Защита диссертации Мырзатая Али Алтынбайұлы на соискание степени доктора философии (PhD) по специальности «6D070200 - Автоматизация и управление»
В Евразийском национальном университете имени Л.Н. Гумилева состоится защита диссертации на соискание степени доктора философии (PhD) Мырзатая Али Алтынбайұлы на тему «Разработка алгоритма прогнозирования и оптимизации принятия решений в системе ЛВС корпоративной сети» по специальности «6D070200 – Автоматизация и управление».
Диссертация выполнена на кафедре «Системного анализа и управления» Евразийского национального университета имени Л.Н. Гумилева.
Язык защиты - на русском
Официальные рецензенты:
Иманбек Бағлан Талғатқызы - доктор философии(PhD), доцент, Казахский национальный университет имени Аль-Фараби, Доцент (и.о.)
Сугурова Лаура Алхайдаровна - доктор философии(PhD), ассоциированный профессор, Таразский региональный университет имени М.Х.Дулати
Временные члены Диссертационного совета:
Капалова Нурсулу Алдажаровна - кандидат наук
Кожахметова Динара Ошановна - доктор философии(PhD), Университет имени Шакарима города Семей, Декан факультета
Wasan Kadhim Saad - доктор философии(PhD)
Научные консультанты:
Рзаева Лейла Гумметовна – PhD, ТОО «Astana IT University», и.о. директора Департамента интеллектуальных систем и кибербезопасности, ассоциированный профессор (г. Астана, Республика Казахстан).
Стефания Бандини – Миланский университет Бикокка, Профессор департамента компьютерных наук, систем и связи (г. Милан, Италия).
Защита состоится: 13 декабря 2024 года 14:00 часов в Диссертационном совете по направлению подготовки кадров «8D071 – Инженерия и инженерное дело» по специальности «6D070200 – Автоматизация и управление» Евразийского национального университета имени Л.Н. Гумилева. Проведение заседания диссертационного совета в онлайн формате.
Ссылка: https://teams.microsoft.com/l/meetup-join/19%3ae8sitCVDaL5sddkcKQEfLa_-OFywt86lSr2NqddxtqQ1%40thread.tacv2/1730869968015?context=%7b%22Tid%22%3a%225a2fd781-9261-485a-af2b-6171d0efab73%22%2c%22Oid%22%3a%2233d66466-78cc-4bf3-817c-92b97d57eb7b%22%7d
Адрес: Астана қ., Сәтбаев көшесі, 2, №1 ғимарат, Мәжіліс залы (№302 ауд.).
Аннотация (рус.): АННОТАЦИЯ диссертационной работы Мырзатай Али Алтынбайұлы на тему: «Разработка алгоритма прогнозирования и оптимизации принятия решений в системе ЛВС корпоративной сети», представленной на соискание степени доктора философии (PhD) по специальности: 6D070200 «Автоматизация и управление» Актуальность темы. В связи с глобальной информатизацией и развитием информационных технологий, все больше стран модернизируют и производят цифровизацию отрасли и механизмы деятельности для достижения быстрого роста как экономики, так и социума. На данный момент в распоряжении крупных компании находятся огромные массивы данных. Анализируя эти данные, можно найти пути решения некоторых задач. Однако экспертам-аналитикам процедуры анализа сотен и тысяч показателей могут показаться избыточно длительными и трудоёмкими, если вообще осуществимыми. Однако алгоритмы на базе машинного обучения могут справится с поставленными задачами анализа быстро и эффективно. Развитие информационных технологий приводит к расширению локальных сетей предприятий и увеличению сложности их эффективного управления и мониторинга. В этих сетях каждую минуту создаётся масса разнообразных данных, что делает управление сетевой инфраструктурой ЛВС сложной задачей. С учётом того, что сетевая инфраструктура включает в себя множество различных устройств (таких как коммутаторы, серверы, маршрутизаторы, компьютеры) и на каждом из них работает множество приложений, генерирующих большие объёмы данных, алгоритмы машинного обучения могут эффективно прогнозировать потенциальные отказы. Точный прогноз отказов оборудования повысит надёжность, безопасность и экономическую эффективность эксплуатации локальных вычислительных сетей. Машинное обучение и искусственный интеллект уже находят широкое применение в промышленности, позволяя выявлять риски и детали, которые трудно обнаружить с помощью традиционных аналитических методов. Одним из областей применения машинного обучения – анализ данных для последующего прогнозирования. Например, с каждым днём появляются все больше IT-компаний, оказывающих широчайший спектр услуг. Успешная работа таких компаний всегда зависит от эффективного построения внутренней инфраструктуры систем и ЛВС. Однако, чем больше ЛВС, тем больше вероятность, что одна из аппаратных средств ЛВС выйдет из строя. Крупные IT-компаний используют системы мониторинга сетей, чтобы в режиме online контролировать всю транспортную среду ЛВС. Контроль осуществляется с