Методы автоматического построения графов знаний структурно сложных динамических сетей и их применение в области телекоммуникаций тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Куликов Игорь Александрович

• Куликов Игорь Александрович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Куликов Игорь Александрович

Введение

1 Анализ современных моделей и методов ИИ для построения моделей объектов в форме графов знаний

1.1 Цели и задачи построения моделей структурно сложных динамических объектов

1.2 Условия построения моделей структурно сложных динамических объектов

1.3 Возможности построения моделей структурно сложных динамических объектов средствами современного ИИ

1.4 Анализ моделей и методов ИИ для построения моделей объектов в форме графа знаний

1.5 Формулировка проблемы и логическая схема исследования

1.6 Выводы

2 Синтез моделей структурно сложных динамических сетей в форме многоуровневых графов знаний

2.1 Постановка задачи

2.2 Показатели эффективности синтеза моделей структурно сложных динамических сетей

2.3 Процесс синтеза моделей структурно сложных динамических сетей в форме графов знаний

2.4 Одноуровневые и многоуровневые модели структурно сложных динамических сетей

2.5 Операции над графовыми моделями структурно сложных динамических сетей

2.6 Компоненты графа знаний структурно сложной динамической сети

2.7. Связывание графовых моделей структурно сложных динамических сетей

2.8. Представление графовых моделей структурно сложных динамических сетей

2.9 Онтологическая модель графов знаний структурно сложных динамических сетей на примере телекоммуникационной сети

2.10 Выводы

3 Методы индуктивного и дедуктивного синтеза многоуровневого графа знаний структурно сложных динамических сетей

3.1 Метод индуктивного синтеза многоуровневого графа знаний структурно сложных динамических сетей

3.2 Метод дедуктивного синтеза многоуровневого графа знаний структурно сложных динамических сетей

3.3 Вычислительная сложность алгоритмов индуктивного и дедуктивного синтеза

3.4 Методы для решения частных задач прогнозирования состояния ССДС с применением индуктивного и дедуктивного синтеза на примере телекоммуникационной сети

3.5 Выводы

4 Архитектура системы мониторинга ССДС на основе многоуровневого графа знаний

4.1 Архитектура системы мониторинга ССДС на основе многоуровневого графа знаний

4.2 Описание программных компонентов для индуктивного и дедуктивного синтеза многоуровневого графа знаний

4.3 Онтология для системы мониторинга ССДС на основе многоуровневого графа знаний

4.4 Фреймворк для построения и сравнения эталонных многоуровневых и одноуровневых ГЗ ССДС

4.5 Выводы

5 Экспериментальное исследование

5.1 Исследование производительности алгоритмов индуктивного и дедуктивного синтеза в зависимости от размера и структуры модели ССДС

5.2 Исследование производительности SPARQL запросов к модели ССДС в зависимости от числа уровней многоуровневого ГЗ и его размера

5.3 Исследование вычислительной сложности выполнения запросов к одноуровневой и многоуровневой модели ССДС в сравнении с параллельным выполнением SPARQL запросов

5.4 Экспериментальная оценка точности прогнозирования состояния ССДС на основе данных сетевой статистики при наличии априори целевой модели

5.5 Экспериментальная оценка возможности построения прогнозной модели ССДС на основе данных сетевой статистики с учетом контекста функционирования сети при отсутствии априори целевой модели

5.6 Оценка точности прогнозирования состояния ССДС на основе данных сетевой статистики с учетом поведенческих моделей пользователей,

получаемых из лог-файлов сетевых устройств при отсутствии априори целевой модели

5.7 Выводы

Заключение

Словарь терминов

Список использованной литературы

Приложение 1. Экспериментальные оценки вычислительной сложности выполнения SPARQL запросов к многоуровневой модели ССДС в виде графа знаний в зависимости от структуры и размера модели

Приложение 1.1 Распределение элементов модели по уровням

Приложение 1.2 Исследование времени индуктивного и дедуктивного синтеза ГЗ ССДС

Приложение 1.3 Запросы к графу знаний

Приложение 1.4 Результаты исследования производительности SPARQL запросов

Приложение 1.5 Результаты исследования вычислительной сложности выполнения запросов к одноуровневой и многоуровневой модели ССДС в сравнении с параллельным выполнением SPARQL запросов

Приложение 1.6 SPARQL запросы для экспериментальной оценки возможности построения прогнозной модели ССДС на основе данных сетевой статистики с учетом контекста функционирования сети при отсутствии априори целевой модели

Приложение 1.7 SPARQL запросы для экспериментальной оценки точности прогнозирования состояния ССДС на основе данных сетевой статистики с учетом поведенческих моделей пользователей, получаемых из лог-файлов сетевых устройств при отсутствии априори целевой модели

Приложение 2. Акты внедрения

Приложение 3. Свидетельства о регистрации программ для ЭВМ

Введение диссертации (часть автореферата) на тему «Методы автоматического построения графов знаний структурно сложных динамических сетей и их применение в области телекоммуникаций»

Введение

Актуальность темы. В настоящее время системы искусственного интеллекта (ИИ) предоставляют большие возможности для решения широкого круга прикладных задач в предметных областях за счет получения, преобразования и использования знаний. Важность тематики ИИ подтверждается запуском федерального проекта России «Искусственный интеллект» в 2021 году, реализация которого рассчитана до 2030 года. Среди целей федерального проекта обозначены поддержка научных исследований, разработка и развитие ПО, в котором используются технологии ИИ, повышение доступности и качества данных, повышение доступности аппаратного обеспечения, повышение уровня обеспечения российского рынка технологий ИИ квалифицированными кадрами и повышение уровня информированности населения о возможных сферах использования технологий ИИ и создание системы регулирования общественных отношений, возникающих в связи с развитием и использованием технологий ИИ. Одними из основных направлений исследований в области ИИ являются представление знаний и манипулирование знаниями. В рамках направления представления знаний решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальных информационных систем, для чего разрабатываются специальные модели представления знаний (продукционные модели, семантические сети и графы знаний, фреймы, логические модели). В рамках направления манипулирования знаниями решаются задачи создания методов достоверного или правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений, опирающихся на знания и имитирующие особенности человеческих рассуждений, разрабатываются способы пополнения, структуризации, формализации и классификации знаний. Для решения задач направления манипулирования знаниями перспективным является использование знаний, описанных в форме графов знаний. Термин «Граф знаний (Knowledge Graph)» был предложен компанией Google (США) в 2012 году как решение для улучшения своего поискового сервиса в сети Интернет путем учета семантических

связей для терминов из поисковых запросов. Технология ГЗ основана на семантических сетях и является их дальнейшим развитием. Технология ГЗ в настоящее время рассматривается как одна из ключевых для успешной реализации проектов ИИ. Сегодня ГЗ используются при реализации глобальных проектов (wikidata, cambridgesemantics и др.), при построении моделей предприятий, также ГЗ активно применяются для построения моделей в различных предметных областях (медицина, финансы, электронная коммерция, логистика, энергетика и др). Высокая востребованность ГЗ обусловлена их возможностями по представлению и обработке знаний, по построению единых моделей на основе данных и знаний, получаемых из различных источников, а также возможностями выполнения логического вывода и получения новых знаний на основе существующих. Однако, имеющиеся технологии ГЗ позволяют строить модели не для всех классов объектов, в частности, они не обеспечивают возможности построения моделей объектов в форме ГЗ в случае, если моделируемые объекты являются структурно сложными, имеющими многоуровневую структуру, динамическими объектами с большим числом элементов. Это класс объектов, подклассом которого являются структурно сложные динамических сети (ССДС). При моделировании таких объектов предъявляются жесткие требования к времени построения и перестройки моделей и времени выполнения к ним запросов для получения данных. Для того, чтобы модель сложного динамического объекта была актуальна (соответствовала объекту моделирования), требуется как первичное построение модели в форме ГЗ, так и поддержка ее в актуальном состоянии на основе поступающих от объекта данных. Для поддержки модели в актуальном состоянии модель должна перестраиваться целиком или частично при изменении объекта, включая изменение его структуры. Существующие методы построения ГЗ обладают высокой вычислительной сложностью, что не позволяет перестраивать модели по поступающим от объекта данным. Это обусловлено большим числом семантических связей, устанавливаемых между узлами графа, которые образуют сетевую структуру, отражающую взаимосвязи между элементами моделируемого объекта. Перестроение таких структур требует создания многих новых

семантических связей между существующими и добавляемыми элементами, а также может потребовать изменения связей между существующими элементами. Высокая вычислительная сложность выполнения запросов данных к существующим моделям обусловлена тем, что при выполнении запроса требуется рассматривать все связанные элементы модели. В настоящее время на практике проблема высокой вычислительной сложности решается за счет выполнения параллельной обработки данных и увеличения используемых вычислительных мощностей. Решение проблемы вычислительной сложности только за счет наращивания вычислительных ресурсов ограничивает возможности по масштабированию моделей, что в условиях постоянно увеличивающегося числа элементов (например, по данным Института статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ, размеры телекоммуникационных сетей в последние годы растут экспоненциально1), позволяет только отложить проблему, кроме того, использование дополнительных вычислительных средств требует финансовых затрат. Для решения проблемы высокой вычислительной сложности предлагается построение моделей объектов в форме графов знаний с многоуровневой структурой. Для таких моделей снижение вычислительной сложности запросов данных обеспечивается, во-первых, за счет сокращения числа связей, устанавливаемых между ее элементами, во-вторых, возможностью построения запросов данных с учетом структуры графа, что позволяет во многих случаях ограничить число обрабатываемых в запросе элементов модели только интересующими подграфами. Сложность синтеза для многоуровневых моделей снижается за счет возможности его выполнения на многих уровнях, что, как правило, позволяет избегать необходимости синтезировать модель целиком. Переход к многоуровневым моделям позволяет также снизить сложность масштабирования моделей, так как добавление одного и того же числа элементов в многоуровневую (без изменения числа уровней) и в одноуровневую структуру требует создания соответственно на 20-30% меньшего числа элементов в ГЗ. Кроме

