Направления расширения функционала прикладной геоинформационной системы моделирования поисковых корреляционно-экстремальных навигационных систем

Обложка

Цитировать

Полный текст

Аннотация

В развитие концепции создания прикладной географической информационной системы моделирования поисковых корреляционно-экстремальных навигационных систем для управления движущимися объектами исследована возможность использования параллельных, распределённых и облачных вычислений при моделировании КЭНС. Использование КЭНС в современных условиях порождает необходимость диагностирования работы навигационной системы при стрессовом воздействии на их съёмочные системы. Моделирование параметров стрессового воздействия предполагает обращение к специализированным базам данным, содержащим характеристики объектов местности в разных диапазонах длин волн электромагнитного излучения. Этих характеристик в геоинформационных системах (ГИС) и облачных средах, как правило, нет. Показано, что диагностику КЭНС следует производить на основе моделирования съёмочной системы с использованием облачных ГИС. Рассмотрены вопросы организации параллельных вычислений для решения задач, связанных с распознаванием образов. Выявлена специфика параллельной структуры поисковых алгоритмов КЭНС, учёт которой при реализации этих алгоритмов средствами вычислительных систем, поддерживающих параллельные вычисления, позволяет наиболее полно использовать их преимущества.

Об авторах

А. И Алчинов

Институт проблем управления им. В.А. Трапезникова РАН

Email: alchinov46@mail.ru
г. Москва, Россия

И. Н Гороховский

НИЦ ТГНО 27 ЦНИИ

Email: gin_box@mail.ru
г. Москва, Россия

Список литературы

  1. Алчинов А.И., Гороховский И.Н. Концепция создания прикладной географической информационной системы моделирования поисковых корреляционно-экстремальных систем автономной навигации // Проблемы управления. – 2022. – № 1. – С. 54–66. [Alchinov, A.I., Gorokhovsky, I.N. A Conceptual Applied Geographic Information System for Modeling Search Autonomous Correlation-Extreme N avigation Systems // Control Sciences. – 2022. – No. 1. – P. 43–54.]
  2. Алчинов А.И., Гороховский И.Н. Анализ стрессовых воздействий на условия автономной навигации поисковых корреляционно-экстремальных навигационных систем // Проблемы управления. – 2022. – № 6. – С. 42–58. [Alchinov, A.I., Gorokhovsky, I.N. Analysis of Stress Exposures on Autonomous Navigation Conditions in Search Correlation-Extreme Navigation Systems // Control Sciences. – 2022. – No. 6. – Р. 35–48.]
  3. Marinescu, D.C. Cloud Computing. Theory and Practice. Second Edition. – Waltham: Morgan Kaufmann Publishers, 2018. – 566 p.
  4. Воеводин В.В. Воеводин Вл.В. Параллельные вычисления. – СПб.: БХВ – Петербург, 2002. – 608 с. [Voevodin, V.V, Voevodin, Vl.V. Parallel'nye vychisleniya. – SPb.: BHV – Peterburg, 2002 . – 608 s. (In Russian)].
  5. Ежова Н.А., Соколинский Л.Б. Обзор моделей параллельных вычислений // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. – 2019. – Т. 8, № 3. – С. 58–91. – doi: 10.14529/cmse190304. [Ezhova. N.A., Sokolinskij, L.B. Obzor modelej parallel'nyh vychislenij // Vestnik YUUrGU. Seriya: Vychislitel'naya matematika i informatika. – 2019. – Vol. 8, no. 3. – S. 58–91. – doi: 10.14529/cmse190304. (In Russian)].
  6. Cloud computing. – URL: https://www.tadviser.ru/index.php/Cloud_Computing (дата обращения 29.03.2023). [Accessed March 29, 2023.]
  7. Zhang, G., Zhu, AX., Huang, Q. A GPU-Accelerated Adaptive Kernel Density Estimation Approach for Efficient Point Pattern Analysis on Spatial Big Data // International Journal of Geographical Information Science. – 2017. – Vol. 31, no. 10. – P. 2068–2097.
  8. Журавлёв Ю.И., Гуревич И.Б. Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. Математические методы и их применение: Ежегодник / Под ред. Ю.И. Журавлева. – М.: Наука, 1989. – Вып. 2. – С. 5–72. [Zhuravlyov, Yu.I., Gurevich, I.B. Raspoznavanie obrazov i raspoznavanie izobrazhenij // Raspoznavanie, klassifikaciya, prognoz. Matematicheskie metody i ih primenenie: Ezhegodnik / Pod red. Yu.I. Zhuravleva. – M.: Nauka, 1989. – Vyp. 2. – S. 5–72. (In Russian)].
  9. Nupponen, J., Taibi, D. Serverless: What It Is, What to Do and What not to Do // Proc. Int. Conf. Softw. Archit. (ICSA 2020), – Salvador, 2020. – P. 49–50. – doi: 10.1109/ICSA-C50368.2020.00016.
