Построение архитектуры интеллектуальной системы управления городской рельсовой транспортной системой

Рост объёма пассажирских перевозок в условиях крупных городских агломераций и мегаполисов эффективно обеспечивается объединением общественного транспорта и городских линий железных дорог. Управление движением в этих условиях требует создания интеллектуальных централизованных многоуровневых систем управления, реализующих заданные показатели качества, комфорта и безопасности перевозок пассажиров. Современные системы управления дополнительно решают задачи экономии энергии на тягу подвижного состава, являются фундаментом и составной частью систем цифровизации городского транспорта и города в целом. Построение систем, решающих задачи планирования и управления движением, реализуется с применением алгоритмов, использующих методы искусственного интеллекта, принципы иерархического построения централизованных систем, возможности технологии Big Data. В этих условиях необходимо учитывать возросшие требования не только к программному обеспечению, но и к теоретическим и практическим решениям организации сети.

В данной статье рассматриваются вопросы формирования архитектуры и требований к разрабатываемым приложениям и их интеграции с базами данных для создания централизованной интеллектуальной системы управления городской рельсовой транспортной системой (ЦИСУ ГРТС). В статье предлагаются оригинальные подходы к архитектуре сети, маршрутизации информационных потоков и программному обеспечению ЦИСУ ГРТС. В основе построения маршрутизации лежит использование полносвязной сети. Это позволяет значительно увеличить пропускную способность сети и выполнить требования по защите информации, так как информационные потоки формируются на базе однотипных протоколов, что препятствует образованию скрытых каналов передачи. Реализация ядра с использованием полносвязности позволяет по меткам информационных потоков заранее сформировать маршруты обмена информации между серверами и приложениями, развёрнутыми в ЦИСУ ГРТС. Использование шифрованных меток информационных потоков значительно усложняет проведение атак и организацию сбора информации о структуре сети.

Платформы для разработки интеллектуальных систем управления (ИСУ), к которым относится ЦИСУ ГРТС, огромные вычислительные мощности, хранилища данных и новые фреймворки становятся всё более доступными для учёных и разработчиков и позволяют быстро развиваться ИСУ. В статье рассматриваются вопросы взаимодействия приложений с базами данных на основе комбинации нескольких подходов, используемых в области Big Data, обосновывается сочетание методологии интернета вещей (IoT) и микросервисной архитектуры. Данная комбинация позволит выделить в системе бизнес-процессы и сформировать потоковую обработку данных, требующих оперативного анализа человеком, что доказывается соответствующими примерами.

Таким образом, целью статьи является формализация принципов организации информационного обмена ЦИСУ ГРТС и автоматизированных систем управления (АСУ) железнодорожных компаний (в нашем случае – на примере ОАО «РЖД»), организаций, предоставляющих услуги ГРТС, и городских органов управления, реализация сформулированных принципов в архитектуре ЦИСУ ГРТС и формализация принципов организации микросервисной архитектуры программного обеспечения ЦИСУ ГРТС. Основными методами исследования являются теория графов, методы Big Data, IoT.

1. Вакуленко С. П., Роменский Д. Ю., Мнацаканов В. А., Дорохов А. В., Власов Д. Н. Разработка вариантов модернизации Московской монорельсовой транспортной системы // Метро и тоннели. – 2020. – № 4. –С. 28–36. [Электронный ресурс]: https://hutor.info/wp-content/uploads/2020/12/2_5332278966877161853.pdf. Доступ 14.02.2021.

2. Shevlyugin, M.V., Korolev, A. A., Golitsyna, A. E., Pletnev, D. S. Electric stock digital twin in a subway traction power system. Russian Electrical Engineering, 2019, Vol. 90, Iss. 9, pp. 647–652. DOI: 10.3103/S1068371219090098. Доступ 14.02.2021.

3. Павловский А. А., Охотников А. Л. Информационная транспортная ситуация // Наука и технологии железных дорог. –2018. –Т. 2. –№ 6. –С. 16–24. [Электронный ресурс]: http://www.vniias.ru/images/img/online_journal/pdf/02_2018/2_2018.pdf. Доступ 14.02.2021.

