СРАВНЕНИЕ АЛГОРИТМОВ ЛОГИЧЕСКОГО ВЫВОДА ДЛЯ ДИАГНОСТИКИ РАДИОТЕХНИЧЕСКИХ УСТРОЙСТВ И СИСТЕМ В СЕМАНТИЧЕСКОЙ СЕТИ

АННОТАЦИЯ

В статье представлены результаты сравнительного анализа алгоритмов логического вывода и архитектурных решений хранения знаний в контексте семантической экспертной системы технической диагностики. Проведено сопоставление байесовского вывода и теории Демпстера–Шафера по ключевым критериям: устойчивость к шуму, обработка противоречий, вычислительная сложность и применимость в реальных сценариях. Эксперименты подтвердили, что байесовский подход эффективен при наличии надёжной статистики (точность 94,2%), тогда как теория Демпстера–Шафера предпочтительна для диагностики сложных и редких отказов с неоднозначными симптомами (точность 91,7% против 83,1% у байесовского метода). Также проведено сравнение систем управления базами данных для хранения онтологий: графовая СУБД Neo4j продемонстрировала наилучшее сочетание производительности, выразительности связей и интеграции с аналитическими инструментами. Пилотная эксплуатация программного комплекса на 95 объектах (5G, VSAT, ЦОД) показала рост точности диагностики до 92,5%, сокращение среднего времени восстановления на 40% и повышение коэффициента готовности инфраструктуры. Особое внимание уделено механизмам самообучения системы на основе обратной связи от инженеров, что обеспечивает непрерывную адаптацию и повышение надёжности диагнозов.

Ключевые слова: семантическая диагностика, байесовский вывод, теория Демпстера–Шафера, графовые базы данных, Neo4j, онтология, самообучение, MTTR, техническая поддержка, 5G, VSAT, серверный кластер.

Введение

Современные интеллектуальные диагностические системы всё чаще опираются на формальные онтологические модели, которые позволяют структурировать экспертные знания и обеспечивать прозрачность логического вывода. Однако выбор алгоритма вывода и платформы хранения знаний оказывает критическое влияние на точность, производительность и практическую применимость системы. Особенно остро этот вопрос стоит в условиях разнородных инфраструктур — от телекоммуникационных сетей до распределённых вычислительных центров, — где характер неисправностей, доступность данных и тип неопределённости существенно различаются.

Целью настоящей работы является сравнительный анализ двух подходов к логическому выводу — вероятностного (байесовского) и теоретико-доверительного (Демпстера–Шафера) — а также оценка эффективности различных СУБД для хранения семантических сетей. На основе результатов анализа был реализован и протестирован программный комплекс, прошедший пилотную эксплуатацию в реальных условиях. В статье представлены количественные и качественные метрики эффективности, а также описан механизм самообучения системы, обеспечивающий её адаптацию к специфике эксплуатируемого оборудования.

Сравнение алгоритмов логического вывода

Для решения диагностических задач использовались два основных метода нечёткого вывода, каждый из которых оптимален в своём классе ситуаций. Результаты экспериментов подтвердили гипотезу:

- для задач с надёжной статистикой байесовский подход показал точность 94,2%;

- для задач с неоднозначными симптомами D–S-подход обеспечил точность 91,7%, в то время как байесовский метод — лишь 83,1%.

Сравнительные характеристики представлены в Таблице 1.

Таблица 1.

Сравнение алгоритмов диагностики

Сравнение архитектурных решений хранения знаний

Онтологическая модель системы требует эффективного представления сложных семантических связей. Были протестированы три подхода к хранению знаний:

1. Neo4j — нативная графовая СУБД с встроенной поддержкой Cypher-запросов;

2. Apache Jena — RDF-платформа с SPARQL-интерфейсом, ориентированная на стандарты Семантической паутины;

3. PostgreSQL с типом JSONB — реляционный подход с частичной поддержкой иерархических данных.

Тестирование на графе из 10 000 узлов показало, что Neo4j обеспечивает наилучшее соотношение производительности и выразительности: время выполнения типовых запросов логического вывода — менее 50 мс, при этом поддержка сложных связей (hasPart, dependsOn, causes) реализована на уровне движка. Jena демонстрирует высокую гибкость онтологии, но уступает в скорости. PostgreSQL с JSONB оказался наименее подходящим из-за отсутствия нативной поддержки семантических связей.

Таблица 2.

Сравнение СУБД для семантической сети

Оценка эффективности и практические результаты

Программный комплекс прошёл пилотную эксплуатацию на 95 объектах:

- 50 базовых станций 5G (крупный оператор связи);

- 30 VSAT-терминалов (спутниковая связь в удалённых регионах);

- 15 серверных кластеров в ЦОД.

Количественные результаты (Таблица 3) показали значительное улучшение ключевых метрик:

Таблица 3.

Основные метрики эффективности

Качественные преимущества:

- Объяснимость: каждый диагноз сопровождается визуализируемой цепочкой логических связей (например: gNodeB → hasPart → CoolingSystem → causes → S5G_HIGH_CPU);

- Адаптивность: за 6 месяцев система снизила вес ошибочных гипотез на 31%;

- Снижение нагрузки: 70% диагностических случаев теперь решаются без участия старшего инженера.

Механизм самообучения реализован в виде замкнутого цикла:

1. Инженер подтверждает или опровергает диагноз;

2. Априорная вероятность соответствующего режима отказа обновляется по формуле Байеса;

3. Корректируется коэффициент доверия к источнику данных (оператор, датчик, протокол).

Пример: после 10 подтверждённых случаев деградации RAID на серверах Dell PowerEdge априорная вероятность этого отказа выросла с 0,05 до 0,22, что позволило системе быстрее выявлять подобные инциденты в будущем.

Заключение

Проведённое исследование подтвердило, что выбор алгоритма логического вывода и платформы хранения знаний должен быть обусловлен характером диагностической задачи. Байесовский подход эффективен для прогнозирования деградации при наличии надёжной статистики, тогда как теория Демпстера–Шафера незаменима при диагностике сложных отказов с неоднозначными симптомами. Графовая СУБД Neo4j продемонстрировала оптимальные характеристики для реализации семантической сети, обеспечивая высокую скорость запросов и естественное представление онтологических связей.

Список литературы:

1. Г. А. Долин, «Схемотехнический анализ, синтез и моделирование радиоустройств в САПР Электра», в сборнике «Системы генерации и обработки сигналов в области бортовых связей», Москва, Россия, 2019, с. 1-6, doi: 10.1109/SOSG.2019.8706814.
2. Г. А. Долин, А. Ю. Кудряшова, «Модифицированные методы схемотехнического моделирования радиоэлектронных устройств во временной области», Синхроинфо Джорнал, т. 6, № 2, 2020, с. 7-11.
3. Фам Ле Куок Хань «Диагностика радиоэлектронных средств при испытаниях на ударные воздействия», диссертация на соискание ученой степени кандидата технических наук, специальность: 05.12.04 – Радиотехника, включая телевизионные системы и устройства, М.: ФГБОУ ВО «МИРЭА – Российский технологический университет», 2021.