1 https://issek.hse.ru/news/1048078339.html

того, при усложнении объекта моделирования, возможно увеличение числа уровней в модели, что приводит к сокращению времени выполнения запросов. Временная сложность выборки базового графового паттерна при выполнении SPARQL запросов - 0(п), где n - общее число RDF триплетов в графе знаний для одноуровневого графа знаний и соответственно О (щ) - для многоуровневого ГЗ, где щ - число элементов модели на уровне l, на котором могут быть получены необходимые данные и выше. Временная сложность дедуктивного синтеза составляет 0(п2), где n - общее число RDF триплетов в графе знаний для одноуровневого графа знаний и 0(п2), где щ - число элементов модели на уровне l, на котором выполнен синтез и выше для многоуровневого ГЗ. С учетом этого, актуальной является задача разработки новых решений, развивающих существующий аппарат ИИ, которые учитывают многоуровневую структуру моделируемых ССДС и формируют многоуровневые ГЗ, что позволят строить и применять графы знаний ССДС на практике с использованием имеющихся вычислительных ресурсов.

Степень разработанности темы. Предпосылки к появлению понятия «Искусственный интеллект» впервые появились в работе Бертран Рассела и А.Н. Уайтхеда, дальнейшее развитие идея получила благодаря У. Мак-Каллоку и У. Питтсу. Само понятие искусственного интеллекта было введено Дж. Маккарти, М. Минским и Ф. Розенблаттом, его развитием занимались, в разное время, Д. Хебб, Ф. Бэккон. ССДС является сложным объектом моделирования в виду их распределенной иерархической структуры, большого числа элементов и связей между ними, изменению структуры во времени. Сложные объекты и их основные характеристики исследовались учеными Перегудовым Ф. И., Тарасенко Ф. П., Емельяновым С.В., Шрейдером Ю.А и Шаровым А.А. Активное развитие теории моделирования объектов началось в 19—20 вв., большую методологическую роль в этом сыграли работы Кельвина, Дж. Максвелла, Ф. А. Кекуле, А. М. Бутлерова. Существенное развитие теория моделирования сложных объектов за счет построения полимодельных комплексов получила в трудах Юсупова Р.М., Соколова Б.В. , Микони С.В. В последнее время для построения моделей сложных

объектов активно используются технологии ИИ, что обусловлено их возможностями описывать сложные объекты в форме связанных знаний об объектах в машиночитаемом виде. Понятие графа знаний появилось на фоне развития семантических сетей ( Ричард Риченс, Роберт Симмонс, Г. Паульхейм, М. Фарбер). Термин «граф знаний» в 2012 году был представлен компанией Google, их решение было основано на данных DBpedia и Freebase и ряде других источников. Позже в него был включен RDF, Microdata и JSON-LD контент, извлеченный из индексированных веб-страниц, включая CIA World Factbook, Wikidata и Wikipedia. Типы сущностей и отношений, связанные с этим графом знаний, были размечены с использованием словаря schema.org. Google Knowledge Graph стал успешным дополнением при поиске на основе строк в поисковой системе Google, и его популярность в Интернете сделала этот термин более распространенным. Одним из основных применений технологии ГЗ является построение моделей (цифровых двойников) сложных технических объектов. При построении модели последовательно выполняются шаги по созданию структуры ГЗ, наполнению графа данных фактами (знаниями), исправление ошибок в ГЗ, получение данных из ГЗ сторонними потребителями через запросы к ним и логический вывод (получение новых знаний на основе знаний в графе). Синтез структуры может быть как результатом ее проектирования человеком, так и автоматизированной. Среди методов автоматизированного синтеза структуры ГЗ следует выделить методы, основанные на извлечении правил и алгоритмах машинного обучения (Дж. Леман, К. Донг, Н. Варику, Н. Панаям). Наполнение графа знаниями также может производиться в ручном или автоматическом режимах, для чего развиваются такие методы как методы идентификации сущностей и извлечения данных, предназначеные для автоматизированного анализа произвольных текстов, размеченных текстов и анализа структурированных данных (Д. Наду, С. Секин, Г. Ву, Ю. Хе, В. Ху, Р. Хоффман, Е. Ферра, П. Мео, М. Кафарелла, А. Халеви). С точки зрения исправления ошибок обычно речь идет о поиске и устранении дубликатов знаний в графе, для чего хорошо проработаны методы устранения неоднозначности сущностей (Г. Пападакис, М. Хернандес, А.

Маккалум, В. Кохен, Л. Гравано, С. Чаудхури, Л. Бакстер, М. Кейжривал, Б. Рамадан, И. Фелегги, М. Биленко, М. Кочинвала) и вероятностные методы поиска дубликатов (К. Донг, С. Ауэр, Б. Пенг, Дж. Леман, С. Джианг, З. Ксу, М. Никел, А. Карлсон, А. Мирза, Ф. Суханек, Д. Хаккани-Тюр). ГЗ со сформированной структурой и наполненный знаниями с этого момента готов к своему использованию. Данные из графа могут быть получены как непосредственного в символьном формате с использованием языка запросов, таких как SPARQL или Cipher, так и с использованием методов машинного обучения, таких как классификация и кластеризация узлов и связей ГЗ в векторном формате. Для этого используются методы эмбединга (преобразования символьных данных ГЗ в векторный формат), которые представлены методами на основе тензорной факторизации (Ю. Тай, С. Каземи, Т. Лакруа, М. Никел, Т. Франц, Л. Драмонд), геометрическими методами эмбединга (А. Бордес, З. Ванг, Ю. Лин, Г. Джи, Р. Сохер, Р. Дженаттон, М. Никел).

Несмотря на то, что в последние годы в области синтеза моделей объектов на основе графов знаний получены значительные результаты, все они не лишены серьезных ограничений. Ограничениями являются: необходимость обучения моделей (при использовании методов машинного обучения и нейронных сетей), что ограничивает возможности их использования при построении моделей динамических объектов, таких как ССДС ввиду невозможности формирования обучающих выборок в условиях постоянного изменения объекта моделирования; высокая сложность моделирования, обусловленная сложностью самого объекта моделирования, необходимость значительного участия человека в процессе моделирования; существующие модели в форме ГЗ не отражают многоуровневую структуру ССДС, что приводит к необходимости рассматривать все элементы при работе с моделями.

Таким образом, можно утверждать, что уровень развития методов синтеза моделей ССДС в форме ГЗ во многом не удовлетворяет современные потребности практики.

Имеет место актуальная научная задача разработки многоуровневых графов знаний ССДС и методов их синтеза, обеспечивающих за счет сниженной вычислительной сложности возможность построения моделей сетей с динамической структурой и выполнения запросов к ним при решении прикладных задач.

Цель работы: разработка новых методов построения моделей структурно сложных динамических сетей в форме многоуровневых графов знаний, которые за счет снижения вычислительной сложности построения моделей и повышения скорости запроса данных позволяют использовать такие семантические модели ССДС на практике.

Для достижения поставленной цели были решены следующие научные задачи:

1. Анализ существующих моделей ССДС, методов и средств их синтеза.

2. Разработка многоуровневых графов знаний ССДС, как моделей структурно сложных динамических сетей, в которых объединены существующие графовые модели компонентов ССДС, статистические и оперативные данные о сетях, обеспечивающей снижение вычислительной сложности выполнения запросов данных.

3. Разработка метода индуктивного синтеза многоуровневых графов знаний ССДС на основе многоуровневого связывания элементов существующих графовых моделей сетей между собой, а также со статистическими данными о сетях и поступающими от них оперативными данными.

4. Разработка метода дедуктивного синтеза многоуровневых графов знаний ССДС с применением методов многоуровневого прямого и обратного логического вывода, обеспечивающего снижение вычислительной сложности построения и перестройки моделей за счет возможности выполнения синтеза на разных уровнях модели.

5. Разработка архитектуры системы мониторинга ССДС на основе многоуровневого ГЗ, в частности, архитектуры систем мониторинга телекоммуникационных сетей.

6. Разработка фреймворка для построения и сравнения эталонных многоуровневых и одноуровневых ГЗ ССДС с различными параметрами, анализа времени индуктивного и дедуктивного синтеза моделей различного размера и с различной структурой и исследования времени выполнения запросов к построенным моделям.

7. Апробация моделей и методов синтеза многоуровневых графов знаний в области телекоммуникаций.

Объект исследования: одноуровневые и многоуровневые графы знаний, как модели структурно сложных динамических сетей.

Предмет исследования: методы и модели синтеза многоуровневых графов знаний структурно сложных динамических сетей со сниженной вычислительной сложностью и их применение.

Методы исследования. Для решения задач диссертационного исследования использованы методы и модели синтеза моделей объектов, процессов и программ, построения сложных систем, системного анализа, математического моделирования, искусственного интеллекта, адаптивной обработки данных, математической статистики, инженерии знаний, методологии проектирования, разработки и сопровождения информационных систем.

Научная новизна. Научная новизна полученных в диссертационной работе результатов состоит в следующем.

