametra među pojedincima, osim prvog i tako dalje.
5. Izgradnja grafičke parametarske distribucije ranga ili grafičke distribucije rangova vrsta. Parametarska kriva ranga ima oblik hiperbole, a broj ranga r je iscrtan duž apscisne ose, istraživani parametar W je nacrtan duž ordinatne ose.Graf distribucije rangova vrsta je skup tačaka: svaka tačka od graf odgovara određenoj individui ili vrsti cenoze. U ovom slučaju, apscisa na grafu je rang, a ordinata je parametar jedinki (parametrijska distribucija) ili broj jedinki kojima je ova vrsta zastupljena u cenozi (rang distribucije vrsta). Svi podaci preuzeti su iz tabelarne distribucije.
6. Aproksimacija distribucija. Suština metode je pronaći takve parametre analitičke zavisnosti koji minimiziraju zbir kvadrata odstupanja empirijskih vrijednosti y stvarno dobijenih tokom analize ranga sociocenoze od vrijednosti izračunatih iz zavisnost aproksimacije. Treba napomenuti da je moguće izvršiti aproksimaciju i odrediti parametre izraza pomoću kompjuterskih programa. Parametri krive distribucije nalaze se: A, b. Po pravilu, za tehnocenoze 0,5. < β < 1,5.
7. Optimizacija cenoze.
Optimizacija je jedna od najsloženijih operacija cenološke teorije. Ovom pravcu istraživanja posvećen je značajan broj radova. Postupak optimizacije sistema (cenoze) sastoji se u poređenju idealne krive sa realnom, nakon čega zaključuju: šta je praktično potrebno uraditi u cenozi da tačke realne krive teže da leže na idealnoj krivulji. Razmotrimo nekoliko najjednostavnijih postupaka optimizacije za cenoze, koje smo naširoko testirali u praksi. Pogledajmo detaljnije korak 7.
Po pravilu, stvarna H-distribucija se razlikuje od idealne po sljedećim devijacijama:
1) neke eksperimentalne tačke ispadaju iz idealne distribucije;
2) eksperimentalni graf nije hiperbola;
3) eksperimentalna kriva, generalno gledano, ima karakter H-distribucije, ali u poređenju sa teorijskom, imaju "grbe", "korita" ili "repove".
4) realna hiperbola leži ispod idealne hiperbole, ili obrnuto, realna hiperbola leži iznad idealne.
Procedura optimizacije bilo koje cenoze (određivanje metoda, sredstava i kriterijuma za njeno poboljšanje) ima za cilj eliminisanje abnormalnih odstupanja u raspodeli ranga. Nakon što su anomalije identifikovane na grafičkoj distribuciji, osobe koje su „odgovorne” za anomalije određuju se prema tabelarnoj distribuciji, i navode se prioritetne mjere za njihovo otklanjanje.
Optimizacija cenoze se vrši na dva načina:
1. Optimizacija nomenklature - svrsishodna promjena u broju cenoza (nomenklatura), koja teži distribuciji vrsta cenoze u obliku kanonskog (primjernog, idealnog). U biocenozi - jatu, ovo je protjerivanje ili uništavanje slabih jedinki, u grupi za obuku, to je skrining neuspjelih.
2. Parametrijska optimizacija - svrsishodna promjena (poboljšanje) parametara pojedinih jedinki, dovodeći cenozu u stabilnije i stoga efektivnije stanje. U pedagoškoj cenozi - studijskoj grupi (razredu) - to je rad sa slabijima - poboljšanje parametara pojedinaca.
Što se eksperimentalna kriva distribucije bliže približava idealnoj krivulji oblika (1), to je sistem stabilniji. Bilo kakva odstupanja ukazuju na to da je potrebna nomenklaturna ili parametarska optimizacija. Odstupanja od idealne H-distribucije (hiperbole) se prikazuju u obliku ispadanja tačaka iz grafa, „repova“, „grbi“, „udubljenja“, kao i degeneracije hiperbole u pravu liniju ili druge grafičke prikaze. zavisnosti.
Prema našem mišljenju, metodologija za primjenu analize ranga nije dovoljno razvijena. Konkretno, određivanje parametara sistema rangiranja se vrši uglavnom metodom aproksimacije eksperimentalnih krivulja korišćenjem računarske tehnologije. Metoda ravnanja, koju široko koriste istraživači fizičari, ne koristi se u proučavanju cenoza metodom rang analize.