  10. Serrano, N., Gallardo, G., Hernantes. J. Infrastructure as a Service and Cloud Technologies // IEEE Software. – 2015. – Vol. 32, iss. 2. – P. 30–36.
  11. Черняк Л. Интеграция – основа облака // Открытые системы. СУБД. – 2011. – № 7. – URL: https://www.osp.ru/ os/2011/07/13010473/ [Chernjak, L. Integracija – osnova oblaka // Otkrytye sistemy. SUBD. – 2011. – № 7. – URL: https://www.osp.ru/os/2011/07/13010473/ (In Russian)]
  12. Yang, C., Huang, Q., Li, Z., et al. Big Data and Cloud Computing: Innovation Opportunities and Challenges // International Journal of Digital Earth. – 2016. – Vol. 10, no. 1. – P. 1–41, doi: 10.1080/17538947.2016.1239771.
  13. Ye, X., Huang, Q., Li, W. Integrating Big Social Data, Computing and Modeling for Spatial Social Science // Cartography and Geographic Information Science. – 2016. – Vol. 43, no. 5. – P. 377–378.
  14. Huang, Q., Li, J., Zhang, T. Domain Application of High Performance Computing in Earth Science: An Example of Dust Storm Modeling and Visualization // In: High Performance Computing for Geospatial Applications. – Cham: Springer, 2020. – P. 249–268.
  15. Li, Z., Tang, W., Huang, Q., et al. Introduction to Big Data Computing for Geospatial Applications // International Journal of Geo-Information. – 2020. – Vol. 9, no. 8. – Art. no. 487.
  16. Google Cloud Tensor Processing Unit. – URL: https://tadviser.com/index.php/Product:Google_ Cloud_ Tensor_Processing_Unit (дата обращения 12.10.2022). [Accessed October 10, 2022.]
  17. Технология работы в ГИС «Панорама» с помощью онлайн-сервиса GeoCloud. – URL: https://gisinfo.ru/techno/geocloud.htm (дата обращения 03.10.2022). [Tekhnologiya raboty v GIS «Panorama» s pomoshch'yu onlain-servisa GeoCloud. – URL: https://gisinfo.ru/techno/geocloud.htm (accessed October 3, 2022).]
  18. BIM в облаке: обзор ключевых решений для информационного моделирования. – URL: https://www.cloud4y.ru/blog/cloud-bim-solutions-overview/ (дата обращения 20.05.2023). [BIM v oblake: obzor klyuchevykh reshenii dlya informatsion-nogo modelirovaniya. – URL: https://www.cloud4y.ru/blog/cloud-bim-solutions-overview/ (accessed May 20, 2023).]
  19. Лубнин Д.С. Модернизация инфраструктуры пространственных данных с использованием облачных технологий // Изв. вузов «Геодезия и аэрофотосъемка». – 2018. – Т. 62, № 5. – С. 590–598. – doi: 10.30533/0536-101X-2018-62-5-590-598. [Lubnin, D.S. Modernization of spatial data infrastructure using cloud technologies // Izv. vuzov «Geodesy and aerial photography». – 2018. – Vol. 62, no. 5. – P. 590–598. – doi: 10.30533/0536-101X-2018-62-5-590-598. (In Russian)].
  20. Сечин А.Ю., Адров В.Н. Фотограмметрия и облачные технологии // Геопрофи. – 2017. – № 2. – С. 24–27. [Sechin, A.Yu., Adrov, V.N. Photogrammetry and Cloud Technologies // Geoprofi. – 2017. – No. 2. – P. 24–27. (In Russian)].
  21. Алчинов А.И., Беклемишев Н.Д., Кекелидзе В.Б. Методы цифровой фотограмметрии. Технология «Талка». – М.: Московский государственный университет печати, 2007. – 259 с. [Alchinov, A.I., Beklemishev, N.D., Kekelidze, V.B. Metody cifrovoj fotogrammetrii. Tekhnologiya «Talka». – M.: Moskovskij gosudarstvennyj universitet pechati, 2007. – 259 s. (In Russian)].
  22. Черемисинов Д.И. Закон Амдала и границы параллельных вычислений // Шестая Международная научно-практическая конференция «BIG DATA and Advanced Analytics. BIG DATA и анализ высокого уровня». – Минск, 2020. – C. 294–300. [Cheremisinov, D.I. Amdahl's Law and the Boundaries of Parallel Computing // The sixth International Scientific and Practical Conference «BIG DATA and Advanced Analytics. BIG DATA and High-level analysis». – Minsk, 2020. – P. 294–300. (In Russian)].
  23. Yu, M., Bambacus, M., Cervone, G., et al. Spatiotemporal Event Detection: A Review // International Journal of Digital Earth. – 2020. – Vol. 13, no. 1. – P. 1–27.
  24. Lloyd, W., Ramesh, S., Chinthalapati, S., et al. Serverless computing: An Investigation of Factors Influencing Microservice Performance // Proc. Int. Conf. Cloud Eng. (IC2E). – Orlando, 2018. – P. 159–169. – doi: 10.1109/IC2E.2018.00039.
  25. Фомичев А., Бондарь О. Бессерверная альтернатива традиционным базам данных // Открытые системы. СУБД. – 2021. № 1. – С. 20–23. doi: 10.51793/OS.2021.86.20.003. [Fomichev, А., Bondar, О. A serverless alternative to traditional databases // Open systems. DBMS. – 2021. – No. 1. – P. 20–23. doi: 10.51793/OS.2021.86.20.003. (In Russian)].

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».