1. Разработана новая модель ССДС в форме графа знаний, которая, в отличии от существующих, имеет многоуровневую структуру и объединяет существующие статические графовые модели ССДС, а также включает статистические данные о сетях и поступающие от них оперативные данные,

что позволяет за счет многоуровневой структуры снизить вычислительную сложность выполнения запросов пользователей к модели на получение данных о ССДС и при этом обеспечить использование различных данных из многих имеющихся источников. (п. 17. Исследования в области многослойных алгоритмических конструкций, в том числе - многослойных нейросетей. п 16. Исследования в области специальных методов оптимизации, проблем сложность и элиминации перебора, снижения размерности.)

2. Разработан новый метод индуктивного синтеза многоуровневых графов знаний ССДС, позволяющий приобретать знания из разнородных исходных данных и использовать их при решении практических задач, требующих построения моделей ССДС, который, в отличии от существующих, выполняет многоуровневое связывание элементов существующих графовых моделей между собой и со статистическими и оперативными данными сетей. (п. 5. Методы и технологии поиска, приобретения и использования знаний и закономерностей, в том числе - эмпирических, в системах искусственного интеллекта. Исследования в области совместного применения методов машинного обучения и классического математического моделирования. Методы и средства использования экспертных знаний.)

3. Разработан новый метод дедуктивного синтеза многоуровневых графов знаний ССДС, который, в отличие от существующих, выполняет построение моделей сетей для заданных моментов времени путем доказательства их существования с применением многоуровневого прямого и обратного логического вывода, что позволяет за счет выполнения поуровневого доказательства снизить вычислительную сложность синтеза. (п. 3. Методы и алгоритмы моделирования мыслительных процессов: рассуждений, аргументации, распознавания и классификации, формирования понятий. Исследования в области нейроморфных методов анализа данных, имитационное моделирование строения и функций мозга, в том числе - и с

использованием методов машинного обучения. Нейроинформатика и методы моделирования биологических нервных систем.)

4. Разработана новая архитектура системы мониторинга ССДС на основе ГЗ, взаимодействующая с существующими системами для получения данных о ССДС, которая, в отличие от существующих, использует модель сети в форме многоуровневого ГЗ, что позволяет решать задачи мониторинга ССДС и другие практические задачи. На основе предложенной архитектуры разработана архитектура системы мониторинга для телекоммуникационных сетей. (п. 7. Разработка специализированного математического, алгоритмического и программного обеспечения систем искусственного интеллекта и машинного обучения. Методы и средства взаимодействия систем искусственного интеллекта с другими системами и человеком-оператором.)

5. Разработан новый оригинальный фреймворк для построения и сравнения эталонных многоуровневых и одноуровневых ГЗ ССДС с различными параметрами, анализа времени индуктивного и дедуктивного синтеза моделей различного размера и с различной структурой и исследования времени выполнения запросов к построенным моделям, который позволяет оценивать эффективность процессов синтеза ГЗ и эффективность синтезированных структур. (п. 2. Исследования в области оценки качества и эффективности алгоритмических и программных решений для систем искусственного интеллекта и машинного обучения. Методики сравнения и выбора алгоритмических и программных решений при многих критериях.)

Практическая ценность работы заключается в следующем:

1. Разработаны программы для ЭВМ на языке Python, реализующие методы индуктивного и дедуктивного синтеза многоуровневых ГЗ ССДС;

2. Разработан фреймворк для построения и сравнения моделей многоуровневых и одноуровневых ГЗ ССДС, анализа времени синтеза

моделей и исследования времени выполнения запросов к построенным моделям;

3. Разработана архитектура многоуровневого графа знаний ССДС для телекоммуникационной сети оператора кабельного ТВ;

4. Проведена модернизация системы работы с инцидентами крупного оператора кабельного ТВ, обеспечившая возможность предоставлять операторам поддержки дополнительную информацию о сети из модели в форме графа знаний.

Положения, выносимые на защиту:

1. 1. Многоуровневая модель ССДС в форме графа знаний, отражающая структуру сетей и построенная на основе существующих моделей сетей, статических и динамических данных о сетях, обеспечивающая снижение вычислительной сложности выполнения запросов данных относительно существующих одноуровневых моделей.

2. Метод индуктивного синтеза многоуровневого графа знаний ССДС, основанный на многоуровневом связывании элементов моделей между собой, обеспечивающий построение, полную или частичную перестройку модели ССДС в форме многоуровневого графа знаний.

3. Метод дедуктивного синтеза многоуровневого графа знаний ССДС, основанный на прямом и обратном многоуровневом логическом выводе, обеспечивающий сниженную вычислительную сложность построения и перестройки моделей за счет возможности выполнения синтеза на разных уровнях модели.

4. Архитектура системы мониторинга ССДС на основе многоуровневого графа знаний, в частности архитектура системы мониторинга телекоммуникационной сети, использующая многоуровневую модель ССДС в

форме графа знаний, которая поддерживается в актуальном состоянии за счет применения методов индуктивного и дедуктивного синтеза.

5. Новый фреймворк для построения и сравнения эталонных многоуровневых и одноуровневых ГЗ ССДС позволяет строить и сравнивать одноуровневые и многоуровневые модели ССДС в форме ГЗ с разными размерами и структурами с точки зрения сложности построения и перестройки моделей, а также времени выполнения запросов на получение данных.

Достоверность результатов исследования.

Достоверность основных теоретических результатов обеспечивается за счет того, что ГЗ ССДС строится на основе существующих графовых моделей ССДС и их компонентов путем их логического связывания. Разработанные методы синтеза опираются на методы многоуровневого индуктивного и дедуктивного синтеза моделей объектов и систем, что обеспечивает отсутствие искажений информации о наблюдаемых ССДС при синтезе их моделей. Достоверность и обоснованность представленных в диссертационной работе результатов исследования подтверждается согласованностью теоретических результатов и результатов, полученных при компьютерном моделировании, а также результатами опытной эксплуатации оператором кабельного телевидения. Кроме того, достоверность подтверждается апробацией основных теоретических положений в печатных трудах в журналах и докладах на научных конференциях.

Внедрение результатов работы. Результаты диссертационного исследования внедрены:

• При разработке программного продукта для оператора кабельного ТВ Charter Inc, проводимой компанией Zodiac Interactive;

• В учебном процессе ВУЗов ЛЭТИ и ИТМО;

• При разработке программных продуктов для ООО «ОМК» и ООО «Зеттабайт Технологии».

Внедрение результатов диссертационной работы подтверждено актами.

Апробация работы. Результаты апробированы автором на 8 международных, национальных и региональных научных конференциях.

Публикации. По теме диссертации опубликовано 5 статьи в журналах, рекомендованных ВАК РФ, 10 статей в изданиях, индексируемых в SCOPUS и Web of Science, 2 программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, 5 глав, заключения, списка использованной литературы и приложений. Общий объем работы составляет 221 страниц, в том числе 86 источника литературы.

1 Анализ современных моделей и методов ИИ для построения моделей объектов в форме графов знаний

1.1 Цели и задачи построения моделей структурно сложных динамических объектов

К объектам моделирования относится все то, что составляет внутренний и внешний (окружающую среду) мир субъекта, а также процессы самопознания (рефлексию) [88]. Примерами объектов моделирования являются физические объекты и процессы, природные явления, взаимодействие людей в различных социумах, созданные человеком искусственные системы, включая информационные системы, предприятия и пр. Понятие сложный объект используется для того, чтобы подчеркнуть отличие того или иного объекта от более простого. «При введении понятия сложный объект (система) наиболее распространенным является вербальный подход, сопровождаемый введением тех или иных описательных положений, с помощью которых обосновывается принадлежность объекта к различным по сложности классам. Таким образом, объект называется сложным с гносеологических позиций, если его познание требует совместного привлечения многих моделей, многих теорий, а в некоторых случаях - и многих научных дисциплин (междисциплинарного исследования), и реализации в модельных представлениях установки на глубокий учет

неопределенностей вероятностного и не вероятностного характера». [88]. Принято различать следующие виды сложности:

• структурная сложность, определяемая на основе числа элементов объекта, числа и разнообразия связей между ними, количеству иерархических уровней и общему числу подсистем в его составе;

Список литературы диссертационного исследования кандидат наук Куликов Игорь Александрович, 2026 год

Список использованной литературы

1. SPARQL 1.1 Overview. W3C Recommendation 21.03.2013. [Электронный ресурс]. - Режим доступа: https://www.w3.org/TR/2013/REC-sparql11-overview-20130321/ (дата обращения 12.08.2022).

2. Hogan Aidan, Blomqvist Eva, Cochez Michael, d'Amato Claudia, de Melo Gerard, Gutierrez Claudio, Kirrane Sabrina, Labra Gayo Jose, Navigli Roberto, Neumaier

Sebastian, Ngonga Ngomo Axel-Cyrille, Polleres Axel, Rashid Sabbir, Rula Anisa, Schmelzeisen Lukas, Sequeda Juan, Staab Steffen, Zimmermann Antoine. (2021). Knowledge Graphs // ACM Computing Surveys. 54. 1-37. doi:10.1145/3447772.

3. Resource Description Framework (RDF). [Электронный ресурс]. - Режим доступа: https://www.w3.org/RDF/ (дата обращения 12.08.2022).

4. K. Krinkin, A. Vodyaho, I. Kulikov and N. Zhukova, Models of Telecommunications Network Monitoring Based on Knowledge Graphs // 9th Mediterranean Conference on Embedded Computing (MECO), Budva, Montenegro, 2020, cc. 1-7, doi: 10.1109/MECO49872.2020.9134148.