4. Атрощенко В. А., Руденко М. В., Дьяченко Р. А., БагдасарянР. Х. К вопросу оценки достоверности информации для предотвращения mitm-атаки при передаче закрытой информации по открытым каналам связи //Современные проблемы наукии образования. –2013. – № 3. – С. 82–82. [Электронный ресурс]: https://scienceeducation.ru/pdf/2013/3/375.pdf. Доступ 14.02.2021.

5. Sudhir, Udipi. The event data management problem: getting the most from network detection and response. Network Security, January 2021, Vol. 2021, Iss. 1, pр. 12–14. DOI: https://doi.org/10.1016/S1353-4858(21)00008-8.

6. Halpin T., Morgan T. Information modelling and relational databases (Second Edition). The Morgan Kaufmann Series in Data Management Systems 2008, 976 p. DOI: 10.1016/B978-0-12-373568-3.X5001-2.

7. Yue, Zeng; Ye, Baoliu; Tang, Bin; Guo, Songtao; Qu, Zhihao. Scheduling coflowsofmulti-stage jobsundernetwork resource constraints. Computer Networks, January 12, 2021, Vol. 184, pp. 107686. DOI: 10.1016/j.comnet.2020.107686.

8. Уэнстром М. Организация защиты сетей Cisco. – М.: Издательский дом «Вильямс», 2005. – 768 с. ISBN 5-8459-0387-4.

9. Харитонова Е. В. Графы и сети. – Ульяновск: УлГТУ, 2006. – 92 с. [Электронный ресурс]: https://www.studmed.ru/haritonova-ev-grafy-i-seti_9d47b8a399b.html. Доступ 14.02.2021.

10. Кузюков В. А., Новиков В. Г., Сафронов А. И. Микропроцессорные системы управления движением поездов в Московском метрополитене //Автоматика на транспорте. – 2020. – Т. 6. – № 3. – С. 268–293. [Электронный ресурс]: https://cyberleninka.ru/article/n/mikroprotsessornye-sistemy-upravleniya-dvizheniempoezdov-v-moskovskom-metropolitene/pdf. Доступ 14.02.2021.

11. ДевянинП. Н. Модели безопасности компьютерных систем. –М.:Горячаялиния-Телеком. –2018. –338с. ISBN 5-7695-2053-1.

12. Zhang, Shunliang; Zhu, Dali. Towards artificial intelligence enabled 6G: State of the art, challenges, and opportunities. Computer Networks, December 24, Vol. 183, pp. 107556. DOI: 10.1016/j.comnet.2020.107556.

13. Mei, Lifan; Hu, Runchen; Cao, Houwei; Liu, Yong; Han, Zifa; Li, Feng; Li, Jin. Realtime Mobile Bandwidth Prediction Using LSTM Neural Network. In: Choffnes D., Barcellos M. (eds) Passive and Active Measurement. PAM 2019. LectureNotesinComputerScience,vol11419. Springer, Cham. https://doi.org/10.1007/978-3-030-15986-3_3.

14. Kalipe, G. K., Behera, R. K. Big Data Architectures: A detailed and application oriented review. Int. JournalInnov. Technol. Explor. Eng., 2019, Vol. 8, pp. 2182–2190. [Электронный ресурс]: https://www.researchgate.net/profile/Rajat-Behera/publication/336915402_Big_Data_Architectures_A_detailed_and_application_oriented_review/links/5dba7a2e4585151435d62a79/Big-Data-Architectures-A-detailed-and-application-oriented-review.pdf. Доступ 14.02.2021.

15. Thurner, T. Big Data Europe for Smart, Green and Integrated Transport. [Электронный ресурс]: https://www.w3.org/community/bde-transport/files/2015/11/Big-Datafor-Smart-Green-and-Integrated-Transport-Workshop-FinalReport.pdf. Доступ 14.02.2021.

