3-2006
РОССИЙСКАЯ
АССОЦИАЦИЯ
ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
ИСКУССТВЕННОГО
ТЕМА НОМЕРА
СЕМИОТИЧЕСКИЕ СИСТЕМЫ
В НАУКЕ И ИСКУССТВЕ
URSS
СОДЕРЖАНИЕ
Тема номера: СЕМИОТИЧЕСКИЕ СИСТЕМЫ В НАУКЕ
И ИСКУССТВЕ
4 СЛОВО РЕДАКТОРА
НАШИ ЮБИЛЯРЫ
8 Г.С. Плесневичу - 70 лет
СЕМИОТИЧЕСКИЕ СИСТЕМЫ В НАУКЕ И ИСКУССТВЕ
14 Анищенко И. Г., Вагин В. Н.
Понятие знака в науке и искусстве
МОДЕЛИРОВАНИЕ РАССУЖДЕНИЙ
39 Варшавский П. Р., Еремеев А. П.
Методы правдоподобных рассуждений на основе аналогий и
прецедентов для интеллектуальных систем поддержки принятия
решений
ОБНАРУЖЕНИЕ ЗНАНИЙ
63 Фомина М.Н.
Методы обнаружения знаний в массивах данных с шумом
МУЛЬТИАГЕНТНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ
81 Котенко И. В., Уланов А. В.
Моделирование игры в «сетевые кошки-мышки»: многоагентные
технологии для исследования киберпротивоборства между
антагонистическими командами кибер-агентов в Интернет
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
ВЫСШЕЕ ОБРАЗОВАНИЕ: ПОДГОТОВКА СПЕЦИАЛИСТОВ В
ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
107 Еремеев А.П., Рыбина Г. В.
Подготовка специалистов в области искусственного интеллекта:
состояние, проблемы, перспективы
ХРОНИКА
113 Курейчик В.М., Курейчик В.В., Нужное Е.В.
VI Международная научно-техническая конференция
«Интеллектуальные системы» (AIS’06)
и XXI Международная научно-техническая конференция
«Интеллектуальные САПР» (CAD - 2006)
2
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, 3, 2006
Журнал основан в 1991 году
Журнал выходит ежеквартально
Учредитель
Российская ассоциация искусственного интеллекта
Главный редактор
Э. В. Попов
Заместитель главного редактора
А. П. Еремеев
Редакционная коллегия
Т. А.Гаврилова
В. В.Голенков
Б. А. Кобринский
О. П. Кузнецов
В. М. Курейчик
Г. С. Осипов
А. Б. Петровский
Д. А. Поспелов
Г.В. Рыбина
В. Л. Стефанюк
Т. А. Таран
Ю. Ф.Тельнов
Е. А. Умрюхин
В. К. Финн
И. Б. Фоминых
В. Ф. Хорошевский
А. И. Эрлих
А. Е. Янковская
Ответственный секретарь
В. Б.Тарасов
Выпускающие редакторы номера
А.П. Еремеев, В.Н. Вагин
Адрес редакции
111250, Москва, Красноказарменная ул., 14
МЭИ (ТУ), кафедра прикладной математики
Тел: (095) 3627871
Факс: (095) 3627775
E-mail: eremeev@appmat.ru
tarasov@rk9.bmstu.ru
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
3
Слово редактора
«Наступит день, когда,
благодаря длившемуся
несколько столетий изучению,
вещи, ныне скрытые, явятся
со всею своею очевидностью;
и потомки наши изумятся,
что столь очевидные истины
ускользнули от нас»
Сенека
В XX веке наряду с активным развитием естественных наук проявилась тенденция
зарождения новых научных направлений, интегрирующих результаты различных
научных дисциплин. Ярким примером междисциплинарного научного направления
может служить искусственный интеллект, в рамках которого стали интегрироваться
результаты, полученные в математической логике, программировании, лингвистике,
математике и технике. Другим примером междисциплинарного подхода является
семиотика, включающая в себя лингвистику, логику, психологию и эстетику. Семиотика
играет все большую роль в деле объединения наук, связывая формальные науки, с
одной стороны, и социальные, психологические и гуманитарные науки, с другой.
Поскольку понятие знака является центральным понятием в семиотике, то он может
оказаться важным для объединения всех этих наук.
Учитывая вышесказанное, темой данного номера мы избрали «СЕМИОТИЧЕСКИЙ
ПОДХОД К НАУКЕ И ИСКУССТВУ» и ввели одноименную рубрику в нашем журнале.
Данная рубрика и настоящий номер открываются статьей художника и дизайнера И.Г.
Анищенко и д.т.н., профессора Московского энергетического института (Технического
университета) (МЭИ) В.Н. Вагина «Понятие знака в науке и искусстве», посвященной
трем моделям знака: диадичной модели Ф. Де Соссюра, триадичной модели Ч. Пирса и
модели Г. Фреге, известной как треугольник Фреге. Авторы посвятили свою работу
памяти замечательного человека и ученого, крупного специалиста в области теории
чисел, математической логики и когнитивного моделирования д.ф.-м.н. А.А. Зенкина,
который интересовался проблемами семиотики культуры, в частности, семиотики
дизайна. К сожалению, Александр Александрович так и не дождался окончательного
4
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛ/ ЕКТА 3/2006
Слово редактора
варианта этой статьи, хотя на некоторые его вопросы авторы пытались ответить, но
насколько полно и убедительно, увы...
Основателем семиотики считается американский логик и философ Ч. Пирс, идеи
которого были развиты американским философом Ч. Моррисом. Швейцарский
лингвист Ф. Де Соссюр сформулировал основы семиотики, но если Пирс разработал
сложную логическую таксономию типов знака, то Соссюр основное внимание уделил
языку как наиболее важной из всех знаковых систем. Известно, что любой язык
функционирует в трехмерном пространстве: синтактика, семантика и прагматика. Если
рассматривать знак в этом трехмерном пространстве, то получим конструкцию,
известную как треугольник Фреге. В статье дается описание дизайна как знаковой
системы и сопоставление структуры знака со структурой дизайна с помощью
треугольника Фреге. Приводится семиотический подход к эстетической теории
искусства и подчеркивается выдвинутая Ч. Моррисом идея о рассмотрении эстетики
как части семиотики, в которой он видел путь к интеграции естественных и
гуманитарных наук.
В ставшей уже традиционной рубрике «МОДЕЛИРОВАНИЕ ЧЕЛОВЕЧЕСКИХ
РАССУЖДЕНИЙ» вашему вниманию предлагается статья к.т.н., ассистента МЭИ (ТУ)
П.Р. Варшавского и д.т.н., профессора, заведующего кафедрой прикладной
математики МЭИ (ТУ) А.П. Еремеева «Методы правдоподобных рассуждений на основе
аналогий и прецедентов для интеллектуальных систем поддержки принятия решений»,
в которой рассмотрены методы правдоподобных рассуждений на основе аналогий и
прецедентов, к которым часто прибегает человек в неизвестных и непредвиденных
ситуациях, с целью использования их в интеллектуальных системах поддержки
принятия решений реального времени (ИСППР РВ), когда человек (лицо),
принимающий решения, находится в условиях достаточно жестких временных
ограничений. Предложена структура библиотеки прецедентов, ориентированная на
ИСППР РВ. Основное внимание уделяется перспективным методам на основе
структурной аналогии, использующим аналогии свойств и отношений и позволяющим
учитывать контекст проблемной ситуации. Предложенный аппарат и разработанные на
его основе программные средства предназначены для создания ИСППР РВ для
решения задач диагностики и оперативного управления сложным техническим
объектом на примере энергоблока.
В рубрике «ОБНАРУЖЕНИЕ ЗНАНИЙ» представлена статья к.т.н., доцента МЭИ (ТУ)
М. В. Фоминой «Методы обнаружения знаний в массивах данных с шумом»,
посвященная проблеме обобщения знаний в условиях обработки больших
информационных массивов при наличии так называемого шума, под которым
понимается пропуск (отсутствие соответствующих данных), а также искажения в
данных. Обосновывается с использованием данных компьютерного моделирования
предпочтительность алгоритма построения решающих деревьев.
В рубрике «МУЛЬТИАГЕНТНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ» в статье д.т.н.,
ведущего научного сотрудника Санкт-Петербургского института информатики и
автоматизации РАН (СПИИРАН) И.В. Котенко и аспиранта СПИИРАН А.В. Уланова
«Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для
исследования киберпротивоборства между антагонистическими командами кибер-
агентов в Интернет», предложено развитие агентно-ориентированного подхода к
моделированию противоборства злоумышленников и систем защиты в сети Интернет.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
5
Слово редактора
Подход рассмотрен на примере моделирования процессов реализации
распределенных атак «отказ в обслуживании» и механизмов защиты, реализующих их
обнаружение, предотвращение и активное реагирование на атаки. Предложена
обобщенная концепция моделирования противоборства команд программных агентов
в компьютерных сетях и рассмотрены возможные варианты структур команд агентов,
механизмы их взаимодействия и планы действий. Описаны разработанная среда
моделирования и результаты проведенных экспериментов.
Хотя проблемы, связанные с подготовкой в высших учебных заведениях России и
стран ближнего зарубежья специалистов в области искусственного интеллекта (ИИ) и
интеллектуальных технологий, периодически затрагиваются в научной периодике, в
том числе и в нашем журнале, однако до успешного их решения еще довольно далеко.
Поэтому мы сочли целесообразным ввести рубрику «ВЫСШЕЕ ОБРАЗОВАНИЕ:
ПОДГОТОВКА СПЕЦИАЛИСТОВ В ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»,
которая открывается статьей д.т.н., профессора МЭИ (ТУ) А.П. Еремеева и д.т.н.,
профессора МИФИ Г.В. Рыбиной «Подготовка специалистов в области искусственного
интеллекта: состояние, проблемы, перспективы», в которой дается обзор состояния
дел по данной проблематике в ведущих вузах России и ближнего зарубежья,
высказывается конструктивная критика, направленная на сохранение славных
традиций Советской и Российской школы ИИ, и высказывается пожелание о
необходимости дальнейшего продолжения начатого в статье обсуждения проблем
подготовки кадров по ИИ в России с тем, чтобы консолидировать усилия всех
заинтересованных вузов (университетов) и учёных в чрезвычайно актуальном и
перспективном направлении подготовки молодых специалистов в области ИИ.
В разделе «ХРОНИКА» дается информация о проведенных в сентябре 2006 в
России (г. Дивноморск) Международных научно-технических конференциях
«Интеллектуальные системы» (AIS’06) и «Интеллектуальные САПР» (CAD-2006).
В этом году исполняется 30 лет со дня основания кафедры прикладной математики
Московского энергетического института (Технического университета),
осуществляющей подготовку бакалавров, магистров и специалистов-инженеров по
направлению «прикладная математика и информатика», включая специализацию
«искусственный интеллект и системы искусственного интеллекта», и проводящей
исследования по тематике искусственного интеллекта и создания перспективных
интеллектуальных систем для различных приложений, в частности, для энергетики. На
кафедре в различные годы работали широко известные специалисты, внесшие
огромный вклад в становление и развитие искусственного интеллекта в СССР и России
- Д.А. Поспелов, организовавший научную группу по проблемам искусственного
интеллекта и читавший базовые курсы по основам искусственного интеллекта и
прикладной семиотике, Е.Т. Семенова, руководившая научной группой по разработке
языков искусственного интеллекта и трансляторов для них, Ю.И. Клыков, научная
группа которого развивала идеи ситуационного управлением. В настоящее время на
кафедре (в качестве штатных сотрудников или совместителей) ведут педагогическую и
научную деятельность члены Российской ассоциации искусственного интеллекта
(РАИИ) и Научного совета РАИИ профессора В.Н. Вагин, А.П. Еремеев, Г.С. Плеснев 1ч
(научная биография которого в связи с его 70—летнем также помещена в этом
номере), доценты А.Н. Аверкин, А.А. Башлыков, В.Б.Тарасов, а также их ученики и
соратники.
6
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Слово редактора
Российская Ассоциация искусственного интеллекта и редколлегия журнала
«Новости искусственного интеллекта» поздравляют коллектив кафедры
Прикладной математики Московского энергетического института (Технического
университета) с 30-летием со дня основания кафедры и желает ее коллективу
дальнейших успехов в деле подготовки специалистов в области искусственного
интеллекта и новых информационных технологий.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
7
Г.С. Плесневичу - 70 лет
Исполнилось 70 лет известному рос-
сийскому ученому Геральду Станиславовичу
Плесневичу - члену Научного Совета
Российской ассоциации нечетких систем и
мягких вычислений, члену Российской
ассоциации искусственного интеллекта
(РАИИ), кандидату физико-математических
наук, профессору кафедры Прикладной
математики Московского энергетического
института (технического университета). Он
является одним из ведущих отечественных
специалистов в области разработки
логических методов искусственного
интеллекта, дискретной математики,
прикладной семиотики.
Родился 10 октября 1936 г. в Нижнем
Тагиле. В 1947 г. его семья переехала в
Ростов-на-Дону, где в 1954 г. он поступил на
физико-математический	факультет
Ростовского государственного университе-
та. Уже в студенческие годы проявились
блестящие математические способности
Г.С. Плесневича: свою первую научную
работу по топологии он написал, когда учился на 4-м курсе. Талантливого студента
командировали в МГУ к выдающемуся математику, академику А.Г. Курошу, который по
достоинству оценил его работу. По рекомендации А.Г. Куроша после окончания РГУ в
1959 г. Г.С. Плесневич поступил в аспирантуру Математического института им.
В.А. Стеклова АН СССР, где проучился два года.
Эпоха конца 50-х - начала 60-х годов ХХ-го века была периодом бурного развития
науки в нашей стране, когда в различных областях и регионах формировались
блестящие научные школы, создавались новые наукограды, в которые охотно ехала
молодежь. В ту пору одним из крупнейших центров математики и информатики стал
Академгородок под Новосибирском, в котором жили и работали выдающиеся ученые -
академики М.А. Лаврентьев, С.Л. Соболев, А.П. Ершов, А.И. Мальцев, Г.И. Марчук и др.
8
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Г.С. Плесневичу - 70 лет
В 1961 г. Геральд Плесневич переезжает в Академгородок в Институт математики СО
АН СССР, где пройдут одни из самых плодотворных лет его научной жизни.
В годы работы в Академгородке главными областями научных интересов Геральда
была теория графов и теория итеративных автоматов. Так именно в Институте
математики СО АН СССР (в Отделе кибернетики, руководителем которого был
А.А. Ляпунов) сложилась первая в СССР неформальная группа специалистов по теории
графов, в состав которой входили А.А. Зыков, В.Г. Визинг, Г.С. Плесневич и др. Среди
важных результатов, полученных Геральдом Станиславовичем в этой области,
необходимо отметить известную теорему Плесневича о редукции хроматического
числа к числу внутренней устойчивости графа, т.е. о существовании естественного
полиномиального сведения проблемы минимальной раскраски вершин графа к
проблеме нахождения наибольшего внутренне устойчивого множества, результаты по
внешне и внутренне устойчивым множествам случайного графа, покрытиям и опорам в
гиперграфе.
В то же время Г.С. Плесневич принимает участие в работе семинаров по теории
автоматов, руководимых Б.А. Трахтенбротом. Тогда только появились работы Дж. фон
Неймана по клеточным (итеративным) автоматам, живо заинтересовавшие
Г.С. Плесневича. Как известно, двоичный параллельный сумматор является
простейшим примером одномерного итеративного автомата. В 1951 г. Дж. фон Нейман
сделал оценку среднего времени работы параллельного сумматора, на вход которого
случайным образом поступают два двоичных числа. В середине 60-х годов
Г.С. Плесне зич исследовал наиболее общую ситуацию, когда ячейкой итеративного
автомата служит произвольный конечный автомат, и решил задачу о среднем времени
вычислений на таком итеративном автомате. Эта его работа «О среднем времени
вычислений на итеративных автоматах» прошла жесткое сито отбора на знаменитый
Международный конгресс математиков, состоявшийся в Москве летом 1966 г., и
опубликована в его трудах. В 1967 г. Г.С. Плесневич защитил в Объединенном ученом
совете по физико-математическим и техническим наукам СО АН СССР диссертацию на
соискание ученой степени кандидата физико-математических наук «Оценки времени
вычисления на итеративных автоматах». Следует отметить удивительный для
сегодняшних дней штрих: диссертант защищал кандидатскую работу без научного
руководителя, поскольку давно уже был вполне сформировавшимся специалистом,
имевшим общепризнанные научные результаты.
В 1969 г. Г.С. Плесневич переехал в Москву и два года проработал старшим
научным сотрудником НИЦЭВТ. В 1971 г. он получил должность доцента в Московском
институте электронного машиностроении. В 1996 г. стал профессором кафедры
«Информационные технологии» в Российском государственном технологическом
университете «МАТИ» им. К.Э. Циолковского. С 2001 г. работает профессором
кафедры прикладной математики Московского энергетического института
(технического университета).
Проблемами искусственного интеллекта Геральд Станиславович стал активно
заниматься с начала 80-х годов. В центре его интересов оказались методы и языки
представления знаний, в частности, понятийно-ориентированные языки.
В конце 60-х-начале 70-х годов XX го века в трудах М. Минского и М. Квиллиана
были предложены языки семантических сетей для представления знаний. Несколько
позже, в 1979 г. вышел сборник работ по языкам представления знаний
«Ассоциативные сети» под редакцией Финдлера. Одной из первых отечественных
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
9
Г.С. Плесневичу - 70 лет
публикаций на эту тему стала статья Г.С. Плесневича «Представление знаний в
ассоциативных сетях» (опубликована в 1982 г.), в которой им была определена
формальная семантика подобных сетей. Затем в журнале «Известия АН СССР:
Техническая кибернетика» (ныне «Известия РАН: Теория и системы управления»)
появился цикл его работ по концептуальным схемам, моделям данных и знаний,
понятийно-ориентированным языкам. В частности, им был разработан перспективный
понятийно-ориентированный язык Concept, предложены бинарные модели знаний в
ИИ.
В 90-е годы Геральд Станиславович стал все больше заниматься проблемами
прикладной математической логики, в частности, вопросами построения
интенсиональных логик и их применения в интеллектуальных системах, развития
методов дедуктивного и индуктивного вывода, расширения логики Аллена на случай
интервальной и нечеткой информации, использования аналитических таблиц для
логики событий и т.д. Уже в новом тысячелетии он опубликовал ряд интересных работ
по концептуальной спецификации многоагентных систем с использованием
мотивационных и эпистемических операторов. В последние годы он также написал
несколько фундаментальных статей по спецификации нечетких понятий и нечетким
расширениям классической пропозициональной логики.
На первом съезде Российской ассоциации нечетких систем и мягких вычислений,
прошедшем в Твери в сентябре 2006 г., Г.С. Плесневич был избран членом Научного
совета Ассоциации. В течение многих лет он также является членом РАИИ, членом
Программного комитета Национальных конференций по искусственному интеллекту,
организуемых РАИИ, руководителем секции «Неклассические логики и
правдоподобные рассуждения».
Помимо научных исследований профессор Г.С. Плесневич ведет активную учебно-
педагогическую работу: он читает лекции в МЭИ, РГТУ-МАТИ, МИЭМ, МГСУ по курсам
«Дискретная математика», «Системы искусственного интеллекта», «Прикладная
семиотика», «Семантика языков программирования».
Нельзя не отметить удивительные человеческие качества Геральда Станисла-
вовича: его исключительную скромность, мягкий юмор с легкой самоиронией,
внимание к окружающим, отзывчивость, умение дружить. Он всегда был далек от
каких-либо личных карьерных устремлений, но, напротив, часто оказывал и оказывает
бескорыстную поддержку в науке многим друзьям, знакомым и малознакомым.
Наверное, самые главные его характеристики - это высокий профессионализм,
научная эрудиция и готовность придти на помощь. Поэтому не только студенты и
аспиранты, но и даже очень маститые (по званиям) ученые, сталкиваясь с трудными
задачами, обращаются к нему как к «высшей научной инстанции».
Редколлегия журнала «Новости ИИ» сердечно поздравляет юбиляра,
желает ему крепкого здоровья, счастья и творческого долголетия.
ir-ir ic
Ниже помещен список основных трудов Г.С.Плесневича.
Монографии, учебники, справочные издания
1.	Плесневич Г.С. Алгоритмы в теории графов. - Ашхабад: Илым, 1981.
2.	Плесневич Г.С., Шимко Н.А. Основы дискретной математики. - М.: МИЭМ, 1989.
3.	Плесневич Г.С. Алгоритмы решения рекуррентных задач теории графов. - Киев: ИМ АН
УССР, 1982.
10
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Г.С. Плесневичу - 70 лет
4.	Плесневич Г.С. Неразрешимые алгоритмические проблемы. Комбинаторная проблема
Поста. Итеративные автоматы//Энциклопедия кибернетики. - Киев: 1979
5.	Плесневич Г.С. и др. Семантическое моделирование ассоциативными схемами в
автоматизации проектирования и управления // Автоматизированное проектирование и
производство в машиностроении/ Под ред. Ю.М.Соломенцева, В.Г.Митрофанова. - М.:
Машиностроение, 1986.
6	Плесневич Г.С. Логические модели // Искусственный интеллект. - В 3-х кн. Кн.2. Модели и
методы. Справочник/ Под ред. Д.А.Поспелова. - М.: Радио и связь, 1990.
7.	Плесневич Г.С., Афонин П.В, Емельянов В.В. и др. Интеллектуальные системы/ Под
ред.В.М.Курейчика. - М.: Физматлит, 2005.
Статьи в рецензируемых журналах
1.	Визинг В.Г., Плесневич Г.С. К проблеме минимальной раскраски вершин графа //
Сибирский математический журнал. - 1966. - Т.6, № 1. - С.234-236.
2.	Плесневич Г.С. Оценки среднего времени вычисления на одномерных итеративных
автоматах // Доклады АН СССР. - 1966. - Т. 171, № 3.
3.	Плесневич Г.С. О больших интервалах случайной булевой функции // Доклады АН СССР. -
1968-Т.182, №1.
4.	Кратко М.И., Плесневич Г.С. Об одной задаче В.М.Глушкова// Кибернетика. - 1969. - № 2.
5.	Плесневич Г.С. О распознавании формальных языков на одномерных итеративных
автоматах//Кибернетика. - 1975. - №4. - С.29-36.
6.	Плесневич Г.С. Представление знаний в ассоциативных сетях // Известия АН СССР:
Техническая кибернетика. - 1982. - № 5. - С.6-22.
7.	Плесневич Г.С. Концептуальные схемы и модели данных // Известия АН СССР:
Техническая кибернетика. - 1984. - № 5.
8.	Плесневич Г.С., Миронова Т.С. Гибридные модели знаний // Известия АН СССР:
Техническая кибернетика. - 1994. - № 2. - С.56-70.
9.	Плесневич Г.С., Миронова Т.С. Языки концептуального моделирования в системе
управления базами знаний «Концепт» // Вестник МГТУ им. Н.Э.Баумана. - 1994. - № 1. -
С. 123-134.
10.	Плесневич Г.С. Логика моделей «классы-бинарные отношения». Часть 1 // Известия РАН:
Теория и системы управления, 1997, № 5, С. 17-26.
11.	Плесневич Г.С. Логика моделей «классы-бинарные отношения». Часть 2 // Известия РАН:
Теория и системы управления, 1998, № 5, С.69-80.
12	Плесневич Г.С., Кратко М.И. Быстрый алгоритм распознавания следствий для
монадических логических программ // Автоматика и телемеханика.- 2001.- Т.Ю.- С.91-
102.
13.	Плесневич Г.С., Авдошин С.М., Тарасов В.Б. Концептуальная спецификация
многоагентных систем (часть 1) // Информационные технологии. - 2002. - № 12. - С.25-
35.
14.	Плесневич Г.С. Понятийно-ориентированные языки в инженерии знаний // Новости
искусственного интеллекта. - 2003. - №6. - С.3-9.
Статьи в трудах конференций
1.	Плесневич Г.С. Расположение графа на плоскости // Вычислительные системы. Вып.6. -
Новосибирск: ИМ СО АН СССР, 1963.
2.	Плесневич Г.С. Сравнение двух концепций вычисления на итеративных автоматах //Труды
Международной конференции по теории автоматов и искусственному мышлению. -
Ташкент, 1968.
3.	Плесневич Г.С. Денотативная семантика ассоциативных схем // Семиотика и
информатика. Вып.21. - 1981.	•
4.	Плесневич Г.С., Еримбетов М.Н., Кевхишвили А.Г. Информационная технология на базе
концептуальных языков // Теория и применение искусственного интеллекта. Сборник
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
11
Г.С. Плесневичу - 70 лет
трудов 2-го Международного научного семинара (Созопол, 29 мая-2 июня 1989 г.).-
София: ИЦТТ Информа, 1989. - С.267-272.
5.	Плесневич Г.С. Статистическая спецификация формальных понятий // Труды 2-й
всесоюзной конференции по искусственному интеллекту КИИ-90 (Минск, 1990 г.). Т.1. -
Минск-Тверь: Центрпрограммсистем, 1990. - С. 155-158.
6.	Плесневич Г.С. Правдоподобный вывод, основанный на принципе максимальной энтропии
И Труды 5-й национальной конференции по искусственному интеллекту КИИ-96 (Казань,
5-11 октября 1996 г.). Т.1. - Казань: АИИ, 1996. - С.89-92.
7.	Плесневич Г.С. Естественный вывод в задаче «Стимроллер» // Труды 6-й национальной
конференции по искусственному интеллекту КИИ-98 (Пущино, 5-11 октября 1998 г.), Т.1,
М.: РАИИ, 1998, С.257-263.
8.	Плесневич Г.С. Метод аналитических таблиц для логики событий // Труды Международной
конференции «Интеллектуальное управление: новые информационные технологии в
задачах управления» (ICIT’99, Переславль-Залесский, 6-9 декабря, 1999). - М.: Наука,
физматлит, 1999. - С.72-76
9.	Плесневич Г.С. Нечеткие понятия как усреднения четких // Интегрированные модели и
мягкие вычисления в искусственном интеллекте. Сборник трудов Международного
научно-практического семинара (Коломна, 17-18 мая 2001 г.), М.: Физматлит, 2001, С.62-
64.
10.	Плесневич Г.С. Дедукция в некоторых расширениях интервальной логики Аллена //
Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник
трудов ll-го Международного научно-практического семинара (Коломна, 15-17 мая 2003
г.). - М.: Физматлит, 2003. - С.83-92.
11.	Плнсневич Г.С. и др. Метод абдукции для интервальной логики Аллена Ц Труды
Международных научно-технических конференций «Интеллектуальные системы»-2003 и
«Интеллектуальные САПР-2003 (IEEE AIS’03 and CAD-2003, Дивноморск, 3-10 сентября
200 г.). - М.: физматлит, 2003. - С.194-201.
12.	Плесневич Г.С., Авдошин С.М., Тарасов В.Б. Эпистемические и мотивационные операторы
в задачах спецификации многоагентных систем // Использование методов
искусственного интеллекта и высокопроизводительных вычислений в аэрокосмических
исследованиях. Труды 3-го расширенного семинара (Переславль-Залесский, 26-27
ноября 2003 г.). - М.: Физматлит, 2003. - С. 162-167
13.	Плесневич Г.С. Модели понятий в искусственном интеллекте // философия
искусственного интеллекта. Материалы Всероссийской междисциплинарной
конференции (Москва, МИЭМ, 17-19 января 2005 г.). - М.: ИФ РАН, 2005. - С.313-315.
14.	Плесневич Г.С. Бинарная модель знаний // Интегрированные модели и мягкие вычисления
в искусственном интеллекте. Сборник трудов Ill-го Международного научно-
практического семинара (Коломна, 15-17 мая 2005 г.). - М.: Физматлит, 2005. - С.88-93.
15.	Плесневич Г.С., Тюхов Б.П., Савенков С.С. Логика нечетких интервалов //
Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник
трудов lll-ro Международного научно-практического семинара (Коломна, 15-17 мая 2005
г.). - М.: физматлит, 2005. - С.94-100.
16.	Плесневич Г.С. Консервативное нечеткое расширение классической пропозициональной
логики И Нечеткие системы и мягкие вычисления. Труды Всероссийской научной
конференции (Тверь, 20-22 сентября 2006 г.). - М . физматлит, 2006. - С.61-73.
17.	Плесневич Г.С. Силлогистики для семантических сетей // Труды 10-й национальной
конференции по искусственному интеллекту КИИ-2006 (Обнинск, 25-28 сентября 2006 г.),
т.1, М.: физматлит, 2006, С.321-330.
18.	.Плесневич Г.С., Савенков С.С., Тюхов Б.П. Полиномиальный алгоритм вывода для
бинарных моделей знаний // Нечеткие системы и мягкие вычисления. Труды
Всероссийской научной конференции (Тверь, 20-22 сентября 2006 г.). - М.: Физматлит,
2006. - С.86-97.
12
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Г.С. Плесневичу - 70 лет
19.	Plesniewicz G.S., Mironova Т. S., Ivinski S.Y. Knowledge Base Management System with
Conceptual Language Interface // Proceedings of Japan-CIS Symposium on Knowledge Based
Software Engineering (JCKBSE'94, Pereslavl-Zalesski, Russia, May 10-13, 1994)/ Ed. by
H.Ueno and V.Stefanuk. - Tokyo: Institute of Electronics, Information and Communication
Engineers, 1994. - P. 135-140.
20.	Plesniewicz G.S. A Concept- Oriented Language for Applied Semiotics // Proceedings of IMACS
Multiconference «Computational Engineering in Systems Applications (CESA'96)», vol.4
«Symposium on Robotics and Cybernetics». - Villeneuve d'Ascq: GERF EC Lille - Cite
Scientifique, 1996. - P.171-176.
21.	Plesniewicz G.S., Mironova T. Concept: a Language for Conceptual Modeling // Advances in
Databases and Information Systems // Proceedings of the 2nd International Workshop on
Advances in Databases and Information Systems (ADBIS’95, Moscow, 27-30 June 1995).
Workshops in Computing. - Berlin: Springer Verlag, 1996. - P.479-496.