5. Khalid Mahmood Malik, Madan Krishnamurthy, Mazen Alobaidi, Maqbool Hussain, Fakhare Alam, Ghaus Malik, Automated domain-specific healthcare knowledge graph curation framework: Subarachnoid hemorrhage as phenotype // Expert Systems with Applications, Volume 145, 2020, 113120, 113120, ISSN 0957-4174, doi:10.1016/j.eswa.2019.113120.

6. Hoang Long Nguyen, Jason J. Jung, Social event decomposition for constructing knowledge graph // Future Generation Computer Systems, Volume 100, 2019, Pages 10-18, ISSN 0167-739X, https://doi.org/10.1016/jiuture.2019.05.016.

7. Silvio Domingos Cardoso, Marcos Da Silveira, Cedric Pruski, Construction and exploitation of an historical knowledge graph to deal with the evolution of ontologies // Knowledge-Based Systems, Volume 194, 2020, 105508, ISSN 0950-7051, doi:10.1016/j.knosys.2020.105508.

8. Danilo Dessi, Francesco Osborne, Diego Reforgiato Recupero, Davide Buscaldi, Enrico Motta, Generating knowledge graphs by employing Natural Language Processing and Machine Learning techniques within the scholarly domain // Future Generation Computer Systems, Volume 116, 2021, Pages 253-264, ISSN 0167-739X, doi:10.1016/j.future.2020.10.026.

9. Jose L. Martinez-Rodriguez, Ivan Lopez-Arevalo, Ana B. Rios-Alvarado, OpenIE-based approach for Knowledge Graph construction from text // Expert Systems with Applications, Volume 113, 2018, CC. 339-355, ISSN 0957-4174, doi:10.1016/j.eswa.2018.07.017.

10. David Nadeau and Satoshi Sekine. A survey of named entity recognition and classification // Lingvisticae Investigationes 30, 1 (2007), 3-26.

11. Gong-Qing Wu, Ying He, and Xuegang Hu. Entity Linking: An Issue to Extract Corresponding Entity With Knowledge Base // IEEE Access 6 (2018), 62206231.

12. Nguyen Bach and Sameer Badaskar. A Review of Relation Extraction. Technical Report. // Carnegie Mellon University.

13. Emilio Ferrara, Pasquale De Meo, Giacomo Fiumara, and Robert Baumgartner. 2014. Web data extraction, applications, and techniques: A survey. // Knowledge-based Systems 70 (2014), 301-323.

14. Michael J. Cafarella, Alon Y. Halevy, Daisy Zhe Wang, Eugene Wu, and Yang Zhang. WebTables: exploring the power of tables on the web. // Proceedings of the VLDB Endowment 1, 1 (2008), 538-549.

15. Jayant Madhavan, David Ko, Lucja Kot, Vignesh Ganapathy, Alex Rasmussen, and Alon Y. Halevy. Google's Deep Web crawl. // Proceedings of the VLDB Endowment 1, 2 (2008), 1241-1252.

16. Ji, S., Pan, S., Cambria, E., Marttinen, P., & Yu, P. S. A Survey on Knowledge Graphs: Representation, Acquisition, and Applications. // In IEEE Transactions on Neural Networks and Learning Systems (Vol. 33, Issue 2, pp. 494-514). Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/tnnls.2021.3070843

17. J. Leblay and M. W. Chekol. Deriving validity time in knowledge graph // in WWW, 2018, pp. 1771-1776

18. D. T. Wijaya, N. Nakashole, and T. M. Mitchell. CTPs: Contextual temporal profiles for time scoping facts using state change detection // in EMNLP, 2014, pp. 19301936.

19. T. Jiang, T. Liu, T. Ge, L. Sha, B. Chang, S. Li, and Z. Sui. Towards time-aware knowledge graph completion // in COLING, 2016, pp. 1715-1724.

20. T. Jiang, T. Liu, T. Ge, L. Sha, S. Li, B. Chang, and Z. Sui. Encoding temporal information for time-aware link prediction // in EMNLP, 2016, pp. 2350-2354.

21. M. W. Chekol, G. Pirro, J. Schoenfisch, and H. Stuckenschmidt. Marrying uncertainty and time in knowledge graphs // in AAAI, 2017, pp. 88-94.

22. P. G. Omran, K. Wang, and Z. Wang. An embedding-based approach to rule learning in knowledge graphs // IEEE TKDE, pp. 1-12, 2019.

23. Frey, J., Müller, K., Hellmann, S., Rahm, E., & Vidal, M.E. Evaluation of metadata representations in RDF stores // In A.C. Ngonga Ngomo, I. Fundulaki, A. Krithara, A.C. Ngonga Ngomo, I. Fundulaki, & A. Krithara (Eds.), Semantic Web (Vol. 10, Issue 2, pp. 205-229). IOS Press. doi:10.3233/sw-180307

24. Bizer, Christian & Schultz, Andreas. (2009). The Berlin SPARQL benchmark // Int. J. Semantic Web Inf. Syst.. 5. 1-24. doi:10.4018/jswis.2009040101

25. Kirill Krinkin, Alexander Vodyaho, Igor Kulikov, and Nataly Zhukova. Method of Multilevel Adaptive Synthesis of Monitoring Object Knowledge Graphs // Applied Sciences 11, no. 14: 6251. doi:10.3390/app11146251

26. Krinkin, K., Vodyaho, A. I., Kulikov, I., & Zhukova, N. Deductive Synthesis of Networks Hierarchical Knowledge Graphs // International Journal of Embedded and Real-Time Communication Systems (IJERTCS), 12(3), 32-48. doi:10.4018/IJERTCS.2021070103

27.Resource Description Framework (RDF) Model and Syntax Specification [Электронный ресурс]. - Режим доступа: https://www.w3.org/1998/10/WD-rdf-syntax-19981008/

28.Radoslav Yoshinov, Igor Kulikov, Nataly Zhukova, Methods of Composing Hierarchical Knowledge Graphs of Telecommunication Networks // Problems of Engineering Cybernetics and Robotics, Bulgarian Academy of Science, 2020, Vol. 72, pp. 69-78, doi: 10.7546/PECR.72.20.07

29. Xiuquan Qiao, Xiaofeng Li and Junliang Chen. Telecommunica-tions Service Domain Ontology: Semantic Interoperation Foundation of Intelligent Integrated Services, Telecommunications Networks - Current Status and Future Trends // Jesus Hamilton Ortiz, IntechOpen, doi: 10.5772/36794

30. Qiao Xiuquan, Li Xiaofeng, Fensel Anna and Su Fang. Applying semantics to Parlay-based services for telecommunication and Internet networks // Open Computer Sci-ence, vol. 1, no. 4, 2011, pp. 406-429. doi:10.2478/s13537-011-0029-6

31. Zhou Q., Gray A.J.G., McLaughlin S. ToCo: An Ontology for Representing Hybrid Telecommunication Networks // In: Hitzler P. et al. (eds), The Semantic Web. ESWC 2019. Lecture Notes in Computer Science, vol 11503. Springer, Cham. doi:10.1007/978-3-030-21348-0_33

32.Basic Geo (WGS84 lat/long) Vocabulary [Электронный ресурс]. - Режим доступа: https://www.w3.org/2003/01/geo/

33.Friend of a Friend (FOAF) ontology [Электронный ресурс]. - Режим доступа: http://xmlns .com/foaf/spec/

34. Ontology of units of Measure (OM) [Электронный ресурс]. - Режим доступа: http://purl.oclc.org/net/unis/ontology/sensordata.owl

35.Units of measurement ontology (UO) [Электронный ресурс]. - Режим доступа: http://purl.obolibrary.org/obo/uo.owl

36.Kulikov I., Vodyaho A., Stankova E., Zhukova N. Ontology for Knowledge Graphs of Telecommunication Network Monitoring Systems // In: Gervasi O. et al. (eds) Computational Science and Its Applications - ICCSA 2021. ICCSA 2021. Lecture Notes in Computer Science, vol 12956. Springer, Cham. doi:10.1007/978-3-030-87010-2_32

37. Онтология TNMO [Электронный ресурс]. - Режим доступа: https://github. com/kulikovia/ICCSA-2021

38. Joshi, M., & Hadi, T. H. A Review of Network Traffic Analysis and Prediction Techniques (Version 2) // arXiv. doi:10.48550/ARXIV.1507.05722

39.N. K. Hoong, P. K. Hoong, I. K.T. Tan, N.M Muthuvelu, L. C. Seng, Impact of Utilizing Forecasted Network Traffic for Data Transfers // IEEE, 2011, 978-1-42448830-8.

40. Y.Yu, M. Song, Z. Ren, l. Song, Network Traffic Analysis and Prediction Based on APM // IEEE, 2011, 978-1-4577-0208-2/11.

41.N.Sadek, A. Khotanzad, Multi-scale High Speed Network Traffic Prediction Using K-Factor Gengendaue ARMA Model // IEEE, 2004, 2148-2152

42. C Park, D-M Woo, Prediction of Network Traffic by Using Dynamic Bilinear Recurrent Neural Network // IEEE, 2009, 978-0-7695-3736-8.

43.N.CAnand,C. ScoglioS, B. Natarajan, GARCH Non-Linear Time Series Model for Traffic Modeling and Prediction // IEEE, 2008, 978-1-4244-2065-0.

44.E. S. Yu, C.Y.R.Chen, Traffic Prediction Using Neural Networks // IEEE, 1993, 07803-0917-0.