Tehniku analize ranga dopunili smo fazom ispravljanja grafičke rangove H-distribucije u dvostrukim logaritamskim koordinatama (dodavanje faze 6 ili odabir zasebne faze između 6 i 7). Tangenta nagiba prave na x-osu određuje parametar β.
Razmotrimo ovu fazu detaljnije za opći slučaj - hiperbola pomaknuta prema gore duž y-ose od strane B.
3. Aproksimacija hiperbole matematičkom zavisnošću metodom ispravljanja(Sl. 1, a, b).
U radu je detaljno opisana primjena metode ispravljanja na hiperbolu pomaknutu prema gore u odnosu na y-osu (slika 1, a).
W os Y ili ln (W-B)
1 r U r1 x-osi
Rice. 1. Hiperbola (a) i "ispravljena" hiperbolička ovisnost na dvostrukoj logaritamskoj skali (b)
Hajde da ispitamo funkciju forme:
W \u003d B + A / r β , (2)
gdje je B konstanta: sa r koji teži beskonačnosti, W= B.
Studija uključuje sljedeće korake.
1. Pomaknite konstantu B na lijevu stranu jednačine
W - B \u003d A / r β (2a)
2. Uzmite logaritam zavisnosti (2a):
Ln (W - B) \u003d lnA - β ln r (3)
3. Označiti:
Ln(W - B) = at; LnA = b = konst; Ln r = X. (4)
4. Funkciju (3) uzimajući u obzir (4) predstavljamo u obliku:
Y \u003d b - β X(5)
Jednačina (5) je linearna funkcija oblika Sl. 1b. Samo duž ordinatne ose je ucrtan Ln (W - B), a duž apscise - Ln r.
5. Sastavite tabelu eksperimentalnih vrijednosti ln (W-B) i ln r
Ime pojedinaca (rangiranje objekata) | |||||||
6. Napravimo eksperimentalni graf zavisnosti
ln (W - B) = f (ln r).
7. Nacrtajmo liniju za ispravljanje na način da većina tačaka leži na pravoj liniji i da su joj blizu (slika 1,b).
8. Koeficijent β nalazimo tangentom ugla nagiba prave na x-osu sa grafika na sl. 1, b, izračunavši ga prema formuli:
β = tg α = (b – b1) : ln r1 (6)
9. Izračunajte koeficijent B koristeći formulu (2). Iz (2) proizilazi da:
Za r ∞, W = B
10. Nađite vrijednost A na grafikonu koristeći jednadžbu (2a):
pri r = 1, W - B = A, ali W = W1,
dakle:
Gdje je W1 vrijednost parametra W sa rangom r = 1.
11. Zajednički rad sa tabelarnim i grafičkim distribucijama po fazama:
Pronalaženje anomalnih tačaka prema rasporedu;
Određivanje njihovih koordinata i njihova identifikacija sa pojedincima prema tabeliranoj raspodjeli;
Analiza uzroka anomalija i traženje načina za njihovo otklanjanje.
Bilješka
Ako je B=0, onda hiperbola i ispravljena zavisnost imaju oblik (sl. 2, a, b):
Wln https://pandia.ru/text/80/082/images/image016_8.gif" height="135">
ALI
Koeficijent β je određen formulom:
β = tg α = lnA: ln r
Koeficijent A se određuje iz uslova:
nalazi
Opisana tehnika se može primijeniti na proučavanje različitih cenoza: fizičkih, tehničkih, bioloških, ekonomskih, društvenih itd.
Faza 7 aproksimacije i pronalaženja parametara distribucije rang analize je dopunjena metodom „ispravljanja“, koja se može koristiti kao alternativa kompjuterskoj aproksimaciji (čak i ručno).
Eksperimentalno poređenje dviju metoda za određivanje parametara hiperboličke rang distribucije (kompjuterska aproksimacija direktno eksperimentalne H-distribucije i metoda ispravljanja hiperbole na dvostrukoj logaritamskoj skali također pomoću kompjutera) pokazalo je njihovu adekvatnost. U ovom slučaju, metoda ravnanja ima sljedeće prednosti. Prvo, omogućava preciznije određivanje parametra β. Drugo, vizualnije je: na ispravljenom grafu anomalije se jasnije pojavljuju u obliku tačaka koje ispadaju iz prave linije.