22.	Plesniewicz G.S., Topunov A.). Conceptual Modeling Approach to Generating and Interpreting
Visual Scenes // Proceedings of the 2nd Joint Conference on Knowledge Based Software
Engineering (JCKBSE'96, Sozopol, Bulgaria, September 21-22 1996)/ Ed. by D.Dochev,
V.Stefanuk, H.Ueno - Tokyo: Institute of Electronics, Information and Communication
Engineers, 1996.-P.116-121.
23.	Plesniewicz G.S., Kevkishvili A.G. A Concept-Oriented Language for Semiotic Modelling //
Proceedings of Seventh International Conference on Artificial Intelligence and Information-
Control Systems of Robots, Second Workshop on Applied Semiotics (Smolenice, Slovakia,
September 15, 1997).
24.	Plesniewicz G.S. Natural Inferences in Semiotic Models // Proceedings of the 1998 IEEE
ISIC/CIRA/ISAS Joint Conference on the Science and Technology of Intelligent Systems
(Gaitherbourg, MD, USA, September 14-17, 1998). - Gaithersburg: NIST, 1998. - P.878-882.
25.	Plesniewicz G.S., Tarassov V.B. On Problem of Detecting Subsumptions and Inconsistencies in
Agents Knowledge // Proceedings of the 1st International Workshop of Central and Eastern
Europe on Multi-Agent Systems (CEEMAS'99, St.Petersburg, Russia, June 1-4, 1999). - StP:
SPIIRAS, 1999. - P. 196-202.
26.	Plesniewicz G.S., Tarassov V.B. Networked Enterprises as Multi-Agent Systems: Concept-
Oriented Logic Approach // Management and Control of Production and Logistics 2000.
Proceedings of the Second IFAC/IFIP/ IEEE Conference (MCPL’2000, Grenoble, France, July 5-
8, 2000)/ Ed. by Z.Binder. Vol.2. - New York: Elsevier Science Publishers, 2001. - P.497-502.
See also: Proc, of the Fourth International Conference on Application of Fuzzy Systems and Soft
Computing (ICAFS’2000, Siegen, Germany, June 27-29, 2000).- Kaufering: b-Quagrat Verlag,
2001.-P.257-262.
27.	Plesniewicz G.S. Fuzzy Concepts as Averaging Crisp Concepts on Points of Reference //
Proceedings of the First International Conference on Soft Computing and Computing with Words
in System Analysis, Decision and Control (ICSCCW’2001, Antalya, Turkey, June 6-8, 2001)/ Ed.
by M. Jamshidi et al. - Kaufering: b-Quagrat Verlag, 2001. - P. 125-126.
28.	Plesniewicz G.S. Plausible Inference Based on Maximum Entropy // Proceedings of 2002 IEEE
International Conference on Artificial Intelligence Systems (ICAIS 2002, Divnomorskoe, Russia,
5-10 September). - Los Alamitos CA: IEEE, 2002. - P. 101-104.
29.	Plesniewicz G.S. Binary Data and Knowledge Models // Proceedings of the 6th Joint Conference
on Knowledge Based Software Engineering (JCKBSE’2004, Puschino, Russia, August 23-25
12004)/Ed. by V.Stefanuk, K.Kaijiri. - Amsterdam: IOS Press, 2004. - P.237-244.
30.	Ionin V.K., Plesniewicz G.S. A Method for Defining and Fuzzyfying Mathematical Structures //
Proceedings of the International Conference on Fuzzy Sets and Soft Computing in Economics
and Finance (FSSCEF’2004, Saint-Petersburg, June 17-20, 2004). VoL1. - Mexico: IMP, 2004. -
P.257-264.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
13
Памяти Александра Зенкина
Понятие знака в науке и искусстве
И.Г. Анищенко, В.Н. Вагин
Аннотация. В статье описываются три модели знака: диадичная модель
Ф. де Соссюра, триадичная модель Ч. Пирса и модель знака Г. Фреге, известная как
треугольник Фреге. Рассматриваются три основные области семиотики: синтактика,
семантика и прагматика, на основании которых исследуется семиотика искусства.
Даётся описание дизайна как знаковой системы, и сопоставление структуры знака со
структурой дизайна с помощью треугольника Фреге. Приводится семиотический
подход к эстетической теории искусства. Работа выполнена при финансовой
поддержке РФФИ (проекты № 05-07-90232 и № 05-01-00818).
Введение
Наука и культура неотделимы от понятия знака, поскольку они дают в
распоряжение людей всё более нужные им знаки и представляют свои результаты в
форме знаковых систем. Как человеческая цивилизация, так и человеческий разум
невозможны без знаков и знаковых систем, и как говорил Ч. Моррис, интеллект вообще
следует отождествлять именно с функционированием знаков [1,2].
Знаковые системы изучаются в семиотике - метанауке, рассматривающей
информационные и социальные процессы, человеческую коммуникацию (в том числе,
при помощи естественного языка), функционирование и развитие культуры, все виды
искусства и т.п. Основателем семиотики считается американский логик, философ и
естествоиспытатель Ч. Пирс, который и предложил её название. Семиотические идеи
Пирса были развиты американским философом Ч. Моррисом, который, кроме всего
прочего, определил и структуру самой семиотики.
Швейцарский лингвист Ф. де Соссюр сформулировал основы семиологии или
науки о знаках. Если Пирс разработал сложную логическую таксономию типов знака, то
Соссюр обращается к языку как наиболее важной из всех знаковых систем. Язык почти
неизменно считается наиболее мощной системой коммуникации, имеющей
семантическую универсальность. Ниже будут рассмотрены две модели знака,
принадлежащие Пирсу и Соссюру.
Любой язык функционирует в трёхмерном пространстве: синтактика (синтаксис),
семантика и прагматика. Если рассматривать знак в этом трёхмерном пространстве, то
14
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
получим конструкцию, известную в семиотике как треугольник Фреге. Ниже будут
описаны компоненты треугольника - денотат, имя и смысл - и показано их
взаимодействие.
Если усилиями логиков и лингвистов происходило сближение семиотики с
естественными науками, то в области гуманитарных наук закономерно сотрудничество
с целью создания семиотики искусства. Правда, объединение произведений
живописи, дизайна, скульптуры в одну категорию «иконического знака» мало что даёт
для понимания внутренней структуры произведения. Лучше для каждого произведения
искусства создавать свой «язык живописи», «язык дизайна» и т.п. как особые
семиотические системы. При этом отчётливо проявляется различие между
исследованием внутренней организации используемых семиотических систем и того,
как они применяются для создания художественного эффекта. Особенностью
искусства оказывается не то, что оно создаёт свои специальные «художественные»
знаки, а, наоборот, то, что оно вовлекает в свою сферу самые разные языки культуры,
отбирая их семиотические средства и разрабатывая их выразительные возможности
[3]. Разные искусства отличаются теми задачами, которые они перед собой ставят.
Так, например, разработка семиотических средств в дизайне позволяет достигнуть
нужного декоративного эффекта. Из всех видов искусства нами будет рассмотрен
именно дизайн как знаковая система.
Так как семиотика определяется как наука о знаках и как орудие объединения наук,
т.е. как метанаука, то задача семиотики и заключается в том, чтобы разработать
необходимые знаки и принципы их исследования.
1; Диадичная модель знака Ф. де Соссюра
Прежде всего, остановимся на понятии знака в понимании лингвиста
Ф. де Соссюра, предложившего диадичную модель знака [4,5]:
•	означающее (signifier) - форма, которую принимает знак;
•	означаемое (signified) - понятие, которое он представляет.
Понимая знак как целое отношение между означаемым и означающим, Соссюр
называет это отношение значимостью знака. Соссюр утверждает, что не имеется
полностью бессмысленного означающего или полностью бесформенного
означаемого. Одно и то же означающее (например, слово «ключ») может иметь
различные означаемые (понятие «ключ») и аналогично множество означающих может
обозначать понятие «ключ». В настоящее время означающее интерпретируется как
материальная (физическая) форма знака, нечто такое, которое можно услышать,
увидеть, почувствовать запах, прикоснуться. Лингвистический знак не есть связь
между сущностью и именем, скорее это связь между понятием и звуковым образом.
Звуковой образ - это не сам звук, а психологическое восприятие звука для слушателя.
Этот звуковой образ может быть назван «материальным» элементом в том смысле, что
он является представителем нашего сенсорного восприятия.
Для Соссюра лингвистический знак полностью нематериальный, хотя и отнести
его к абстрактным он также не может, что вызывает возражение у современных
исследователей. Также он подчёркивал, что звук и мысль (или означающее и
означаемое) неотделимы друг от друга как две стороны монеты. Они «близко связаны»
в мыслях путём ассоциативной связи. В рамках контекста разговорного языка знак не
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
15
Понятие знака в науке и искусстве
может состоять из звука без смысла или смысла без звука. Знаки принимают смысл
как часть формальной и абстрактной системы. Соссюровское понятие значения
(meaning) чисто структурное и реляционное, а не референциальное: первенство
отводится отношению между составными частями знаков, а не выводу присущих
особенностей означающих или ссылке на материальные сущности. Главное здесь
кроется в отношениях между знаками. Как означающее, так и означаемое являются
чисто реляционными сущностями. Это трудно понять, поскольку каждое конкретное
слово типа «дерево» имеет некоторое значение, и оно зависит от контекста в
отношении с другими словами, где это слово используется.
Соссюр подчёркивал, что в языке нет ничего, кроме различий. Какую бы сторону
знака мы не взяли, означающее или означаемое, всюду наблюдается одна и та же
картина: в языке нет ни понятий, ни звуков, которые существовали бы независимо от
языковой системы, а есть только смысловые различия и звуковые различия,
проистекающие из этой системы. И понятие, и звуковой материал, заключённые в
знаке, имеют меньше значения, нежели то, что есть вокруг него в других знаках.
Доказывается это тем, что значимость члена системы может изменяться без
изменения как его смысла, так и его звуков исключительно вследствие того
обстоятельства, что какой-либо другой, смежный член системы претерпел изменения.
Однако утверждать, что в языке всё отрицательно, верно лишь в отношении
означаемого и означающего, взятых в отдельности; как только мы начинаем
рассматривать знак в целом, мы оказываемся перед чем-то в своём роде
положительным.
Далее Соссюр утверждает, что вся лингвистическая система основана на
иррациональном принципе, что знак произволен. За этим заявлением немедленно
следует признание, что «этот применённый без ограничения принцип приведёт к
полнейшему хаосу». Если лингвистические знаки были бы во всех отношениях
полностью произвольны, язык не был бы системой, и его коммуникативная функция
была бы нарушена. Соссюр допускает, что «не существует никакого языка, в котором
вообще ничто не мотивировано». Он также признаёт, что «язык не полностью
произволен, ибо система имеет некоторую рациональность». Принцип произвольности
не означает, что форма слова случайна или произвольна. В то время как знак не
определяется экстралингвистически, он является предметом интралингвистического
определения. Например, означающие должны составлять правильно построенные
комбинации звуков, которые согласуются с существующими образами в рамках
рассматриваемого языка. Соссюр вводит различие между степенями произвольности:
фундаментальный принцип произвольной природы лингвистического знака не
препятствует различию в любом языке, что свойственно произвольно, т.е. не
мотивировано, от того, что только относительно произвольно. Не все знаки абсолютно
произвольны. В некоторых случаях имеются факторы, позволяющие нам распознать
разные степени произвольности. Знак может быть до некоторой степени мотивирован.
2.	Триадичная модель знака Ч. Пирса
Эта двухполюсная схема знака была существенно улучшена Ч. Пирсом. В
противоположность модели Соссюра Пирс предложил триадичную модель знака [6,7]:
16
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
•	репрезентамен (representamen) - форма, которую принимает знак (необязательно
- материальная);
•	интерпретанта (interpretant) - не интерпретатор, а скорее смысл, полученный из
знака;
•	объект - то, на что знак ссылается.
Пирс писал, что знак (в форме репрезентамена) - это нечто, что обозначает что-
либо для кого-нибудь в определённом отношении или объёме. Он адресуется кому-то,
то есть создаёт в мыслях этого индивидуума равноценный знак или, возможно, более
развитый знак. Знак - это репрезентамен с ментальной интерпретантой. «Возможно,
бывают репрезентамены, не являющиеся знаками, т.е. не нуждающиеся в ментальных
интерпретантах..., но всё равно мысль есть главный, если не единственный, способ
репрезентации» - подчёркивал Пирс. Тот знак, который он создаёт, Пирс называл
интерпретантой первого знака. Далее, знак что-то обозначает - именно свой объект.
Но он обозначает объект не во всех отношениях, но только в отношении к своего рода
идее, которую Пирс называл основой репрезентамена. Взаимодействие между
репрезентаменом, объектом и интерпретантой Пирс отнёс к понятию «семиозиса».
Репрезентамен подобен в значении означающему Соссюра, в то время как
интерпретанта - означаемому. Однако интерпретанта в отличие от означаемого имеет
свойство: она сама по себе является знаком в уме интерпретатора.
Пирс классифицировал знаки на категории, и самым фундаментальным
разделением знаков считал разделение на иконы, индексы и символы, которые
представляют объект на основе подобия, каузальности и произвольного консенсуса.
Кроме такого разделения Пирс различал знаки согласно их категорному статусу, в
соответствии со своими объектами и интерпретантами.
С категорной точки зрения знаки могут быть квалисайнами (qualisigns),
синсайнами (sinsigns) и легисайнами (legisigns). По Пирсу квалисайн - это знак,
имеющий природу явления (appearance), синсайн - это индивидуальный объект (слог
sin - это первый слог таких слов как semel, simul, singular и т.д.), легисайн - это знак
общей природы. «Разница между легисайном и квалисайном, ни один из которых не
является индивидуальной вещью, состоит в том, что у легисайна есть совершенно
определённая самотождественность, хотя зачастую и допускающая большое
разнообразие проявлений. Например, &, and и соответствующий звук - всё это одно
слово. Квалисайн же, напротив, не имеет никакой самотождественности. Это просто
качество явления, уже через мгновение не совсем такое, как прежде. Вместо
тождественности в нём есть большое сходство, и ему не надо сильно отличаться,
чтобы получить название совсем другого квалисайна» [6,7].
С точки зрения отношения между объектом и интерпретантой знак может быть
ремой (rheme), дицентом (dicent) и аргументом (умозаключением), т.е. знак может
означать качественную возможность, актуальное существование или пропозицию
(proposition).
Пирс связал категории знака с тремя фундаментальными образами бытия [6, 8, 9]:
• образ бытия позитивной качественной возможности;
•	образ бытия реального факта;
•	образ бытия законности (или конвенциальности),
назвав их первичностью, вторичностью и третичностью.
Первичность как потенция сущности является образом монадичного бытия,
состоящего из категории свойств явлений типа чёрный, горький или сладкий. По Пирсу
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
17
Понятие знака в науке и искусстве
первичность патентна (скрыта), неясна и одновременно важна. Первичность
существует в силу самой себя, не зависима ни от чего другого. В силу своей
монадичности чистая монада есть свойство, проявляющееся без своих частей, черт и к
тому же без своего воплощения.
Вторичность определяется как диадичное отношение между знаком и его
объектом. Отношение диадично, т.е. нечто «ещё» существует как бинарная сущность к
чему-то «первому». Отношение между первичностью и вторичностью диадично в том
смысле, что свойство само по себе не составляет факт, а просто связано с фактом.
Вторичность есть отношение между знаком и объектом, но без любого восприятия
отношения. Если мы бы восприняли такое отношение, мы были бы в третичности. Пирс
определяет отношение между первичностью и вторичностью как закон природы
(первичность) и как случаи, к которым закон применим (вторичность). Таким образом,
первичность существует латентно в мире, но для того, чтобы проявиться, она должна
стать вторичностью. Так, чтобы проявиться квалисайну, он должен быть поддержан
синсайном или иконой, которые здесь являются знаками вторичности.
Третичность является триадным отношением между чем-то первым и чем-то
вторым, которое показывает информацию о чём-то третьем. Третичность
определяется как категория общности, понимания рациональности и правильности.
Понятие «сила привычки» является центральным у Пирса, так как он предполагает, что
законы природы проявляются формированием привычки в природе. Третичность есть
посредник между первичностью и вторичностью, и она завершает триаду.
Таким образом, квалисайн, синсайн и_ легисайн являются знаками природы,
которые по своей сути монадичны и соответствуют первичности и репрезентамену.
Квалисайн здесь определяется как свойство (качество) знака, описывающее объект
благодаря элементам сходства или различия, т.е. квалисайн по необходимости есть
икона, и когда свойство является его логической возможностью, он может
интерпретироваться как знак бытия, т.е. рема. Синсайн, как конкретный пример знака,
существует в качестве своего свойства. Например, «чёрный костюм» является
примером синсайна, где «костюм» обладает свойством «черноты». Далее, легисайн
понимается Пирсом как законность или конвенциальность (договорённость). Этот знак
относится к знакам общего типа, а не к единичным объектам, смысл которого носит
договорный характер. Так как синсайн является знаком фактической вещи, то он также
выражает легисайн через свою точную копию, т.е. легисайн может пониматься через
конвенциальность. Отсюда отношение между квалисайном, синсайном и легисайном
проявляются в рамках самих себя, т.е. монадичности.
Теперь рассмотрим отношение между репрезентаменом и объектом, что будет
выражаться иконой, индексом и символом, соответствующих вторичности. Будем
считать икону, индекс и символ знаками человека [8, 9]. Заметим, что вторичность
является диадичным отношением между репрезентаменом и объектом. Можно,
конечно, при анализе образа человека сказать, что это икона, дым из трубы - индекс
огня в печке, а человек, изображённый на светофоре, является символом. Но это будет
правильным только в смысле восприятия, а на самом деле диадичное отношение
воспринимается без всякой интерпретации. Здесь корректно было бы сказать, что
образ человека, дым из трубы и изображение человека на светофоре содержат
иконические, индексальные и символические черты.
Икона есть знак связи с объектом через сходство. Например, любые фотографии
людей являются иконическими знаками, поскольку они сходны с объектами, их
18
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
представляющими. Пирс установил, что икона динамически не связана с объектом,
который она представляет, и её свойства только говорят о схожести со свойствами
объекта. Индекс, в свою очередь, предполагает референцию на что-то, т.е. он
ссылается на объект, имеющий каузальное с ним отношение. Результатом показаний
термометра для измерения температуры воздуха является индекс температуры
воздуха. Таким образом, индекс с объектом составляют органическую пару благодаря
отношению между ними. И наконец, символ является знаком, имеющим значение
благодаря конвенциальности или закону. Пирс понимает закон как ассоциацию
обычных идей, и знак, будучи конвенциальным, означает, что среди пользователей по
значению знака имеется соглашение. Примерами символических знаков являются
буквы, слова и числа. Символ содержит в себе иконические и индексальные черты, что
поясняется Пирсом на примере понятия «любить». Идея, стоящая за этим словом,
является ментальной иконой одного человека, любящего другого. Тогда в
предложении «Ромео любит Джульетту» «Ромео» и «Джульетта» являются индексами,
без которых предложение теряет смысл, и пара объектов, обозначенная индексами
«Ромео» и «Джульетта», представляется иконой или образом, представленным в наших
умах.
И, наконец, знак можно трактовать с точки зрения связи объекта и интерпретанты
как рему, дицент и аргумент, считая их знаками культуры, что соответствует
третичности [9]. Пирс назвал культуру конечной интерпретантой, без которой мы не
были бы теми, чем мы являемся на самом деле, и без которой мы не могли бы
воспринимать мир таким, какой он есть.
Рема ссылается на возможные объекты и понимается как представляющая
некоторый вид возможного объекта. Являясь коммуникативным компонентом
сообщения, рема может пониматься как логический предикат. Так, в [10] на основе
языка исчисления предикатов 1-го порядка был предложен метаязык, в котором
использовались некоторые свойства материальной импликации. Считалось, что на
глубинном уровне все предложения естественного языка имеют предикат
импликативного характера, причём посылкой этого предиката является тема, а
заключением - рема.
Дицентный знак является знаком реального существования. По этой причине этот
знак не может быть иконой, которая не обеспечивает возможности интерпретации. Для
описания случая, к которому дицент интерпретируется как референция, он должен
содержать рему по необходимости. Примерами этого знака могли бы быть целые
предложения.
Аргумент (умозаключение) является знаком конвенциальности и закона. Он
представляет объект в качестве своего знака. Примерами аргумента могли бы быть
целые отрывки текста, т.е. значимые связи дицентных знаков. При такой
интерпретации аргументы могли бы быть областями знаний, культуры, общества и т.п.
Можно интерпретировать аргумент как знак культуры, являющийся посредником
между природой и человеком [9].
Рассмотренные три сущности знака Пирс, как уже говорилось, связал с тремя
образами бытия: первичностью, вторичностью и третичностью, что графически
представляется рис. 1 [8,9].
Первая часть (репрезентамен) является трихотомией первичности. Здесь
квалисайн является знаком наиболее близким в первичности. Являясь основным
знаком первичности (как позитивной качественной возможности), квалисайн является
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
19
Понятие знака в науке и искусстве
основой для конструирования иконы и ремы. Пирс писал: «Поскольку качество
(свойство) вообще само по себе позитивно, оно может обозначать объект только
благодаря некоторому обычному ингредиенту или подобию» [6]. Подобие здесь
означает, что квалисайн при своём проявлении должен быть иконой, а когда свойство
существует только как чисто логическая возможность, квалисайн интерпретируется как
знак бытия, т.е. как рема. Рема является посредником между квалисайном и иконой, и
с точки зрения логической возможности она определяет, можно ли идентифицировать
сходство по картинке.
С другой стороны, объект, являющийся знаком, несущим квалисайн, есть синсайн.
Синсайн по определению является реальной вещью или событием, а для того, чтобы
квалисайн проявился, он должен быть воплощён в синсайне. Переход от квалисайна к
иконе через рему составляет законность в рамках первичности. И легисайн делает
возможной связь между квалисайном и синсайном. Пирс назвал такое проявление
квалисайна в синсайне через легисайн «силой привычки» (force of habit). В этом случае
семиозис монадичен и за ним не стоит никакой интеллектуальной интерпретации. В [8]
такой семиозис называется семиозисом знаков природы.
Рис. 1.
Второй частью (объектом) является трихотомия вторичности. Между первичностью
и вторичностью существует диадичное отношение. Вторичность является результатом
эволюции, имеющей место в первичности, которая как бы «переключает» процесс в
категорию вторичности. Из-за диадичного отношения между первичностью и
вторичностью икона, индекс и символ содержат элементы из первичности. Являясь
знаками реального существования, они выступают как объекты и несут в себе свойства
первичности. Эти знаки имеют некоторые черты, общие со своим объектом (икона),
они ссылаются на свой объект путём отношения существования с этим объектом
20
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
(индекс) или путём отношения конвенциапьности (законности) со своим объектом
(символ). Можно сказать, что в индексе есть икона, в синсайне имеется один или много
квалисайнов, а внутри дицента находится рема. Синсайн и дицент являются знаками
реального существования. Индекс также является знаком реального существования,
поскольку он выражает каузальное отношение между первичностью и вторичностью,
определяемое этим существованием.
Примером иконы является пиктограмма, в которой знак напоминает объект.
Примером индекса является след ноги, указывающий на человека, а примером
символа - знак в контексте типа уличного знака с буквой Р, обозначающего, что
парковка машин разрешена.
Третья часть (интерпретанта) рис. 1 является трихотомией третичности, и знаки, её
составляющие, выражают законность и конвенциальность. Пирс ввёл эти знаки, когда
разрабатывал свою логику. Вот почему отношение между ремой, дицентом и
аргументом является тем же самым отношением, что и в логическом выводе. Здесь
рема представляет собой предикат, дицент является посылкой, а аргумент есть
заключение, т.е. заключение является посредником между предикатом и посылкой.
Пирс подчёркивал, что в рамках интерпретанты наша способность делать суждения и
выводить заключения основывается на некой врождённой логике, по-видимому, на
логике, вытекающей из эволюции, идущей от природы к человеку со своей
конвенциальностью, и устанавливающей связь между первичностью и вторичностью
[9].
Так, легисайн представляет собой конвенциальный знак и что более важно, он
является также знаком, обозначающим законность в природе. Символ также является
конвенциальным знаком и обозначает законность как диадичное отношение между
природой и человеком. Однако это отношение всё же не интерпретируемо, и
становится триадичным. Связь между легисайном и символом создаётся аргументом,
который в наибольшей степени является знаком третичности. Так, в пределах
аргумента мы имеем легисайн, состоящий из квалисайна и синсайна, и символ - из
квалисайна, синсайна, легисайна, иконы и индекса. Также можно рассматривать рему
и дицент в пределах аргумента, т.е. можно считать аргумент вырожденным знаком в
том смысле, что он наиболее далёк от первичности, и всё же сохраняющим опасность
снова стать знаком первичности.
Комбинируя вышеупомянутые категории знаков, Пирс остановился на 10,
поскольку некоторые возможные знаки логически исключаются. По его классификации
квалисайн всегда будет рематической иконой, потому что свойство не может быть
конвенцией. Символ всегда представляет легисайн, так как он является
представителем своего объекта, основанном на контексте, а легисайн - знак
договорённости. Аргумент будет всегда символическим легисайном, поскольку он
третичен к интерпретанте и требует высокой степени интерпретации. Эти десять
категорий знаков рассматриваются как базовые и обеспечивают основу для
обсуждения, каким образом разные типы знаков требуют различных типов
интерпретации (см. рис. 2) [8,9].
Жирным шрифтом на рис. 2 отмечены границы между теми прилегающими
квадратами, которые соответствуют категориям, сходным только в одном отношении.
Все другие прилегающие квадраты принадлежат категориям, сходным в двух
отношениях. Неприлегающие квадраты принадлежат к категориям, сходным в одном
только отношении, за тем исключением, что каждый из трёх квадратов, составляющих
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
21
Понятые знака в науке и искусстве
вершину треугольника, принадлежит к категории, отличающейся во всех трёх
отношениях от категорий, которым соответствуют квадраты, располагающиеся вдоль
противоположной стороны треугольника. Названия, напечатанные светлым шрифтом,
являются дополнительными.
Здесь знаки природы: квалисайн, синсайн и легисайн, являются как бы именами
классов знаков. Интересно отметить, и это особенно подчёркивается в [9], что,
например, квалисайн как знак природы, воплощён в иконе и может пониматься как
рема, т.е. он может существовать как до-познавательная (pre-perceptive) позитивная
возможность, но пост-познавательно (post-perceptively) он существует как рема.
Аналогично синсайн также существует как возможность, хотя и неисчерпывающая, а
пист-познавательно синсайн становится дицентом. Также до-познавательный
легисайн, являясь знаком природы, пост-познавательно существует как некоторая
законность, определяющая наше восприятие (познание), что делает его аргументом.
Трихотомия первичности существует по обе стороны человеческого познания (до и
после). Фактически мы познаём не реальный мир, а мир знаков, и он существует в
нашей голове как символическое представление, определяемое нашей культурой.
1 Рематический иконический квалисайн	5 Рематический иконический легисайн	8 Рематический символический легисайн	10 . Аргументный символический легисайн
2	6	9
Рематический
иконический
синсайн
Рематический
индексальный
легисайн
Дицентный
символический
легисайн
3
Рематический
индексальный
синсайн
1
Дицентный
индексальный
легисайн
4
Дицентный
индексальный
синсайн
Рис. 2.
Но если человек является частью природы, можно ли его отнести к первичности?
Можно согласиться с точкой зрения Т. Теллефсена [9], что из-за своего интеллекта в
процессе эволюции человек потерял способность находиться в рамках первичности,
он вторичен. Поэтому то, что мы понимаем как мир, на самом деле является его
представлением, формирующим культуру. Отсюда культура понимается в рамках
третичности. Но как это согласуется с 10 категориями знаков Пирса?
22
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
Отметим, прежде всего, то, что все эти знаки ссылаются на трихотомию
третичности, т.е. их корни находятся в культуре. Также следует подчеркнуть важность
аргумента как знака культуры, который идёт от легисайна и понимается как
перемещение от репрезентамена (природы) к объекту (человеку) и который
осуществляет посредничество через интерпретанту (культуру). Пирс подчёркивал, что
третичность есть категория привычек (habits), которые стремятся стать
подсознательными. Таким образом, эволюционный путь третичности заключается в
стремлении семиозиса через третичность сформировать привычку, которая
постепенно становится всё более и более подсознательной, и третичность начинает
свой регресс к первичности, к реме. Культура формирует наш способ взаимодействия
в мире, который создаёт и формирует нашу способность к познанию, и то ментальное
пространство, которое можно назвать «сферой познания» (восприятия) [9]. «Сила
природы» знака лежит в том, что определяет эволюцию как знаков природы и человека,
так и знаков культуры.
3.	Треугольник Г. Фреге
Структуру знака удобно представлять в виде так называемого треугольника Фреге,
вершинами которого являются денотат, имя и смысл. Денотат (от лат. denote -
обозначаю) в логике и семантике - предмет (как говорил Фреге - «определённая вещь»
[11, 12]), обозначаемый собственным именем некоторого языка (в формализованном
языке - константой или термом), или класс предметов, обозначаемых общим
(нарицательным) именем (в формализованном языке - предметной переменной).
Например, собственное имя «Москва» обозначает столицу России, а сам город
является денотатом имени «Москва». Общее имя «студент» обозначает «всех людей,
проходящих обучение в вузах», и класс этих людей будет денотатом данного общего
имени.
Другой характеристикой имени является его смысл, что в повседневной речи
выражено синонимом значение. В логической семантике общее значение языковых
выражений делится на две части: предметное значение и смысл. Предметным
значением (денотатом, референтом) некоторого выражения называют тот предмет или
класс предметов, который обозначается данным выражением. Вместе с тем, каждое
выражение несёт в себе некоторое мысленное содержание, которое и называют
смыслом. Понять некоторое выражение, значит усвоить его смысл, т.е. смысл
выражения задаёт его денотат. Очевидно, что два выражения могут иметь одно и то же
предметное значение, но различаться по смыслу. Например, выражения «город, в
котором родился А.С. Пушкин» и «самый большой город в России» обозначают один и
тот же объект - город Москву, однако обладают разными смыслами. В логике понятиям
«денотат» и «смысл» соответствуют понятия объёма (экстенсиональность) и
содержания (интенсиональность). Экстенсиональность - объёмность; сведение
содержания, понятий, утверждений к их объёмам. Экстенсионалом собственного
имени является обозначаемый им предмет (объект). Экстенсионалом общего имени
будет класс обозначаемых им предметов (объектов); экстенсионалом предикатного
выражения называют класс предметов, обладающих соответствующим свойством и
т.п. [13].
