Индикаторы риска каскадных сбоев взаимосвязанных сетевых структур
- Авторы: Тырсин А.Н.1,2, Кащеев С.Е.3
-
Учреждения:
- ФГБУН Научно-инженерный центр «Надежность и ресурс больших систем и машин» УрО РАН, Екатеринбург
- ФГБУН Институт экономики УрО РАН
- Южно-Уральский государственный университет
- Выпуск: № 102 (2023)
- Страницы: 76-98
- Раздел: Сетевые модели в управлении
- URL: https://bakhtiniada.ru/1819-2440/article/view/363793
- DOI: https://doi.org/10.25728/ubs.2023.102.5
- ID: 363793
Цитировать
Полный текст
Аннотация
Поведение реальных систем часто обладает стохастичностью, а связи между их элементами можно адекватно описывать как корреляционные. В последние годы наблюдаются тенденции увеличения и усложнения современных сетей при росте их зависимости друг от друга. Мы наблюдаем, как несколько сетей объединяются в одну взаимозависимую сетевую структуру. Это приводит к возрастанию рисков того, что отказ узлов в одной сети может привести к отказу зависимых узлов в других сетях. В результате таких отказов могут возникать катастрофические каскадные сбои в таких взаимосвязанных сетевых структурах. С учетом масштабности таких структур, часто являющихся критическими инфраструктурами, данная проблема становится весьма актуальной. В статье введена скалярная мера взаимосвязи между несколькими произвольно распределенными непрерывными случайными векторами. Она позволяет оценить тесноту взаимосвязи между различными подсистемами (сетями) в сетевых структурах. Применительно к гауссовым модельным сетевым структурам проведено исследование влияния тесноты взаимосвязи между подсистемами на риск возникновения каскадных сбоев. В качестве величины риска использовалась вероятность таких сбоев. В качестве индикатора риска возникновения каскадных сбоев в сетевой структуре предложено использовать коэффициент корреляционной взаимосвязи между ее подсистемами. А для снижения риска возникновения каскадных сбоев в сетевой структуре следует уменьшать тесноту корреляции между наиболее взаимосвязанными элементами подсистем.
Ключевые слова
Об авторах
Александр Николаевич Тырсин
ФГБУН Научно-инженерный центр «Надежность и ресурс больших систем и машин» УрО РАН, Екатеринбург; ФГБУН Институт экономики УрО РАН
Email: at2001@yandex.ru
Екатеринбург
Станислав Евгеньевич Кащеев
Южно-Уральский государственный университет
Email: kashcheevs@susu.ru
Челябинск
Список литературы
1. АЛЕКСЕЕВ В.В., СОЛОЖЕНЦЕВ Е.Д. Логико-вероятностный подход к управлению риском и эффек-тивностью в структурно-сложных системах // Инфор-мационно-управляющие системы. – 2009. – №6(43). – С. 67–71. 2. АШНИНА Ю.А. БОРИСОВ А.В., БОРИСОВА Н.И. Раз-витие инфраструктуры современного города: социаль-ные и экономические аспекты // NovaInfo. – 2015. – №39. – С. 177–183. 3. БУЛАТОВ В.В. Введение в математические методы моделирования сложных систем. – М.: ОнтоПринт, 2018. – 338 с. 4. МИХАЙЛОВ Г.А., ВОЙТИШЕК А.В. Численное стати-стическое моделирование. Методы Монте-Карло. – М.: Издательский центр «Академия», 2006. – 368 с. 5. НОВИКОВ Д.А. Сетевые структуры и организационные системы. – М.: ИПУ РАН, 2003. – 102 с. 6. Современный философский словарь: 2-е изд. / Под общ. ред. В.Е. Кемерова. – М.: ПАНПРИНТ, 1998. – 1064 с. 7. ТЫРСИН А.Н. Мера совместной корреляционной зави-симости многомерных случайных величин // Заводская лаборатория. Диагностика материалов. – 2014. – Т. 80, №1. – С. 76–80. 8. ТЫРСИН А.Н. Скалярная мера взаимосвязи между не-сколькими случайными векторами // Заводская лабора-тория. Диагностика материалов. – 2022. – Т. 88, №3. – С. 73–80. 9. ФИХТЕНГОЛЬЦ Г.М. Курс дифференциального и инте-грального исчисления. В 3 т. Т.1. – 8-е изд. – М.: ФИЗ-МАТЛИТ, 2003. – 680 с. 10. ХАРДЛЕ В. Прикладная непараметрическая регрессия: Пер. с англ. – М.: Мир, 1993. – 349 с. 11. BEHRENSDORF J., BROGGI M., BEER M. Reliability Analysis of Networks Interconnected with Copulas // ASCE-ASME. Journal of Risk and Uncertainty in Engineering Sys-tems, Part B Mechanical Engineering. – 2019. – Vol.5. – P. 041006-9. 12. BULDYREV S.V., PARSHANI R., PAUL G., STAN-LEY H.E., HAVLIN SH. Catastrophic cascade of failures in interdependent networks // Nature. – 2010. – Vol. 464. – P. 1025–1028. 13. CHERUBINI U., LUCIANO E., VECCHIATO W. Copula Methods in Finance. – Wiley, Chichester, UK, 2004. 14. ENGLE R.F. Anticipating Correlations. A New Paradigm for Risk Management. – Princeton University Press, 2009. 15. GOODWIN B.K., HUNGERFORD A. Copula-Based Models of Systemic Risk in us Agriculture: Implications for Crop In-surance and Reinsurance Contracts // American Journal of Agricultural Economics. – 2014. – Vol. 97, No 3. – P. 879–896. 16. GORBAN A.N., TYUKINA T.A., POKIDYSHEVA L.I., SMIRNOVA E.V. Dynamic and thermodynamic models of adaptation // Physics of Life Reviews. – 2021. – Vol. 37. – P.17–64. 17. JOE H. Dependence Modeling with Copulas. – Chapman and Hall/CRC, New York, 2014. 18. LAPRIE J.C., KANOUN K., KANICHE M. Modeling inter-dependencies between the electricity and information infra-structures // SAFECOMP-2007. – 2007. – Vol. 4680. – P. 54–67. 19. PENA D., RODRIGUEZ J. Descriptive Measures of Multi-variate Scatter and Linear Dependence // Journal of Multi-variate Analysis. – 2003. – Vol. 85, No 2. – P. 361–374. 20. RAM M., SINGH S.B. Analysis of Reliability Characteristics of a Complex Engineering System under Copula // Journal of Reliability and Statistical Studies. – 2009. – Vol. 2, No 1. – P. 91–102. 21. RINALDI S., PEERENBOOM J., KELLY T. Identifying, un-derstanding, and analyzing critical infrastructure interde-pendencies // IEEE Control Systems Magazine. – 2001. – Vol. 21. – P. 11–25.
Дополнительные файлы