45. S.M.A Burney, S. Raza, Monte Carlo Simulation and Prediction of internet load using conditional mean and conditional variance model // ICCS-IX, 2007.

46.D. Zeng, J. Xu1, J. Gu , L.Liu , G. Xu, Short Term Traffic Flow Prediction Using Hybrid ARIMA and ANN model // IEEE, 2008, 978-0-7695-3342-1.

47.B. Zhou,D. He, Z. Sun, Traffic predictable based on ARIMA/GARCH Model // IEEE, 2006, 0-7803-9455-0.

48. C.Guang, G.Jian, D.Wei. A Time series Decomposed Model of Network Traffic // Springer, 2005, 338-345.

49.K. Krinkin, I. Kulikov, A. Vodyaho and N. Zhukova. Prediction of Telecommunication Network State Based on Knowledge Graphs // 28th Conference of Open Innovations Association (FRUCT), Moscow, Russia, 2021, pp. 200-207, doi: 10.23919/FRUCT50888.2021.9347588.

50.Basu Sabyasachi, Mukherjee Amarnath, Klivansky Steven M. Time Series Models for Internet Traffic [Электронный ресурс]. - Режим доступа: http://hdl.handle.net/1853/6696

51.Kulikov I., Wohlgenannt G., Shichkina Y., Zhukova N. An Analytical Computing Infrastructure for Monitoring Dynamic Networks Based on Knowledge Graphs. // In: Gervasi O. et al. (eds) Computational Science and Its Applications - ICCSA 2020. ICCSA 2020. Lecture Notes in Computer Science, vol 12254. Springer, Cham. doi:10.1007/978-3-030-58817-5_15

52.K. Krinkin, I. Kulikov, A. Vodyaho and N. Zhukova. Architecture of a Telecommunications Network Monitoring System Based on a Knowledge Graph //

2020 26th Conference of Open Innovations Association (FRUCT), Yaroslavl, Russia, 2020, pp. 231-239, doi: 10.23919/FRUCT48808.2020.9087429

53. Anton Chuvakin, Kevin Schmidt, Chris Phillips, Chapter 15 - Tools for Log Analysis and Collection, Editor(s): Anton Chuvakin, Kevin Schmidt, Chris Phillips, Logging and Log Management // Syngress, 2013, Pages 243-266, ISBN 9781597496353, doi:10.1016/B978-1-59-749635-3.00015-4 [Электронный ресурс]. - Режим доступа: http://www.sciencedirect.com/science/article/pii/B9781597496353000154

54.A. V. Smirnov, M. P. Pashkin, N. G. Shilov, T. V. Levashova, A. M. Kashevnik, Context-aware decision support in dis-tributed information environment // Informatsionnye Tekhnologii i Vychslitel'nye Sistemy, 2009, no. 1, 38-48

55. RDF Schema 1.1 [Электронный ресурс]. - Режим доступа: https://www.w3.org/TR/rdf-schema/

56. Web Ontology Language (OWL) [Электронный ресурс]. - Режим доступа: https://www.w3.org/OWL/

57. J. Lin, W. Lei, S. Bai and L. Li, The Implementation of Fast Channel Switching in IPTV // 2009 Second International Conference on Intelligent Computation Technology and Automation, 2009, pp. 684-688, doi: 10.1109/ICICTA.2009.879.

58. Splunk [Электронный ресурс]. - Режим доступа: https://www.splunk.com/

59. Sumo logic [Электронный ресурс]. - Режим доступа: https://www.sumologic.com/

60. Graylog [Электронный ресурс]. - Режим доступа: https://www.graylog.org/

61.N. A. Zhukova, I. A. Kulikov and N. Y. Utkin, The Method for Searching Patterns In Log Files of Telecommunication Devices for Monitoring their State // 2021 XXIV International Conference on Soft Computing and Measurements (SCM), 2021, pp. 124-126, doi: 10.1109/SCM52931.2021.9507157.

62.Logstash [Электронный ресурс]. - Режим доступа: https://www.elastic.co/logstash

63. S. Uchitel, G. Brunet and M. Chechik, Behaviour Model Synthesis from Properties and Scenarios // 29th International Conference on Software Engineering (ICSE'07), 2007, pp. 34-43, doi: 10.1109/ICSE.2007.21.

64. Edmund Wong, Network Monitoring Fundamentals and Standards, 2000 [Электронный ресурс]. - Режим доступа: https://www.cse.wustl.edu/~jain/cis788-97/ftp/net_monitoring/index.html

65. William Stallings "SNMP, SNMPv2, and RMON Practical Network Management, Second Edition" // Addison-Wesley Professional Computing and Engineering 1996.

66. Shamsi, Jawwad & Brocmeyer, Monica. Principles of Network Monitoring, 2009, doi: 10.1142/9789812839442_0015

67. The Future of Cable TV: Trends and Implications Year: 2018 [Электронный ресурс]. - Режим доступа: http://handle.itu.int/11.1002/pub/81216af5-en

68. Графовые сетевые модели [Электронный ресурс]. - Режим доступа: https://docs.oracle.com/database/121/TOPOL/network-data-model-graph-overview.htm#TOPOL700

69. Sudip Saha, Mahantesh Halappanavar, Anil Vullikanti. Identifying Vulnerabilities and Hardening Attack Graphs for Networked Systems, Virgina Tech, 2014, [Электронный ресурс]. - Режим доступа: http://staff.vbi.vt.edu/ssaha/papers/attackgraph_dag.pdf

70.Lipton, Richard J.; Snyder, Lawrence, A Linear Time Algorithm for Deciding Subject Security // Journal of the ACM, 1977, 24 (3): 455-464. CiteSeerX 10.1.1.149.4807. doi:10.1145/322017.322025

71.Dbpedia [Электронный ресурс]. - Режим доступа: http://wiki.dbpedia.org/

72. Google Knowledge Graph [Электронный ресурс]. - Режим доступа: http://googleblog.blogspot.com/2012/05/introducing-knowledge-graph-things-not.html

73. YAGO [Электронный ресурс]. - Режим доступа: http://mpi-inf.mpg.de/departments/databases-and-information-systems/research/yago-naga/yago/

74.Never-Ending Language Learner (NELL) [Электронный ресурс]. - Режим доступа: http://rtw.ml.cmu.edu/rtw/

75.Hubauer T. et al. Use Cases of the Industrial Knowledge Graph at Siemens // International Semantic Web Conference (P&D/Industry/BlueSky), 2018

76.M. Kroetsch and G. Weikum, Knowledge Graphs // Journal of Web Semantics: Special Issue on relationships between entities. [Электронный ресурс]. - Режим доступа: http://www.websemanticsjournal.org/index.php/ps/announcement/view/19

77.M. Farber, B. Ell, C. Menne, A. Rettinger, and F. Bartscherer. Linked Data Quality of DBpedia, Freebase, OpenCyc, Wikidata, and YAGO. Semantic Web Journal, 2016. [Электронный ресурс]. - Режим доступа: http://www.scmantic-web-journal.net/contenv/linked-data-quality-dbpedia-freebase- opencyc-wikidata-and-yago

78. ITU Global Connectivity Report 2022 [Электронный ресурс]. - Режим доступа: https://www.itu.int/itu-d/reports/statistics/global-connectivity-report-2022/#:~:text=The%20Global%20Connectivity%20Report%202022,using%20a%20 unique%20analytical%20framework.

79. The Zettabyte Era: Trends and Analysis, July 2016 [Электронный ресурс]. - Режим доступа:

https://webobjects.cdw.com/webobjects/media/pdf/Solutions/Networking/White-Paper-Cisco-The-Zettabyte-Era-Trends-and-Analysis.pdf

80. IoT connections market update—May 2022 [Электронный ресурс]. - Режим доступа: https://iot-analytics.com/number-connected-iot-devices/

81. Highlights of Cisco's Internet Traffic Report & Forecast [Электронный ресурс]. -Режим доступа: https://techblog.comsoc.org/2021/12/29/highlights-of-ciscos-internet-traffic-

forecast/#:~:text=Globally%2C%20Internet%20traffic%20will%20reach,Exabytes% 20per%20month%20in%202016.&text=Global%20Internet%20traffic%20will%20b e,Exabytes%20per%20day%20in%202016

82. Data volume of global consumer IP traffic from 2017 to 2022 [Электронный ресурс]. - Режим доступа: https://www.statista.com/statistics/267202/global-data-volume-of-consumer-ip-traffic/

83. GLOBAL MOBILE DATA TRAFFIC FORECAST 2027 [Электронный ресурс]. -Режим доступа: https://ipcisco.com/global-mobile-data-traffic-forecast-2027/

84. Самарский А. А., Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры. — 2-е изд., испр. — М.: Физматлит, 2001. — ISBN 5-9221-0120-X.

85. Мышкис А. Д. Элементы теории математических моделей. — 3-е изд., испр. — М.: КомКнига, 2007. — 192 с. — ISBN 978-5-484-00953-4.

86. Man, T., Vodyaho, A., Ignatov, D. I., Kulikov, I., & Zhukova, N. (2023). Synthesis of multilevel knowledge graphs: Methods and technologies for dynamic networks. In Engineering Applications of Artificial Intelligence (Vol. 123, p. 106244). Elsevier BV. https://doi.org/10.1016/j.engappai.2023.106244

87. Очерки истории информатики в России. Редакторы-составители Д.А. Поспелов, Я.И. Фет. Научно-издательский центр ОИГГМ СО РАН 1998

88.Микони С. В., Соколов Б. В. Юсупов Р. М. Квалиметрия моделей и полимодельных комплексов : монография С. В. Микони, Б. В. Соколов, Р. М. Юсупов. — М. : РАН, 2018. - 314 с.