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
23
Понятие знака в науке и искусстве
Экстенсиональный контекст - предложение или совокупность взаимосвязанных
предложений, говорящих только об экстенсионалах входящих в них выражений.
Критерием для различения экстенсиональных контекстов и неэкстенсиональных
(интенсиональных) является принцип взаимозаменимости: если при замене двух
выражений с одним и тем же экстенсионалом в некотором предложении это
предложение остаётся истинным, то, значит, мы имеем дело с экстенсиональным
контекстом. Если при такой замене истинное предложение превращается в ложное,
значит контекст неэкстенсионален. Например, выражения «Марк Твен» и «Самюэл
Клеменс» имеют один и тот же экстенсионал. Рассмотрим истинное предложение
«Марк Твен написал сатирическую повесть «Янки при дворе короля Артура»«. Если в
этом предложении мы заменим выражение «Марк Твен» экстенсионально
эквивалентным выражением «Самюэл Клеменс», то предложение останется истинным.
Следовательно, это предложение экстенсионально. Рассмотрим другое истинное
предложение: «N не знал, что Самюэл Клеменс является одним и тем же лицом, что и
Марк Твен». Если мы в нём сделаем замену, аналогичную предыдущей, то получим: «N
не знал, что Самюэл Клеменс является одним и тем же лицом, что и Самюэл Клеменс»,
что является ложным. Следовательно, контекст неэкстенсионален, т.е.
интенсиональными называются контексты, в которых принцип взаимозаменимости
нарушается.
Возвращаясь к понятию денотат, отметим, что денотатом собственных и общих
имён далеко не всегда являются реально существующие предметы и их совокупности.
Часто в качестве денотата выступают идеализированные, абстрактные объекты типа
«Дед Мороз» или «Андрей Болконский». В этом случае можно сказать, что они не
содержат экстенсионала или имеют нулевой экстенсионал.
Возвращаясь к Фреге, отметим, что в его первом тезисе подчёркивалось: «каждое
выражение, имеющее экстенсионал (у него референция), имеет смысл» [12, 14].
Например, «Вечерняя звезда» и «Утренняя звезда» имеют один и тот же денотат
(Венера), но различные смыслы, причём предложение ««Вечерняя звезда» есть
«Вечерняя звезда»« тривиально и не несёт никакой когнитивной информации о мире.
Наоборот, предложение ««Вечерняя звезда» есть «Утренняя звезда»« когнитивно
значимо и может быть известно только апостриорно путем проявления эмпирического
довода. Кажется правдоподобным, что обучение субъекта предложению ««Вечерняя
звезда» есть «Утренняя звезда»« отличается от обучения субъекта предложению
««Вечерняя звезда» есть «Вечерняя звезда»« именно тем, что при одном денотате
смыслы этих двух предложений разные. Интуитивно понятно, что разница в смысле
заключается в когнитивной значимости предложения ««Вечерняя звезда» есть
«Утренняя звезда »«.
Отсюда вытекает второй тезис Фреге: «смысл отражает когнитивную значимость»,
который верен как для собственных имён (термов), так и для общих. Когнитивная
значимость проявляется для двух предложений, имеющих разные смыслы, т.е.
неэквивалентных априорно.
Фреге писал, что смысл не является ментальной сущностью типа идеи или
образом, связанным с выражением. Природа смысла у Фреге не совсем ясна. Он
иногда использовал описание при определении смысла. Говоря о смысле имени
«Аристотель», он связывал его с описанием типа «Ученик Платона и учитель великого
Александра», которое является лингвистической сущностью [12, 14]. Описание может
ассоциироваться с экстенсионалом выражения, хотя в некоторых случаях
24
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
экстенсионал может быть не определён. Здесь, конечно, проявляется наше знание или
незнание действительного мира. Если мы обнаружим, что самой яркой звездой в
вечернем небе является Венера, то имя «Вечерняя звезда» будет ссылаться на Венеру.
Если же окажется, что самой яркой звездой в вечернем небе является Юпитер, то имя
«Вечерняя звезда» будет ссылаться на Юпитер. Экстенсионалы выражений зависят от
того, каким окажется реальный мир со своим множеством сценариев, и насколько
субъект обладает достаточной информацией о том или ином сценарии. Правда,
возникает вопрос: «Что считать достаточной информацией?» Понятно, что это та
информация, которая доступна субъекту, чтобы знать экстенсионал выражения, но
которую трудно точно определить. Но здесь проявляется эпистемическая зависимость
экстенсионала выражения от мира, в котором этот экстенсионал имеет место.
Эта эпистемическая зависимость предполагает, что смысл выражения может
рассматриваться как интенсионал, т.е. как функция от возможностей к
экстенсионалам, причём эта функция осуществляет связь эпистемической
возможности с экстенсионалом. Эта эпистемическая возможность является тем, что
Д. Чалмерс в [14] назвал сценарием, т.е. можно думать о сценариях как о возможных
мирах.
Интенсионал выражения может мыслиться как эпистемический интенсионал.
Рассмотрим снова предложение ««Вечерняя звезда» является «Утренней звездой»«.
Если сценарий, где самым ярким объектом в вечернем небе является Юпитер, а в
утреннем - Нептун, априорно принять действительным, окажется, что «Вечерняя
звезда» не является «Утренней звездой». И с другой стороны, взяв реальный сценарий
с Венерой, получим, что интенсионал предложения ««Вечерняя звезда» является
«Утренней звездой»« истинен.
Основой для эпистемического интенсионала является наша способность
описывать и оценивать эпистемические возможности. Конечно, любой определённый
сценарий должен быть описан, чтобы оценить его как эпистемическую возможность. В
зависимости от сценария эпистемический интенсионал будет или истинным, если
некоторое предложение эпистемически возможно в данном сценарии, или ложным,
если это не так, или неопределённым, если эпистемический интенсионал этого
предложения является неопределённым в нём. К сожалению, многие имена (термы) не
могут быть описаны своим эпистемическим интенсионалом. Лучшее, на что можно
надеяться, - это аппроксимировать эпистемический интенсионал при описании того
или иного терма, единичного или общего. Так что эпистемический интенсионал не
является описанием термов. Если дано выражение (единичный терм, общий терм и
т.п.), оно будет ограничено некоторым типом экстенсионала (индивидуум, класс и т.п.),
а его интенсионал является функцией от сценария к соответствующему типу
экстенсионала. Так, интенсионал единичного терма есть функция от сценария к
индивидууму, интенсионал общего терма - функция от сценария к классу, а интен-
сионал предложения является функцией от сценария к истинностным значениям [14].
Теперь рассмотрим третий тезис Фреге о том, что смысл сложного выражения
зависит от смыслов его частей. Для определения смысла сложного выражения сначала
надо определить его логическую форму, затем найти смысл основных термов и
используя логическую форму выражения составить смысл его частей. Говоря об
экстенсионале сложного выражения в некотором сценарии, правдоподобно отметить,
что он будет зависеть от экстенсионалов его частей в том же сценарии вместе с
интенсионалом этого выражения, также зависящего от интенсионалов его частей.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
25
Понятие знака в науке и искусстве
Фреге считал, что экстенсионал терма, сложного выражения или предложения
некоторым образом определяется его смыслом, что нашло отражение в четвёртом
тезисе. Однако смысл выражения в общем случае не определяется его
экстенсионалом, что можно видеть на примере «Вечерняя звезда» и «Утренняя
звезда», которые имеют один и тот же экстенсионал, но разные смыслы.
Имеются некоторые трудности при определении смысла его экстенсионалом.
Следуя [14], можно сказать, что смысл строго определяет экстенсионал, если любые
два выражения, имеющие один и тот же смысл, имеют один экстенсионал. Отражая
когнитивную значимость, смысл двух термов «Вечерняя звезда» и «Утренняя звезда»
однако ж при всей одинаковости экстенсионала в зависимости от среды (мира) вряд ли
мог бы определяться только когнитивной ролью. Можно сказать, что смысл слабо
определяет экстенсионал, если экстенсионал определяется смыслом в союзе с
окружающим миром. Поэтому кажется правдоподобным, что терм «Утренняя звезда»
относится к планете Венера не просто из-за его смысла, а из-за образа действия, в
котором мир находится.
Что касается пятого тезиса Фреге о смысле косвенных контекстов, т.е.
дополнительных придаточных предложений, вводимых союзом «что», то для этого
случая эти придаточные предложения не имеют своего обычного экстенсионала. Так,
если для двух предложений «N полагает, что Марк Твен является писателем» и «N
полагает, что Самюэл Клеменс является писателем», окажется, что первое - истинно, а
второе - ложно, то истинностное значение этих предложений не может быть
определено экстенсионалами их придаточных частей при условии, что «Марк Твен» и
«Самюэл Клеменс» имеют один и тот же экстенсионал. Отсюда Фреге полагал, что в
косвенных контекстах выражения ссылаются на свои обычные смыслы, и поэтому
экстенсионал есть то, что обычно является его смыслом. Так, «Марк Твен» в данном
примере является не личностью, а только смыслом «Марк Твен». Однако тщательный
анализ косвенных контекстов говорит о более тонких особенностях, нежели это
предлагает тезис. И это связано с предложениями, включающими убеждения (belief) и
связанными с ними приписываниями тех или иных отношений. Рассмотрим
приписывание убеждения на примере типа: «Пётр убеждён, что я русский». Здесь
смыслом «я» является эпистемический интенсионал, выбирающим центром сценария
индивидуума, а смысл «я русский» истинен только в тех сценариях, где индивидуум
имеет определённое национальное происхождение. Если бы Пётр учитывал убеждение
с этим смыслом, он отнёс бы это национальное происхождение к самому себе. Но
очевидно, что это не то, что Пётр принимал во внимание, когда он полагал, что я
русский. Таким образом, исходя из текущего понимания смысла, выходит, что Петру
приписан неверный тип убеждения [14].
По Фреге смысл предложения является специальным типом сущности, «мыслью»,
а сама мысль, по его мнению, не есть ментальная сущность. Точно так же как
предложение может быть истинным или ложным, утверждение также может быть
истинным и ложным, причём предложение истинно тогда и только тогда, когда
утверждение, его выражающее, истинно. Фреге считал, что утверждение истинно или
ложно абсолютно, что нашло отражение в его шестом тезисе: смысл предложения
имеет абсолютное истинностное значение. По его точке зрения невозможно, чтобы
одно и то же утверждение было истинным или ложным, например, в разное время.
Если два предложения, произнесённые субъектами в любое время, выражают одно и
то же утверждение, они имеют то же самое истинностное значение.
26
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
Однако многие предложения, произнесённые по одному случаю, могут быть
истинными, но ложными по другому. Например, предложение «Сейчас идёт дождь»
будет ложным, если я произнёс его сейчас, но истинным, если я произнёс его в это же
время вчера. Но если придерживаться этого тезиса, окажется, что это на самом деле
не так. Очевидный источник этого затруднения кроется в индексальном выражении
«сейчас». С точки зрения Фреге такое индексальное выражение имеет разные смыслы
в зависимости от разных обстоятельств. То же самое касается и многих других
индексальностей: «я», «здесь», «сегодня», «завтра» и т.п.
Одна идея заключается в том, что смысл такого выражения должен быть встроен в
его денотат. Если это так, моё высказывание «сейчас» сегодня имеет смысл,
встроенный в конкретный вторник, а высказывание «сейчас» завтра содержит смысл,
который встроен в конкретную среду. Аналогично моё высказывание для «я» имеет
смысл, встроенный в конкретную личность «Вадим Вагин», в то время как ваше
высказывание имеет смысл, полагающийся на другую личность, например, «Ирина
Анищенко».
Но всё-таки, когда я использую выражения типа «сейчас» или «сегодня», денотат не
отражается в когнитивной значимости выражения для меня. У меня нет никакой идеи о
том, какой сегодня день, и день мог бы измениться, что никак не скажется на моей
познавательной способности. Отсюда имеется некоторая натянутость между такого
рода утверждениями и тезисом, что смысл отражает когнитивную значимость.
Естественным выходом из этой натянутости является отказ, что интенсионал
является функцией от «объективных», т.е. одних и тех же миров к экстенсионалам.
Скорее интенсионалы могут рассматриваться как функции от «центрированных» миров
к экстенсионалам. Здесь центрированный мир (centered world) есть мир, помеченный
«центром», где центр состоит из индивидуума и времени, представленных в этом мире
[14].
Объективное описание мира не является эпистемически полным, и чтобы сделать
его таким, описание нуждается в локальной информации типа маркера «Вы сейчас
здесь», указывающего, что за индивидуум есть «Вы», и какое время «сейчас». Этот тип
эпистемической возможности лучше всего представляется центрированным миром.
Раз уже эпистемически возможные сценарии представляются как центрированные
миры, можно сказать, что эпистемический интенсионал для «я» выбирает индивидуум,
отмеченный в центре данного сценария, и эпистемический интенсионал «сейчас»
выбирает время, отмеченное в этом центре. Эпистемический интенсионал «сегодня»
будет выбирать день, содержащий время, отмеченное в центре данного сценария, а
эпистемический интенсионал «завтра» выберет следующий день. Эти интенсионалы
будут общими для всех случаев использования этих выражений.
Если два разных субъекта используют индексальное выражение типа «я», они будут
населять два разных центрированных мира: один, центрированный по первому
субъекту, а второй - по второму. Таким образом, эпистемический интенсионал для «я»
будет выбирать разные действительные экстенсионалы для каждого из этих субъектов.
Нечто аналогичное имеет место и для «сейчас»: если это выражение используется в
разное время, интенсионал будет оцениваться разными центрированными мирами.
Введение центрированных миров имеет одно существенное следствие: смысл
предложения больше не имеет абсолютного истинностного значения. Когда я
произношу фразу «Сейчас идёт дождь», вчера и сегодня, моё высказывание имеет тот
же самый эпистемический интенсионал оба раза, но он ложен вчера и истинен
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
27
Понятие знака в науке и искусстве
сегодня. Таким образом, интенсионал не является истинным или ложным абсолютно.
Он истинен или ложен только относительно субъекта и времени, что, к сожалению, не
подтверждает шестой тезис Фреге. Хотя требование, что смысл предложения является
абсолютным носителем истины, был важным для Фреге, есть основания полагать, что
отказ от этого тезиса не причинит значительного ущерба взглядам Фреге на природу
смысла и поможет только углубить наше понимание структуры знака.
Заманчиво считать, что смысл выражения является его универсальной чертой, т.е.
каждый его символ имеет один и тот же смысл. Однако Фреге полагал, что смысл
выражения может варьироваться в зависимости от случаев его использования, что
нашло отражение в его седьмом тезисе. Так, смысл предложения типа «Сейчас здесь
идёт дождь» различен в зависимости от обстоятельств его использования, что, по-
видимому, относится к разнице смысла выражений типа «здесь» и «сейчас», которые
могут использоваться в разных случаях. Фреге также подчёркивал, что два разных
индивидуума, произнося имя «Аристотель», могут ассоциировать это имя с разным
смыслом. Для таких случаев нужно придать смысл символам (tokens) выражений,
которые используются в конкретных контекстах и в разных обстоятельствах. Из этого
следует, что понимание смысла выражения у Фреге не следует идентифицировать с
его лингвистическим значением, в котором все символы выражения имеют общий
смысл.
Подытоживая сказанное, отметим, что хотя и не все тезисы Фреге подтверждаются
(это касается пятого и шестого тезисов), его вклад в номинативную теорию
предложения трудно переоценить. Именно теория имени легла в основу треугольника
Фреге, который является стержнем современной логической семантики.
4.	Синтактика, семантика, прагматика
Семиотика разделяется на три основных области: синтактику (или синтаксис),
семантику и прагматику. Любой язык как семиотическая система функционирует и
эволюционирует в трёхмерном пространстве. Синтактика занимается изучением
формальных или структурных отношений между знаками. Семантика охватывает сферу
отношений между знаками и тем, что они обозначают, а прагматика - сферу
отношений между знаками и теми, кто ими пользуется (интерпретаторы).
Синтактика изучает знаки и их сочетания согласно синтактическим правилам. Так,
в формальных системах математической логики логический синтаксис
сосредотачивает своё внимание на логико-грамматической структуре языка, в которой
язык выступает как совокупность объектов, связанных между собой в соответствии с
двумя классами правил: правила образования и правила преобразования i выражений.
В первом случае эти правила позволяют образовать так называемые правильно
построенные выражения (формулы), а во втором - получить другие правильно
построенные выражения из множества аксиом и посылок. Правила преобразования
носят название правила вывода. Не вызывает сомнения, что все достижения
логического синтаксиса усвоены синтактикой, и он оказывает всё большее влияние на
семантику и прагматику. В [1,2] подчёркивается, что при всей важности роли
логического синтаксиса его нельзя отождествить с синтактикой. Логический синтаксис
ограничивает свой круг исследований синтаксической структуры лишь таким типом
28
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
знаковых сочетаний, которые преобладают в науке, и не затрагивают другие языковые
конструкции типа приказания, стихотворных строк и т.п.
Семантика, как мы уже говорили, имеет дело с отношением знаков и того, что они
обозначают. Семантика предполагает синтактику, и эта зависимость семантики от
синтактики особенно очевидна, когда невозможно обойтись без теории формальной
структуры языка. Если в синтактике имели место правила образования и
преобразования выражений, то семантике выступают семантические правила,
определяющие, при каких условиях знак применим к объекту или ситуации, причём
такие правила устанавливают соответствие между знаками и ситуациями, которые
данные знаки способны обозначать (иметь своим денотатом). Знак может иметь
денотатом всё то, что отвечает условиям, сформулированным в семантическом
правиле, тогда как само правило констатирует условия обозначения, и тем самым
определяет класс или род денотатов [1,2]. Возвращаясь к формальным системам
математической логики, семантика Тарского позволила формально определить такое
ключевое понятие как понятие «истина». Правда, в спорах о термине «истина» всегда
возникал вопрос об отношении знаков к сущностям, который сравнительно мало помог
развитию семантики языка. Можно сказать, что знак имеет семантическое измерение,
коль скоро существуют семантические правила, которые определяют его
применимость к некоторым ситуациям при некоторых условиях.
Говоря о прагматике, опять стоит отметить Ч. Пирса как основателя этого течения
в западной философии. В 1871г. Ч. Пирс выступил с докладом, содержавшим
основные идеи прагматизма, а в конце 1878 г. изложил их в статьях «Закрепление
верования» и «Как сделать наши идеи ясными», опубликованных в «Популярном
научном ежемесячнике». И как это уже было не раз, эти статьи остались
незамеченными научной общественностью [15].
Прежде всего, Пирс стал говорить не о знании, а об убеждении (вере), понимая под
ним готовность или привычку действовать тем или иным способом. Если
противоположностью знания обычно считается неведение, то Пирс противопоставил
убеждению сомнение. И с точки зрения действия процесс познания означал переход
не от незнания к знанию, а от сомнения к убеждению, однако не субъективному, а
коллективному или социальному.
Объективное знание было заменено социально принятым убеждением
(верованием). Что касается истины, то она определяется Пирсом как общезначимое
принудительное убеждение, к которому пришли бы исследователи, если бы процесс
исследования продолжался бесконечно.
В своём знаменитом «принципе» или «практической максиме» он рассматривал
практические последствия, произведённые объектом понятия, как следствие о полном
понятии объекта, или «наша идея какой-либо вещи есть идея её чувственных
последствий». Идеи Пирса были развиты Джеймсом, который рассматривал прагматику
как некоторый метод и как особую теорию истины. По Джеймсу понятие - это не
элемент, а способ, с помощью которого некоторые данные восприятия функционируют в
процессе репрезентации, и что такое «мыслительное» функционирование - это отнюдь
не простое созерцание мира, но в высшей степени избирательный процесс, в ходе
которого организм получает указания о том, как ему действовать в отношении
окружающего мира, чтобы удовлетворить свои нужды и интересы.
Моррис в [1] так сформулировал, что представляет особый интерес для
прагматики: «интерпретатор знака - организм; интерпретанта - это навык организма
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
29
Понятие знака в науке и искусстве
реагировать под влиянием знакового средства на отсутствующие объекты,
существенные для непосредственной проблемной ситуации, как если бы они были
налицо. Благодаря семозису организм учитывает существенные свойства
отсутствующих объектов или ненаблюдаемые свойства наличествующих объектов, и в
этом заключается общее значение идей как инструмента».
Прагматика предполагает как синтактику, так и семантику, так же как семантика в
свою очередь предполагает синтактику. Синтаксические правила определяют
знаковые отношения между знаковыми средствами; семантические правила соотносят
знаковые средства с другими объектами; прагматические правила констатируют
условия, при которых знаковое средство является для интерпретаторов знаком. Любое
правило, когда оно реально применяется, выступает как тип поведения, и в этом
смысле во всех правилах есть прагматический компонент.
Вернёмся к треугольнику Фреге. Только теперь наряду с понятиями знака и
предметного языка (языка-объекта) введём понятия метазнака и метаязыка. Так, если
все сущности рассматривать на нулевом семантическом уровне, то утверждения об
этих сущностях описываются на предметном языке (семантика 1-го уровня). В свою
очередь язык, описывающий предметный язык, называется метаязыком (семантика 2-
го уровня). Например, в математической логике язык самой формальной логической
системы вместе со своими исходными символами, правилами образования термов и
формул, правилами выводов одних формул из других является предметным языком. В
то же время язык, на котором даётся описание формальной системы, есть метаязык.
Так, высказывание на предметном языке типа Vx(A(x)->B(x))->(VxA(x)->VxB(x))
является теоремой (выводимой формулой) исчисления предикатов 1-го порядка, а
высказывание на метаязыке типа «Исчисление предикатов первого порядка
непротиворечиво» является метатеоремой. Соотношение между метаязыком и
предметным языком можно в некотором смысле уподобить соотношению между
русским и английским языками с точки зрения человека, родным языком которого
является русский и который изучает английский.
Знак, служащий для описания другого знака, есть метазнак. Например,
утверждение «Сейчас идёт дождь» дано на предметном языке, а «Утверждение «Сейчас
идёт дождь» является истинным утверждением» - на метаязыке. Когда хотят
подчеркнуть неразрывность синтактики, семантики и прагматики, также используют
треугольник, вершины которого являются синтактикой, семантикой и прагматикой.
Синтактика определяет способ кодирования метазнака, семантика - его смысл, а
прагматика - те процедуры, которые так или иначе связаны с этим метазнаком, и
предписываются им.
Как и в треугольнике Фреге, в треугольнике, определяющем метазнак, имеются
внутренние связи. Связь, устанавливающая отношение между синтактикой (имя) и
семантикой (смысл), позволяет по имени получать всю информацию о той сущности, с
которой субъект столкнулся. И наоборот, некоторое описание, хранящееся в
метазнаке, может получить при необходимости, соответствующее ему синтаксическое
выражение.
Аналогично, связь между семантикой и прагматикой позволяет делать объяснения
причин выполненных процедур, а в обратную сторону эта связь позволяет
формировать действие на основании анализа той ситуации, которая характеризуется
данным знаком (и, в частности, планировать наиболее целесообразную
последовательность действий).
30
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
И, наконец, связь между синтактикой и прагматикой позволяет по имени выбирать
некоторые действия, не обращаясь к семантике. Это возможно тогда, когда имя и
действие связаны между собой однозначно. Например, увидев красный свет
светофора, водитель машины автоматически нажимает на педаль тормоза. Эта же
связь позволяет по совершённым действиям восстановить имя той ситуации, в
которой стало необходимым совершать данные действия [16].
Наличие метауровня позволяет не только реализовать активность соответствующих
процедур, но и проводить рассуждения о знаках, отвечать на вопросы о том, как
устроена знаковая система. Таким образом, появление метауровня позволяет
реализовать свойство рефлексии или способности к самонаблюдению и самоанализу.
Возможность рефлексивных рассуждений существенно приближает знаковые системы к
тем, которыми пользуется в своей повседневной практике человек.
5.	Дизайн как знаковая система
Культура понимается как совокупность знаковых систем, с помощью которых
человечество оберегает свои ценности, своеобразие и осуществляет связи с
окружающим миром. Она выполняет функцию отбора и структурирования информации
о внешнем мире. Соответственно различные культуры могут по-разному производить
такой отбор и структурирование, а значит, и отличаются знаковые системы этих
культур [17].
Семиотика культуры подразумевает широкий спектр семиотик изобразительного
искусства, литературы, музыки, театра, кино, телевидения, играющие большую роль в
жизни человеческого общества и коммуникации.
Основным средством коммуникации, как известно, является язык как система
взаимосвязанных знаков, синтаксические, семантические и прагматические аспекты
которых были нами рассмотрены. Считаем, что любой отдельный язык оказывается
погружённым как бы в некоторое семиотическое пространство, и только в силу
взаимодействия с этим пространством он способен функционировать, причём
единицей семиозиса следует считать не отдельный язык, а всё присущее данной
культуре семиотическое пространство. Это пространство Ю.М. Лотман называет
семиосферой по аналогии с биосферой В.И. Вернадского [18,19]. Если биосфера
является совокупностью и органическим единством живого вещества, то семиосфера
- условие развития культуры. Семиосфера отличается неоднородностью и
асимметричностью. Неоднородность определяется гетерогенностью и
гетерофункциональностью языков. На любом синхронном срезе семиосферы
сталкиваются разные языки, разные этапы их развития, некоторые тексты оказываются
погружёнными в несоответствующие им языки, причём все элементы семиосферы
находятся не в статическом, а в подвижном, динамическом соотношении. Говоря об
асимметричности семиосферы, необходимо отметить систему направленных токов
внутренних переводов, которыми проникнута вся семиосфера. Перевод есть основной
механизм сознания, и в нём нет взаимно однозначных соответствий, отсюда и
асимметричность структуры семиосферы [18,19].
Из всего многообразия семиотик культуры мы остановимся только на семиотике
дизайна. Из множества пониманий слова «дизайн», начиная от художественного
конструирования до технической эстетики, сейчас международное обозначение слова
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
31
Понятие знака в науке и искусстве
и смысла «дизайн» мыслится как «индустриальный дизайн». Существуют разные виды
дизайна: ландшафтный дизайн, дизайн интерьера, дизайн одежды, выставочный
дизайн и многое другое. В основе многих разновидностей дизайна лежит основной
принцип: «что функционально, то красиво» (принцип функционализма).
Теперь сопоставим структуру знака со структурой дизайна, привлекая треугольник
Фреге. Для этого, чтобы подчеркнуть неразрывность трех сторон в каждом знаке -
синтактику, семантику и прагматику - отобразим их на имя формы, содержание
(замысел) и реализацию представления дизайна, как показано на рис. 3. Упрощённо
можно считать, что дизайн является процессом порождения форм с целью обогащения
самого человеческого существования. Очевидно, что понятие «обогащение»
многозначно и может пониматься по-разному даже тогда, когда его действие,
наоборот, в чём-то ограничивает наше существование. В дизайне под формой
понимается физическая неодушевлённая сущность, а создаваемый образец (модель) -
некоторый род человеческого взаимодействия. Человек рассматривает окружающую
его среду как некую физическую форму и пространственную организацию. При этом
дизайн рассматривается как комплекс социальных, культурных, экономических и
физических усилий, направленных на решение проблем. Процесс дизайна зависит от
языка форм, представленного множеством сущностей и правилами их
комбинирования. Как и любой язык, он характеризуется своим синтаксисом,
семантикой и грамматикой, которая задёт правила комбинирования сущностей.
Метазнак
Прагматика
(представление)
Реализация
представления
Рис. 3.
32
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
Правила для комбинирования сущностей составляют грамматическую компоненту.
Они могут выводиться путём договорённости, из физических законов или логическими
процессами. По Хомскому в лингвистической теории грамматика делится на два
уровня: поверхностная структура и глубинная. В поверхностной структуре различают
подлежащее, сказуемое, дополнение и т.п., а в глубинной учитываются
фундаментальные организационные принципы языка. Обе эти структуры связаны
посредством трансформационной грамматики, позволяющей нам формировать и
понимать новые предложения т е. те предложения, которые мы никогда до этого себе
не представляли, что говорит об обучении и креативном использовании языка в
повседневной жизни.
Для организации сущностей служит синтаксическая компонента, причём любое
изменение в организации сущностей может приводить к изменению их значения, что
составляет область семантической компоненты. Но там, где синтаксис первично имеет
отношение к организации сущностей, связанных с изменением значения, семантика
непосредственно связана с анализом тех фактических значений, которые ей
передаются.
Особенно стоит отметить ещё четвёртую компоненту языка - символическую -
наиболее неуловимую из всех компонент. Значение сущностей ассоциируется с
символической компонентой не в смысле того, что представляется семантикой, а в
смысле бессознательно и коллективно связанных значений сущностей языка. Здесь
значение ставится выше любого присущего качества самой сущности, и сущность,
функционирующая как символ, извлекает ответы, эмоциональные ответы, которые
нельзя получить из трёх других комг онент [20].
При рассмотрении языка форм как иерархической системы грамматическая и
синтаксическая компоненты при отсутствии значения сущностей попадают на
формативный уровень, семантическая компонента находится в рамках означенного
уровня, а символическая - в рамках символического уровня.
На формативном уровне различаются наименьшие восприимчивые сущности
языка, т.е. те минимальные комбинаторные элементы, составляющие подсистемы
языка. На этом уровне применяются правила для комбинирования и манипулирования
сущностями и никакого значения им не приписывается.
На означенном (содержательном) уровне сущностям и их комбинациям
присваиваются значения, причём присвоение осуществляется произвольно путём
некоторого консенсуса, происходящего между договаривающимися сторонами.
Консенсус зависит от компетенции сторон, от их способности передать то, что одна
сторона желает сказать, и от того, насколько другая способна понять значение
передаваемых сущностей.
На символическом уровне значения сущностей бессознательно ассоциируются с
сущностями всех сторон, участвующих в этом процессе. Сущности на этом уровне
кроме семантической интерпретации предполагают качества глобального, можно
сказать космического или национального масштаба [20].