Bibliografija:
1. Kudrin bibliografija u inženjerstvu i elektrotehnici. Uz 70. godišnjicu rođenja prof. / Sastavio:,. Opšte izdanje: . Broj 26 "Tsenološka istraživanja". - M.: Centar za sistemska istraživanja, 2004. - 236 str.
2. Kudrin u inženjerstvu. 2. izdanje, Rev., add. -Tomsk: TGU, 1993. -552 str.
3. Kudrin B.V., Oshurkov Određivanje parametara potrošnje električne energije višeproizvodnih industrija, - Tula. Pribl. knjiga. izdavačka kuća, 1994. -161 str.
4. Kudrin samoorganizacija. Za elektrotehničare i filozofe // Br. 25. "Tsenološka istraživanja". - M.: Centar za sistemska istraživanja. - 2004. - 248 str.
5. Matematički opis cenoza i obrazaca tehnologije. Filozofija i formiranje tehnologije / Ed. // Tsenološka istraživanja. -Problem. 1-2. - Abakan: Centar za sistemska istraživanja. – 1996. - 452 str.
6. Kudrin još jednom o trećoj naučnoj slici svijeta. Tomsk. Izdavačka kuća Tomsk. un-ta, 2001 –76 str.
7., Kudrin Aproksimacija rang distribucija i identifikacija tehnocenoza// Vyp.11. "Cenološka istraživanja". - M.: Centar za sistemska istraživanja - 1999. - 80 str.
8. Čirkov u svijetu strojeva // Br. 14. "Tsenološka istraživanja". - M.: Centar za sistemska istraživanja. - 1999. -272 str.
9. Gnatyuk konstrukcija tehnocenoza. Teorija i praksa // Vol. 9. "Tsenološka istraživanja". - M.: Centar za sistemska istraživanja. - 1999. - 272 str.
10. Gnatyuk optimalna konstrukcija tehnocenoza. / Monografija - Broj 29. Tsenološka istraživanja. - M.: Izdavačka kuća TSU - Centar za sistemska istraživanja, -2005. – 452 str. (kompjuterska verzija ISBN 5-7511-1942-8). – http://www. baltnet. en/~gnatukvi/ind. html.
11. Gnatyuk analiza tehnocenoza // Električna energija.–2000. br. 8. –S.14-22.
12. , V, Belov Procjena potrošnje energije niza obrazovnih ustanova // Električna energija. - Ne. 5. - 2001. - S.30-35.
14. Gurina analiza obrazovnih sistema (cenološki pristup). Smjernice za edukatore broj 32. "Cenološka istraživanja". -M.: Tehnika. - 2006. - 40 str.
15. Gurina istraživanje pedagoških obrazovnih sistema // Polzunovskiy Bulletin. -2004. -Ne. 3. - P.133-138.
16. Gurina analiza ili cenološki pristup u obrazovanju//Školske tehnologije. - 2007. - br. 5. - P.160-166.
17. Gurina, - istraživački eksperiment iz fizike sa kompjuterskom obradom rezultata: laboratorijska radionica. Metodičke preporuke za nastavnike fizike specijalističke fizičko-matematičke nastave. - Uljanovsk: UlGU, 2007. - 48 str.
1 Prema metodologiji, mjerenje i distribucija vrsta elementarnih nepogoda vrši se na osnovu podataka o šteti, broju žrtava i umrlih po vrstama elementarnih nepogoda. Tada se osmišljavaju mjere kako bi se spriječile moguće buduće prirodne katastrofe. Poznato je da naučne prognoze i pravovremena upozorenja mogu smanjiti ekološku štetu od mogućih prirodnih katastrofa.Prije osmišljavanja mjera, predlaže se da se modeliranjem utvrde obrasci distribucije u opadajućem redoslijedu prema broju katastrofa. Da biste to učinili, vrijednostima svakog indikatora dodijeljeni su cjelobrojni rangovi, počevši od nule. U budućnosti, prema vrijednostima indikatora sa cjelobrojnim rangovima, dobijaju se obrasci njihove rangove raspodjele.