89. Юсупов Р. М., Иванищев В. В., Костельцев В. И., Суворов А. И. Принципы квалиметрии моделей // IV СПб Международная конференция «Региональная информатика-95». Тезисы докладов. - СПб., 1995.

Приложение 1. Экспериментальные оценки вычислительной сложности выполнения SPARQL запросов к многоуровневой модели ССДС в виде графа знаний в

зависимости от структуры и размера модели

Приложение 1.1 Распределение элементов модели по уровням 1. Равномерное распределение

5-ти уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 20000 / 1М / 1500000 Уровень 2 20000 / 1М / 1500000

Уровень 3 20000 / 1М / 1500000 Уровень 3 20000 / 1М / 1500000

Уровень 4 20000 / 1М / 1500000 Уровень 4 20000 / 1М / 1500000

Уровень 5 20000 / 1М / 1500000 Уровень 5 20000 / 1М / 1500000

Уровень 6: объекты 20000 / 1М / 1500000 Уровень 6: свойства 20000 / 1М / 1500000

4-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 25000 / 1250000 / 1875000 Уровень 2 25000 / 1250000 / 1875000

Уровень 3 25000 / 1250000 / 1875000 Уровень 3 25000 / 1250000 / 1875000

Уровень 4 25000 / 1250000 / 1875000 Уровень 4 25000 / 1250000 / 1875000

Уровень 5: объекты 25000 / 1250000 / 1875000 Уровень 5: свойства 25000 / 1250000 / 1875000

3-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 33333 / 1666667 / 2500000 Уровень 2 33333 / 1666667 / 2500000

Уровень 3 33333 / 1666667 / 2500000 Уровень 3 33333 / 1666667 / 2500000

Уровень 4: объекты 33333 / 1666667 / 2500000 Уровень 4: свойства 33333 / 1666667 / 2500000

2. Линейное распределение 5-ти уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 6667 / 333333 / 500000 Уровень 2 6667 / 333333 / 500000

Уровень 3 13333 / 666667 / 1000000 Уровень 3 13333 / 666667 / 1000000

Уровень 4 20000 / 1000000 / 1500000 Уровень 4 20000 / 1000000 / 1500000

Уровень 5 26667 / 1333333 / 2000000 Уровень 5 26667 / 1333333 / 2000000

Уровень 6: объекты 33333 / 1666667 / 2500000 Уровень 6: свойства 33333 / 1666667 / 2500000

4-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 10000 / 500000 / 750000 Уровень 2 10000 / 500000 / 750000

Уровень 3 20000 / 1000000 / 1500000 Уровень 3 20000 / 1000000 / 1500000

Уровень 4 30000 / 1500000 / 2250000 Уровень 4 30000 / 1500000 / 2250000

Уровень 5: объекты 40000 / 2000000 / 3000000 Уровень 5: свойства 40000 / 2000000 / 3000000

3-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 16667 / 833333/ 1250000 Уровень 2 16667 / 833333/ 1250000

Уровень 3 33333 / 1666667 / 2500000 Уровень 3 33333 / 1666667 / 2500000

Уровень 4: объекты 50000 / 2500000 / 3750000 Уровень 4: свойства 50000 / 2500000 / 3750000

3. Квадратическое распределение 5-ти уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 1818 / 90909 / 136363 Уровень 2 1818 / 90909 / 136363

Уровень 3 7273 / 363636 / 545454 Уровень 3 7273 / 363636 / 545454

Уровень 4 16364 / 818182 / 1227272 Уровень 4 16364 / 818182 / 1227272

Уровень 5 29091 / 1454545 / 2181818 Уровень 5 29091 / 1454545 / 2181818

Уровень 6: объекты 45455 / 2272727 / 3409090 Уровень 6: свойства 45455 / 2272727 / 3409090

4-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 3333 / 166667 / 250000 Уровень 2 3333 / 166667 / 250000

Уровень 3 13333 / 666667 / 1000000 Уровень 3 13333 / 666667 / 1000000

Уровень 4 30000 / 1500000 / 2250000 Уровень 4 30000 / 1500000 / 2250000

Уровень 5: объекты 53333 / 2666667 / 4000000 Уровень 5: свойства 53333 / 2666667 / 4000000

3-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 7143 / 357143 / 535714 Уровень 2 7143 / 357143/ 535714

Уровень 3 28571 / 1428571 / 2142857 Уровень 3 28571 / 1428571 / 2142857

Уровень 4: объекты 64283 / 3214286 / 4821429 Уровень 4: свойства 64283 / 3214286 / 4821429

4. Экспоненциальное распределение 5-ти уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 1193 / 59655 / 89482 Уровень 2 1193 / 59655 / 89482

Уровень 3 3221 / 161069 / 241604 Уровень 3 3221 / 161069 / 241604

Уровень 4 8698 / 434887 / 652330 Уровень 4 8698 / 434887 / 652330

Уровень 5 23484 / 1174195 / 1761293 Уровень 5 23484 / 1174195 / 1761293

Уровень 6: объекты 63407 / 3179328 / 4755492 Уровень 6: свойства 63407 / 3179328 / 4755492

4-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 3260 / 163010 / 244515 Уровень 2 3260 / 163010 / 244515

Уровень 3 8803 / 440127 / 660191 Уровень 3 8803 / 440127 / 660191

Уровень 4 23767 / 1188343 / 1782514 Уровень 4 23767 / 1188343 / 1782514

Уровень 5: объекты 64170 / 3208526 / 4812789 Уровень 5: свойства 64170 / 3208526 / 4812789

3-х уровневая модель

Модель №1 Модель №2

Уровень 1 1 / 1 / 1 Уровень 1 1 / 1 / 1

Уровень 2 9099 / 454959/ 682439 Уровень 2 9099 / 454959/ 682439

Уровень 3 24568 / 1228389 / 1842584 Уровень 3 24568 / 1228389 / 1842584

Уровень 4: объекты 66333 / 3316652 / 4974977 Уровень 4: свойства 66333 / 3316652 / 4974977

Структура графа на 0-5 уровнях является деревом. Объекты и свойства в моделях 1 и 2 связаны на 2 или 3 уровнях в зависимости от условий эксперимента.

Приложение 1.2 Исследование времени индуктивного и дедуктивного синтеза ГЗ ССДС

Таблица 1 Анализ времени индуктивного синтеза ГЗ ССДС в зависимости от размера модели, типа модели

(иерархическая или одноуровневая), распределения элементов по уровням

Распределение элементов по уровням Время индуктивного синтеза (среднее значение/среднеквадратическое отклонение), сек.

200 тыс. элементов модели 10 млн. элементов модели 15 млн. элементов модели

Многоуровневый граф знаний

Равномерное распределение 15,024±2,622 461,436±11,879 1024,063±64,329

Линейное распределение 14,859±1,982 458,429±14,923 1050,008±63,820

Квадратическое распределение 15,314±2,674 460,758±16,822 989,698±72,409

Экспоненциальное распределение 14,990±3,498 463,219±18,482 1081,231±63,977

Одноуровневый граф знаний

12,280±4,256 438,221±12,281 1167,929±74,205

Таблица 2 Анализ времени дедуктивного синтеза ГЗ ССДС в зависимости от размера модели, типа модели (иерархическая или одноуровневая), распределения элементов по уровням, на каком уровне доказана модель для

базового варианта алгоритма дедуктивного синтеза

Параметры синтеза Время дедуктивного синтеза (среднее значение/среднеквадратическое отклонение), сек.

200 тыс. элементов модели 10 млн. элементов модели 15 млн. элементов модели

Многоуровневый граф знаний. Равномерное распределение элементов по уровням.

При доказательстве модели на уровне: 2 1,634±0,032 54,898±1,839 92,751±4,034

При доказательстве модели на уровне: 3 1,984±0,093 78,991±2,551 156,534±7,043

При доказательстве модели на уровне: 4 2,382±0,049 108,551±2,844 212,999±7,008

При доказательстве модели на уровне: 5 2,837±0,088 135,165±6,677 285,681±8,085

При доказательстве модели на уровне: объектов 3,201±0,114 158,351±3,498 383,791±7,561

Многоуровневый граф знаний. Линейное распределение элементов по уровням.

При доказательстве модели на уровне: 2 1,365±0,020 49,358±2,167 62,585±0,989

При доказательстве модели на уровне: 3 1,774±0,027 76,650±2,146 99,029±3,545

При доказательстве модели на уровне: 4 2,242±0,101 88,252±1,465 131,607±6,514

При доказательстве модели на уровне: 5 2,628±0,047 103,497±4,471 258,923±9,139

При доказательстве модели на уровне: объектов 3,246±0,084 155,568±7,778 379,630±3,872

Многоуровневый граф знаний. Квадратическое распределение элементов по уровням.

При доказательстве модели на уровне: 2 1,303±0,035 19,279±0,858 55,547±1,255

Параметры синтеза Время дедуктивного синтеза (среднее значение/среднеквадратическое отклонение), сек.

200 тыс. элементов модели 10 млн. элементов модели 15 млн. элементов модели

При доказательстве модели на уровне: 3 1,487±0,067 38,316±0,448 62,641±2,837

При доказательстве модели на уровне: 4 1,971±0,021 56,539±1,142 99,590±4,521

При доказательстве модели на уровне: 5 2,287±0,030 89,624±1,945 177,026±8,426

При доказательстве модели на уровне: объектов 3,187±0,036 152,228±4,603 368,095±15,975

Многоуровневый граф знаний. Экспоненциальное распределение элементов по уровням.