Все уровни языка форм наиболее полно функционируют в искусстве, в частности, в
литературе, рисовании, музыке и т.п. В науке, в частности, в математике, наиболее
успешно функционируют формативный и означенный уровни, где исключены все
двусмысленности в логической структуре языка и в интерпретации его сущностей.
Рассматривая дизайн как язык форм, можно увидеть внутреннюю связь между
дизайнером и пользователем.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
33
Понятие знака в науке и искусстве
На формативном уровне имеются геометрические формы в своих наипростейших
проявлениях. Здесь формы сводятся к минимальным идентифицируемым
компонентам, таким как вершины (точки), рёбра (линии), грани (поверхности) и
объёмы. Правила комбинирования и связи одних компонент с другими служат для
порождения новых форм. На этом уровне проявляются геометрические и
топологические соотношения между сущностями, включающие как изолированные, так
и агрегированные формы. Изолированные формы могут быть двумерными и
трёхмерными, содержащими систему образования многоугольников и многогранников
и отношения, наблюдаемые в периметре, области поверхности и объёма. Аналогично
агрегированные формы также являются двумерными и трёхмерными и включают
средства упаковки и покрытие поверхности и пространства окружностями, сферами,
многоугольниками, многогранниками и т.п.
На формативном уровне кроме методов и правил связывания одной формы с
другой и порождения новых форм применяются также интуитивные персональные
правила, используемые дизайнерами при изменении форм. Они проявляются при
манипулировании материалами, текстурами в процессе дизайна. Дизайнер с богатым
словарём форм может сделать более интересную и значимую работу, нежели работая
с ограниченным словарём. Можно сказать, что язык форм аналогичен музыке, где
значения не ассоциируются с конкретными нотами, а проявляются только при
комбинировании нот в композицию [20]. В языке форм значения проявляются на
означенном (содержательном) уровне.
На этом уровне геометрическая форма и стиль дизайна помещаются в среду
(окружение). Дизайнер связывает форму с пользователем, т.е. форма действует здесь
как средство для послания. Послание сфокусировано на вопросе о том, что хотел
воплотить дизайнер, причём, как правило, это послание неуловимо связано с лицами в
среде именно через форму. На означенном уровне форма сливается с образцом
(моделью) и при этом слиянии может быть оценена компетенция дизайнера. Он
пытается так упорядочить сущности языка форм, чтобы увеличить вероятность
понимания этих форм пользователем. Если дизайнер рассматривает форму в среде в
качестве посредника между собой и пользователем и этот диалог понятен
пользователю, то это говорит о компетенции дизайнера.
На символическом уровне форма предполагает те свойства, которые лежат сверх
конкретных намерений дизайнера и пользователя. Хотя дизайнер пытается принять во
внимание символические значения форм, тем не менее, он не может создать символ.
Форма становится символом через своё использование и распознавание. Например,
хотя полусферы и купола повсеместно использовались в некоторых культурах человека,
они почти всегда универсально применялись как места поклонения и культа, символизи-
руя космос. Символическое значение формы купола развивалось независимо от любого
здравого смысла символического содержания, присущего этому содержанию [20].
Фундаментальным противопоставлением в дизайне является противопоставление
между физической формой и содержанием. Ещё во времена Платона материальный
мир играл подчинённую роль в западном образе мышления, и только форма была
созидательной силой, которая проявляла себя в бездушной материи. Идеи, понятия
были выше физических объектов реального мира. Если для Платона форма была
нематериальным аспектом, то сегодня после долгих шараханий и эклектических
воззрений дизайнерского сообщества форма тесно связана с материальным аспектом
сущности.
34
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
Придерживаясь принципа функционализма, к началу 20-го столетия стало
популярным изречение: «форма следует за функцией» [21]. Новые технологии и новые
материалы привели к новым формам и методам в дизайне. Технологические
разработки проложили путь к своему собственному пониманию эстетики в дизайне,
результатом чего рациональность к середине 20-го века стала триумфатором
индустриального дизайна. Сегодня мы стоим перед технологической и
функционалистской приливной волной в области дизайна, где технологические
критерии и максимальная функциональность привели к созданию изделий массового
пользования. Возможно, наступает время, когда эстетика будет управлять
технологией, и в дизайне будет главенствовать принцип: «функция следует за формой»
[21]. Конечно, отношения между содержанием, формой и технологией в современном
дизайне очень сложны и трудно поддаются творческому осмысливанию.
Проблема заключается в лавировании между Сциллой и Харибдой, между
которыми курсирует дизайн, а именно технологией и искусством. Отсюда многие
теории дизайна фокусируются, к сожалению, только на одной стороне проблемы, или
на техническом кснструировании, где главный принцип зиждется на необходимости
рациональности, или на эстетическом, символическом восприятии реального мира.
Отсюда понятна и важна выдвинутая Ч. Моррисом идея рассматривать эстетику как
часть семиотики, в которой он видел путь к интеграции естественных и гуманитарных
наук.
Ценность исследований значения отдельных знаков и символов в искусстве не
подлежит сомнению. И говорить о нескольких возможных подходах к описанию
феномена искусства в семиотических терминах значит говорить не только о различии
применяемых теорий знаков (Ч. Пирса, Ф. деСоссюра, Г. Фреге и др.), но и от
несовпадения способов приложения семиотических понятий к художественным
произведениям. Констатация коммуникативных и репрезентативных функций у
художественных произведений позволила говорить о них как об особых
«художественных» или «эстетических» знаках [3].
Однако, взгляд на художественное произведение как на сдельный знак мало что
даёт для понимания его внутренней структуры. В частности, объединение
произведений живописи, графики, дизайна вместе с другими изображениям в одну
категорию «иконического знака» ещё никак не объясняет, как эти изображения
построены, и чем они отличаются друг от друга.
Больше возможностей в этом отношении открывает взгляд на произведения
искусства не как на автономный знак, а как на сложный текст, составленный из знаков
некоего языка. В таком случае становится правдоподобным различение «языка
дизайна», «языка графики» и других видов искусства как особых семиотических систем
[3].
Особенность искусства оказывается не в создании специальных «художественных»
знаков или автономных языков, а в вовлечение в свою сферу самых разных языков
культуры и в разработке их семиотических средств. Открывается также взгляд и на
эволюцию художественной культуры как на процесс изменения соотношений между
семиотическими системами. В частности, история дизайна предстаёт в
семиотическом аспекте как история изменения комплекса визуально-
пространственных форм и их соотношений. Подобно тому, как изменчивы формы
видения и визуального мышления у дизайнеров, подвержены историческим
переменам и способы осмысления созданных ими произведений в сознании зрителей.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
35
Понятие знака в науке и искусстве
Поэтому параллельно с историей художественного творчества развивается также
история восприятия и осмысления художественных произведений публикой.
Чем глубже наше понимание социально-экологических, этнокультурных и духовно-
практических функций среды, тем сильнее потребность в концептуальности культуры
дизайна.
В 70-80-х годах прошлого столетия термины «концепция», «концептуальность»
приобрели широкое хождение и смысл. Творческая суть концептуализма направлена
на использование мышления, интеллекта в создании и потреблении произведений
искусства и других эстетических и культурных ценностей. Концептуализация
творчества есть не что иное, как установка на осознание его ценностного содержания,
на проявление тех художественных и духовных ценностей, которые утверждаются или
отвергаются в данном художественном произведении.
Культура дизайна - это высший уровень сферы дизайна, надстраивающийся над
текущим проектным процессом преобразования и/или воссоздания среды, над такими
его составляющими как проектирующие сообщества, проектное хозяйство,
проектируемые части среды и, разумеется, над инфраструктурой дизайна [22].
Культура дизайна включает в себя [22]:
•	ценностно-значимые образы проектируемой предметной среды, вне зависимости
от того, возникли ли они сами собой, или были встроены в неё согласно воле
дизайнера;
•	творческие концепции, являющиеся содержанием творческого сознания, и
программы, являющиеся содержанием творческой воли, а также методики,
эвристики и т.п.;
•	мыслимые, чувствуемые, осязаемые ценности данной культуры дизайна и
достижимые в ней ценностные состояния творческого сознания/воли,
необходимые для личностной реализации процесса проектирования.
Смысл концептуальности в дизайне особенно проявляется в полемике вокруг
функционализма. Неудовлетворённость наивной формулой типа «форма следует за ...»
определяется тем, что формообразование происходит как бы само по себе, минуя
творческую деятельность и игнорируя творческую свободу дизайнера. Не надо
забывать, что основная функция творческих концепций заключается в выражении
общей ценностной ориентации автора, его творческой ответственности.
Другой подход к понятию «творческих концепций» связан с их возможной
принадлежностью к различным типам рациональности, говорящим о стилевых
особенностях творческой мысли и деятельности дизайнера. Точка отсчёта при
рассмотрении этих типов - концепция рационализации культуры М. Вебера [22].
Рационализация оценивается как одна из линий исторического развития, как
направленность на локальное или глобальное упорядочение условий человеческой
жизни. В настоящее зремя два положения веберовского взгляда на рациональность
подвергнуты серьёзному пересмотру: это методологическая утопия ценностной
нейтральности науки и трактовка аффективного типа социального действия как
иррационального по преимуществу [22]. Говорить о ценностной нейтральности науки,
о независимости положения учёного в обществе, о «бескорыстном служении» сейчас
не приходится. Что касается второго положения, то ценностная отзывчивость,
чуткость, согласность с данными культурного предания и природного окружения - вот
что ценится теперь в концепциях любого рода.
36
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Понятие знака в науке и искусстве
Ценностная рациональность, или, как говорят, софийность, умудрённость -
образец всякой иной рациональности. В историко-философских контекстах это
понимается как противопоставление разума и рассудка, мудрости и здравого смысла.
Ясно, что рациональность творческих концепций не имеет смысла отождествлять ни с
качествами, ни со следствиями рассудка, мышления и т.д. [22].
В свете сказанного при всех расхождениях семиотических подходов к
эстетической теории искусства, в частности, к дизайну, можно сказать, что семиотика
искусства позволит глубже отобразить на структуру творческих произведений
художественные концепции эпохи, эстетические взгляды отдельных мастеров и тем
самым эмоционально воздействовать на зрителей, являющихся постоянным и вместе
с тем изменчивым ингредиентом художественного творчества.
Литература
1.	Ch.W. Morris. Foundation of the Theory of Signs. Chicago: Chicago University Press.
1938/1970.
2.	Ч.У. Моррис. Основания теории знаков. // Семиотика. / Под ред. Ю.С. Степанова.
М.: 1983, с. 37-89.
3.	Л.Ф. Чертов. Как возможна семиотика искусства? (о перспективах союза эстетики
и семиотики). Эстетика сегодня: состояние, перспективы./ Материалы научной
конференции. 20-21 октября 1999 г. Тезисы докладов и выступлений. СПб.: Санкт-
Петербургское философское общество, 1999, с. 91-95.
4.	Ф. де Соссюр. Труды по языкознанию. М. 1977 / Курс общей лингвистики. 1933. Ч.
I.	Гл. I, II. Ч. II. Гл. 4.
5.	D. Chandler. Semiotics: The Basics, Routledge. Also at http: //
www.aber.ac.uk/media/Documents/S4B/Semiotic.html Ejhed, Jan, professor and
architect. Personal communication.
6.	Peirce Charles S. (1931-1966). «Collected Papers of Charles Sanders Peirce», 8 vols.,
ed. By Charles Hartshorne, Paul Weiss, and A.W. Burks. Cambridge, MA: Harvard
University Press.
7.	Ч.С. Пирс. Избранные философские произведения. М.: Логос, 2000,412 с.
8.	Jens-Erik Mai. Semiotics and Indexing: An Analysis of the Subject Indexing Process //
Journal of Documentation, vol. 57, No 5, Sept. 2001, pp. 591-622.
9.	Thellefsen T. Firstness and Thirdness Displacement: The Epistemology within Peirce’s
Three Sign Thrichotomies. In: C.S. Peirce: Digital Encyclopedia, http: //
www.t r3C. com. br/pierce/home. htm1, 2000.
10.	Dahl O. Topic and Comment. A Study in Russian and General Transformational
Grammar. Guteborg, 1969, 53 p.
11.	Г. Фреге. Смысл и денотат. // Я иду на занятия... Семиотика. Хрестоматия. М.: Изд-
во Ипполитова, 2005, стр. 43-66.
12.	Frege G. 1892, bber Sinn und Bedeutung. // Translated in (P. Geach & M. Black, eds.).
Translations from the Philosophical Writings of Gottlob Frege. Oxford: Blackwell,
Fumerton, R. 1989. Russelling causal theories of reference. In (C. Savage and C.
Anderson eds.) Rereading Russell. University of Minnesota Press.
13.	A.A. Ивин, А.Л. Никифоров. Словарь по логике. М.: Гуманит. изд. центр ВЛАДОС,
1998, 384 с.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
37
Понятие знака в науке и искусстве
14.	David J. Chalmers. On Sense and Intension. // Philosophical Perspectives 16: Language
and Mind. (J. Tomberlin, ed.). Blackwell, 2002, pp. 135-182.
15.	Современная западная философия. Словарь. М.: Изд-во политической
литературы, 1991,414с.
16.	Д.А. Поспелов, Г.С. Осипов. Прикладная семиотика / Новости искусственного
интеллекта, № 1, М.: 1999, стр. 9-35.
17.	С.Т. Махлина. Семиотика культуры и искусства. Словарь-справочник в 2-х книгах.
Книга вторая М-Я. 2-е издание. Изд-во «Композитор». Санкт-Петербург. 2003.
18.	Ю.М. Лотман. Семиосфера. СПб, 2001, с. 250-268.
19.	Ю.М. Лотман. Семиотическое пространство. / Я иду на занятия... Семиотика.
Хрестоматия. М.: Изд-во Ипполитова, 2005, стр. 289-296.
20.	R. Williams. Natural Structure: Toward a Form Language. Eudaemon Press, 1972, 263 p.
21.	S.l. Hjelm. Semiotics in Product Design. Report number: CID-175. ISSN number: ISSN
1403-0721 (print) 1403-073X (Web/PDF), 2002, 26 p.
22.	О.И. Генисаретский. Проектная культура и концептуализм. // http: //
www.procept.ru/publications/proj_cult&conceptualism.htm
gg	НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных
рассуждений на основе аналогий и
прецедентов для интеллектуальных
систем поддержки принятия
решений*
П.Р. Варшавский, А.П. Еремеев
Аннотация. Рассматриваются методы рассуждений на основе аналогий и
прецедентов в интеллектуальных системах поддержки принятия решений (ИСППР),
включая системы реального времени (ИСППР РВ). Предложена структура
библиотеки прецедентов, ориентированная на ИСППР. Основное внимание
уделяется методам на основе структурной аналогии, использующим аналогии
свойств и отношений и позволяющим учитывать контекст. Предложенный аппарат
использован для решения задач диагностики и оперативного управления атомным
энергоблоком.
Введение
На данный момент весьма актуальной проблемой в области искусственного
интеллекта (ИИ) и создания высокоэффективных интеллектуальных систем (ИС)
является проблема конструирования ИС, ориентированных на открытые и
динамические предметные области. Интеграция способных к адаптации, модификации
и обучению моделей представления и оперирования знаниями, ориентированных на
специфику проблемной области и соответствующий тип неопределенности, лежит в
основе ИСППР и отражает их способность к развитию и изменению своего состояния.
По этой причине весьма актуальной в плане создания современных
' Работа выполняется при финансовой поддержке РФФИ (проекты 05-07-90232, 05-01-
00818).
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
39
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
высокоэффективных ИСППР является проблема моделирования человеческих
рассуждений. Для решения данной проблемы необходима разработка моделей,
методов и инструментальных программных средств представления и оперирования
знаниями, базирующихся на аппарате нетрадиционных логик - индуктивных,
абдуктивных, нечетких, аргументации, на основе аналогий и прецедентов [1-6].
Аналогии и прецеденты могут использоваться в различных приложениях ИИ [5,7],
например, при поиске решения в нетипичных ситуациях, генерации гипотез о
незнакомой предметной области, обобщении накопленного опыта, обучении навыкам
принятия решений в проблемных ситуациях и т.д. Применение соответствующих
методов в ИСППР расширяет возможности лиц, принимающих решения (ЛПР), и
повышает эффективность принятия решений в различных проблемных (аномальных)
ситуациях при мониторинге и управлении сложными объектами или процессами в
реальном масштабе времени, а также может с успехом применяться для обучения и
тренировки оперативно-диспетчерского персонала [3,8].
Аналогию (от греческого analogia - соответствие, сходство, подобие, близость)
можно определить как сходство предметов (явлений, процессов) в каких-либо
свойствах. Умозаключением по аналогии называется перенос знаний, полученных из
рассмотрения какого-либо объекта, на менее изученный, сходный по существенным
свойствам, качествам объект. Такие умозаключения являются одним из источников
научных гипотез. Аналогия по сути означает соответствие, подобие или равенство в
известных отношениях одного объекта (сущности) с другим.
Рассуждение на основе аналогий (analogous reasoning) можно определить как
метод, позволяющий осмыслить некоторую сложившуюся ситуацию в сравнении с
другой подобной ситуацией [1,4,6]. Иными словами, рассуждение на основе аналогий
- это метод вывода, который позволяет обнаружить подобие между несколькими
заданными объектами и, благодаря переносу на основе этого подобия фактов и
знаний, справедливых для одних объектов, на другие объекты, определить способ
решения задач либо предсказать новые факты и знания. Именно такой естественный
метод вывода человек использует на первых порах, сталкиваясь с неизвестной
задачей. Следует подчеркнуть, что заключение, сделанное на основе аналогии, в
большинстве случаев может быть признано лишь вероятным (правдоподобным).
Прецедент (от латинского praecedentis - предшествующий) определяется как
случай, имевший место ранее и служащий примером или оправданием для
последующих случаев подобного рода.
Рассуждение на основе прецедентов (СВР - case-based reasoning) является подхо-
дом, позволяющим решить новую, неизвестную задачу, используя или адаптируя реше-
ние уже известной задачи. Такие рассуждения, как и рассуждения на основе аналогий,
базируются на понятии аналогии, однако методы их реализации имеют отличия [5,7].
К настоящему времени разработано достаточно большое количество различных
моделей, схем и методов рассуждений на основе аналогий и прецедентов, отражающих
в той или иной степени указанные механизмы вывода [2,4,6-13]. Наиболее известные
ИС, использующие механизм вывода на основе аналогий, типа ARGUS и ANALOGY [9],
базируются на пропорции, предложенной Лейбницем. Довольно широко аналогия
используется для решения задач автоматического доказательства теорем и
программирования интеллектуальных роботов, отметим, например, известные работы
Р. Клинга (R. Kling) [10], Д. Плейстида (D. Plaisted) [11], Дж. Карбонелла (J. Carbonell) [12]
и др. Начиная с работ П. Уинстона (Р. Winston) [13], активно развивается и применяется
40
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
структурная аналогия. В настоящее время среди отечественных и зарубежных
программных средств, моделирующих рассуждения на основе аналогий, можно
выделить средства, ориентированные на ИС понимания естественного языка [13,14],
машинного обучения [15], выдвижения гипотез о предметной области на основе
эмпирических данных [2], нейросетевые и гибридные модели на основе аналогий [16].
Методы рассуждений на основе прецедентов, активно применяются в диагностических
системах (медицинской диагностике, диагностике спутникового оборудования и т.д.),
экспертных системах и системах машинного обучения [17-19].
К сожалению, отсутствуют достаточно развитые средства поиска решения на
основе аналогий и прецедентов для ИСППР, особенно для ИСППР РВ. Заметим, что
при использовании методов и моделей рассуждений на основе аналогий и
прецедентов в ИСППР РВ необходимо учитывать ряд требований, предъявляемых к
таким системам [3,5]:
•	необходимость получения решения в условиях временных ограничений,
определяемых реальным управляемым процессом;
•	необходимость учета временного фактора при описании проблемной ситуации и в
процессе поиска решения;
•	невозможность получения всей объективной информации, необходимой для
решения, и, в связи с этим, использование субъективной, экспертной информации;
•	многовариантность поиска, необходимость применения методов правдоподобного
вывода и активного участия в процессе поиска ЛПР;
•	наличие недетерминизма, необходимость коррекции и введения дополнительной
информации в базу знаний системы при поиске решения.
Обобщенная структура ИСППР РВ представлена на рис. 1 [5].
Рис. 1. Базовая архитектура ИСППР РВ
Поиск решения на основе аналогий и прецедентов может быть применен в блоках
анализа проблемной ситуации, поиска решения, обучения, адаптации и модификации,
моделирования и прогнозирования. Применение соответствующих методов в ИСППР
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
41
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
РВ расширяет возможности ЛПР и повышает эффективность принятия решений в
различных проблемных (аномальных) ситуациях.
Особое внимание в работе будет уделено наиболее эффективным методам
поискам решения на основе структурной аналогии, учитывающим контекст и
базирующимся на теории структурного отображения.
1.	Метод на основе прецедентов
1.1.	Основные этапы
Как показывает практика, при возникновении новой проблемной ситуации
первоначально целесообразно использовать именно метод вывода на основе
прецедентов, не прибегая к привлечению более сложного метода на основе аналогий.
Рассуждение на основе прецедентов является подходом, позволяющим решить новую
неизвестную задачу, используя или адаптируя решение уже известной задачи [18]. Как
правило, методы рассуждений на основе прецедентов включают в себя четыре
основных этапа, образующих так называемый CBR-цикл, структура которого
представлена на рис. 2 [5,19].
Решение
Рис. 2. Структура CBR-цикла
Основными этапами CBR-цикла являются:
» извлечение наиболее соответствующего (подобного) прецедента (прецедентов)
для сложившейся ситуации из библиотеки прецедентов (БП);
» повторное использование извлеченного прецедента для попытки решения
возникшей проблемы (задачи);
12	НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе анал огий и прецедентов
для интеллектуальных систем поддержки принятия решений
•	пересмотр и адаптация в случае необходимости полученного решения в
соответствии с решаемой проблемой;
•	сохранение вновь принятого решения как части нового прецедента.
Основная цель использования аппарата прецедентов в рамках ИСППР и, в
частности, ИСППР РВ заключается в выдаче готового решения ЛПР (оператору) для
текущей ситуации на основе прецедентов, которые уже имели место в прошлом при
управлении данным объектом или процессом.
Как правило, последний этап в CBR-цикле исключается и выполняется экспертом
(ЛПР). Это связано с необходимостью при формировании БП использовать достоверную
информацию или информацию, подтвержденную экспертом. Для рассуждений на основе
прецедентов в ИСППР РВ количество прецедентов в БД должно быть минимизировано и
иметь максимальную степень правдоподобия. Кроме того, редко возникает
необходимость пересмотра и адаптации извлеченного решения, так как рассматривается
один и тот же объект (подсистема) и из БП извлекаются только прецеденты, имеющие
достаточно большую степень сходства с новой сложившейся ситуацией.
Модифицированный CBR-цикл [7], включает в себя следующие этапы:
•	извлечение наиболее соответствующего (подобного) прецедента (или
прецедентов) для сложившейся ситуации из БП;
•	повторное использование извлеченного прецедента для попытки решения текущей
проблемы.
Сохранение вновь принятого решения как части нового прецедента может быть
осуществлено только экспертом (ЛПР).
Поиск решения на основе прецедентов заключается в определении степени
сходства текущей ситуации с прецедентами из БП. При этом учитываются веса
параметров для описания прецедентов, заданные экспертом. Степень сходства
зависит от близости текущей ситуации и прецедента и определяется с помощью
алгоритма определения ближайшего соседа [7,17]. В данном алгоритме используется
простое покоординатное сопоставление текущей ситуации с прецедентом (каждый
параметр для описания прецедентов рассматривается как одна из координат). Таким
образом, определяется расстояние D между текущей ситуацией и прецедентом, а
также вычисляется максимальное расстояние с использованием границ
диапазонов параметров для описания прецедентов. Затем вычисляется значение
степени сходства SIM = 1 - D/DMAX (или в процентах SIM = (1 - D/D^) 100%).
Поясним работу алгоритма определения ближайшего соседа на простом примере.
Пусть прецеденты и текущая ситуация описываются только двумя параметрами:
•	t - температура жидкости (диапазон изменения температуры от 10°С до 50°С);
•	h - уровень жидкости (диапазон изменения уровня жидкости от 10ОО мм до 5000 мм.).
В БП имеются два прецедента:
•	П1:1 = 30°С, h = 3500 мм.;
•	П2: t = 40°С, h = 1500 мм.
Для текущей ситуации (Цель) t = 20°С, a h = 3000 мм.
Далее рассмотрим координатную плоскость (рис. 3), выбрав в качестве одной оси
координат t, а в качестве другой оси координат h.
Таким образом, цель имеет координаты (20,3000), а прецеденты:
•	П1 (30, 3500);
•	П2 (40, 1500).
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
43
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
5000 -| -			
чэии 4000 - s 3500 - s тллл _			
	„	J		-	—	Пт ' 			—	
2500 - 9ЛЛЛ -	л 				® .Цель				......
1500 - 1000 -			
			1		г
10	20	30	40	50
t,°c
Рис. 3. Координатная плоскость для рассматриваемого примера
Теперь рассчитаем расстояние от Цели до П, (DJ и до П2 (О2):
В} = 7(20 - 30)2 + (3000 - 3500)2 = 500,10;
D2 = 7(20 - 40)2 + (3000 -1500)2 =1500,13.
Аналогичным образом вычисляется максимальное расстояние Омдх между точками
с координатами (10, 1000) и (50, 5000) = 4000,20.
Затем вычисляются значения степени сходства SIM текущей ситуации с двумя
прецедентами из БП:
•	для П1: SIM1 =( 1 - D1/DMAX)=(1 - 500,10/4000,20)=0,8750 (87,50%);
•	для П2: SIM2=(1 - D2/DMAX)=(1 - 1500,13/4000,20)=0,6250 (62,50%).
Более сложный случай, когда для описания ситуации и прецедентов используется
п параметров (л > 2), отличается от представленного случая только тем, что вместо
двух координат рассматривается л координат.
Далее перейдем к рассмотрению структуры БП для ИСППР (ИСППР РВ),
предназначенной для помощи оперативно-диспетчерскому персоналу при управлении
сложными процессами или объектами типа энергоблоков.
1.2.	Структура БП
БП для ИСППР должна объединять в себе прецеденты по конкретной подсистеме
сложного технологического объекта управления (ТОУ), а также содержать информацию
о каждом параметре, используемом для описания прецедентов (тип параметра и
диапазон). Кроме того, БП для ИСППР должна включать в себя такие настройки, как:
• веса, определяющие важность параметров для описания прецедентов;
•	порог сходства новой ситуации с прецедентами из БП;
•	значение, ограничивающее количество рассматриваемых прецедентов.
Нужно подчеркнуть, что БП может быть сформирована на основе:
•	опыта накопленного экспертом или ЛПР;
•	анализа архива системы экспертом;
•	анализа имевших место аварийных ситуаций;
•	оперативных инструкций;
•	технологического регламента.
44
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
БП может быть включена в состав базы знаний ИСППР или выступать как
отдельный компонент системы.
Как видно из структуры БП для ИСППР (рис. 4) прецедент представляет собой
некоторый случай, имевший место в прошлом при функционировании ТОУ и
состоящий в самом общем виде из описания задачи или ситуации (т.е. значения
параметров, описывающих сложившуюся ситуацию) и решения (диагноза и
рекомендации). Таким образом, прецедент в определенном смысле
продукционному правилу вида «ЕСЛИ ... ТО ...».
подобен
Решение
(ТО)
Ситуация
(ЕСЛИ)
Рис. 4. Структура БП для ТОУ
Следует учитывать, что рассуждение на основе прецедентов может не привести к
необходимому решению для сложившейся проблемной ситуации, например, в случае
отсутствия подобной (аналогичной) ситуации в БП. Проблема может быть разрешена,
если в CBR-цикле предусмотреть возможность пополнения БП непосредственно в
процессе рассуждения (вывода) [20]. Одним из способов пополнения БП может быть
привлечение более мощного в плане обнаружения новых фактов (новой информации)
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
45
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
метода поиска решения на основе аналогий. Также отметим, что в методах на основе
аналогий могут весьма успешно применяться элементы рассуждений на основе
прецедентов, т.е. эти методы успешно дополняют друг друга и их интеграция в ИСППР
РВ весьма перспективна.
Далее рассмотрим методы поиска решения на основе структурной аналогии,
позволяющие учитывать контекст и базирующиеся на теории структурного
отображения [5,7,17,21]. В качестве модели представления знаний будем
использовать семантические сети (СС) [4,5,7].
2.	Методы на основе структурной аналогии
2.1.	Представление знаний для рассуждений на основе аналогий
Выбор СС для представления знаний о структурной аналогии обусловлен такими
важными достоинствами сетей, отличающими их от других моделей представления
знаний, как естественность представления структурированных знаний и достаточно
простое их обновление в относительно однородной среде. Последнее свойство
особенно важно для ИСППР РВ, ориентированных на открытые и динамические
предметные области (ПО).
Определение 1. Семантическая сеть есть графовая структура <V,E> с
помеченными вершинами и дугами, где V и Е - множества вершин и дуг
соответственно. Вершины могут отображать объекты (понятия, события, действия и
т.д.) ПО, а дуги - отношения между объектами.
Для описания объектов будем использовать параметры (свойства). В качестве свойств
объекта на СС могут выступать характеристики (атрибуты), а также различные события.
Обозначим Pv- множество свойств, которыми обладает объект veV.
Определение 2. Объекты v, v'eV пересекаются на СС тогда и только тогда, когда
Pn =Р^К*0, где Pw - множество общих свойств объектов vи v\ a Pvи Pv. - множества
свойств объектов v и v' соответственно.
Введем следующие обозначения:
•	множество объектов СС, обладающих свойством р, обозначим Vp.
•	множество объектов СС, пересекающихся с объектом veV, обозначим Ц,.
Структуру СС рассмотрим на примере, взятом из области энергетики - оперативного
управления атомным энергоблоком. На рис. 5 представлен метауровень СС (универ-
сальный класс) и фрагмент СС, отображающий четыре ситуации, возникшие в процессе
функционирования системы автоматического охлаждения зоны реактора (САОЗ).