16. АвдееваИ. Л. Анализ зарубежного опыта использования глобальных технологий «Big Data» // Интернет-журнал «Науковедение». – 2016. – Т. 8. –№ 6. – С. 1–11 [Электронный ресурс]: http://naukovedenie.ru/PDF/13EVN616.pdf. Доступ 14.02.2021.

17. Бик Р. Применение Big Data в транспортном планировании. [Электронный ресурс]: https://transport.mos.ru/common/upload/docs/1500293313_Moovit_Moscow_International_Transport_Expert_Council_R.pdf. Доступ 14.02.2021.

18. Технология Big Data на транспорте. Как на транспорте большие данные превратились в ценный актив. Отечественная СУБД Tarantool в проекте аналитики больших данных. [Электронный ресурс]: https://tygeza.ru/tehnologiya-big-data-na-transporte-kak-na-transportebolshie-dannye.html. Доступ 14.02.2021.

19. O’Connor, R. V., Elger, P., Clarke, P. M. Continuous softwareengineering–A microservices architecture perspective. Journal of Software: Evolution and Process, 2017, Vol. 29, Iss. 11, pp. e1866. [Электронный ресурс]: https://www.researchgate.net/profile/Rory-Oconnor-4/publication/316009873_Continuous_software_engineering-A_microservices_architecture_perspective/links/5a26bc4e4585155dd423eecc/Continuous-softwareengineering-A-microservices-architecture-perspective.pdf. Доступ 14.02.2021. DOI: 10.1002/smr.1866.

20. Boicea,A., Radulescu,F.,Agapin,L. I. Mongo D Bvs Oracle-database comparison. 20123rd Internationa lConference on Emerging Intelligent Data and Web Technologies. IEEE, 2012, pp. 330–335. [Электронный ресурс]: https://www.researchgate.net/profile/Alexandru-Boicea/publication/261040647_MongoDB_vs_Oracle_—_Database_Comparison/links/55c2132b08aebc967defd053/MongoDBvs-Oracle-Database-Comparison.pdf. Доступ 14.02.2021. DOI: 10.1109/EIDWT.2012.32.

21. CouchDB. Apache CouchDB. [Электронный ресурс]: https://couchdb. apache.org. Доступ 14.02.2021.

22. Vora, M. N. Hadoop-HBase for large-scale data. Proceedings of 2011 International Conference on Computer Science and Network Technology. IEEE, 2011, Vol. 1, pp. 601–605. DOI: 10.1109/ICCSNT.2011.6182030.

23. Shvachko,K.,Kuang,H.,Radia,S.,Chansler,R. The Hadoop Distributed File System. 2010 IEEE26th symposium on mass storage systems and technologies (MSST). IEEE, 2010, pp. 1–10. DOI: https://doi.org/10.1109/MSST.2010.5496972.

24. Kim, S.-S., Lee, W.-R., Go, J.-H. A Study on Utilization of Spatial Information in Heterogeneous System Based on Apache NiFi. 2019 International Conference on Information and Communication Technology Convergence (ICTC). IEEE, 2019, pp. 1117–1119. DOI: 10.1109/ICTC46691.2019.8939734.

25. Venner, J., Wadkar, Sameer; Siddalingaiah, Madhu. Pro Apache Hadoop. Apress,Berkeley,CA,2014,pp. 399–401. DOI: 10.1007/978-1-4302-4864-4_9.

26. Hunt, P., Konar, M., Junqueira, F. P., Reed, B. Zoo Keeper: Wait-free Coordination for Internet-scale Systems. USENIX annual technical conference, 2010, Vol. 8, Iss. 9, pp. 1–14. [Электронный ресурс]: https://www.usenix.org/legacy/events/atc10/tech/full_papers/Hunt.pdf. Доступ 14.02.2021.