При доказательстве модели на уровне: 2 1,215±0,019 10,378±0,176 18,756±0,534

При доказательстве модели на уровне: 3 1,364±0,049 17,930±0,287 39,608±0,423

При доказательстве модели на уровне: 4 1,695±0,068 28,952±0,825 74,364±2,853

При доказательстве модели на уровне: 5 1,939±0,086 54,346±2,499 125,852±4,643

При доказательстве модели на уровне: объектов 3,247±0,107 149,373±7,319 368,915±8,743

Одноуровневый граф знаний

3,207±0,152 147,852±3,898 373,317±11,916

Таблица 3 Анализ времени дедуктивного синтеза ГЗ ССДС в зависимости от размера модели, типа модели (иерархическая или одноуровневая), распределения элементов по уровням, на каком уровне доказана модель для

варианта алгоритма дедуктивного синтеза при непрерывном анализе фактов

Параметры синтеза Время дедуктивного синтеза (среднее значение/среднеквадратическое отклонение), сек.

200 тыс. элементов модели 10 млн. элементов модели 15 млн. элементов модели

Многоуровневый граф знаний. Равномерное распределение элементов по уровням.

Время обработки одного факта 0,039±0,002 2,007±0,037 2,781±0,083

При доказательстве модели на уровне: 2 0,090±0,003 2,665±0,122 3,902±0,178

При доказательстве модели на уровне: 3 0,091±0,004 2,706±0,128 3,823±0,066

При доказательстве модели на уровне: 4 0,088±0,002 2,628±0,106 3,857±0,116

При доказательстве модели на уровне: 5 0,090±0,003 2,805±0,098 3,829±0,086

При доказательстве модели на уровне: объектов 0,092±0,001 2,678±0,108 3,805±0,079

Многоуровневый граф знаний. Линейное распределение элементов по уровням.

Время обработки одного факта 0,038±0,001 1,993±0,087 2.606±0,066

При доказательстве модели на уровне: 2 0,066±0,001 2,279±0,056 3,732±0,082

При доказательстве модели на уровне: 3 0,078±0,001 2,379±0,039 3,884±0,097

При доказательстве модели на уровне: 4 0,085±0,003 2,707±0,086 3,907±0,116

При доказательстве модели на уровне: 5 0,142±0,004 2,823±0,071 4,163±0,149

При доказательстве модели на уровне: объектов 0,185±0,007 2,894±0,052 6,098±0,184

Многоуровневый граф знаний. Квадратическое распределение элементов по уровням.

Время обработки одного факта 0,034±0,002 1,996±0,052 2,548±0,026

При доказательстве модели на уровне: 2 0,058±0,002 2,108±0,058 3,687±0,053

При доказательстве модели на уровне: 3 0,072±0,003 2,178±0,087 3,818±0,077

При доказательстве модели на уровне: 4 0,089±0,003 2,277±0,072 3,944±0,091

При доказательстве модели на уровне: 5 0,148±0,007 2,296±0,068 5,213±0,121

При доказательстве модели на уровне: объектов 0,232±0,007 3,055±0,091 6,680±0,072

Многоуровневый граф знаний. Экспоненциальное распределение элементов по уровням.

Время обработки одного факта 0,037±0,001 1,952±0,046 2,497±0,089

При доказательстве модели на уровне: 2 0,056±0,001 2,022±0,093 3,285±0,103

При доказательстве модели на уровне: 3 0,069±0,003 2,062±0,035 3,607±0,139

При доказательстве модели на уровне: 4 0,079±0,002 2,113±0,099 3,680±0,149

При доказательстве модели на уровне: 5 0,086±0,003 2,166±0,042 3,904±0,052

При доказательстве модели на уровне: объектов 0,329±0,014 3,651±0,111 8,273±0,327

Одноуровневый граф знаний.

Время обработки одного факта 0,038±0,001 2,022±0,033 2,628±0,123

Время синтеза 0,364±0,009 5,093±0,065 9,739±0,118

Приложение 1.3 Запросы к графу знаний

Каждый SPARQL запрос запускался 10 раз и в качестве результата брались среднее значение и среднеквадратическое отклонение. Для избежания кеширование ответов на стороне RDF хранилища, значения литералов изменялись при каждом выполнении запросов.

Одноуровневая модель

Запрос №1 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has id "Object 10000" }

Запрос №2 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has option id "Option 10" . }

Запрос №3 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema>

PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has option id ?Option id . FILTER (?Option id = "Option 9" || ?Option id = "Option 10") }

Запрос №4 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT (count(distinct ?Object) as ?count) WHERE { ?Object my:has option id ?Option id . FILTER (?Option id = "Option 9" || ?Option id = "Option 10") } GROUP BY ?Option id

Запрос №5 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has option id ?Option id . FILTER contains(?Option id, " 200") }

3-х уровневая модель, модели 1 и 2 связаны на уровнях: 3-3

Запрос №1 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has id "Object 10000" }

Запрос №2 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT * WHERE { ?Object my:has_parent_id/my:linked_to ?Core_2_Level_3_id . ?Option my:has_parent_id ?Core_2_Level_3 . ?Option my:has id "Option 11" . } LIMIT 100

Запрос №3 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#>

SELECT * WHERE { ?Object my:has_parent_id/my:linked_to ?Core_2_Level_3 . ?Option my:has_parent_id ?Core_2_Level_3 . ?Option my:has id ?Option id . FILTER (?Option id = "Option 9" || ?Option id = "Option 10") } LIMIT 100

Запрос №4 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT (count(distinct ?Object) as ?count) WHERE { ?Object my:has_parent_id/my:linked_to ?Core_2_Level_3 . ?Option my:has_parent_id ?Core_2_Level_3 . ?Option my:has id ?Option id . FILTER (?Option id = "Option 9" || ?Option id = "Option 10") } GROUP BY ?Option id

Запрос №5 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE

{

?Object my:has_parent_id/my:linked_to ?Core_2_Level_3 . ?Option my:has_parent_id ?Core_2_Level_3 . ?Option my:has_id ?Option_id . FILTER contains(?Option_id, "_20")

}

LIMIT 100

3-х уровневая модель, модели 1 и 2 связаны на уровнях: 2-2

Запрос №1 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has id "Object 10000" }

Запрос №2 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT * WHERE { ?Object my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has parent id/my:has parent id ?Core 2 Level 2 .

?Option my:has id "Option 11" . } LIMIT 100

Запрос №3 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT * WHERE { ?Object my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has id ?Option id . FILTER (?Option id = "Option 8" || ?Option id = "Option 11") } LIMIT 100

Запрос №4 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT (count(distinct ?Object) as ?count) WHERE { ?Object my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has id ?Option id . FILTER (?Option id = "Option 8" || ?Option id = "Option 11") }

GROUP BY ?Option id

Запрос №5 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has_parent_id/my:has_parent_id/my:linked_to ?Option_2 . ?Option my:has_parent_id/my:has_parent_id ?Option_2 . ?Option my:has id ?Option id . FILTER contains(?Option_id, "_201") } LIMIT 100

4-х уровневая модель, модели 1 и 2 связаны на уровнях: 3-3

Запрос №1 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has id "Object 10000" }

Запрос №2 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>

PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT * WHERE { ?Object my:has_parent_id/my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has id "Option 11" . } LIMIT 100

Запрос №3 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT * WHERE { ?Object my:has_parent_id/my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has_id ?Option_id . FILTER (?Option id = "Option 8" || ?Option id = "Option 11") } LIMIT 100

Запрос №4 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#>

206

SELECT (count(distinct ?Object) as ?count) WHERE { ?Object my:has_parent_id/my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has id ?Option id . FILTER (?Option id = "Option 8" || ?Option id = "Option 11") } GROUP BY ?Option id

Запрос №5 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has_parent_id/my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has id ?Option id . FILTER contains(?Option id, " 201") } LIMIT 100

5-ти уровневая модель, модели 1 и 2 связаны на уровнях: 3-3

Запрос №1 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema>

PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has id "Object 10000" }

Запрос №2 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT * WHERE { ?Object my:has_parent id/my:has_parent id/my:has_parent id/my:has_parent id/my:linked to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id/my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has id "Option 13" . } LIMIT 100

Запрос №3 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT * WHERE { ?Object my:has_parent id/my:has_parent id/my:has_parent id/my:has_parent id/my:linked to ?Core 2 Level 2 .

?Option my:has_parent_id/my:has_parent_id/my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has id ?Option id . FILTER (?Option id = "Option 8" || ?Option id = "Option 11") } LIMIT 100

Запрос №4 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT (count(distinct ?Object) as ?count) WHERE { ?Object my:has_parent id/my:has_parent id/my:has_parent id/my:has_parent id/my:linked to ?Core_2_Level_2 . ?Option my:has_parent_id/my:has_parent_id/my:has_parent_id/my:has_parent_id ?Core_2_Level_2 . ?Option my:has_id ?Option_id . FILTER (?Option id = "Option 8" || ?Option id = "Option 13") } GROUP BY ?Option id

Запрос №5 PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX xsd: <http://www.w3.org/2001/XMLSchema> PREFIX my: <http://127.0.0.1/bg/ont/test1#> SELECT ?Object WHERE { ?Object my:has_parent_id/my:has_parent_id/my:has_parent_id/my:linked_to ?Core_2_Level_2 . ?Option my:has parent id/my:has parent id/my:has parent id ?Core 2 Level 2 .