помощью интегрирования в ЛВС множества датчиков и сенсоров, которые собирают огромное количество данных, и группируя, выводятся на экраны в том или ином виде в ситуационных центрах, диспетчерских, ЦОД-ах (центры обработки данных). Однако все эти данные обрабатываются оператором, а не машиной. В связи с этим разработка алгоритма прогнозирования и оптимизации принятия решений в системе ЛВС корпоративной сети на основе машинного обучения является актуальной научной задачей. Цель диссертационного исследования: Целью данного исследования является разработка алгоритма, который обрабатывает входящий поток данных от системы мониторинга локальной вычислительной сети (ЛВС), предоставляя прогнозы потенциальных инцидентов в структуре ЛВС. Это позволяет ускорить процесс и повысить эффективность принятия решений оператором ЛВС, способствуя тем самым более быстрому реагированию на возможные сбои и улучшению общей надежности сетевой инфраструктуры. Задачи исследования: Обзор и сравнительный анализ: Провести всесторонний обзор и сравнительный анализ существующих исследований и методологий в области прогнозирования сбоев в локальных вычислительных сетях (ЛВС), выявляя ключевые направления и недостатки текущих подходов. Корреляционный анализ: Выполнить корреляционный анализ входных параметров системы ЛВС, чтобы определить важные факторы, влияющие на стабильность и эффективность сети. Построение математической модели: Разработать математическую модель алгоритма прогнозирования инцидентов в ЛВС корпоративной сети, учитывая различные сценарии и условия эксплуатации. Разработка моделей на базе ML: Создать и оптимизировать модели машинного обучения (ML) на основе предложенного алгоритма прогнозирования, интегрируя различные техники и подходы для повышения точности и надежности прогнозов. Оптимизация принятия решений: Разработать методику оптимизации процесса принятия решений по внеплановым ремонтным работам в ЛВС, используя данные прогнозов для повышения эффективности и сокращения времени реакции. Апробация и оценка эффективности: Провести апробацию разработанных моделей и алгоритмов на реальных данных системы мониторинга ЛВС, оценивая эффективность и практическую применимость предложенной системы прогнозирования на основе методов машинного обучения. Методы исследования: В данной работе использовались разнообразные методы исследования, включая математическое моделирование, методы оптимизации, алгоритмы машинного обучения, алгоритмы двойного экспоненциального сглаживания (DES). Эти подходы были интегрированы для создания комплексной системы прогнозирования. Дополнительно применялись современные программные инструменты и языковые ресурсы, соответствующие требованиям современных компьютерных технологий. Основные положения, выносимые на защиту: Разработка общей методологии построения модели прогнозирования: была разработана комплексная методология, охватывающая все ключевые этапы создания модели прогнозирования отказов в ЛВС. Эта методология представляет собой систематический подход, начиная от предварительной подготовки данных и заканчивая практической реализацией алгоритмов. Корреляционный анализ для оптимизации параметров: В рамках методологии особое внимание уделяется корреляционному анализу, который позволяет оптимизировать параметры модели, улучшая тем самым точность и надежность прогнозов. Разработка гибридных предиктивных моделей: Основной акцент сделан на разработке гибридных моделей прогнозирования, интегрирующих двойное экспоненциальное сглаживание (DES) с алгоритмами машинного обучения, включая логистическую регрессию (LR), случайный лес (RF), деревья решений (DT) и метод опорных векторов (SVM). Эта интеграция позволяет эффективно обрабатывать как временные ряды, так и проводить глубокий анализ характеристик данных. Оптимизация процесса принятия решений: Включает в себя разработку стратегий и методик для оптимизации процесса принятия решений в контексте внеплановых ремонтных работ в ЛВС, что способствует повышению эффективности и сокращению времени реакции на потенциальные сбои. Универсальность и гибкость методологии: Разработанная методология отличается универсальностью и гибкостью, что позволяет ей адаптироваться к различным условиям эксплуатации корпоративных сетей и отвечать современным требованиям к эффективности и надежности. Описание основных результатов исследования: Исследование показало, что метод DES эффективно прогнозирует тренды различных параметров ЛВС, таких как температура и нагрузка на CPU. Это подтверждается низкими значениями показателей MAPE и RMSE, указывающими на высокую точность прогнозов. После применения DES, обученные