Классы на СС отображаются темными круглыми вершинами, объекты - светлыми,
значения атрибутов отображаются темными квадратными вершинами, а вершины для
описания событий на СС - светлыми. Дуги (стрелки) без пометки означают отношение
принадлежности.
Ситуация 1, представленная на рис. 5, содержит следующую информацию:
•	Рекомендуется подпитать насос TH11D01 борным концентратом 40 г/кг из-за
отключения САОЗ 1 по причине закрытия задвижек ТН11S24 и TH 11S25;
•	Текущее значение Т517В01 (давление в САОЗ 1) равно 60;
•	Текущее значение Т518В01 (давление в САОЗ 2) равно 60.
46
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
Универсум
Ситуации САОЗ
СитуацкяЗ
Ситуация 2
Ситуация!
Ситуация 4
Метауровень
Ситуация!
САОЗ!
Рекомендация
Принята
TH11D01
™^Текущ№3ютание
TH11S24
Текут in*- 1нанвиив	3-црытэ
Аргуъъкт!
]<--------------------
THUS25 tAl»3™™2
Принята
Действие
Подтстагь
Борный
т517воЬг,	во
Т517В01
Верхняя уставка _
TH11S24
Аргумент 1
Ситуация 3
HllS25|Al“y™Hl2
Текущее знамение »|ЦЗа>р.шт-->
Принтов ____________
Tevyrire значение д Забыто
Онппгааге
САОЗ!
Рекогендация
ош-огчат
Аргуне нт 1
Борный
Чем...,. ыоицеигрет
4Сг/кг
Текутшу зтинеиие Закрыло
Причина
Объект
Де it те не
TH11D01
TH12S24
ТН12Е25|АР11™нт2
Текущее значЕнгае Закрыт
Принта
----—Q6“V—>QCAO3 2
Веддаи уязт HF 60
ТН11Т50О
20
Нижкхя устахха
Т517В01
/ystywffi знанеяиа » g go
TH11S24^
z /~)Техуддве значение *r Заириго
Аргумент!
Аргу71ЕНт2
зкиение Забыто
Причина________________
ОЁзекг----->0саоз 1
рб«ад.. frfj.TH! 1D01
Борный
монцгмрат
40 г/кг
Т517В01 - давленге к САОЗ 1;
Т518Е01 — давленге ч САОЗ 2;
Т519Е01 — давлентЕ в САОЗ 3,
TH11S24 и TH11S25-задвижки дпяСАС© 1;
TH12S24 и TH12S25 — задвижки для САОЗ 2;
TH 11Т500 - температура юргуса САОЗ 1;
TH 11 ЕС! — гервыйнаоэс аварийного расиолажиЕаккх
и
Рис. 5. Фрагмент СС, представляющий метауровень и ситуации, возникшие в процессе
функционирования САОЗ
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
47
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
2.2.	Метод вывода на основе структурной аналогии с учетом
контекста
В работе [14] предложено рассматривать аналогию как четверку А-<О,С,R,p>, где
О и R являются соответственно объектом-источником и объектом-приемником для
аналогии, С является объектом-пересечением, т.е. объектом, структурно
пересекающимся с объектом-источником и объектом-приемником и имеющим
большую мощность множества свойств по сравнению с объектом-источником и
объектом-приемником. Другими словами, аналогия между объектом-источником и
объектом-приемником проводится в контексте объекта-пересечения, а р является
свойством для определения первоначального контекста. Структура такой аналогии
представлена на рис. 6.
Рис. 6. Структура аналогии с использованием контекста
Определение 3. Объект R является приемником для аналогии А тогда и только
тогда, когда (R eV)&(р еРр).
Определение 4. Объект С является пересечением для аналогии А
тогда	и	только	тогда,	когда
(C^V)&(pePc)&(nRnc)&-(nR«nc)&(nRC<nR)&(nRC>1), где nR и пс
обозначают соответственно количество свойств приемника R и
пересечения С, a nRC - количество общих свойств приемника R и
пересечения С, -(nR«nc) означает, что приемник R не должен быть
много меньше пересечения С (т.е. исключается возможность
поглощения пересечением С приемника R).
Определение 5. Объект О является источником для аналогии А тогда и только
тогда, когда (OeV)&(pePo)&(nonc)&-(no«nc)&(noc<no)&(noc>1)& (nanj, где по
обозначает количество свойств источника О, пос - количество общих свойств
источника О и пересечения С; остальные обозначения аналогичны предыдущему
определению.
Введем следующие обозначения:
•	Множество объектов-кандидатов на роль пересечения С для аналогии А обо-
значим Vc.
•	Множество объектов-кандидатов на роль источника О для аналогии А обозначим Vo.
•	Множество аналогий А обозначим 1/Л.
•	Множество РОСЙ = Ро гу Pcr\ PR обозначает свойства, которые определяют контекст
для аналогии А.
48
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
Определение 6. Аналогия A=<O,C,R,p> называется «хорошей» аналогией тогда и
только тогда, когда существует аналогия А', такая что A'=<O’,C,R,p>, ОтЮ'.
Используя введенную аналогию, построен алгоритм поиска решения на основе
структурной аналогии с учетом контекста [14], базирующийся на аналогии свойств.
Входными данными для алгоритма является СС с информацией о ПО, объект-приемник
R и свойство для определения первоначального контекста р.
Базовый алгоритм поиска решения на основе структурной аналогии с учетом
контекста состоит из следующих шагов:
Шаг 1. Определить все объекты СС, кроме объекта-приемника R, обладающие
свойством р (т.е. Vp'= Vp\ {R}). Если таких объектов нет (т.е. V'= 0), то поиск решения
завершить неудачей кбез нахождения аналогий), иначе перейти к шагу 2.
Шаг 2. Из найденных на первом шаге объектов сформировать множество Vc в
соответствии с опр. 4. Если Ус = 0, то поиск решения завершить неудачей, иначе
перейти к шагу 3.
Шаг 3. Из найденных на первом шаге объектов сформировать множество Vo в
соответствии с опр. 5. Если Vo 0, то перейти к шагу 4, иначе поиск решения
завершить неудачей.
Шаг 4. С помощью полученных на предыдущих шагах множеств Ус и 1/0
сформировать множество аналогий УЛв соответствии с опр. 6. Если Уд* 0, то найдены
аналогии для объекта-приемника R и следует перейти к шагу 5, иначе поиск решения
завершить неудачей.
Шаг 5. Полученные на предыдущем шаге аналогии, которые могут быть
предварительно сравнены между собой и упорядочены с учетом контекста, выдать
ЛПР, что означает успешное завершение алгоритма поиска решения.
Пользователь (ЛПР) из выданных ему аналогий делает окончательный выбор
наилучших с его точки зрения аналогий и на их основе осуществляется перенос фактов
(свойств), справедливых для объекта-источника, на объект-приемник аналогии (т.е. Рп
= РиР\Р )
Установлено, что базовый алгоритм имеет полиномиальную оценку
вычислительной сложности О(п2), где п - количество объектов, обладающих свойством
р для определения первоначального контекста [14].
Рассмотрим работу базового алгоритма на примере (см. рис. 5) из области
энергетики - оперативном управлении энергоблоком.
В качестве приемника Я для аналогии возьмем менее определенную Ситуацию 4, а
в качестве свойства р для определения первоначального контекста выберем свойство
ТН11S24 Закрыто (т.е. задвижка ТН11S24 закрыта).
На первом шаге определяем множество Vp = V^{Ситуация 4}, где Vp = {Ситуация 1,
Ситуация 2, Ситуация 3, Ситуация 4} - множество объектов СС, обладающих свойством
р (т.е. V ' = {Ситуация 1, Ситуация 2, Ситуация 3}).
На втором шаге, так как Vp 0, то выбираем первый элемент Vp - Ситуация 1.
Выясняем, что Ситуация 1 не подходит на роль пересечения С, т.к. количество общих
свойств у Ситуации 1 и Ситуации 4 равно количеству свойств у Ситуации 4. Далее
выбираем следующий элемент V/ - Ситуация 2 и выясняем, что Ситуация 2 не
подходит на роль пересечения С по той же причине. Последний элемент V/ - Ситуация
3 подходит на роль пресечения С. Поэтому формируем множество Vc из одного
элемента Ситуация 3 (т.е. Vc= {Ситуация 3}). Так как Vc 0, то переходим к следующему
шагу.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
49
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
На третьем шаге из элементов множества I/ ’ формируем множество Vo. В данном
примере на роль источника О подходят первые два элемента множества Vp' (Ситуация 1
и Ситуация 2), а Ситуация 3 не подходит на роль источника О, так как является
единственным пересечением С. Таким образом, Уо = {Ситуация 1, Ситуация 2}. Так как
Vo 0, то переходим к четвертому шагу.
На четвертом шаге с помощью полученных на предыдущих шагах множеств Ус и Vo
формируем множество аналогий VA, которое для данного примера будет состоять
всего из двух возможных аналогий:
А,= <Ситуация 1, Ситуация 3, Ситуация 4, р>;
Аг= <Ситуация 2, Ситуация3, Ситуация 4, р>.
Таким образом, VA = {Ар Д2}. Так как VA 0, то переходим к заключительному шагу
алгоритма, на котором вычисляем сравнительные оценки с учетом контекста для
полученных аналогий и в соответствии с этими оценками упорядочиваем полученные
аналогии, а затем выдаем их ЛПР. Процедура вычисления сравнительных оценок с
учетом контекста для указанных аналогий будет подробно рассмотрена далее в п. 2.4.
Необходимо подчеркнуть, что на основе аналогий А, и А2 для Ситуации 4 можно
считать справедливым новый факт о том, что имеет место Рекомендация подпитать
насос TH 11 D01 борным концентратом 40 г/кг.
Рассмотрим модифицированную структуру аналогии с учетом контекста [5].
Модификация заключается в том, что вместо свойства р для определения
первоначального контекста учитывается множество свойств Р, которое определяет
первоначальный контекст аналогии (Р может быть и пустым).
Данная модификация позволяет:
•	более детально уточнить первоначальный контекст и тем самым сократить время
поиска решения, что очень важно для ИСППР РВ;
•	осуществить поиск решения на основе аналогий без уточнения первоначального
контекста (т.е. решается задача определения потенциальных источников для
аналогии) и в результате получить аналогии в различных контекстах, хотя это и
потребует больших затрат вычислительных ресурсов.
Помимо отмеченного, в модифицированной структуре аналогии предполагается
осуществить перенос от источника О на приемник R фактов (свойств), уместных в
контексте С (т.е. PR = PR u (Рос \ PDCf?)), в отличие от базового варианта, в котором
уместность свойств в контексте не рассматривается (PR- PRu (Ро\ Рю)).
В соответствии с модифицированной структурой аналогии разоаботан алгоритм
поиска решения на основе структурной аналогии с учетом контекста и ограничения на
время поиска решения, ориентированный на применение в ИСППР РВ.
Алгоритм поиска решения на основе структурной аналогии с учетом контекста и
ограничения на время поиска решения________________________________________
Вход: СС с информацией о ПО, приемник Я и непустое множество свойств Р для определения
первоначального контекста, А? - интервал времени, выделяемый на поиск решения; также
может быть указан источник О.
Выход: Множество аналогий УА.
Используемые структуры данных: Vp - множество объектов СС, обладающих свойствами Р,
Vp' - множество Vp за вычетом приемника R, t - время работы алгоритма, VA - множество
аналогий A, У/ - вспомогательное множество аналогий А, которое отличается от УА тем, что
может содержать аналогии, которые не удовлетворяют опр. 6.
50
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
1.	v; =vp\{R}-va =0-
2.	Если Ц/ = 0, то шаг3, иначе
Пока t < At для каждого объекта v с I/' выполнять:
начало
Если О задано на входе алгоритма, то выполнить:
начало
Если vO и подходит на роль пересечения С, то в VA добавить
аналогию А = <O,v,R,P>.
конец;
иначе выполнить:
начало
V/:=0;
Если v подходит на роль пересечения С, то для всех остальных
объектов V g 1/р'выполнить:
начало
Если V подходит на роль источника О, то в V/
добавить аналогию А = <v',v,R,P>.
конец;
Если мощность множества VA > 1, то добавить все аналогии из VA в
vA.
конец;
конец;
иначе перейти к. шагу 3.
3.	Если VA 0, то выдать аналогии из УА ЛПР и перейти к шагу 4, иначе проверить: Если t
< At, то выдать сообщение «Аналогии не найдены» и перейти к шагу 4, иначе выдать
сообщение «За промежуток времени At аналогии не найдены» с рекомендацией
«Следует увеличить интервал времени At для поиска решения на основе аналогий» и
перейти к. шагу 4.
4.	Конец.
Максимальная оценка вычислительной сложности данного алгоритма
соответствует оценке для базового алгоритма. Для случая, когда задан источник О,
вычислительная сложность оценивается величиной О(п).
Для обеспечения поиска решения, когда множество свойств Р для определения
первоначального контекста пусто (т.е. отсутствует первоначальный контекст),
разработан алгоритм поиска решения на основе структурной аналогии с учетом
контекста, использующий минимальные пересечения [5] с целью выявления важных
свойств для построения аналогий.
Алгоритм поиска решения на основе структурной аналогии с учетом контекста,
использующий минимальные пересечения__________________________________________
Вход: СС с информацией о ПО, приемник R и At - интервал времени, выделяемый на поиск
решения; также может быть указан источник О.
Выход: Множество аналогий УА.
Используемые структуры данных: V - множество объектов СС, X - множество для
определения минимальных пересечений, t - время работы алгоритма, УА - множество аналогий
A, VA - вспомогательное множество аналогий, которое отличается от УА тем, что может
содержать аналогии, которые не удовлетворяют опр. 6, Amjn - множество минимальных
пресечений, Wm.n - совокупность множеств образующих минимальных пересечений.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
51
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
1.	X:=V;VA:=0;
2.	С помощью алгоритма поиска минимальных пересечений [5] определить Amin над
множеством X, а также Wmin.
3.	Если Ат1г-0, то перейти к шагу 5, иначе оставить в Amin только те минимальные
пересечения а, у которых множества образующих IVelVm,„ имеют мощность > 3 и RgW
(соответственно оставить только их IVв IVmJ, и перейти к шагу 4.
4.	Если А„,„=0, то перейти к шагу 5, иначе
Пока t < Af для каждого аеАт1п выполнить:
начало
Если источник О был задан на входе алгоритма и ОеМдля выбранного а, то удалить
О и R из W, а для всех остальных объектов ve W выполнить:
начало
Если v подходит на роль пересечения С, то добавить аналогию A=<O,v,R,P> в VA.
конец;
Если источник О не был задан на входе алгоритма, то удалить R из W, а для всех
остальных объектов ve IVвыполнить:
начало
Ч':=0;
Если v подходит на роль пересечения С, то для всех остальных объектов v'elV
выполнить:
начало
Если V' подходит на роль источника О, то добавить аналогию A-<v', v,R,Р>
вЦ’
конец;
Если мощность множества VA > 1, то добавить все аналогии из У/А в VA.
конец;
конец;
иначе перейти к шагу 5.
5.	Если УА 0, то выдать аналогии из VA ЛПР и перейти к шагу 6, иначе проверить: Если t <
At то выдать сообщение «Аналогии не найдены» и перейти к шагу 6, иначе выдать
сообщение «За промежуток времени А£ аналогии не найдены» с рекомендацией
«Следует увеличить интервал времени Af для поиска решения на основе аналогий» и
перейти к шагу 6.
6.	Конец.
Разработанный алгоритм поиска решения на основе структурной аналогии с
учетом контекста, использующий минимальные пересечения и имеющий
полиномиальную оценку вычислительной сложности, позволяет определять аналогии,
когда отсутствует первоначальный контекст.
Заметим, что новые факты (свойства) переносятся от источника О на приемник R
только в контексте пересечения С.
2.3. Метод вывода на основе структурной аналогии,
базирующийся на теории структурного отображения
Теория структурного отображения (SMT - structure mapping
theory) позволяет формализовать некоторый набор неявных ограничений,
которыми пользуется человек, оперируя такими понятиями, как аналогия и подобие
52
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
 для интеллектуальных систем поддержки принятия решений
[5,7,15]. Согласно SMT предполагается, что аналогия является отображением знаний
одной области (базы) в другую область (цель), базирующимся на системе отношений,
которые имеются между объектами базовой области и объектами целевой области, а
также, что человек (ЛПР) предпочитает оперировать некоторой целостной системой
взаимосвязанных глубинных отношений, а не простым набором поверхностных и слабо
связанных фактов.
Процесс вывода на основе аналогий согласно SMT включает следующие этапы:
1.	Определение потенциальных аналогов. Имея целевую ситуацию (цель), определить
другую ситуацию (базу), которая является аналогичной или подобной целевой
ситуации;
2.	Отображение и вывод. Построить отображение, состоящее из соответствий между
базой и целью. Это отображение может включать дополнительные знания (факты) о
базе, которые могут быть перенесены в цель. Такие знания называются
кандидатами заключений, полученными по аналогии;
3.	Оценка «качества» соответствия. Оценить полученное соответствие, используя
такие структурные критерии, как число подобий и различий, степень структурного
соответствия, количество и тип новых знаний, полученных по аналогии из
кандидатов заключений.
Помимо аналогии в SMT представимы и некоторые другие типы подобия,
базирующиеся на структурно совместимых отображениях. Так, если в случае аналогии
отображаются только структуры отношений, а свойства объекта, не играющие роли в
структуре отношений, игнорируются, то в буквальном подобии отображаются и
структуры отношений и свойства объектов, в чисто внешнем соответствии
отображаются внешние свойства объектов (например, как в метафоре «Дорога похожа
на серебряную ленту»), а в абстрактном отображении сущностями в базовой области
являются не сами объекты, а некоторые переменные.
Рассмотрим механизм структурного отображения (SME - structure mapping
engine), базирующийся на SMT [5,7,21]. Этот механизм предназначен для
моделирования вывода на основе аналогий и позволяет сформировать наиболее
общие соответствия (Gmaps) для структурированных представлений базовой и
целевой ПО, а также обеспечивает оценку полученных соответствий.
Входными данными для алгоритма SME являются структурные представления
базовой и целевой ПО
Алгоритм SME реализует следующие четыре этапа:
1.	Построение локальных соответствий (гипотез соответствия MHs). Определить
соответствия между элементами в базовой и целевой ПО с помощью правил:
•	если два отношения имеют одинаковое имя, тогда создается гипотеза
соответствия;
•	для каждой гипотезы соответствия между отношениями проверяется их
соответствующие аргументы: если их количество и тип совпадает, тогда
создается гипотеза соответствия между ними.
Далее определить оценку правдоподобия локальных соответствий, используя
следующие правила и коэффициенты, задаваемые экспертом (CF, - величина, на
которую необходимо увеличить оценку правдоподобия МН, если имена базового и
целевого элементов совпадают; CFZ- величина, на которую необходимо увеличить
оценку правдоподобия МН, если хотя бы базовый элемент имеет родительское
отношение - отношение более высокого уровня):
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
53
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
•	увеличить оценку правдоподобия для соответствия на CF1, если базовый и целевой
элементы имеют одинаковые имена;
•	увеличить оценку правдоподобия для соответствия на CF2, если хотя бы у базового
элемента имеется родительское отношение.
2.	Построение глобальных соответствий (Gmaps). Сформировать системы
соответствий, которые используют совместимые пары объектов (1:1).
3.	Построение кандидатов заключения. С каждым Gmap связать множество
(возможно пустое) кандидатов заключения - факты, которые присутствуют в
базовой ПО, но не присутствуют изначально в соответствующей целевой ПО;
4.	Оценка глобальных соответствий Gmaps. Получить оценки для Gmaps, которые
зависят от оценок правдоподобия локальных соответствий MHs.
Таким образом, в результате выполнения алгоритма формируются наиболее
общие соответствия Gmaps, включающие следующие составляющие:
•	соответствия - множество парных соответствий между базовой и целевой ПО;
•	кандидаты заключения - множество новых фактов, которые предположительно
могут содержаться в целевой области;
•	оценка глобального соответствия - числовая оценка качества Gmap.
К основным достоинствам механизма SME применительно к ИСППР РВ относятся
полиномиальность описанного алгоритма и простота импортирования кандидатов
заключения в целевую область. Заметим, что этот механизм используется в ряде
исследовательских (в области правдоподобного вывода на основе аналогий) ИС, в
частности, в системах ACME, LISA, IAM, Sapper, CyclePad, PHINEAS [15,21].
Далее приведена схема обобщенного алгоритма поиска решения на основе
структурной аналогии (рис. 7).
Рис. 7. Схема обобщенного алгоритма поиска решения на основе структурной аналогии
54
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
2.4. Методы оценки полученных аналогий
Рассмотрим метод оценки аналогий с учетом контекста [7]. После получения
аналогий для приемника R, содержащихся в VA, возникает задача выбора из этого
множества наиболее предпочтительных аналогий, которое обозначим VA. Введем
отношение предпочтения на множестве аналогий с учетом контекста.
Аналогия A=<O,C,R,P> предпочтительнее аналогии A -<O',C',R,P> (А>А’) тогда и
только тогда, когда > n0.c.R, где п^ и n0.c.R - число свойств в множествах Р^ и Рос.д,
которые определяют контекст для аналогий А и А'.
Аналогия A-<O,C,R,P> и аналогия A -<O',C',R,P> равнозначны (несравнимы) тогда
и только тогда, когда лосд= n0.c.R.
Для случая, когда у аналогий могут быть разные приемники R и R' и разные
свойства Р и Р' для определения первоначального контекста, отношение предпочтения
определяется следующим образом.
Аналогия A=<O,C,R,P> предпочтительнее аналогии A'=<O',C',R',P'> (А>АГ) тогда и
только тогда, когда kOCR> ko.CR„ где kOCR = nOCR/ (пк + n№- nJ, ko.CR.= no.CRJ (nR.c.+ no.c -
n0V.R.). Величина kC)CR отражает аналогичность (схожесть) в заданном контексте
приемника R и источника О и может быть выражена в процентах, а nC)CR и п0.с„. - число
свойств в множествах Р^ и PO.C,R., определяющих контекст для аналогий А и A', пк:, nR.c,
noc, п0.с- число свойств в множествах Рж, PR,C., Рос, Рсс--
Аналогия A=<O,C,R,P> и аналогия A'=<O',C',R',P'> равнозначны (несравнимы)
тогда и только тогда, когда kOCR= k0.c.R..
Рассмотрим процедуру оценки аналогий с учетом контекста для двух аналогий на
вышеописанном примере из области энергетики (см. рис. 5):
А,= <Ситуация 1, Ситуация3, Ситуация 4, Р>,
Р = {ТН11S24 Закрыто},
Рг.	Л = {Отключено САОЗ 1, Подпитать TH11D01 Борным
концентратом 40 г/кг, И TH 11S24 ТН11S25, ТН11S24 Закрыто, ТН11S25 Закрыто},
ситуация 1 ситуация з = {Отключено САОЗ 1, Подпитать TH11D01 Борным концентратом 40
г/кг, И TH11S24 TH11S25, TH11S24 Закрыто, TH11S25 Закрыто, Рекомендация
Подпитать TH11D01 Борным концентратом 40 г/кг},
^ситуация <,ситуация 3={Отключено САОЗ 1, Подпитать TH11D01 Борным концентратом 40
г/кг, ИТН11S24TH11S25, TH11S24 Закрыто, TH11S25 Закрыто},
f—	_ Г“
^Ситуация 1,Ситуация3,Ситуация4	^Ситуация 1,Ситуация3	Ситуация 4,Ситуация 3
к Ситуация 1,Ситуация 3,Ситуация 4 ^Ситуация 1,Ситуация 3,Ситуация 4 /	Ситуация 4, Ситуация 3~^~ Ситуация 1 .Ситуация 3
-Пп	J = 5/(5+6—5) = 0,8333 (83,33%);
Ситуация 1 .Ситуация З.Оттуация 4'	> '	'	’	/>
Для аналогии Аг = <Ситуация 2, Ситуация 3, Ситуация 4, Р> подобным образом
получим оценку kt^2/^a.Onww4= 0,8333 (83,33 %).
Таким образом, из примера видно, что эти две аналогии являются равнозначными,
так как их сравнительные оценки имеют одинаковое значение равное 83,33%, поэтому
они обе могут быть внесены в У/(т.е. УЛ'={А, А2}) и представлены ЛПР для выбора более
предпочтительной с его токи зрения аналогии.
Приведем метод оценки аналогий с учетом важности параметров объекта. Данный
метод базируется на заданных пользователем (экспертом или ЛПР) значениях
важности параметров (свойств) приемника R, для которого необходимо найти
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
55
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
аналогии. Эти значения задаются пользователем от 0 до 1 или в процентах от 0 до 100
% (по умолчанию важность параметра равна нулю).
После того как найдены аналогии, для них можно получить оценки важности imp в
процентах, зависящие от важности параметров, включенных в множество Р^,
определяющее контекст для аналогии:
imp = impp/ impMAXx100%,
где impp- сумма значений важности всех параметров, входящих в POCf>, impMAX- сумма
значений важности всех параметров Рпприемника R.
Рассмотрим получение сравнительных оценок для аналогий с учетом важности
параметров объекта на следующем примере.
Приемник R описывается следующими параметрами: {рр рг, р3, р4, ps}, а значение
важности этих параметров (в %): {80, 0, 10, 0, 5}. Пусть в результате применения
алгоритма поиска решения на основе структурной аналогии с учетом контекста
получены две аналогии At и А2. Определим оценки важности imp для этих аналогий:
A1=<O1,C1,R,P>, Polc,R={Pl, р3}, imp=90/95=0,9474 (94,74%);
A2=<O2,C2,R,P>, PO2C2R={p2, p3, p4, p5}, imp2=15/95=0,1579 (15,79%).
На основе полученных оценок более предпочтительной является аналогия А,.
3.	Реализация программной системы поиска решения на
основе аналогий и прецедентов для ИСППР РВ
Архитектура системы поиска решения на основе аналогий и прецедентов для
ИСППР РВ приведена на рис. 8.
Основными подсистемами разработанной системы являются редактор
семантических сетей (РОС) для представления и поиска решения на основе аналогий и
конструктор библиотек прецедентов (КБП).

Редактор
семантических сетей
(РСС)
для представления
и поиска решения
на основе аналогий
—------
База знаний (БЗ)
Библиотека
прецедентов
(БП)
Конструктор
библиотек
прецедентов
(КБП)
Другие модули, системы и блоки ИСППР РВ
Рис. 8. Архитектура системы
56
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
Компонентами РСС, отражающими его функциональные возможности, являются:
•	модуль представления знаний о предметной области в виде СС;
•	подсистема визуализации и просмотра структуры загруженной или вновь
созданной СС;
•	подсистема поиска решения на основе аналогий, использующая разработанные
алгоритмы поиска решения на основе структурной аналогии свойств и отношений,
а также включающая в себя модуль оценки полученных аналогий;
•	модуль переноса новых фактов.
Основными компонентами КБП являются:
•	модуль, предназначенный для хранения и загрузки БП, а также для осуществления
импорта данных (прецедентов) из других БП;
•	подсистема, обеспечивающая визуализацию и просмотр структуры БП;
•	подсистема редактирования и настройки БП, позволяющая создавать,
модифицировать и удалять БП, а также сами прецеденты;
•	модуль проверки вновь созданных прецедентов;
•	подсистема тестирования БП, позволяющая осуществить поиск решения на основе
прецедентов в тестируемой БП.
На основе предложенной архитектуры выполнена программная реализация
системы в среде визуального программирования Borland C++ Builder 6.0 под
операционную систему Windows® 98/NT/2000/XP.
Разработанная программная система использована в прототипе ИСППР РВ для
решения задач диагностики состояний сложного объекта и обнаружения
управляющих воздействий на примере подсистемы компенсации объема (КО) в
контуре ВВЭР АЭС.
Компенсатор объема необходим для реакторов, охлаждаемых водой под
давлением, и предназначен для компенсации температурных изменений объема
воды, заполняющей реакторный контур. Он используется для создания давления
при пуске и поддержания давления в эксплуатации, а также для ограничения
отклонений давления в аварийных режимах. На АЭС применяют только паровой КО,
технологическая схема которого представлена на рис. 9.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
57
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
1 - запорный клапан;
2- регулирующий клапан;
3	- подвод азота;
4	- компенсатор объема (КО);
5	- трубчатые электронагреватели;
6	- отбор проб парогазовой смеси;
7	- отбор проб воды;
8	- предохранительные клапаны;
9	- фланцевый разъем (на случай
раздельного проведения
гидроиспытаний ;
10	- реактор;
11	- охлаждение;
12	- газовая сдувка.
13	- подвод воды;
14	- барботер (ББ);
15	- отбор проб.
Рис. 9. Технологическая схема КО
Под сложным объектом понимается объект типа энергоблока, имеющий сложную
архитектуру с различными взаимосвязями, с большим количеством контролируемых и
управляемых параметров и малым временем на принятие управляющих воздействий.
Как правило, такие сложные динамические объекты декомпозируются на
технологические подсистемы и могут функционировать в различных режимах (в
штатном, аварийном и т.д.).
Для описания сложного объекта типа энергоблока и его подсистем используется
конечное множество параметров х,, х2,..., хт (для КО используется 79 аналоговых и
дискретных параметров). Множества X,, Хг,..., Хт есть области значений
соответствующих параметров (т.е. Хр i = 1.т, есть область значений параметра х().
Состояние объекта характеризуется набором конкретных значений указанных
параметров.
В оперативном режиме считывание значений параметров с датчиков для всего
объекта управления производится системой контроллеров с интервалом не более 4
секунд. За это время необходимо выдать ЛПР (оператору) диагноз по конкретной
сложившейся ситуации и дать рекомендацию о необходимости того или иного
управляющего воздействия (последовательности воздействий) на объект.
Схема функционирования ИСППР РВ с использованием разработанной
программной системы приведена на рис. 10.
Диагностирование и обнаружение управляющих воздействий осуществляется на
основе экспертных знаний, технологического регламента и оперативных инструкций.
Как правило, для решения данных задач используется решатель, функционирующий на
основе правил продукционного типа. В случае появления аномальных (нештатных)
58
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
ситуаций на объекте возникает необходимость применения методов правдоподобных
рассуждений, в частности, методов поиска решения на основе аналогий и
прецедентов. Поэтому для решения вышеуказанных задач наряду с решателем
применяется разработанная программная система.