Silazna raspodjela broja katastrofa vrijednosti štete, broja ozlijeđenih i mrtvih određena je formulom zajedničkom za mnoge procese
gdje je Y indikator; r - cjelobrojni rang, uzet iz serije 0, 1, 2, 3, ...; a 1 ... a 7 - parametri statističkog modela, koji primaju numeričke vrijednosti za specifičnu distribuciju štete, broj žrtve i smrti.
Gde uticati na aktivnost prirodne α 1 i tehnogene α 2 smetnje u distribuciji vrijednosti indikatora Y = Y 1 +Y 2 izračunavaju se po formulama α 1 = Y 1 /Y i α 2 = Y 2 /Y. Prilagodljivost k osobe njegovom tehnogenom intervencijom, uključujući mjere za sprječavanje prirodnih katastrofa, određena je odnosom tehnogene komponente opšte pravilnosti prema drugoj komponenti, odnosno prema matematičkom izrazu k = Y 2 /Y 1 .
Primjeri. Prema identifikacionim podacima (1) dobijene su pravilnosti.
1. Broj različitih vrsta prirodnih katastrofa koje su se dogodile u svijetu tokom 30 godina (1962-1992) mijenjao se u pogledu materijalne štete (tabela 1) prema redovnosti
Tabela 1. Broj katastrofa u svijetu za 30 godina (1962-1992) u smislu materijalne štete
|
katastrofe |
Vrijednosti dizajna (2) |
||||
U tabeli. 1 i druge usvojene su sljedeće vrste katastrofa: GL - glad; ZM - mrazevi; ZS - suša; ZT - zemljotresi; IV - erupcije; ND - poplave; NN - invazija insekata; OP - klizišta; PZh - požari; SL - snježna lavina; SH - suvi vjetrovi; TS - tropske oluje; CN - tsunami; ST - oluje; ED - epidemije.
Prva komponenta (2) prikazuje prirodni proces rangiranja vrsta elementarnih nepogoda, a druga - stresno uzbuđenje čovječanstva u smislu materijalne štete, kao negativan (znak "+") odgovor na nedovoljne mjere za sprječavanje vanrednim situacijama i otklanjanju posljedica prošlih katastrofa.
Pokazatelji adekvatnosti modela (2) i ostalih određeni su na sljedeći način. Razlikom između stvarne i izračunate vrijednosti indikatora, apsolutna greška ε izračunava se izrazom . Relativna greška Δ (%) se određuje iz izraza . Od ovih ostataka bira se maksimalna vrijednost Δ max (modulo), koja je u tabeli. 1 je podvučeno. Tada će vjerovatnoća pouzdanosti D utvrđene statističke pravilnosti biti jednaka 
. Iz podataka u tabeli. 1 pokazuje da je maksimalna relativna greška formule (1) 52,0%. Istovremeno, poznato je da distribucije u opadajućem redoslijedu vrijednosti indikatora imaju značajne greške na kraju serije. Stoga se posljednje vrijednosti serije mogu zanemariti; na rangovima 7, 8 i 9, broj katastrofa je jednak jedan. One su 3 x 100/241 = 1,24%. Ako se izuzmu, tada će maksimalna greška formule (2) biti 20,75%. Povjerenje u (2) će biti najmanje 100 - 20,75 = 79,25%. Takvo povjerenje omogućit će primjenu formule (2) u okvirnim proračunima materijalne štete od katastrofa koje se očekuju u budućnosti.
Tabela 2. Analiza statističkog modela (2)
U tabeli. 2 prikazani su rezultati izračunavanja obje komponente N 1 i N 2 formule (2), kao i vrijednosti koeficijenti značajnosti α 1 i α 2 ovih komponenti materijalne štete i faktor prilagodljivosti k čovječanstva (u vrijeme registracije dinamike broja katastrofa) na raspodjelu broja katastrofa.
Iz podataka u tabeli. 2 pokazuje da na rang-listima 6-9, koeficijent prilagodljivosti čovjeka na erupcije, klizišta, cunamije i mrazeve u smislu materijalne štete teži beskonačnosti.
Osoba još ne može savladati požare na k = 15.00.
2. Broj tipova prirodnih katastrofa u svijetu tokom 30 godina (1962-1992), koji se razlikuju po broju žrtava, mijenja se prema statističkom obrascu (Tabela 3, Tabela 4)
Iz tabele. 4 pokazuje da je ekscitacija stresa maksimalna za glad (4. rang).