?Option my:has_id ?Option_id . FILTER contains(?Option_id, "_201")

}

LIMIT 100

Приложение 1.4 Результаты исследования производительности SPARQL запросов

Таблица 4 Результаты исследования производительности SPARQL запросов к модели ССДС в зависимости от числа

уровней многоуровневого ГЗ и его размера

Число узлов ГЗ Тип модели Параметры модели Число триплетов ГЗ Время загрузки RDF/XM L данных, сек. Запрос №1 Время выполнени я (среднее/от клонение), мс. Запрос №2 Время выполнени я (среднее/от клонение), мс. Запрос №3 Время выполнения (среднее/отк лонение), мс. Запрос №4 Время выполнения (среднее/отк лонение), мс. Запрос №5 Время выполнения (среднее/откл онение), мс.

Число уровней Source models linked levels

200 тыс. Одноуровнев ая модель 0.500 млн. 7.671 210±4 92±4 1586±65 995±47 595±32

Многоуровне 3 уровня 3-3 (U)* 0.433 млн. 7.521 71±3 58±4 424±21 455±26 102±4

вая модель 3-3 (L)* 0.417 млн. 7.022 83±3 59±3 621±34 550±29 107±4

3-3 (Q)* 0.407 млн. 6.931 88±4 64±4 762±39 618±39 112±3

3-3 (E)* 0.409 млн. 7.003 96±4 69±5 1010±52 643±38 115±6

2-2 (U)* 0.433 млн. 7.626 73±2 67±3 706±38 578±32 318±22

2-2 (L)* 0.417 млн. 7.470 88±3 69±4 988±55 816±39 377±16

2-2 (Q)* 0.407 млн. 7.276 91±4 76±5 1012±58 878±47 399±14

2-2 (E)* 0.409 млн. 7.309 107±5 79±4 1276±64 909±45 401±19

4 уровня 2-2 (U)* 0.425 млн. 7.641 85±4 69±5 708±35 601±31 365±21

2-2 (L)* 0.410 млн. 7.893 92±4 73±5 1115±59 812±38 386±20

2-2 (Q)* 0.403 млн. 7.598 102±6 81±6 1209±68 937±45 414±16

2-2 (E)* 0.403 млн. 8.082 110±7 85±6 1295±74 955±49 483±23

5 уровней 2-2 (U)* 0.420 млн. 7.796 93±5 70±5 872±43 686±38 425±19

2-2 (Ъ)* 0.407 млн. 7.369 101±5 76±5 1145±56 737±44 399±24

2-2 (0)* 0.402 млн. 7.042 127±6 82±4 1276±63 952±42 437±27

2-2 (Е)* 0.401 млн. 6.980 129±6 87±5 1311±68 964±52 488±34

10 млн. Одноуровнев ая модель 25.000 млн. 784.180 361±8 112±6 77010±297 72234±309 12145±82

Многоуровне 3 уровня 3-3 (и)* 21.667 млн. 611.543 133±5 68±3 42607±202 49164±234 336±14

вая модель 3-3 (Ъ)* 20.833 млн. 538.931 152±6 73±4 44229±215 52943±267 362±16

3-3 (0)* 20.357 млн. 555.972 179±6 84±4 46087±276 54823±279 388±22

3-3 (Е)* 20.455 млн. 595.568 202±7 88±4 47554±227 58921±302 429±17

2-2 (И)* 21.667 млн. 606.644 143±4 77±4 44772±277 57316±286 517±24

2-2 (Ъ)* 20.833 млн. 524.151 158±4 87±4 46887±265 57971±261 672±31

2-2 (0)* 20.357 млн. 547.436 189±6 90±5 49682±206 58943±290 802±44

2-2 (Е)* 20.455 млн. 629.978 212±5 92±4 51834±272 59749±249 933±48

4 уровня 2-2 (И)* 21.250 млн. 721.242 178±3 81±3 46972±288 61692±311 1922±102

2-2 (Ъ)* 20.500 млн. 427.362 183±6 84±4 48901±290 63537±328 1999±127

2-2 (0)* 20.167 млн. 467.228 196±8 92±3 51686±331 65578±303 2086±116

2-2 (Е)* 20.163 млн. 492.384 220±8 98±3 53768±291 68424±342 2108±108

5 уровней 2-2 (И)* 21.000 млн. 468.630 178±7 85±5 51531±266 62578±312 3452±166

2-2 (Ъ)* 20.333 млн. 417.667 187±8 89±4 52901±272 64009±327 3792±173

2-2 (0)* 20.091 млн. 436.795 211±8 94±5 53901±269 66032±329 4117±248

2-2 (Е)* 20.096 млн. 479.749 231±8 102±6 54801±286 69382±347 4803±257

15 млн. Одноуровнев ая модель 37.500 млн. 1368.794 384±10 128±7 147667±772 110514±512 17525±95

Многоуровне 3 уровня 3-3 (И)* 32.500 млн. 766.365 234±6 79±4 112824±524 87830±428 395±15

вая модель 3-3 (Ъ)* 31.250 млн. 814.935 255±6 82±4 114535±543 92356±466 413±18

3-3 (0)* 30.536 млн. 871.171 268±7 88±5 118653±582 99411±502 489±25

3-3 (Е)* 30.682 млн. 903.892 277±7 93±5 119346±602 104523±523 517±22

2-2 (И)* 32.500 млн. 790.795 235±6 84±7 114638±579 96903±437 621±36

2-2 (Ъ)* 31.250 млн. 857.834 252±7 88±6 117544±509 98433±452 784±40

2-2 (0)* 30.536 млн. 904.228 266±8 91±8 120885±614 101237±490 996±52

2-2 (Е)* 30.682 млн. 958.165 278±9 95±5 122565±654 105766±504 1029±56

4 уровня 2-2 (И)* 31.875 млн. 734.676 240±7 89±6 118586±592 98551±488 2899±147

2-2 (Ъ)* 30.750 млн. 760.405 271±6 92±6 120844±638 99730±434 2985±153

2-2 (0)* 30.250 млн. 886.622 286±7 95±3 126831±661 103274±495 3192±169

2-2 (Е)* 30.245 млн. 952.399 293±8 98±6 134549±679 107556±518 3214±172

5 уровней 2-2 (и)* 31.500 млн. 701.064 245±9 93±4 122730±623 101921±438 4464±272

2-2 (Ц)* 30.500 млн. 834.736 282±10 96±4 128032±647 102932±428 4798±258

2-2 Ю)* 30.136 млн. 891.744 294±9 99±5 131934±685 106554±503 5125±301

2-2 (Е)* 30.090 млн. 892.293 301±9 101±5 138902±711 108217±522 5872±295

Приложение 1.5 Результаты исследования вычислительной сложности выполнения запросов к одноуровневой и многоуровневой модели ССДС в сравнении с параллельным выполнением SPARQL запросов

Таблица 5 Результаты исследования вычислительной сложности выполнения запросов к одноуровневой и многоуровневой модели ССДС в сравнении с параллельным выполнением SPARQL запросов

Число узлов ГЗ Тип модели Параметры модели Один поток / Два параллельн ых потока Запрос №1 Время выполнени я (среднее/о тклонение) , мс. Запрос №2 Время выполнения (среднее/от клонение), мс. Запрос №3 Время выполнения (среднее/откло нение), мс. Запрос №4 Время выполнения (среднее/отк лонение), мс. Запрос №5 Время выполнения (среднее/откл онение), мс.

Число уровней Связывае мые уровни

200к Одноуровнева я модель Один поток 210±4 92±4 1586±65 995±47 595±32

Два потока 127±3 78±3 1104±57 958±39 565±23

Многоуровнев ая модель 3 уровня 2-2 (и)* Один поток 73±2 67±3 706±38 578±32 318±22

2-2 (и)* Два потока 38±3 39±4 418±21 471±18 271±11

10М Одноуровнева я модель Один поток 361±8 112±6 77010±297 72234±309 12145±82

Два потока 231±5 91±4 39732±105 39562±179 7231±74

Многоуровнев ая модель 3 уровня 2-2 (и)* Один поток 143±4 77±4 44772±277 57316±286 517±24

2-2 (и)* Два потока 78±2 41±2 19232±112 27561±93 395±18

15М Одноуровнева я модель Один поток 384±10 128±7 147667±772 110514±512 17525±95

Два потока 274±7 86±4 81245±299 62818±301 8513±43

Многоуровнев ая модель 3 уровня 2-2 (и)* Один поток 235±6 84±7 114638±579 96903±437 621±36

2-2 (и)* Два потока 112±4 43±5 58423±66 44264±254 542±25

* (и) - Равномерное распределение, (Ь) - Линейное распределение, (Ц) - Квадратичное распределение, (Е) - Экспоненциальное распределение.

Приложение 1.6 SPARQL запросы для экспериментальной оценки возможности построения прогнозной модели ССДС на основе данных сетевой статистики с учетом контекста функционирования сети при отсутствии априори целевой модели

Запрос №1 (нормальная работа маршрутизатора)

PREFIX rdf: <http://www.w3.org/1999m/22-rdf syntax-ns#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> PREFIX net: <http://purl.org/toco/> Prefix tnmo: <http://127.0.0.1/tnmo#> SELECT *

WHERE {

?Predictions tnmo:hasPrediction ?UserDevices. ?Predictions tnmo:prediction_timestamp ?Timestamp. ?Predictions tnmo:has_wired_traffic_value ?Traffic. ?Predictions tnmo:MobileDeviceConnected ?Devices. ?Predictions tnmo:hasContext ?Context. FILTER(STRSTARTS(?Context, "S1"))

}

LIMIT 5