Объект управления
Система

контроллеров s
п 1
Ситуации
результатов
ЛПР |
Рис. 10. Схема функционирования ИСППР РВ с использованием разработанной
программной системы
Разработка БП с помощью КБП для систем экспертного диагностирования ТОУ и
определения управляющих воздействий подразделяется на следующие основные
этапы:
1.	Создание БП для подсистем ТОУ;
2.	Настройка созданных БП для подсистем ТОУ;
3.	Добавление прецедентов в БП для различных подсистем ТОУ;
4.	Проверка добавленных прецедентов;
5.	Тестирование сформированных и заполненных БП посредством поиска решения на
основе прецедентов (накопленного опыта);
6.	Сохранение созданных БП для последующей передачи их в оперативную
эксплуатацию.
После того как создана и настроена БП для КО (т.е. указаны веса параметров для
описания ситуаций прецедентов и задано пороговое значение для степени сходства
прецедентов с текущей ситуацией) на основе технологического регламента,
оперативных инструкций и имевших место аварийных ситуаций, выполняется
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
59
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
тестирование разработанной БП для КО, что предполагает применение механизмов
рассуждения на основе прецедентов.
В случае, когда для новой ситуации найдены прецеденты, можно выдать готовое
решение (диагнозы и рекомендации) ЛПР. В противном случае, когда нет прецедентов
для новой ситуации, например, из-за отсутствия значений некоторых параметров в
описании ситуации (неполнота исходной информации) или наличия противоречивых
прецедентов в БП (противоречивость экспертных знаний), можно попытаться
определить недостающие значения параметров и разрешить противоречия в БП с
помощью методов на основе аналогий. С этой целью из КБП можно осуществить вызов
РСС для осуществления поиска решения на основе структурной аналогии с
использованием обобщенного алгоритма.
По завершению работы с РСС происходит возврат в КБП и для уточненной текущей
ситуации и БП осуществляется поиск решения на основе прецедентов.
Таким образом, эксперт, проведя формирование и тестирование БП для
выбранной подсистемы сложного объекта, может сохранить полученную БП для
дальнейшей ее передачи в оперативную эксплуатацию.
Заключение
Рассмотрены методы правдоподобных рассуждений на основе структурной
аналогии и на основе прецедентов с целью применения их в современных ИСППР
типа ИСППР РВ, в частности, для решения задач диагностики и прогнозирования в
реальном времени. Описан цикл рассуждения на основе прецедентов и приведена
разработанная структура библиотеки прецедентов для ИСППР. Рассмотрены
методы, базирующиеся на аналогии свойств и отношений. В качестве модели
представления знаний для рассуждений на основе аналогий выбраны
семантические сети. Приведен базовый алгоритм поиска решения на основе
аналогии свойств, позволяющий учитывать контекст. Предложены более
эффективные в плане качества получаемого решения алгоритмы, использующие
модифицированную структуру аналогии. Это позволяет, во-первых, учитывать не
одно (как в базовом алгоритме), а сразу множество свойств, определяющих
первоначальный контекст аналогии. Во-вторых, позволяет обеспечить поиск
решения в случае, когда отсутствует первоначальный контекст, а также переносить
от источника аналогии на приемник только те факты, которые уместны в контексте
построенной аналогии. Рассмотрен алгоритм SME поиска решения на основе
аналогии отношений, базирующийся на теории структурного отображения.
Приведен обобщенный алгоритм поиска решения на основе структурной аналогии.
Предложены методы определения сравнительных оценок полученных аналогий с
учетом контекста и важности параметров объекта.
Описана архитектура системы поиска решения на основе аналогий и прецедентов
для ИСППР РВ и на ее основе проведена программная реализация. Разработка
программных модулей была проведена в среде визуального программирования
Borland C++ Builder 6.0 под операционную систему Windows® 98/NT/2000/XP. Получено
свидетельство о регистрации программного продукта в Федеральной службе по
интеллектуальной собственности, патентам и товарным знакам [22]. Изложенный
60
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
аппарат и разработанная система использованы для решения задач диагностики
состояний сложного объекта и обнаружения управляющих воздействий (на примере
подсистемы КО ВВЭР АЭС) в составе прототипа ИСППР РВ на основе нетрадиционных
логик для мониторинга и управления сложными объектами типа энергоблоков,
разрабатываемом на кафедре Прикладной математики ГОУ ВПО МЭИ (ТУ) совместно с
ОАО «ЦНИИКА».
ЛИТЕРАТУРА
1.	Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов.
-М.: Радио и связь. 1989.
2.	Финн В.К. Об интеллектуальном анализе данных // Новости искусственного
интеллекта. - 2004. - № 3. - С. 3-18.
3.	Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения
интеллектуальных систем поддержки принятия решений реального времени //
Известия РАН. Теория и системы управления. 2001. № 6. - С. 114-123.
4.	Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и
правдоподобный вывод в интеллектуальных систем / Под ред. Вагина В.Н., Д.А.
Поспелова. -М.: ФИЗМАТЛИТ, 2004. - 704 с.
5.	Варшавский П.Р., Еремеев А.П. Поиск решения на основе структурной аналогии
для интеллектуальных систем поддержки принятия решений // Известия РАН.
Теория и системы управления, № 1,2005, С. 97-109.
6.	Уемов А.И. Логические основы метода моделирования. -М.: Мысль. 1971.
7.	Варшавский П.Р., Еремеев А.П. Реализация методов поиска решения на основе
аналогий и прецедентов в системах поддержки принятия решений // Вестник
МЭИ. № 2. -М.: Изд. МЭИ, 2006, - С. 77-87.
8.	Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные
системы поддержки принятия решений в нештатных ситуациях с использованием
информации о состоянии природной среды. // - М.: Эдитореал УРСС, 2001. - 304
с.
9.	Evans Т. A program for the solution of a class of geometric analogy intelligence test
questions I I In Semantic Information Processing. Cambridge. MA: MIT Press. 1968. -
P. 271-353.
10.	Kling R. E. A paradigm for reasoning by analogy // Artificial Intelligence. 2. 1971. - P.
147-178.
11.	Plaisted D.A. Theorem proving with abstraction //Artificial Intelligence 16(1). March
1981. -P. 47-108.
12.	Carbonell J.G. Learning by Analogy: Formulating and Generalizing Plans from Past
Experience I I Machine Learning: An Artificial Intelligence Approach. Vol. 1. Tioga. Palo
Alto. Calif. 1983. - P. 137-161.
13.	Winston P. H. Learning and reasoning by analogy // Communications of the ACM.
23(12). 1980.-P. 689-703.
14.	Long D., Garigliano R. Reasoning by analogy and causality: a model and application //
Ellis Horwood Series in Artificial Intelligence. 1994.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
61
Методы правдоподобных рассуждений на основе аналогий и прецедентов
для интеллектуальных систем поддержки принятия решений
15.	Gentner D. Similarity and analogical reasoning I I London: Cambridge University Press.
1993. - P. 673-694.
16.	Thagard P., Holyoak K., Nelson G., Gochfeld D. Analog retrieval by constraint
Satisfaction //Artificial Intelligence. 46. 1990. - P. 259-310.
17.	Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных
проблем, Пер. с англ. - 4-е изд. - М.: Издательский дом «Вильямс», 2003. - 864 с.
18.	Leake D.B. CBR in Context: The Present and Future // Case-Based Reasoning:
Experiences, Lessons and Future Directions, AAAI Press/The MIT Press, 1996, - P. 3-
31.
19.	Aamodt A., Plaza E. Case-based reasoning: foundational issues, methodological
variations, and system approaches //Al Communications. IOS Press. Vol. 7: 1. 1994. -
P. 39-59.
20.	Варшавский П.Р. Применение метода аналогий в рассуждении на основе
прецедентов для интеллектуальных систем поддержки принятия решений // Тр.
девятой нац. конф, по искусственному интеллекту с междунар. участием КИИ-
2004. В 3-х т. Т.1. - М.: Физматлит. 2004. - С. 218-226.
21.	Falkenhainer В., Forbus К., Gentner D. The Structure-Mapping Engine: Algorithm and
examples//Artificial Intelligence. 41.1989. - P. 1-63.
22.	Свидетельство об официальной регистрации программы для ЭВМ № 2005610761
«Программное инструментальное средство для конструирования библиотек
прецедентов и поиска решений на основе прецедентов (КБП)» / Автор:
Варшавский П.Р. - М.: Федеральная служба по интеллектуальной собственности,
патентам и товарным знакам, Зарегистрировано в Реестре программ для ЭВМ 31
марта 2005 г.
62
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний
в массивах данных с шумом*
М. В. Фомина
Аннотация. Рассматривается проблема обобщения знаний с учетом необходимости
обработки информации, хранящейся в реальных массивах баз данных. Такие
массивы данных могут содержать шум. В работе вводятся модели шума и
проводится исследование его влияния на работу алгоритмов обобщения, которые
используют методы построения решающих деревьев. Вводится метрика, на основе
которой разработан алгоритм восстановления неизвестных значений в обучающих
выборках с шумом по методу ближайших соседей. Предлагается модификация
алгоритма построения дерева решений, которая позволяет эффективно
обрабатывать данные, содержащие шум. Приводятся результаты программного
моделирования.
Введение
Обнаружение знаний в базах данных является стремительно увеличивающейся
областью, развитие которой вызвано большим интересом к настоятельным
практическим, социальным и экономическим нуждам. Бурное развитие методов
электронного сопровождения данных позволяет назвать настоящее время
«информационной эрой» - эрой мощных систем баз данных, предназначенных для
сбора и сопровождения информации, такие системы используются сейчас фактически
во всех больших организациях. Современные базы данных содержат так много данных,
что практически невозможно вручную проанализировать их для извлечения ценной
информации, помогающей принимать важные решения. Во многих случаях описание
состояний сложных систем содержит сотни независимых атрибутов, которые
необходимо анализировать, чтобы наиболее точно смоделировать поведение системы.
Отсюда следует, что люди нуждаются в помощи интеллектуальных систем для
повышения своих аналитических возможностей.
’ Работа выполнена при финансовой поддержке РФФИ (проекты № 05-01 -00818 и № 05-07-
90232)
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	53
Методы обнаружения знаний в массивах данных с шумом
Системы автоматического обнаружения знаний имеют возможность
анализировать «сырые» данные и предоставлять извлеченную информацию скорее
и успешнее, чем аналитик мог бы найти её самостоятельно. Мы используем термин
«обнаружение знаний в базах данных» (Knowledge Discovery in Databases или KDD)
чтобы описать многоступенчатый процесс превращения данных нижнего уровня в
знания высокого уровня. Можно дать такое простое определение этого процесса:
обнаружение знаний в базах данных - это нетривиальный процесс нахождения
важных, новых, потенциально полезных и понятных пользователю зависимостей в
данных.
1.	Постановка задачи обобщения
Обнаружение знаний в базах данных тесно связано с решением задачи
индуктивного формирования понятий, или задачи обобщения.
Дадим формулировку задачи обобщения понятий по признакам [1]. Пусть имеется
множество объектов, состоящее из положительных и отрицательных примеров
формируемых понятий. Назовем такое множество обучающей выборкой. На основании
обучающей выборки необходимо построить понятие, разделяющее положительные и
отрицательные объекты.
Под обобщением, в общем случае, понимается переход от рассмотрения
единичного объекта о или некоторой совокупности объектов S к рассмотрению
множества объектов V такого, что ое V или S eV. Здесь в качестве объекта может
рассматриваться как реальный объект, так и модель некоторого процесса или явления.
Пусть О = {о1,о2,...,оп} - множество объектов, которые могут быть представлены в
интеллектуальной системе. Каждый объект характеризуется г признаками: А,, А2,..., Аг.
Обозначим через DomfA,), Dom(Az), ... , Dom(A.) множества допустимых значений
признаков, где Оот(Ак)={х,, хг, ... х }, }<k<r, qk- количество различных значений
признака Ак. Каждый объект	\<i<n, представляется, таким образом, как
множество значений признаков, т.е. oi={xiX,xi2,...,xir}, где хйе Dom(AJ, l<k<qk.
Такое описание объекта называется признаковым описанием. В качестве признаков
объектов могут использоваться количественные, качественные либо шкалированные
признаки [2].
В основе процесса обобщения лежит сравнение описаний исходных объектов,
заданных совокупностью значений признаков, и выделение наиболее характерных
фрагментов этих описаний. В зависимости от того, входит или не входит объект в
объем некоторого понятия, назовем его положительным или отрицательным примером
для этого понятия.
Пусть О - множество всех объектов, представленных в некоторой системе знаний,
V - множество положительных объектов и 1/У - множество отрицательных объектов.
Будем рассматривать случай, когда O = V\jW , V oW -0, Ж = и
i
W, r>Wj =0 (i j). Пусть К - непустое множество объектов такое, что К - К+ и К~,
где К+dV и K~dW. Будем называть К обучающей выборкой. На основании
64
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
обучающей выборки надо построить правило, разделяющее положительные и
отрицательные объекты обучающей выборки.
Понятие, таким образом, сформировано, если удалось построить решающее
правило, которое для любого примера из обучающей выборки указывает, принадлежит
ли этот пример понятию, или нет. Алгоритмы, которые мы исследуем, формируют
решение в виде правил типа «ЕСЛИ условие ТО искомое понятие». Условие обычно
представляется в виде логической функции, в которой булевы переменные,
отражающие значения признаков, соединены логическими операциями конъюнкции,
дизъюнкции и отрицания. Решающее правило является корректным, если оно в
дальнейшем успешно распознаёт объекты, не вошедшие первоначально в обучающую
выборку.
Проблема формирования понятий по признаковым описаниям была
сформулирована М.М.Бонгардом [3]. Процедура обучения по Бонгарду основывается
на двух этапах: обучении и экзамене. В процедуре обучения используются две выборки
примеров. Одна группа содержит примеры, относящиеся к понятию, а вторая выборка
содержит контрпримеры.
Результатом обучения будет некоторое решающее правило (либо набор правил).
Оно должно позволять принять решение об отнесении конкретных примеров к
понятию. Правило считается корректным, если оно успешно разделяет все примеры и
контрпримеры обучающей выборки.
После того, как распознающее правило на обучающей выборке построено,
проводится экзамен - с помощью распознающего правила надо разделить объекты
новой, экзаменационной выборки на примеры и контрпримеры. Если решающее
правило правильно проводит такое разделение, обучение заканчивается. Если
результат экзамена неудовлетворителен, то можно проводить дополнительное
обучение на новой обучающей выборке (например, к исходной обучающей выборке
можно добавить примеры, на которых при распознавании возникали ошибки).
Главная задача алгоритмов обобщения заключается в построении решающих
правил, которые в дальнейшем используются для классификации новых объектов (этот
этап часто называют «предсказанием»). Критерии качества построенных правил - это
компактность и высокое качество распознавания вновь предъявленных объектов.
Рассмотрим основные методы, позволяющие решать поставленную задачу
обобщения.
2.	Методы обнаружения знаний
Очевидно, что обнаружение знаний не является единым универсальным способом
получения новой информации из представленных данных. Это зачастую
многошаговый, итеративный процесс поиска новых знаний, на разных этапах которого
могут использоваться разные методы.
Известен целый ряд методов, пригодных для обнаружения знаний. Каждый
предложенный метод имеет свои преимущества. Методы, обычно используемые для
извлечения полезной информации изданных, можно разделить на следующие группы:
Статистические методы. Исторически статистика занималась тестированием
выдвинутых гипотез и выдвижением предположений о моделях данных.
Статистический подход обычно основывается на вероятностных моделях. В общем
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
65
Методы обнаружения знаний в массивах данных с шумом
предполагается, что такие методы будут использованы специалистами по статистике
и, следовательно, требуется человеческое вмешательство при порождении гипотез-
кандидатов и моделей.
Вывод, основанный на прецедентах. Это технология решения поставленной
проблемы путём непосредственного использования предыдущего опыта и ранее
принятых решений. Прецедентом (случаем) считается проблема, которая возникала
ранее и которая была решена. При возникновении новой проблемы вывод,
основанный на прецедентах, проверяет множество ситуаций, хранящихся в
информационной базе, и находит схожую. Если существует сходный случай, то
решение, соответствующее такому случаю, пытаются применить к новой проблеме,
а сама проблема добавляется к информационной базе хранящихся случаев для
использования в будущем.
Нейронные сети. Нейронные сети относятся к классу систем, моделирующих
человеческий мозг. Подобно тому, как человеческий мозг состоит из миллионов
нейронов, соединенных между собой синапсами, семантические сети состоят из
большого числа нейроподобных элементов, соединенных между собой наподобие
нейронов человеческого мозга. Подобно тому, как это происходит в человеческом
мозге, стремление нейронов к взаимодействию может изменяться в ответ на
воздействие или полученный выходной сигнал, что делает возможным обучение в
сети.
Деревья решений. Дерево решений - это дерево, в котором каждый узел, не
являющийся конечным, представляет собой проверку условия, или, если узел
конечный, предъявляется решение для рассматриваемого элемента. Чтобы выполнить
классификацию предъявленного примера, необходимо начать с корневого узла. Затем
мы следуем по дереву решений вниз, пока не будет достигнут конечный узел (или
лист). В каждом узле, не являющемся конечным, проверяется одно из условий. В
зависимости от результата проверки условия выбирается соответствующая ветвь для
дальнейшего движения по дереву. Решение получено, если мы достигли конечного
узла.
Индуктивные правила. Правила устанавливают статистическую корреляцию между
появлениями некоторых признаков в конкретном примере, либо между некоторыми
примерами в обучающем множестве.
Байесовские доверительные сети. Байесовские доверительные сети - это
графическое представление распределения вероятностей, полученное на основании
подсчетов в обучающем множестве. Байесовская доверительная сеть представляет
собой направленный ациклический граф, узлы которого представляют значения
атрибутов, а веса дуг представляют вероятностные зависимости между атрибутами.
Каждому узлу сопоставляются условные распределения вероятностей, описывающие
отношения между узлом и предками этого узла.
Генетические алгоритмы \ эволюционное программирование. Генетические
алгоритмы и эволюция - это алгоритмически оптимизированные стратегии,
базирующиеся на принципах естественной эволюции. Множество потенциальных
решений проблемы конкурирует друг с другом, при этом улучшается общее качество
решения, подобно тому, как этот процесс проходит в популяции живых организмов.
Генетические алгоритмы и эволюционное программирование используют методы Data
Mining, чтобы сформулировать гипотезы относительно зависимостей между
66
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
переменными в форме ассоциативных правил, либо используя какой-то иной
формализм.
Приближенные множества. Приближенное множество определяется посредством
задания верхней и нижней границ некоторого множества, называемых приближениями
этого множества. Подобно нечетким множествам, приближенные множества являются
математической концепцией для работы с нечеткостями в данных. Также, подобно
нечетким множествам, приближенные множества редко используются как единственно
возможное решение проблемы, они обычно комбинируются с другими методами,
такими, как индуктивные правила, классификация, кластеризация (см., например, [4,
5]).
В данной работе одним из наиболее перспективных для исследования был выбран
метод решающих деревьев. Он более универсален, чем предметно-ориентированные
аналитические системы и статистические пакеты, и, в то же время, не обладает такой
сложностью, как нейронные сети или генетические алгоритмы [6]. Последнее особенно
важно, когда речь идет об анализе очень больших массивов данных. Рассмотрим
подробно подход, основанный на использовании деревьев решений.
3.	Индукция деревьев решений
Теория решающих деревьев находит широкое применение в индуктивных
системах. Решающие деревья используются при решении классификационных задач и
представляют собой процедуру определения класса для предъявленного примера.
Каждый узел дерева,начиная с корневого узла, определяет или имя класса, или
специфическую проверку, разделяющую пространство примеров, приписанных узлу, в
соответствии с возможными результатами проверки. Каждое подмножество,
возникшее в результате такого разделения, соответствует классификации
субпроблемы для подпространства примеров, которое получено на поддереве.
Формально можно определить дерево решений как граф, не содержащий циклов.
Каждая вершина в таком графе - это конечный узел (лист), взвешенный именем
класса, или промежуточный узел, содержащий проверку значений атрибута с
дальнейшим расщеплением на поддеревья, для каждого допустимого значения
атрибута.
Известен целый ряд алгоритмов обобщения, которые могут построить дерево
решений на основе множества примеров, для которых известен результат
классификации, начиная с корневого узла (вершина дерева) вниз к конечным узлам
(листьям). На каждом этапе построения информационная связь между
классификационным и исследуемым атрибутами используется для выбора атрибута,
на основании которого происходит ветвление в данной точке. Одним из наиболее
широко используемых является алгоритм Куинлана, основанный на информационных
оценках [7, 8].
Алгоритм ID3 (induction of decision trees, разработан Р.Куинланом) формирует
решающие деревья на основе примеров. Каждый пример имеет одинаковый набор
атрибутов (признаков), которые можно рассматривать как качественные признаки. В
табл. 1 приведено обучающее множество, содержащее такие примеры.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
67
Методы обнаружения знаний в массивах данных с шумом
Таблица 1
Обучающая выборка «Игра в гольф»
Прогноз погоды	Температура, F°	Влажность, %	Ветер	Играть ли в гольф?
Солнечно	85	85	Ложь	Не играть
солнечно	80	90	Истина	Не играть
пасмурно	83	78	Ложь	Играть
дождливо	70	96	Ложь	Играть
дождливо	68	80	Ложь	Играть
дождливо	65	70	Истина	Не играть
пасмурно	64	65	Истина	Играть
солнечно	72	95	Ложь	Не играть
солнечно	69	70	Ложь	Играть
дождливо	75	80	Ложь	Играть
солнечно	75	70	Истина	Играть
пасмурно	72	90	Истина	Играть
пасмурно	81	75	Ложь	Играть
дождливо	71	80	Истина	Не играть
Алгоритм ID3 строит такое решающее дерево, в котором с каждым узлом
ассоциирован атрибут, являющийся наиболее информативным среди всех атрибутов,
еще не рассмотренных на пути от корня дерева. В качестве меры информативности
обычно используется теоретико-информационное понятие энтропии.
Алгоритм ID3 основан на следующей процедуре рекурсивного характера:
1.	На основании оценок информативности выбирается наиболее информативный
атрибут для корневого узла дерева, и формируются ветви для каждого из
возможных значений этого атрибута.
2.	Дерево используется для классификации обучающего множества. Если все
примеры на некотором листе принадлежат одному классу, то этот лист помечается
именем этого класса.
3.	Если все листья помечены именами классов, алгоритм заканчивает работу. В
противном случае узел помечается именем очередного атрибута, и создаются
ветви для каждого из возможных значений этого атрибута, после чего алгоритм
снова выполняет шаг 2.
Алгоритм ID3 не может непосредственно работать с атрибутами, имеющими
непрерывные области определения, для обработки таких атрибутов Куинлан
предложил модификацию - алгоритм С4.5 [7].
На рис. 1 приведён пример построения дерева решений для обучающей выборки
«Игра в гольф». Там же даны продукционные правила, сопоставленные дереву
решений. Исходные данные представлены в табл. 1.
68
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
Если прогноз погоды = «солнечно» & влажность 70, то Играть
Если прогноз погоды = «солнечно» & влажность > 70, то Не играть
Если прогноз погоды = «пасмурно» то Играть
Если прогноз погоды = «дождливо» & ветер = Нет, то Играть
Если прогноз погоды = «дождливо» & ветер = Есть, то Не играть
Рис. 1. Дерево решений
4.	Шум в обучающей выборке
Рассмотрим индуктивную систему, способную оказать реальную помощь эксперту
в нахождении обобщённых понятий. Такая система должна создавать правила,
позволяющие отнести объект или ситуацию к одному из классов в случае исследования
реальной проблемы. Описание такой проблемы из области экономики, медицины,
банковского дела, и т.п., может храниться в виде таблицы базы данных.
Использование базы данных в качестве обучающего множества вызывает ряд
трудностей. Прежде всего, информация в базе данных ограничена, так что не вся
информация, необходимая для определения класса объекта, доступна. Во-вторых,
доступная информация может быть повреждена или частично отсутствовать. Наконец,
большой размер баз данных и их изменение со временем рождает дополнительные
проблемы. Кроме того, мы нуждаемся в алгоритме индукции, допускающем работу с
шумом, который всегда наличествует в реальных предметных областях.
4.1.	Причины возникновения шума
Индуктивные экспертные системы обычно работают при условиях наличия шума во
входных данных.
В идеальном случае индуктивная система работает с предметной областью, в
которой все полученные обобщённые правила наиболее точно отражают зависимости,
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
69
Методы обнаружения знаний в массивах данных с шумом
характерные для объектов этой области. Эти правила будут рассматриваться как
точные (т.е. не охватывающие никаких контрпримеров). Однако во многих реальных
предметных областях большинство найденных зависимостей крайне редко являются
точными. Часто полученные обобщённые правила покрывают помимо положительных
примеров некоторое незначительное число контрпримеров в обучающей выборке. Это
возможно по двум причинам:
Ошибки описания. При формировании обучающей выборки для обработки
алгоритмом машинного обучения, мы задаём примеры объектов, каждый из которых
должен быть описан некоторым способом в виде набора атрибутов. Процесс
получения значений атрибутов для конкретного примера связан с появлением ошибок
по ряду причин (например, неточности в работе измерительного оборудования,
классификационные ошибки эксперта, ошибки при вводе значения в таблицу и т.п.).
Ошибки по причине недостаточно полного описания. При формировании
обучающей выборки, используемой алгоритмами обобщения, возникает проблема
выбора наиболее подходящего набора атрибутов для описания объектов или ситуаций.
С одной стороны, описание объекта может оказаться излишне подробным,
содержащим целый ряд несущественных атрибутов, с другой стороны, возможно, что
некоторые существенно важные атрибуты не будут представлены в этом описании. В
последнем случае никакое правило или набор правил, полученных посредством
обобщения на таком наборе данных, не окажется в состоянии полностью корректно
классифицировать все возможные объекты (ситуации). Это наиболее характерно для
проблем в медицинской области, где возможно получить описание различных типов
заболеваний с различной степенью точности. При этом более детальные, подробные
описания ситуаций часто оказываются бесполезными по причине излишне высоких
временных или стоимостных затрат на их обработку в индукивных системах [9].
4.2.	Методы борьбы с шумом
Рассмотрим некоторые из методов борьбы с влиянием шума, которые
применяются в современных системах обобщения.
1.	Удаление из обучающего множества ошибочных примеров. Этот метод заключается
в том, чтобы использовать для индукции только наиболее типичные примеры,
выделенные либо экспертом, либо автоматически отобранные на стадии
предварительной обработки данных.
2.	Гибкое применение правил. Суть метода в использовании «гибкого подхода» при
применении обобщённых правил для классификации объектов. При этом
предлагается использование весовых коэффициентов и вероятностей для
принимаемых решений (объект может быть отнесён не к единственному классу, а к
нескольким классам). Ошибочная классификация в результате применения
неподходящего правила при этом может быть подавлена другими правилами, с
которыми связаны более высокие весовые коэффициенты.
3.	Удаление правила. После проведения индуктивного построения правил
предлагается удалить те правила, которые дают наиболее слабую корреляцию
между атрибутами и классами. Это позволит далее решать задачу классификации с
использованием наиболее достоверных правил. Этот приём можно комбинировать
со стратегией гибкого применения правил, чтобы получать классификацию для тех
примеров, которые не удовлетворяют единственному правилу.
70
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
4.	Генерация правил, для которых допустимы контрпримеры. Процедура порождения
таких продукционных правил, часто включает смягчение ограничений, так, чтобы
созданные правила были полностью совместимы с обучающим множеством (либо
максимально покрывали его при невозможности полного совмещения). Это
позволяет выполнять обобщение в случаях, когда обучающая выборка мала и
результат обобщения оказывается неудачным. Такие алгоритмы обучения
используют стратегию порождения гипотез «сверху - вниз» при построении правил.
Примером подобного подхода является приём сокращения деревьев решений (см.,
например, подход Куинлана [10]).
5.	Использование знаний о предметной области. Дополнительная информация о
предметной области может быть использована для снижения проблем, связанных с
шумом. Метод даёт возможность пользователю использовать базовые знания в
процессе обобщения. При этом проведение обобщения допускается только когда
обоснованность (достоверность) обобщения может быть проверена.
4.3.	Модели шума.
Для исследования влияния шума на работу алгоритмов обобщения предлагается
использовать методы искусственного внесения шума в обучающую выборку как на
этапе генерации правил, так и на этапе классификации новых примеров, для проверки
«предсказательных возможностей» полученного правила или набора правил.
Рассмотрим постановку задачи внесения шума в обучающую выборку.
Первоначально задана обучающая выборка К, не содержащая искаженных значений.
Выборку, содержащую данные с шумом, будем далее обозначать К'.
Мы исследуем две модели шума:
1. Шум связан с отсутствием значений атрибутов (значение атрибута не удалось
измерить). Для каждого атрибута А область допустимых значений дополняется
значением «неизвестно». Такое значение, соответствующее ситуации, когда
истинное значение атрибута потеряно, обозначим далее N (Not_known). Таким
образом, отдельные примеры обучающей выборки К' содержат некоторое
количество признаков со значениями «неизвестно».
2. Шум связан с искажением некоторых значений атрибутов в обучающей выборке.
При этом истинное значение заменяется на одно из допустимых, но ошибочных
значений (значения перемешаны).
Введём следующие допущения:
Во-первых, входные ошибки, исказившие значения признаков в обучающем
множестве, могут повлиять как на работу обучающего алгоритма, так и на выбор пути
по дереву решений при классификации новых примеров.
Во-вторых, в пределах обучающей выборки любой непрерывный атрибут можно
рассматривать как дискретный (поскольку набор представленных в выборке значений
атрибута конечен).
В-третьих, для каждого непрерывного атрибута можно провести разбиение
значений на группы с помощью алгоритма дискретизации [11].
Пусть значения информативного атрибута Ак, 1<к<г, получены в результате
измерения некоторой входной величины. Введём рс - вероятность корректного
измерения значения атрибута, pv- вероятность некорректного измерения значения
атрибута. В последнем случае значению атрибута присваивается N (Not_known).