3. Broj vrsta prirodnih katastrofa u svijetu prema broju poginulih dobija obrazac (tabela 5 i tabela 6) prema formuli
|
Tabela 3 Broj katastrofa u svijetu za 30 godina (1962-1992) prema broju žrtava
|
Tabela 4 Analiza statističkog modela (3) |
|||||||||||||||
|
Tabela 5 Broj katastrofa u svijetu za 30 godina (1962-1992) prema broju umrlih
|
Tabela 6 Analiza modela (6) broja katastrofa |
|||||||||||||||
Iz podataka u tabeli. 6 vidi se da je stresna ekscitacija čovječanstva najveća za oluje, koje imaju peti rang po broju poginulih.
Da bi se dokazalo da je model tipa (1) stabilan zakon, potrebno je da se prihvaćeni koeficijenti aktivnosti i fitnesa također mijenjaju prema stabilnim obrascima.
Prema tabeli. Dobijeno je 6 modela za podatke o broju umrlih:
koeficijent značajnosti prve komponente modela (4) je jednak
koeficijent značajnosti druge komponente;
koeficijent prilagodljivosti čovječanstva prirodnim katastrofama u smislu broja umrlih ljudi u periodu od 30 godina (1962-1992) mijenja se prema formuli
Po tri indikatora, a njihov skup može biti veliki, moguće je odrediti rejting mesto m r (u ovim primjerima, bez uzimanja u obzir težinskih koeficijenata indikatora) svake vrste prirodnih (i u budućnosti, ne-prirodnih) katastrofa (tabela 7).
|
Vrsta prirodne katastrofe |
Materijalna šteta |
Broj žrtava |
Broj mrtvih |
|||||||
|
GL - glad |
||||||||||
|
ZM - mraz |
||||||||||
|
ZS - suša |
||||||||||
|
ST - zemljotresi |
||||||||||
|
IV - erupcije |
||||||||||
|
ND - poplave |
||||||||||
|
NN - invazija insekata |
||||||||||
|
OP - klizišta |
||||||||||
|
PZh - požari |
||||||||||
|
SL - snježna lavina |
||||||||||
|
CX - suvi vjetrovi |
||||||||||
|
TS - tropske oluje |
||||||||||
|
tsn - tsunami |
||||||||||
|
SHT - oluje |
||||||||||
|
ED - epidemije |
||||||||||
Napomena: poplave su najopasnije, a mrazevi sigurni.
Primjena metode rang-analize za distribuciju prirodnih katastrofa po vrstama omogućit će proširenje klasifikacije katastrofa, posebno uz uključivanje novih tipova prirodnih katastrofa, au budućnosti i klasa bilo koje vrste antropogenih uticaja.
BIBLIOGRAFIJA:
- Korobkin, V.I. Ekologija: udžbenik za univerzitete / V.I. Korobkin, L.V. Peredelsky. - Rostov na Donu: Izdavačka kuća Phoenix, 2001.- 576 str.
- Mazurkin, P.M. Statistička ekologija / P.M. Mazurkin: Udžbenik. - Yoshkar-Ola: MarGTU, 2004. - 308 str.
- Mazurkin, P.M. Geoekologija: Obrasci savremene prirodne nauke: Naučna ur. / P.M. Mazurkin. - Yoshkar-Ola: MarGTU, 2006. - 336 str.
- Mazurkin, P.M. Statističko modeliranje. Heurističko-matematički pristup / P.M. Mazurkin. - Naučna publikacija. - Yoshkar-Ola: MarGTU, 2001. - 100 str.
- Mazurkin, P.M. Matematičko modeliranje. Identifikacija jednofaktorskih statističkih pravilnosti: Udžbenik / P.M. Mazurkin, A.S. Filonov. - Yoshkar-Ola: MarGTU, 2006. - 292 str.
Bibliografska veza
Mazurkin P.M., Mikhailova S.I. RANGOVANA DISTRIBUCIJA VRSTA PRIRODNIH NEPOGODA // Moderne znanstveno-intenzivne tehnologije. - 2008. - br. 9. - str. 50-53;URL: http://top-technologies.ru/ru/article/view?id=24197 (datum pristupa: 26.12.2019.). Predstavljamo Vam časopise koje izdaje izdavačka kuća "Academy of Natural History"
