Технологическая автоматизация

Методы цифровых технологий

Моделирование и оценка производительности работы защищенных каналов

Рис 3.7 Совмещенный график функции отклика Y(N) и эмпирических данных.

Значения параметра N определяет условия проведения опыта в части используемой сетевой операционной системы сервера, количества удаленных клиентов сети и длины ключа шифрования. Вся необходимая информация для построения графика, представленная на рис. 3.7, приведена в приложении 1.

Рис 3.8 График среднеквадратического отклонения ошибки и корреляцией Y(N) и исходных данных

Значения параметра N определяет условия проведения опыта в части используемой сетевой операционной системы сервера, количества удаленных клиентов сети и длины ключа шифрования. Вся необходимая информация для построения графика, представленная на рис. 3.8, приведена в приложении 1.

Из графика рис 3.7 видно, что функция отклика, полученная с помощью пакета МГУА рис 3.6, схожа с графиком рис 3.5 построенным на основе данных полученных опытным путем. Исходя из этого можно судить об адекватности данной модели в реальных условиях.

Полученная функция отклика (3.11) позволяет производить периодическую адаптацию модели к изменениям в корпоративной сети в зависимости от нагрузки. Позволяет рассчитать производительность защищённого канала при изменении ситуации в корпоративной сети (возрастание трафика, изменение алгоритмов шифрования изменение количества удаленных рабочих станций входящих в корпоративную сеть). Данная функция может быть использована в программном обеспечении для управления защищённым каналом. Например, такое приложение может выполнять динамическую смену алгоритма шифрования на основе предсказанной модели поведения системы. Стоит отметить и то, что функцию можно автоматически адаптировать к среде по мере расширения данных о состоянии канала, так как МГУА позволяет динамически «обучаться» по новым выборкам.

Многомерный регрессионный анализ

Для того чтобы определить значимость зависимых переменных на полученную функцию отклика (3.11) проведем многомерный регрессионный анализ.

Очевидно, что простое поверхностное изучение данных не позволяет обнаружить, какие факторы, рассмотренные на стадии статистического анализа исходной информации, являются существенными, а какие - нет.

Необходимо найти оптимальный вариант модели, отражающий основные закономерности исследуемого явления с достаточной степенью статистической надежности.

В модель должны быть включены все факторы, которые оказывают влияние на зависимую переменную (в нашем случае - количество узлов, операционная система, размер ключа шифрования). При невыполнении этого требования модель может оказаться неадекватной вследствие недоучета существенных факторов.

С другой стороны, количество факторов, включаемых в модель, не должно быть слишком большим. Невыполнение этого требования приводит к необходимости увеличения числа наблюдений, к невозможности использования достаточно сложных зависимостей, к снижению точности оценок, к сложности интерпретации модели и к трудности ее практического использования.

Таким образом, возникает задача уменьшения числа переменных, включаемых в модель, без нарушения исходных предпосылок, т.е. задача понижения размерности модели.

Выделяют два существенных подхода к решению проблемы сокращения количества исходных переменных:

отсеивание менее существенных факторов в процессе построения регрессионной модели;

замена исходного набора переменных меньшим числом эквивалентных факторов, полученных в результате преобразований исходного набора.

Процедура отсева несущественных факторов в процессе построения регрессионной модели и получила название многошагового регрессионного анализа.

Этот метод основан на вычислении нескольких промежуточных уравнений регрессии, в результате анализа которых получают конечную модель, включающую только факторы, оказывающие статистически существенное влияние на исследуемую зависимую переменную. Различные сочетания одних и тех же факторов оказывают разное влияние на зависимую переменную. Вследствие этого появляется необходимость выбора наилучшей модели, т.к. перебирать все возможные варианты сочетания факторов и строить множество уравнений регрессии (количество которых может быть очень велико) просто не имеет смысла. Перейти на страницу: 1 2 3 4 5 6 7 8 9

Другие статьи по теме:

Амплитудная модуляция. Функция Берга Радиотехника - научно-техническая область, задачами которой являются: ) изучения принципов генерации, усиления, излучения и приема электромагнитных колебаний и волн, относящихся к ...

Анализ на безопасность платы ТС2 ЦП ДЦ Минск цифровая схема моделирование интерфейсный Одним из эффективных инструментов проверки безопасности системы (элементов) является физическое и (или) логическое (имитационное) модел ...

Графен в электронике сегодня и завтра Графен был экспериментально обнаружен в 2004 г. двумя английскими учеными российского происхождения - Андреем Геймом и Константином Новосёловым, за что они вскоре получили Нобелевскую п ...