модели (ML) классифицировали спрогнозированные данные для определения потенциальных поломок. Например, модель на основе DES-SVM показали точность до 94%, что демонстрирует их эффективность в прогнозировании отказов сетевого оборудования. Сравнение различных моделей ML, интегрированных с DES, выявило, что комбинированные методы DES-DT и DES-RF являются наиболее эффективными с точки зрения времени обучения и точности результатов. Это особенно важно для сценариев, требующих быстрого анализа больших объемов данных. Но несмотря на более низкую точность и большее время обработки, модель DES-SVM демонстрирует высокую устойчивость к переобучению, что является важным аспектом при выборе модели для конкретных задач прогнозирования. Оптимизация принятия решений в ЛВС: Разработанная система позволяет оптимизировать процесс принятия решений в ЛВС, учитывая условные вероятности правильного или неправильного прогнозирования. Это способствует более эффективному управлению ремонтными работами и повышает общую надежность сети. В исследовании были определены условные вероятности правильного прогнозирования и пропуска прогноза, что позволяет оценить риски и оптимизировать процесс принятия решений. Это включает в себя анализ сценариев, таких как обнаружение поломки, пропуск поломки, ложная тревога и корректный прогноз отсутствия поломок. Обоснование новизны и важности полученных результатов: Разработанный алгоритм представляет собой новаторский подход к прогнозированию и оптимизации принятия решений в системе ЛВС корпоративной сети. Использование гибридной модели, сочетающей двойное экспоненциальное сглаживание (DES) с алгоритмами машинного обучения, является решением, позволяющим более точно прогнозировать потенциальные неисправности и оптимизировать процессы управления. Результаты исследования напрямую способствуют повышению надежности и эффективности работы корпоративных ЛВС. Предложенная система позволяет своевременно идентифицировать и предотвращать потенциальные сбои, что снижает риски и убытки, связанные с непредвиденными отказами и простоями. Рассматриваемая методология оптимизации принятия решений на основе прогнозов значительно улучшает процесс управления ремонтными работами в ЛВС. Это обеспечивает более эффективное и экономически оправданное управление ресурсами и временем. Результаты исследования расширяют понимание применения комбинированных методов прогнозирования в области управления корпоративными сетями, представляя значимый вклад в научное сообщество в области автоматизации и управления. Соответствие направлениям развития науки или государственным программам: Диссертационная работа Мырзатая Али Алтынбайұлы в значительной степени соответствует ключевым направлениям развития научных исследований и государственным программам в области информационных технологий, автоматизации и управления. Это исследование вносит вклад в развитие технологий машинного обучения и их применения для повышения эффективности и надежности корпоративных сетевых систем, что является актуальной задачей в современном мире цифровизации и автоматизации. Если конкретизировать, то: • Работа способствует развитию цифровой трансформации и улучшению информационных технологий, особенно в контексте управления корпоративными сетями. Это соответствует глобальным тенденциям в области IT и стратегиям цифровизации. • Исследование направлено на инновации в сфере автоматизации и управления, что соответствует стратегическим целям многих государственных программ, направленных на повышение эффективности производственных и управленческих процессов. • Разработанные методы и алгоритмы направлены на повышение эффективности и надежности корпоративных сетевых систем, что является ключевым аспектом в стратегиях развития многих компаний и организаций. • Результаты исследования были опубликованы в ряде научных журналов, включая те, которые входят в базу Scopus, что свидетельствует о международном признании и значимости проведенных исследований. • Публикации по результатам исследования вносят значительный вклад в научное сообщество, расширяя границы знаний в области применения машинного обучения для прогнозирования и оптимизации в сфере управления корпоративными сетями. Таким образом, диссертационная работа Мырзатай Али Алтынбайұлы тесно соответствует актуальным направлениям развития науки и технологий, а также поддерживает стратегические цели государственных программ в области информационных технологий, автоматизации и управления.
Отзыв зарубежного консультанта
Заключение комиссии по этической оценке исследований
Решение диссертационного совета
Защита диссертации: https://youtu.be/aH8XDrZkZPg