27. Gupta, M., Patwa, F., Sandhu, R. An Attribute Based Access Control Model for Secure Big Data Processing in Hadoop Ecosystem. Proceedings of the Third ACM Workshop on Attribute-Based Access Control, 2018, pp. 13–24. [Электронный ресурс]: https://www.researchgate.net/profile/Maanak-Gupta/publication/323785048_An_Attribute-Based_Access_Control_Model_for_Secure_Big_Data_Processing_in_Hadoop_Ecosystem/links/5ab0253b0f7e9b4897c1d52b/An-Attribute-Based-Access-Control-Model-forSecure-Big-Data-Processing-in-Hadoop-Ecosystem.pdf. Доступ14.02.2021. DOI: 10.1145/3180457.3180463.

28. Wang, Guozhang; Koshy, Joel; Subramanian, Sriram; Paramasivam, Kartik; Zadeh, Mammad; Narkhede, Neha; Rao, Jun;Kreps, Jay;Stein, Joe. Building a replicatedlogging system with Apache Kafka. Proceedings of the VLDB Endowment, 2015, Vol. 8 , Iss 12, p p. 1654–1655. DOI: 10.14778/2824032.2824063.

29. Singh,P. Airflow. Learn Py Spark. Apress,Berkeley,CA, 2019,pp. 67–84. [Электронный ресурс]: https://link.springer.com/content/pdf/10.1007%2F978-1-4842-4961-1.pdf. Доступ 14.02.2021.

30. Akhtar, S., Magham, R. Using Phoenix. Pro Apache Phoenix. Apress, Berkeley, CA, 2017, pp. 15–35. [Электронный ресурс]: https://link.springer.com/content/pdf/10.1007%2F978-1-4842-2370-3.pdf. Доступ 14.02.2021.

31. Condie, T., Conway, N., Alvaro, P., Hellerstein, J., Elmeleegy, K., Sears, R. MapReduce Online. Conference: Proceedings of the 7th USENIX Symposium on Networked Systems Design and Implementation, NSDI 2010, San Jose, CA, USA, April 28–30, 2010, Vol. 10, Iss. 4, pp. 313–328. [Электронный ресурс]: https://www.usenix.org/legacy/events/nsdi10/tech/full_papers/condie.pdf. Доступ 14.02.2021.

32. Cheng, Yanzhe; Liu, Fang; Jing, Shan; Xu, Weijia; Chau, Duen Horng. Building Big Data Processing and Visualization Pipeline through Apache Zeppelin. PEARC’18: Proceedings of the Practice and Experience on Advanced Research Computing, 2018, p p. 1–7. DOI: 10.1145/3219104.3229288.

33. Zaharia, M. [et al.] «Apache spark: a unified engine for big data processing.» Communications of the ACM 59.11 (2016): 56–65. DOI: 10.1145/2934664.

34. Баранов Л. А. Балакина Е. П., Ерофеев Е. В., Сидоренко В. Г. Многофункциональны емодели систем управления // Известия высших учебных заведений. Проблемы полиграфии и издательского дела. – 2012. – № 2. –C. 79–82. [Электронный ресурс]: https://publications.hse.ru/mirror/pubs/share/folder/54otctuizr/direct/118351222.pdf. Доступ 14.02.2021.

35. Сидоренко В. Г., Чжо М. А. Исследование возможности применения генетических алгоритмов к решению задач планирования работы электроподвижного состава метрополитена // Электроника и электрооборудование транспорта. – 2017. – № 6. – C. 37–40. [Электронный ресурс]: https://publications.hse.ru/mirror/pubs/share/direct/213900236.pdf. Доступ 14.02.2021.

36. КульбаВ. В.,Ковалевский С. С.,Косяченко С. А. Кузнецов Н. А. Методы анализа и синтеза модульных информационно-управляющих систем. –М.:Физматлит, 2002. – 800 c. [Электронный ресурс]: http://bookfi.net/book/1471957. Доступ 14.02.2021.

37. Харин О. В., Якимов С. М., Кулагин М. А., Гоник М. М., Хлудеев М. А., Ярощук Д. И. Автоматизированная система доверенная среда локомотивного комплекса (2019). Свидетельство о регистрации программы для ЭВМ RU 2020613754, 23.03.2020. [Электронный ресурс]: https://www.elibrary.ru/item.asp?id=42709956. Доступ 14.02.2021.