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
71
Методы обнаружения знаний в массивах данных с шумом
Очевидно, рс+р=1. Вероятность некорректного измерения значения атрибута назовём
уровнем шума по указанному атрибуту.
Для шума данного типа предлагается использовать следующую модель.
Модель шума «Отсутствие значений»
Дано: К - обучающая выборка, А - информативный атрибут, Оот(Д) - область
допустимых значений атрибута, pv - уровень шума по данному атрибуту.
Получить: К' - обучающую выборку, где Оот(Д)' = Dom(^) и{Л/}, вероятность
появления значения N в поле атрибута A p(N) =
Процедура, моделирующая внесение шума «отсутствие значений», заключается в
последовательном просмотре всех примеров обучающей выборки, в процессе
которого в соответствии с заданным уровнем шума для указанного атрибута
выполняется внесение в таблицу неизвестных значений вместо истинных значений
атрибута. Получаем обучающую выборку с шумом К.
Рассмотрим особенности работы с шумом второго типа. Мы определим величину
pv как вероятность ошибочного или некорректного измерения входного параметра.
Пусть параметр А, может принимать q различных дискретных значений. Каждое
значение информативного атрибута Ак получено путём измерения некоторой входной
величины. Определим вероятности корректного и ошибочного измерений значения
входного параметра рс и pw.
Предположим, что модели ошибок схожи и что все входные величины имеют один
уровень шума. В результате измерения мы можем получить либо единственно
правильное значение с вероятностью рс, либо любое из q-1 ошибочных значений.
Поскольку одно из q значений в результате измерения обязательно будет получено,
справедливо соотношение: pc+(q-1)pw=1 [12].
Например, если имеется 5 входных значений и вероятность корректного
измерения одного значения составляет рс-0.8, то появление конкретного ошибочного
значения возможно с вероятностью pw=( 1 -0.8)/(5-1 )=0.05.
Введём модель шума для рассмотренного случая.
Модель шума «Перемешивание значений»
Дано: К - обучающая выборка, А - информативный атрибут, Dom(^) - область
допустимых значений атрибута, pv- уровень шума по данному атрибуту.
Получить: К - обучающую выборку, где Dom(A)’ = Dom(A)= {хр хг, ... , х}, при
условиях, что вероятность появления истинного значения в поле атрибута А составляет
рс, а вероятность появления любого из (q-1) ошибочных значений составляет pv -(q-
0Pw[12].
Сформулируем основные требования к процедуре, моделирующей шум.
1.	Параметр А, подвергающийся воздействию процедуры внесения шума, это
наиболее информативный атрибут, для которого строится очередной уровень
дерева решений.
2.	Параметр А является дискретным и принимает q возможных значений.
3.	Первоначальное множество объектов К (обучающая выборка), включающее атрибут
А, не содержит шума.
В отличие от процедуры внесения неизвестных значений процедура
перемешивания использует величину pv - вероятность некорректного измерения
значения атрибута А - не для удаления истинного значения из выборки, а для замены
его равновероятно на любое из (q-1) неверных значений в рассматриваемом примере.
72
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
Предложенные алгоритмы внесения шума используются далее для моделирования
искажения значений атрибутов в обучающих выборках без шума. Зашумлённые
обучающие выборки должны обрабатываться алгоритмом обобщения. Далее мы
рассмотрим работу алгоритма обобщения при наличии шума в исходных данных. Наша
цель - оценить точность классификации примеров контрольной выборки при
возрастании уровня шума в этой выборке.
5.	Предсказание неизвестных значений по методу
ближайшего соседа
Пусть дана выборка с шумом, К', причём искажениям подвергаются атрибуты,
принимающие как дискретные, так и непрерывные значения. Рассмотрим проблему
использования объектов обучающей выборки К' при построении решающего дерева Т
и при проведении экзамена с использованием решающего дерева Т.
Пусть Xg/C - очередной объект выборки; Х=<х,, ... , х>. Среди всех значений его
атрибутов имеются атрибуты со значением N (Not known). При построении дерева
решений одним из точных алгоритмов, пример, содержащий неизвестные значения,
должен быть отвергнут (удалён из обучающей выборки).
При использовании уже сформированного дерева Т для классификации объекта X
возможны следующие ситуации:
•	в процессе прохождения пути по дереву Т от корня к листу не встретились
признаки, имеющие значение «неизвестно», получен однозначный результат;
•	в процессе прохождения пути по дереву Т встретились признаки, содержащие
значение «неизвестно», получен неоднозначный результат.
Таким образом, наличие неизвестных значений в примерах обучающей выборки
затрудняет как обучение, так и экзамен.
Построение дерева решений при наличии примеров с неизвестными значениями
приведёт к многовариантным решениям, поэтому попытаемся найти возможность
восстановить эти неизвестные значения. Одним из наиболее простых подходов может
быть метод «ближайших соседей». Этот метод был предложен для классификации
неизвестного объекта X на основе рассмотрения нескольких ближайших к нему
объектов с известной классификацией. Решение об отнесении объекта X к тому или
иному классу принимается путём анализа информации о принадлежности этих
ближайших соседей тому или иному классу, например, с помощью простого подсчёта
голосов ([13]). Поскольку в предъявленной обучающей выборке К известно, к какому
классу принадлежит объект X, можно восстановить потерянное значение признака по
значениям признаков нескольких ближайших к нему объектов, принадлежащих тому же
классу.
Каждый объект из обучающей выборки К, определённый путём задания значений
информативных атрибутов Ар Аг, ... , Аг, можно рассматривать как вектор значений
признаков. Введём метрику на векторах из К.
Пусть имеются Х=<х,, ... , х> и Y=<yt, ... , у> - объекты выборки К. Определим
расстояние между этими объектами по формуле:
D(X,Y)=
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
73
Методы обнаружения знаний в массивах данных с шумом
Для дискретных признаков d(xi - у,)=0, если х=у, и d(xi - у/)=1, если Если
одно из значений неизвестно, принимаем d{xt — у,) = 1 (предположительно, имеет
место наихудший случай).
Для непрерывных признаков расстояние J(x, - у,.) определяется на интервале [О,
1] следующим образом:	-у{) - р-—
_ а | ’ где «пи, = тах(х;) 	= minfxj 
I	IJC|	|JC1
В случае, если одно из значений непрерывного признака неизвестно (y=N), по
max(|x, -а I,
известному значению xi определим d(Xj -у,) =-------!—:-----L
а —а -
| max mir [
lxi
Если оба значения признака неизвестны, также примем d(xt —у,) =1 .
Основная идея алгоритма ВОССТАНОВЛЕНИЕ заключается в следующем.
Просматриваем последовательно все примеры обучающей выборки. Если пример X
обучающей выборки К содержит неизвестные значения, определяем на основе
введенной метрики h ближайших к нему примеров, не имеющих неизвестных значений.
Пусть они образуют множество Near(X), | Near(X) | =/i. На основе анализа этих
примеров, имеющих максимальное сходство с X, восстанавливаем неизвестные
значения признаков этого объекта.
Пусть для примера X неизвестным оказалось значения к -го признака Рассмотрим
подробнее стратегию определения искомого неизвестного значения т* в примере X.
Множество Near(X) содержит h примеров, для которых известны значения к -го
признака.
1. Признак Ак - количественный. Определяем неизвестное значение как среднее
Л
арифметическое т* =	/ .
2. Признак Ак -дискретный. Определить неизвестное значение т* как наиболее часто
встречающееся среди примеров Near(X).
6.	Алгоритм построения дерева решений, работающий
с шумом
6.1.	Использование алгоритма ВОССТАНОВЛЕНИЕ при
построении дерева решений
Рассмотрим возможность использования алгоритма ВОССТАНОВЛЕНИЕ, который
был предложен выше, для решения задач индуктивного формирования понятий.
Предлагается алгоритм IDTUV («Induction of Decision Tree with restoring Unknown
Values»), который включает процедуру восстановления неизвестных значений при
наличии в обучающей выборке примеров, содержащих шум. Когда неизвестные
значения атрибутов восстановлены, используется один из алгоритмов построения
деревьев решений. Примеры, для которых не удалось восстановить неизвестные
74
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
значения, удаляются из обучающей выборки. Ниже приводится псевдокод алгоритма
IDTUV.
Алгоритм IDTUV
Дано:/<= К'сЖ
Получить: дерево решений Т
Начало
Получение К= и К
Для всех информативных атрибутов объектов К
Повторять
нц
Если имеется неизвестное значения атрибута
то применить алгоритм ВОССТАНОВЛЕНИЕ
кц
Если
информативные атрибуты имеют непрерывные значения
то применить алгоритм С4.5
иначе применить алгоритм ID3
конец если
вывести Т - дерево решений
КонецIDTUV
6.2.	Моделирование работы алгоритма построения дерева
решений при наличии шума
Программная реализация системы IDTUV, осуществляющей построение
классификационных моделей с использованием одноименного алгоритма, выполнена
в системе программирования Delphi 7.0 с использованием для доступа к базам данных
BDE (Borland Database Engine).
Программа IDTUV («Induction of Decision Tree with restoring Unknown Values»)
выполняет следующие основные функции:
•	На основе обучающей выборки строит классификационную модель (решающее
дерево).
•	Формирует продукционные правила, эквивалентные построенному дереву
•	По решающему дереву производит распознавание (классификацию) объектов.
Программа допускает использование в качестве обучающего множества таблиц
баз данных. При этом возможна обработка таблиц с числом объектов до 50000 и
количеством атрибутов до 20.
6.3.	Обучающие выборки, использованные для
моделирования
Представлены результаты экспериментов, выполненных на следующих четырех
группах данных из известной коллекции тестовых наборов данных Калифорнийского
университета информатики и вычислительной техники UCI Machine Learning Repository
[14]:
1.	Данные «задач монахов» (Monk's problems)
2.	Медицинские данные:
Диагностика сердечных заболеваний (Heart)
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
75
Методы обнаружения знаний в массивах данных с шумом
3.	Репозиторий данных проекта StatLog:
Диагностика заболеваний диабетом (Diabetes)
Австралийский кредит (Australian)
4.	Другие наборы данных (из области биологии и судебно-следственной
практики).
В этом разделе мы изложим результаты экспериментов на этих данных.
Наиболее простой способ оценить, насколько хорошо работает возможная
решающая функция (такая как система решающих правил или дерево решений) - это
проверить её на тестовом множестве. Обучение на тестовых данных увеличивает
объём обучающего множества и, как следствие, приводит к улучшению обобщения. В
проведённых экспериментах использовались следующие методики проверки: это
перекрёстная проверка, проверка исключением одного примера и метод бутстрепа
[15].
6.4.	Результаты классификации при отсутствии шума
В табл. 2 даны результаты, полученные на основе сравнения результатов
классификации по приведённым методам для перечисленных выше обучающих
выборок. Классификация выполнялась алгоритмами ID3, С4.5, CN2, CART5, IDTUV.
Таблица 2
Сравнение результатов классификации
Набор данных	Точность классификации				
	ID3	C4.5	CN2	CART5	IDTUV
Glass	62.79	65.89	66.01	44.86	67.62
Heart	77.78	77.04	77.95	80.00	72.22
Diabetes	66.23	70.84	71.10	74.09	76.38
Monk-2	65.00	69.91	69.00	63.20	78.94
Australian	78.26	85.36	79.60	85.51	79.58
Monk-1	81.25	75.70	100.00	83.34	79.65
Adult	83.53	84.46	84.00	81.59	85.69
Monk-3	90.28	97.20	89.00	97.22	95.29
Iris	94.67	96.67	93.33	94.00	95.30
Anneal	99.55	91.65	98.60	97.87	99.55
Mushroom	100.00	100.00	100.00	100.00	100
Soybean	100.00	95.56	91.43	98.00	100
Среднее	83.28	84.19	85.00	83.31	85.85
Результаты классификации показали, что при отсутствии шума алгоритм IDTUV
работает не хуже, чем остальные перечисленные алгоритмы. Проверка точности
классификации выполнялась по методикам, названным выше. Поскольку алгоритмы
ID3, С4.5, CN2, CART5 не обрабатывают примеры с неизвестными значениями, на этом
этапе внесение шума не производилось.
6.5.	Результаты классификации примеров с шумом
Для внесения шума в обучающую выборку была создана программа NOISE,
позволяющая искажать или заменять некоторые значения в таблицах тестовых
76
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
примеров в соответствии с введёнными моделями шума. Полученная таблица с шумом
подвергалась затем обработке алгоритмом IDTUV.
Поскольку главной задачей эксперимента было оценить влияние шума на
результаты построения классификационных правил и распознавания тестовых
примеров, было принято решение отказаться от хаотичного внесения шума в поля
любых признаков в тестовых таблицах. Для внесения искажений был использован
наиболее информативный признак таблицы, который размещается в корне дерева
решений. Очевидно, изменения значений именно такого признака способны наиболее
существенно повлиять на результаты работы алгоритмов обобщения и классификации.
Были рассмотрены и проанализированы ситуации полного отсутствия шума и наличия
шума в 5%, 10% и 20% по выбранному признаку. На каждом тестовом множестве
проводился ряд экспериментов в соответствии с методами, перечисленными ранее.
Затем результаты усреднялись.
6.5.1.	Влияние шума на построение дерева решений
Первая группа опытов предназначалась для проверки того, как шум в обучающей
выборке влияет на построение дерева решений. В табл. 3 приведены результаты
эксперимента: для каждого из рассмотренных вариантов указана степень совпадения
построенного дерева с деревом решений, полученным для обучающего множества без
шума. Следует отметить, что был выбран вариант шума «отсутствие значения
признака».
Из табл. 3 видно, что в некоторых случаях, даже при отсутствии до 20% значений
наиболее информативного признака, не происходило изменения дерева решений, и,
следовательно, не изменялись правила классификации (либо эти изменения были
крайне незначительны).
Таблица 3
Влияние шума на построение дерева решений
Набор данных	Уровень шума 5%	Уровень шума 10%	Уровень шума 20%	По какому признаку вносился шум
Golf (100 примеров)	Совпадение 100%	Совпадение 100%	Совпадение 100%	Шум по признаку outlock
Heart (243 примера)	30% различий на втором уровне дерева	30% различий на втором уровне дерева	30% различий на втором уровне дерева	Шум по признаку THAL
Australian (621 пример)	Совпадение 100%	30% различий на 3-м уровне дерева	Различие в разделяющем значении на ветке второго уровня дерева	Шум по признаку А8
Monks-1 (432 примера)	20% различий на 2-м уровне дерева	50% различий на 2-м уровне дерева	50% различий на 2-м уровне дерева	Шум по признаку А5
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
77
Методы обнаружения знаний в массивах данных с шумом
Monks-3 (122 примера)	5% различий на 4-м уровне дерева	10% различий на 3-м уровне дерева	30% различий на 2-м уровне дерева	Шум по признаку А2
Iris (100 примеров)	Совпадение 100%	Совпадение 100%	Совпадение 100%	Шум по признаку PETAL_L
6.5.2.	Влияние шума на классификацию примеров
Второй этап проверки заключался в установлении того, как шум влияет на
успешность классификации примеров. Были использованы две модели шума: шум как
отсутствие значений и шум, заключающийся в перемешивании определенного
количества значений в тестовой выборке. В обоих случаях для классификации
использовались правила, полученные на обучающей выборке, не содержащей шума.
Результаты экспериментов приведены в табл. 4 и 5.
Таблица 4.
Влияние шума на точность классификации при отсутствии значений в тестовой
выборке
Набор данных	Точность классификации в		выборке, %	
Golf	Нет шума 90	Шум 5% 89,74	Шум 10% 88,3	Шум 20% 86,74
Heart	98,15	97,38	96,6	93,07
Australian	86,96	84,86	84,76	81,26
Monks-1	78,88	77,86	76,91	74,29
Monks-3	95,29	93,71	92,9	90,5
Iris	98,36	95,63	93,44	89,62
Среднее Насколько уменьшилась точность классификации	91,273	89,633 1,8%	88,82 2,69%	86,02 5,75%
Таблица 5
Влияние шума на точность классификации при перемешивании значений
________________________тестовой выборке_________________________
Набор данных	Точность классификации в выборке, %			
	Нет шума	Шум 5%	Шум 10%	Шум 20%
Golf	90	88	85	81
Heart	98,15	95,93	93,7	87,59
Australian	86,96	82,61	79,71	78,26
Monks-1	78,88	77,61	76,14	74,97
Monks-3	95,29	93,9	91,24	87,58
78
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Методы обнаружения знаний в массивах данных с шумом
Iris Среднее Насколько уменьшилась точность классификации	98,36 91,273	96,72 89,13 2,34%	96,72 87,09 4,58%	93,44 83,8 8,19%
Лучшие результаты, показанные на модели шума «отсутствие значений»
доказывают высокую эффективность алгоритма ВОССТАНОВЛЕНИЕ. Из проведенных
опытов можно сделать вывод, что алгоритм IDTUV способен успешно работать с
зашумленной информацией.
Заключение
В работе рассматривалась задача обобщения информации и исследовались
пути ее решения при наличии шума в исходных данных. Проанализированы
сложности, которые возникают при использовании таблиц баз данных в качестве
обучающего множества. Показано, что одной из таких проблем является наличие
шума.
Рассмотрены модели шума в таблицах баз данных, следствием которых является
отсутствие значений признаков, либо искажение значения признаков в обучающей
выборке. Предложены алгоритмы, моделирующие внесение шума на этапе построения
дерева решений и на этапе классификации тестовых примеров.
Введена метрика, позволяющая определять расстояние между объектами,
содержащими неизвестные значения признаков. На основании этой метрики
разработаны алгоритмы восстановления, позволяющие определить предполагаемое
значение неизвестного признака методом «ближайшего соседа».
Предложен алгоритм IDTUV, позволяющий обрабатывать обучающие выборки,
содержащие примеры с неизвестными или искажёнными значениями, на основе
использования алгоритмов ID3 и С4.5 в сочетании с алгоритмами восстановления.
Разработана и программно реализована система построения обобщенных понятий в
виде дерева решений, которая использует полученные теоретические результаты и
создана на основе предложенных алгоритмов.
ЛИТЕРАТУРА
1.	Вагин В.Н. Дедукция и обобщение в системах принятия решений. - М.: Наука. 1988.
- 384 с.
2.	Вагин В.Н. и др. Достоверный и правдоподобный вывод в интеллектуальных
системах. - М.: ФизМатЛит, 2004. - 704 с.
3.	Бонгард М.М. Проблема узнавания. -М.:Наука, 1967.-320 с.
4.	Komorowski J., Pawlak Z., Polkowski L., Skowron A. Rough Sets: A Tutorial // Rough
Fuzzy Hybridization - A New Trend in Decision Making. / Pal S.K., Skowron A. (Eds.). -
Singapore: Springer-Verlag, 1999. - P. 3-98.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
79
Методы обнаружения знаний в массивах данных с шумом
5.	Nguyen H.S., Nguyen S.H. Discretization methods in data mining // Rough Sets in
Knowledge Discovery 1: Methodology and Applications / Polkowski L. and Skowron A.
(Eds.). - Heidelberg: Physica-Verlag, 1998. - P.451-482.
6.	Бериша A.M., Вагин B.H., Куликов A.B., Фомина М.В. Методы обнаружения знаний в
«зашумленных» базах данных // Известия РАН. Теория и системы управления. -
2005. -№ 6.-С. 143-158.
7.	Quinlan J.R. С4.5: Programs for Machine Learning. - San Mateo, CA: Morgan Kaufmann
Publishers, 1993.
8.	Quinlan J.R. Induction of Decision Trees//Machine Learning, 1986.-V.1 - P.1-81.
9.	Clare P., Niblett T. Induction in Noisy Domains. 11 Proc. 2nd European Machine Learning
Conference, 1994, -P.11-30.
10.	Quinlan J. Learning from noisy Data. // Machine Learning, 1986, V.2
11.	Kulikov A., Fomina M. The Development of Concept Generalization Algorithm Using
Rough Set Approach / Knowledge-Based Software Engineering: Proceedings of the Sixth
Joint Conference on Knowledge-Based Software Engineering (JCKBSE 2004) //
V.Stefanuk and K. Kajiri (eds). - IOS Press, 2004. - P.261-268.
12.	Mookerjee V., Mannino M., Gilson R. Improving the Performance Stability of Inductive
Expert Systems under Input Noise // Information Systems Reseach,V.6, 4,1995. -P. 328-
356.
13.	Бериша A.M., Вагин B.H. Использование алгоритма построения деревьев
решений для зашумлённых данных // Международный форум информатизации -
2004: Труды международной конференции «Информационные средства и
технологии». ВЗ-хт. -Т.1. - М.: Янус-К, 2004. - С. 171- 174.
14.	Merz C.J., Murphy P.M. UCI Repository of Machine Learning Datasets. - Information
and Computer Science University of California, Irvine, CA, 1998. Режим доступа: http: 11
www.ics.uci.edu/~mlearn/MLRepository.html.
15.	Efron B., Tibshirani R. J. An Introduction to the Bootstrap. - New York: Chapman and
Hall, 1993.-456 p.
8D
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые
кошки-мышки»: многоагентные
технологии для исследования
киберпротивоборства между
антагонистическими командами
кибер-агентов в интернет
И.В. Котенко, А.В. Уланов
Аннотация. В работе развивается агентно-ориентированный подход к
моделированию противоборства злоумышленников и систем защиты в сети
Интернет в виде антагонистического взаимодействия команд программных агентов.
Подход рассмотрен на примере моделирования процессов реализации
распределенных атак «отказ в обслуживании» и механизмов защиты, реализующих
их обнаружение, предотвращение и проактивное реагирование на атаки.
Предложена обобщенная концепция моделирования противоборства команд
программных агентов в компьютерных сетях. Рассмотрены варианты структур
команд агентов, механизмы их взаимодействия и планы действий. Представлена
разработанная среда моделирования и описаны проведенные эксперименты.
1.	ИГРА В СЕТЕВЫЕ КОШКИ-МЫШКИ, ПРИМЕРЫ АТАК И
МЕХАНИЗМОВ ЗАЩИТЫ
Современное общество во все более значительной степени оказывается в
зависимости от различных распределенных информационных систем, которые имеют
разнообразные возможности и характеризуются высокой сложностью. Объективно
присущие информационным системам уязвимости и постоянно увеличивающееся
количество кибер-атак, их разнообразие, сложности и серьезности их последствий
высвечивают все более настоятельную необходимость в обеспечении
информационной безопасности и живучести компьютерных систем.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
81
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Особенно это справедливо в связи с интеграцией информационных систем на
основе открытых компьютерных сетей (таких как Интернет).
В настоящее время всемирная сеть Интернет продолжает быстро развивается.
Она не имеет государственных границ, централизованного управления и единой
политики безопасности.
Многие вопросы безопасности остаются нерешенными на начальных стадиях
информационных и телекоммуникационных технологий и остро проявляются уже на тех
стадиях, когда полное их решение затруднено или невозможно.
Текущее состояние противодействия систем нападения злоумышленников и
систем защиты хакеры характеризуют как «игру в сетевые кошки-мышки» (a game of
Network Cat and Mouse) - кто кого обманет [1].
Злоумышленники (кибертеррористы) - профессионалы для достижения своих
целей в киберсреде способны реализовать развитые стратегии осуществления
различных угроз безопасности (нарушения конфиденциальности, целостности,
доступности и др.). Эти стратегии могут включать комплекс различных действий:
•	сбор информации о системе, обнаружение уязвимостей и используемых средств
защиты (в том числе механизмов аутентификации, разграничения доступа,
обнаружения вторжений и др.);
•	моделирование способов преодоления защиты (на своем рабочем месте, стенде
моделирования, тестовом полигоне);
•	подавление, обход или обман средств защиты (например, посредством реализации
«растянутого» во времени скрытого сканирования, выполнения отдельных
скоординированных действий (атак) из нескольких различных источников, вместе
составляющих сложную многофазную атаку и др.);
•	использование уязвимости и получение доступа к ресурсам, повышение
полномочий, реализацию своей цели);
•	скрытие следов своей деятельности и создание «черных ходов» для использования
их для последующего вторжения.
Поэтому обеспечение информационной безопасности в современных условиях
требует выполнения в реальном времени непрерывного комплекса разнообразных
мероприятий:
•	реализация механизмов защиты, соответствующих установленной политике
безопасности (в том числе проактивное предупреждение атак и препятствование их
выполнению, дезинформация злоумышленника, сокрытие и камуфляж важных
ресурсов и процессов);
•	сбор информации о состоянии информационной системы и анализ обстановки за
счет механизмов обработки информации из различных источников;
•	обнаружение аномальной активности, нелегитимных действий, атак и вторжений;
•	предсказание намерений и возможных действий злоумышленников;
•	непосредственное реагирование на вторжения, в том числе введение
злоумышленника в заблуждение, заманивание злоумышленника с использованием
ложных компонентов с целью раскрытия и уточнения его целей;
•	рефлексивное управление поведением злоумышленника, усиление критических
механизмов защиты;
•	устранение последствий вторжения, выявленных уязвимостей и адаптация системы
обеспечения информационной безопасности к последующим вторжениям.
82
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
К сожалению, существующая теоретическая база для обеспечения
информационной безопасности в крупномасштабных системах не предоставляет
возможности адекватно формализовать указанный комплекс процессов. При этом
большая часть проблем в обеспечении информационной безопасности вызвана
незрелостью теоретических основ построения интегрированных адаптивных систем
защиты информации. На наш взгляд, в первую очередь, это обусловлено отсутствием
фундаментальных работ, которые:
•	с одной стороны, рассматривают задачу обеспечения информационной
безопасности как комплексную задачу организационного и технического
компьютерного противоборства между системами защиты информации и
системами компьютерного нападения злоумышленников,
•	а, с другой стороны, базируются на исследовательском моделировании указанного
комплекса процессов.
Вопросы моделирования обеспечения информационной безопасности активно
исследуются на протяжении более чем тридцати лет.
Разработано большое количество разнообразных формальных и неформальных
моделей отдельных механизмов защиты, но практически отсутствуют работы,
формализующие комплексный антагонистический характер обеспечения
информационной безопасности как сложного организационно-технического процесса.
Это объясняется сложностью данной предметной области. Хотя исследователи в
состоянии представить отдельные механизмы защиты, понимание системы
обеспечения информационной безопасности как единой (холической) системы,
зависящее от учета множества взаимодействий между отдельными процессами
киберпротивостояния и развивающегося динамического характера этих процессов и
отдельных компонент информационных систем, чрезвычайно затруднено. Особенно
это справедливо с учетом наблюдаемой в настоящее время эволюции Интернет в
свободную децентрализованную распределенную среду взаимодействия огромного
числа кооперирующихся и антагонистических программных агентов.
Рассмотрим указанную проблему на примере исследования и реализации
механизмов защиты от одного из наиболее критичных классов компьютерных атак -
«Распределенный отказ в обслуживании».
В результате известной атаки «отказ в обслуживании» (Denial of Service, DoS),
сводящейся, как правило, к передаче большого количества сетевых пакетов с одного
их хостов сети, законный пользователь не может получить доступ к необходимой ему
информации. Большинство операционных систем, маршрутизаторов и компонентов
сетей подвержены атакам DoS, предотвратить которые очень сложно. В начале 2000
года появился новый класс атак - «распределенный отказ в обслуживании» (Distributed
Denial of Service, DDoS) [2]. Для проведения данной атаки злоумышленник должен
сначала взломать ряд компьютеров для запуска на них средств DoS и последующего
одновременного нападения на атакуемую машину. Это существенно усложняет как
обнаружение, так и защиту от атак данного класса. Известно множество различных
видов атак DDoS. Условно их можно разделить на две категории: истощение ресурсов
сети и истощение ресурсов хоста. Атаки осуществляются с помощью
непосредственной посылки жертве большого количества пакетов (как, например, UDP
и ICMP flood) или использования для этой цели промежуточных узлов (примеры - Smurf
и Fraggle), передачи слишком длинных пакетов (Ping Of Death), некорректных пакетов
(Land) или большого количества трудоемких запросов (TCP SYN) и др.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
83
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Построение эффективной системы защиты от атак DDoS является сложной
задачей. Стандартной мерой защиты подсети (не только от атак DDoS) является
установка правил фильтрации пакетов от зарезервированных IP-адресов (например,
для сетевых пакетов, входящих с адресами из внутренней подсети, выходящих с
адресами, отличающимися от внутренних, необычных по размеру; к тем и от тех
портов, которые не задействованы в системе; по неиспользуемым протоколам и др.).
Кроме того, применяется ограничение на трафик для каждого протокола и для
входящих/выходящих потоков и множество других мер. Зная эти меры,
злоумышленник может таким образом модифицировать параметры атаки DDoS
(например, на основе изменения IP-адреса отправителя), что ее будет невозможно
отличить от, например, запросов пользователей, вызванных повышенным интересом к
данному серверу. Это приводит к усложнению механизмов защиты.
Разработать адекватные методы защиты от атак DDoS и выработать обоснованные
рекомендации по выбору механизмов защиты, наиболее действенных в конкретных
условиях, можно, используя исследовательское моделирование атак DDoS и
механизмов защиты от них.
Формализация, моделирование и исследование противоборства
злоумышленников и систем защиты в сети Интернет на примере моделирования
процессов реализации распределенных атак «отказ в обслуживании» и механизмов
защиты может позволить получить результаты, обобщаемые на другие задачи, в
частности, на задачи информационной борьбы в Интернете, конкуренции в сфере
электронного бизнеса и др. [3].
В данной статье на примере атак DDoS и механизмов защиты от них описываются
основные аспекты предлагаемого подхода к исследованию противоборства
злоумышленников и систем защиты в сети Интернет. Подход основан на агентно-
ориентированном моделировании процессов противоборства антагонистических
агентов в среде Интернет. В статье рассматриваются методы организации командной
работы агентов, структуры команд агентов нападения и защиты, механизмы их
взаимодействия и планы действий. Дается представление о разработанной среде
моделирования атак и механизмов защиты, а также рассматривается пример одного
из реализованных сценариев моделирования.
2.	АГЕНТНО-ОРИЕНТИРОВАННЫЙ ПОДХОД К
МОДЕЛИРОВАНИЮ
Использование основанного на многоагентных технологиях моделирования
процессов обеспечения информационной безопасности в сети Интернет
предполагает, что кибернетическое противоборство представляется в виде
взаимодействия различных команд программных агентов [4]. Агрегированное
поведение системы проявляется посредством локальных взаимодействий отдельных
агентов в динамической среде, задаваемой посредством модели сети.
Выделяется две команды агентов, воздействующих на компьютерную сеть, а также
друг на друга: команда агентов-злоумышленников по реализации атак DDoS и команда
агентов защиты.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки» многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Задача многоагентного моделирования процессов кибернетического
противоборства представляется как моделирование антагонистического
взаимодействия команды агентов-злоумышленников и агентов защиты.
Цель команды агентов-злоумышленников заключается в определении уязвимостей
компьютерной сети и системы защиты и реализации заданного перечня угроз
информационной безопасности посредством выполнения распределенных
скоординированных атак.
Цель команды агентов защиты состоит в защите сети и собственных компонентов
от атак. Агенты различных команд соперничают для достижения противоположных
намерений. Агенты одной команды сотрудничают для осуществления общего
намерения (по реализации угрозы или по защите компьютерной сети).
Выбор сценария поведения каждой из команд зависит, прежде всего, от
выбранной ею цели, а конкретная реализация сценария определяется, в первую
очередь, непосредственной реакцией противоположной команды. Поэтому выбор
каждого очередного шага поведения каждой из команд должен определяться
динамически в зависимости от действий противоположной команды и состояния
среды. Поскольку каждая команда действует в условиях ограниченной информации, а
каждый член команды может обладать различной информацией о действиях других
членов команды, то модель поведения агентов должна быть в состоянии отражать
свойство неполноты информации и возможность возникновения случайных факторов,
а само поведение должно зависеть от информации, которой владеет команда, и от ее
распределения на множестве членов команды [3].
Модели функционирования агентов должны предусматривать, что каждый агент
«знает», какие задачи он должен решать сам и к какому агенту он должен адресовать
свой запрос на информацию или на решение подзадачи с целью получения такой
информации, если это вне его компетенции. Сообщения одних агентов
представляются в форме и терминах, понятных другим агентам [5].
Одним из наиболее перспективных подходов к структуризации распределенных
баз знаний такого типа, является использование онтологий, характеризующих
предметные знания сами по себе, вне связи с конкретными структурами их
представления, алгоритмами вывода в них или эвристиками [5, 6]. Как и для любой
другой предметной области, онтология области защиты информации представляет
собой описание частично упорядоченного множества понятий, которые должны
использоваться соответствующими агентами. Кроме отношения частичного порядка,
на узлы этой структуры накладываются и другие отношения, свойственные предметной
области. Это различного рода ограничения, правила, количественные и качественные
отношения, связывающие понятия рассматриваемой предметной области. Данная
онтология определяет подмножество понятий, которые используют различные агенты
для кооперативного решения поставленных задач. Каждый агент использует
определенный фрагмент общей онтологии предметной области.
Специализация каждого агента отражается подмножеством узлов онтологии.
Некоторые узлы онтологии могут быть общими для пары или большего количества
агентов. Обычно только один из этих агентов обладает детально структурированным
описанием этого узла. Именно этот агент является обладателем соответствующего
фрагмента базы знаний. В то же время, некоторая часть онтологических баз знаний
является общей для всех агентов и именно эта часть знаний является тем фрагментом,
который должен играть роль общего контекста (общих знаний).
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
85
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Предлагаемая технология создания команды агентов заключается в реализации
следующей цепочки этапов [7]: (1) формирование онтологии предметной области; (2)
определение структуры команды агентов и механизмов их взаимодействия и
координации (в том числе задание ролей и сценариев обмена ролями между
агентами); (3) спецификация иерархии планов действий (генерации атак); (4)
назначение ролей и распределение планов между агентами.
Для исследовательского моделирования процессов кибернетического
противоборства предлагается использовать семейство различных моделей (от
аналитических до полунатурных и натурных) (рис. 1).
Выбор моделей диктуется точностью и масштабируемостью моделирования.
Например, аналитические модели позволяют имитировать глобальные процессы,
происходящие в Интернете, однако эти модели описывают моделируемые процессы
только на абстрактном уровне. Имитационное моделирование на уровне пакетов
предоставляет возможность достаточно адекватно воспроизводить протекающие
процессы, представляя атакующие и защитные действия с помощью обмена сетевыми
пакетами, точно имитируя работу по протоколам канального, сетевого, транспортного
и прикладного уровней. Наибольшая точность имитации достигается на аппаратных
стендах при натурном моделировании, однако при этом удается моделировать
достаточно ограниченные фрагменты взаимодействий агентов. Основное внимание в
настоящей работе уделяется применению имитационного моделирования на уровне
пакетов с использованием в качестве базового уровня среды моделирования
соответствующих средств имитационного моделирования, позволяющих имитировать
сетевые процессы (см. рис.1).
[.Многоагентное моделирование
Аппарате ые^тецды
(натурное модели[^евание)
Виртуальные
системы
Эмуляция
(полунатурное моделирование)
Средства имитационного
моделирования:	NS2,
OMNeT++ INET Framework,
SSF Net, J-Sim, DaSSF,
PDNS.GTNetS и др.
Имитационное моделирование
на уровне пакетов
Г ибридное.(аналитико-
имитационное) мдделирование
Аналитическое
моделирование
Масштабируемость
Рис.1. Семейство моделей, используемых для исследовательского
моделирования компьютерного противоборства
86
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
3.	ОРГАНИЗАЦИЯ КОМАНДНОЙ РАБОТЫ АГЕНТОВ:
РЕЛЕВАНТНЫЕ РАБОТЫ И СУЩНОСТЬ ПОДХОДА
Известно три классических подхода к формализации командной работы агентов.
В теории общих намерений [8] команда агентов имеет общую долговременную
цель. Все члены команды хотят, чтобы эта цель была достигнута. Агенты обладают
индивидуальными обязательствами, которые являются их долговременной целью.
Индивидуальные намерения агентов заключаются в выполнении этой цели.
Аналогично, команда агентов имеет общие обязательства и намерения. Команда
агентов имеет общее намерение выполнить некоторое действие, если все члены
команды имеют общую долговоеменную цель выполнить это действие. О том,
достигнута ли цель, агенты должны прийти к соглашению. При выполнении командой
последовательности действий, каждый агент должен иметь индивидуальное
намерение и исполнять его как часть общего намерения. Во время командных
действий план может многократно меняться.
В теории общих планов [9] под групповым планом понимается план
совместного выполнения некоторого множества действий группой агентов.
Групповой план действий требует, чтобы команда агентов пришла к соглашению по
выполнению предписаний, которым они будут следовать в групповых действиях.
Агенты должны принять на себя обязательства по отношению не только к своим
индивидуальным действиям, но также и по отношению к действиям группы в целом.
Аналогично, агент должен принять на себя обязательства по отношению к
действиям других агентов. План групповой деятельности может иметь в качестве
отдельных компонентов как планы индивидуальных агентов для назначенных
действий,так и планы подгрупп.
Модель командной работы агентов, предложенная в работе [10], основана на
комбинировании теорий общих намерений и общих планов и пытается использовать
преимущества каждой. Эта модель реализована в системе STEAM. Общие намерения
агентов отображены в иерархическом реактивном плане, в котор »м описываются как
действия команды в целом, так и отдельных агентов. Согласованные задачи
выполняются благодаря установке ограничений на роли агентов (на их поведение).
Теория общих планов дает необходимые механизмы решения этой задачи. Кроме того,
процесс достижения цели отслеживается агентами.
Многие подходы к организации командной работы агентов воплощены в
программных реализациях различных многоагентных систем, например, в системах
GRATE*, ОАА, CAST, RETSINA-MAS, COGNET/BATON, Team-Soar и др. Важным
полигоном для исследования командной работы агентов является «виртуальный
футбол» (футбол роботов) и моделирование спасательных действий команд агентов в
различных критических ситуациях (при стихийных бедствиях, террористических актах и
т.п.).
Система GRATE* [11] является реализацией модели командной работы с общей
ответственностью (Joint Responsibility). Она включает в себя понятия общих целей (из
теории общих намерений) и общих предписаний. Индивидуальными обязательствами
по предписанию (Individual recipe commitment) определяется, как агент должен
действовать для решения задачи в контексте совместной работы. Общие
обязательства по предписанию обязывают агента в случае невыполнения им
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
87
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
обязательств пытаться сообщить об этом всем агентам команды. Общая
ответственность подразумевает, что агенты имеют общую долговременную цель,
выполняют общие обязательства по предписанию и им известно о действиях друг
друга.
В основу «открытой агентской архитектуры» (Open Agent Architecture, ОАА) [12]
положены понятия «доски объявлений» (blackboard) и ассистента (facilitator). «Доска
объявлений» является глобальным хранилищем. Агенты могут общаться через это
хранилище: считывать, записывать, запрашивать данные. Ассистенты гарантируют
прозрачность выполнения запросов, управляют составными целями и заведуют
размещениями данных и триггеров. Триггеры - это механизмы, которые должны
сработать, если достигнуты заданные условия. С их помощью организуется
скоординированная работа агентов.
Основная идея системы CAST [13] заключается в использовании общей
ментальной модели агентов для проактивного обмена информацией в целях
эффективного командного поведения. Общая ментальная модель состоит из общих
знаний, убеждений о мире и убеждений о взаимной ответственности членов команды
(они зафиксированы в виде сети предикатов). Для принятия решения о том, какие
действия должен выполнить агент на следующем шаге, используются специальные
алгоритмы. Исходя из ограничений, указанных в плане, выбираются агенты,
необходимые для выполнения поставленной задачи. С этой же целью затем
определяются наилучшие моменты для проактивной передачи информации.
В модели командной работы RETSINA-MAS [14] предполагается, что у всех агентов
есть своя собственная копия частичного плана для выполнения цели. Каждый агент
оценивает свои возможности по выполнению условий задачи и составляет набор
ролей. Агенты сопоставляют возможные роли, пока они не покроют все требования без
возникновения конфликтов. После этого они приступают к выполнению командного
плана. Координация агентов осуществляется на основе их ролей с помощью
определения их возможностей.
Система COGNET/BATON [15] предназначена для симуляции и моделирования
командной работы людей с использованием интеллектуальных агентов. Для
осуществления командной работы используется «доска объявлений», которая есть у
каждого агента. На ней он отображает состояние других членов команды и отношение
его локальных действий к долговременным целям команды. Эффективные командные
действия обеспечиваются тем, что агенты должны периодически составлять вместе
свои «доски объявлений». Для описания деятельности команды используются деревья
целей.
Система Team-Soar [15] предназначена для проверки теории командного принятия
решения под названием «multilevel theory».
В «виртуальном футболе» («Robocup Soccer») [16] агенты имеют общие правила и
знания, которые управляют их кооперативным поведением. Агенты действуют,
ориентируясь на собственную модель мира, куда входят, в том числе, и убеждения о
действиях других агентов.
Предлагаемый в настоящей работе подход к организации командной работы
агентов базируется на совместном использовании элементов теории общих
намерений, теории разделяемых планов и комбинированных подходов и учитывает
опыт программной реализации многоагентных систем [17,18].
88
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Предполагается, что командная работа агентов организуется с помощью общего
(группового) плана действий, особенности которого заключаются в следующем [19]
(рис.2):
1.	групповой план действий требует, чтобы команда агентов пришла к согласию
выполнять предписание (множество заданных инструкций);
2.	агенты должны принять на себя обязательства по отношению не только к своим
индивидуальным действиям, но также к действиям других агентов и действиям
группы в целом;
3.	план групповой деятельности может иметь в качестве компонентов как планы
индивидуальных агентов для назначенных действий, так и планы подгрупп;
4.	при выполнении командной работы агенты команды должны с помощью
коммуникаций прийти к согласию с предписанием, а также согласовать
собственные намерения друг с другом.
Рис.2. Схема реализации командной работы агентов
Структура команды агентов описывается в терминах иерархии групповых и
индивидуальных ролей. Листья иерархии отвечают ролям индивидуальных агентов,
промежуточные узлы - групповым ролям.
Спецификация иерархии планов действий осуществляется для каждой из ролей.
Для каждого плана описываются: начальные условия, когда план предлагается для
исполнения; условия, при которых план прекращает исполняться; действия,
выполняемые на уровне команды, как часть общего плана. Для групповых планов явно
выражается совместная деятельность.
Механизмы взаимодействия и координации агентов базируются на трех группах
процедур [10, 18]: (1) обеспечение согласованности действий; (2) мониторинг и
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
89
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
восстановление функциональности агентов; и (3) обеспечение селективности
коммуникаций (для выбора наиболее «полезных» коммуникационных актов).
Процедуры обеспечения согласованности действий агентов необходимы для
поддержки скоординированной деятельности агентов по некоторому сценарию. Эти
процедуры реализуются путем обмена агентами информацией о результатах
деятельности, которые непосредственно влияют на выполнение поставленной задачи.
До начала реализации DDoS-атаки происходит формирование необходимого
количества агентов, до их сведения доводятся их роли. Далее агенты сообщают о
своей готовности и начинают активные действия в соответствии с заданной ролью. При
достижении поставленной цели, обнаружении невозможности выполнить цель или
выявлении нерелевантности цели, агент обязан сообщить этот факт оставшимся
членам команды. При этих условиях выполняемый сценарий завершается, и должен
быть активизирован другой сценарий.
Процедуры мониторинга и восстановления функциональности агентов направлены
на сохранение работоспособности и функциональности команды агентов. Их
реализация может происходить с использованием различных приемов, например, за
счет перераспределения ролей среди оставшихся агентов взамен выбывших или путем
генерации новых агентов с соответствующей ролью и функциональностью, если
количество работоспособных агентов достигло критического числа.
Процедуры обеспечения селективности коммуникаций служат для минимизации
количества коммуникативных актов с целью уменьшения вероятности раскрытия
агентов и сокращения используемых ресурсов. Эти процедуры реализуются на
основании знаний о выгоде коммуникационного акта и «затратах» на его обеспечение.
4.	СТРУКТУРА КОМАНД АГЕНТОВ АТАКИ И ЗАЩИТЫ
Команда атаки. Глобальная цель атаки DDoS - «отказ в обслуживании»
некоторого ресурса - достигается совместными усилиями многих компонентов,
действующих на стороне атаки. Таким образом, исходная задача разбивается на более
простые задачи, которые поручаются отдельным специализированным компонентам.
При этом на верхнем уровне цель остается общей для всех компонентов. На нижнем
уровне формируются локальные цели, достижение которых направлено на решение
общей задачи. Компоненты взаимодействуют между собой для координации
локальных решений, что необходимо для достижения требуемого качества выполнения
общей цели «отказ в обслуживании». В случае, если управление атакой
осуществляется злоумышленником-человеком, выделяется отдельный компонент для
координации работы непосредственных участников атаки со стороны
злоумышленника.
Компоненты системы атаки DDoS являются, как правило, программами. Они
обладают следующими свойствами:
•	автономность;
•	наличие исходных знаний о себе, взаимодействующих сущностях и внешней среде,
заданных разработчиком;
•	наличие знаний или жесткого алгоритма, позволяющего получать и перерабатывать
внешние данные из среды;
•	наличие цели и списка действий для достижения этой цели;
90
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
•	осуществление коммуникации и взаимодействия для достижения общей цели.
Эти свойства позволяют представить каждый компонент системы атаки
интеллектуальным агентом, а их набор - командой агентов.
Представим систему атаки DDoS в виде команды агентов [20, 21]. Агенты
преследуют общую цель - проведение атаки «отказ в обслуживании» на некоторый
узел или сеть.
Анализируя существующие способы реализации атак DDoS, можно определить два
основных типа компонентов системы атаки:
•	«демон» - агент, непосредственно выполняющий атаку DoS,
•	«мастер» - агент, выполняющий действия по координации остальных компонентов
системы.
Демоны могут выполнять атаку в различных режимах. Это влияет на возможности
команды защиты по обнаружению и блокированию атаки, а также прослеживанию и
устранению агентов атаки. Демоны могут отправлять пакеты атаки с различной
интенсивностью, подменять адрес отправителя и делать это с различной частотой.
Команда защиты. Анализ существующих систем защиты от атак DDoS позволил
выявить следующие их особенности:
•	системы защиты строятся из базовых компонентов, каждый из которых имеет некое
локальное назначение, но служит общей задаче;
•	набор и функциональность компонентов системы защиты зависит от места
установки системы;
•	системы защиты имеют несколько уровней, на которых решаются отдельные
подзадачи комплексной задачи защиты.
Общий подход к защите от атак DDoS заключается в следующем. Осуществляется
сбор информации о нормальном для данной сети трафике с помощью сенсоров. Затем
компонентом-анализатором в режиме реального времени осуществляется
обнаружение атак на основе сравнения текущего трафика с модельным. С помощью
механизмов трассировки («traceback») система пытается проследить источник
аномалий и выдает рекомендации по их отсечению или снижению их количества. В
зависимости от выбора администратора безопасности (пользователя системы)
системой применяется та или иная контрмера.
Механизмы обнаружения атак DDoS можно классифицировать по месту
расположения и по способу обнаружения. Компоненты обнаружения могут
располагаться в атакуемой сети, в исходной или промежуточной подсетях. Модель
нормального для данной сети трафика строится на основе доступных данных: либо
явно, либо после обработки на основе какого-либо метода. Эта модель строится, как
правило, по нагрузке, по сигнатуре, по статистике, с использованием как
традиционных статистических методов, так и других методов.
Механизмы противодействия атакам DDoS можно классифицировать, как и
механизмы обнаружения, учитывая место расположения и применяемый способ
защиты. Место расположения определяется тем, для защиты какой подсети
установлена данная система. Это может быть подсеть цели атаки, исходная или
промежуточная подсеть. Эффективно построенная система противодействия, кроме
собственной защиты, положительно влияет также и на остальную сеть в целом,
например, блокируя внутри себя пакеты атаки. Способы защиты могут быть
следующими: фильтрация пакетов (используется в большинстве случаев), фильтрация
потоков, изменение количества ресурсов, перенос ресурсов, разграничение ресурсов,
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
91
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
аутентификация и др. Дополнительно можно выделить три варианта применения
фильтрации. Первый (традиционный) вариант - это стандартная фильтрация,
выполняемая на одном хосте. Второй - с отражением («pushback»), когда фильтр
применяется на каждой итерации все ближе к источнику атаки. Третий - с
отслеживанием («traceback»), когда источник атаки отслеживается, и фильтр
применяется на ближайшем к нему хосте (маршрутизаторе).
Представим систему защиты от атак DDoS в виде команды интеллектуальных
агентов [20, 21]. Они преследуют общую цель, заключающуюся в защите заданного
узла или сети от атаки DDoS.
В соответствии с общим подходом, зададим следующие классы агентов защиты:
•	первичной обработки информации («сенсор»);
•	сбора данных для формирования модели трафика сети («сэмплер»);
•	детектирования («детектор»);
•	фильтрации («фильтр»);
•	расследования.
Дополнительно можно выделить еще один класс агентов - агентов управления
(«менеджеров»), которые служат для взаимодействия с администратором
безопасности и конфигурирования системы защиты.
Команда агентов состоит из заданного числа сенсоров. Агенты-сенсоры
расположены в определенных местах сети, откуда они осуществляют мониторинг
сетевых процессов с целью сбора статистических данных. Полученные данные
передаются агентам детектирования для выявления аномалий и возможности атаки
DDoS.
Сэмплеры располагаются в защищаемой сети для того, чтобы собирать данные о
ее нормальном функционировании, чтобы затем выявлять аномалии.
Агенты детектирования принимают решение, есть ли опасность атаки DDoS, и от
каких узлов она может исходить. Они передают эту информацию агентам
расследования и (или) фильтрации.
Агенты фильтрации устанавливаются на пути прохождения сетевых пакетов к
защищаемому узлу или сети. Агенты фильтрации могут использовать различные
механизмы фильтрации злонамеренных сетевых пакетов.
Агенты расследования пытаются проследить источники атак DDoS и обезвредить
их путем вывода из строя соответствующих агентов атаки.
5.	СРЕДА ДЛЯ АГЕНТНО-ОРИЕНТИРОВАННОГО
МОДЕЛИРОВАНИЯ
Так как все моделируемые процессы происходят в сети Интернет, то в основе
среды моделирования должна быть модель этой сети. Для выбора инструментария
моделирования сети и процессов передачи информации был проведен анализ
различных пакетов моделирования (Network simulators), включая NS2 [22], OMNeT++
INET Framework [23], SSF Net [24], J-Sim INET Framework [25] и ряда других.
В качестве основных требований, которые предъявлялись к используемому
инструментарию моделирования, были выбраны следующие [26]:
92
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
•	детальная реализация протоколов, которые задействованы в атаках DDoS, начиная
от сетевого уровня, чтобы была возможность моделирования известных атак DDoS;
•	возможность написания и подключения собственных модулей для реализации
агентского подхода;
•	возможность изменения параметров моделирования во время симуляции;
•	реализация для Windows или Linux (либо независимость платформы);
•	развитый графический интерфейс;
•	бесплатность при использовании в исследовательских целях.
Проведенный анализ показал, что этим требованиям в наилучшей степени
удовлетворяет OMNeT++ INET Framework [23]. Система OMNeT++ представляет собой
инструментарий моделирования дискретных событий. Изменение состояния
моделируемой системы происходит в дискретные моменты времени по списку
будущих событий (future event list), отсортированных по времени. Событием может
быть: начало передачи пакета, тайм-аут и т.п. События происходят на основе
выполнения простых модулей (simple module). У такого модуля есть функции
инициализации, обработки сообщения, действия и завершения работы. Обмен
сообщениями между модулями осуществляется по каналам (channel), с которыми
соединены модули своими шлюзами (gate), или непосредственно через шлюзы. Шлюз
может быть входящим и исходящим, соответственно для приема и посылки
сообщений.
На основе INET Framework разрабатывается среда для многоагентного
моделирования сетевых атак и механизмов защиты от них [26, 27].
В реализованной к настоящему времени версии среды система OMNeT++ INET
Framework подверглась множеству различных модификаций. В том числе были
созданы:
•	таблица фильтрации пакетов на сетевом уровне для моделирования действий
агентов защиты;
•	модуль, позволяющий просматривать весь трафик данного узла для ведения
статистики, а также для моделирования действий агентов защиты.
Подверглись изменению модули, отвечающие за работу Sockets для
моделирования атак и механизмов защиты.
Агенты атаки и защиты были реализованы в виде сложных модулей (compound
module). Они содержат простые модули, отвечающие за работу по различным сетевым
протоколам, и ядро агента. Ядро агента служит для управления остальными модулями.
Агент, как сложный модуль, имеет ряд шлюзов для подключения к стандартному
сетевому узлу из INET Framework. Эти шлюзы относятся к соответствующим сетевым
протоколам. Подключение или установка агента может происходить во время
проведения моделирования.
OMNeT++ предоставляет две альтернативы для реализации логики работы
модулей: обработка сообщений модулем и описание действий модуля (activity). В
первом случае действия модуля «завязаны» на приход сообщений. Следующее
событие может произойти только после завершения работы функции-обработчика
сообщений. Во втором случае действия модуля выполняются как сопрограммы (co-
routine). Они допускают произвольное ветвление в другие контексты управления и
произвольное возобновление потока из точки ветвления. Дополнительно существует
возможность описания действий модуля в виде машин состояний (state machines).
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
93
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Ядра агентов были выполнены на основе сопрограмм, так как это удобно для
реализации протоколов взаимодействия, положенных в основу командной работы
агентов. Остальные модули реализованы как обработчики сообщений от ядра и
внешней среды. От машин состояний пришлось отказаться из-за того, что они
усложняют читаемость кода и в ряде случаев делают логику работы неявной. Однако
этого недостатка можно было бы избежать, если бы использовался графический
редактор - менеджер машин состояний (как это сделано в MASDK [28]).
6.	ОСНОВНЫЕ ЭЛЕМЕНТЫ СРЕДЫ МОДЕЛИРОВАНИЯ.
АРХИТЕКТУРА АГЕНТОВ
Пример пользовательского интерфейса среды моделирования показан на рис. 3.
На основном окне визуализации (справа вверху) отображается компьютерная сеть для
проведения моделирования. Окно управления процессом моделирования (внизу
посередине) позволяет просматривать и менять параметры моделирования. Для
отображения текущего состояния команд агентов служат соответствующие окна
состояний (сверху посередине). Можно открывать различные окна, характеризующие
функционирование (статистические данные) отдельных хостов, протоколов и агентов,
например, на рис.З (внизу слева) отображено окно функционирования одного из
хостов.
Основное окно, на котором отображается компьютерная сеть для проведения
моделирования, показано на рис.4. Исследуемая компьютерная сеть представляет
собой набор узлов, соединенных каналами связи. Узлы могут нести различную
функциональность в зависимости от их параметров или набора внутренних
модулей.
Узлы сети соединяются между собой каналами связи, параметры которых можно
изменять. Примеры базовых параметров: delay (задержка распространения сигнала),
datarate (скорость передачи данных).
Стандартный узел сети (рис.5) состоит из следующих модулей:
•	ррр - отвечает за канальный уровень (у маршрутизатора может быть несколько
таких модулей - по коли юству интерфейсов);
•	networkLayer - отвечает за сетевой уровень;
•	pingApp - отвечает за приложения, связанные с ICMP протоколом;
•	tcp - модуль, обслуживающий протокол TCP;
•	udp - модуль, обслуживающий протокол UDP;
•	tcpApp[O] - приложение TCP (таких модулей может быть несколько);
•	notification Board - модуль для регистрации событий, происходящих на узле;
•	interfaceTable - содержит таблицу сетевых интерфейсов;
•	routingTable - содержит таблицу маршрутизации;
•	filterTable - содержит таблицу правил фильтрации.
Приложения (в том числе и агенты) устанавливаются на узлы, подключаясь к
соответствующим модулям протоколов.
94
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет





Jp^Cowpoundj compound (id-1) (ptrOOF74ABO)
j(A_G'JIAto^ cornpound.GLilATTACK_TEAM fid-283) (ptr024l
Btense)compound.GUI.DEFENSE_TEAM (id-280) (pt
Puri #1. compound
i Event #29550
?iMsgs,created’ 1100?
iSirnsB^acn/a
jEv/simrec n/a
Event #29546 T-400 01321 (6m 40s). Module #129 compoundLr.networkLay
mpoundd_fir8WaJl.snrrti^}pf0].Bd_En''^B
rPtrO)[O] - IP-111 222.011
PH())[1] = IFM 11.222.013
rPhfflP] - IP-111.222 0.10
rPtrO)[3] - IP-111.222 0.14
Ф® compound (MCor\
• 6 S’ parameters (o
i gates (cArray)
j Й- Ш configurator (F
 : B[gn_r (Router) (ic
H G-®JLdi[O](A_Sta
H o_di[l] (A„Sta
H &Ba_di[2](ASta
: : ЙЬЩ a^srvfO] (Stone
Brts-137S
Bfc-4175
Bite-1288
Bite-1280
jdassstd vector<GenencRul6*>{
: GenencRule* rules_vector[O] » source IP-111 222 0 2
| GenencPule“rutes_vectoi{l] = source IP-111.222.0.3
i GenericRule“ru|es_vectoj{z] = source IP=111.222.0.4
Msgsscheduled 16
lEyfcac nja
j [s№ vBdor<Gen8RcRuf0 *>) compound d^r.filterTable гиЬз^л
i
tT-400,01323 (6m -40s)	jNext compound.B_di[2}ppp[0].p< ..
^Msgs present 256
I ^Routing datagram ’ACK’ with dest-111.222 0.14- output interface is 3. next-hop addr
: lass' 0 0 0.0
Event #29547. T-400.01321 (6т40э). Module #130 impoundj_r.networkLey
авг-вгр’
[ ^Packet (JPDatagram)ACK arrived from higher layer, output interface ppp3 is not bi
I |oadcast skipping ARP
I [“Event #29548. 7 •= 400 01321 (Em40s). Module#! 40 ’compound.Lrppppj.qiied
NED
NED
NEO
NED
NED
file
file
file
file
file
file
file
file
file
NED
NED
NED
Loading
Loading
oafling
Loading
Loading
.oaaing
oadirg
.aaaing
Loading
Lbasing
Luasing
'trading_________________________
•a
rtw-CenericH Ze • *; urnjo



Рис.З. Пример пользовательского интерфейса среды моделирования
При проектировании и реализации агентов были использованы элементы
абстрактной архитектуры FIPA [29]. Основная идея такого представления заключается
в обеспечении взаимодействия агентов и возможности их повторного использования.
Такое описание позволяет увидеть взаимосвязи между основными элементами
многоагентной системы.
Для агентов в разрабатываемой системе были использованы следующие элементы
абстрактной архитектуры: язык коммуникаций, транспортный и сетевой уровни,
каталог агентов. Для всех агентов была необходима реализация языка взаимодействия
и транспортного уровня для передачи сообщений. Для агентов «мастер» и «детектор»,
координирующих работу агентов в своих командах, необходим также каталог агентов.
Для демона необходима реализация двух транспортных модулей: для осуществления
коммуникаций и для атаки. Для агента фильтрации необходима реализация сетевого
уровня для возможности применения правил фильтрации. Агентам «сенсор» и
«сэмплер» также необходим сетевой уровень для обработки и сбора данных в целях
построения модели нормального трафика.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
95
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Рис.4. Пример компьютерной сети
для проведения моделирования
Агенты устанавливаются в среду моделирования с помощью подключения к
транспортному и сетевому уровням OMNeT++ INET Framework. На рис.6 изображено
обобщенное представление структуры агента «сэмплер». Сэмплер включает в себя
транспортный уровень (изображен в виде сообщения), необходимый для
коммуникации с другими агентами, сетевой уровень (изображен в виде кубика, внизу)
для сбора данных по трафику и ядро агента (представлен в виде образа фигурки
человека). Последнее включает язык коммуникаций, базу знаний и обработчики
сообщений от соседних модулей. Представление установки агента «сэмплер» в среду
моделирования показано на рис.7. Видно, что агент подключается к узлу сети через
модуль tcp, обслуживающий протокол TCP, и модуль sniffer анализатора сетевых
пакетов.
Сеть для многоагентного моделирования состоит из трех подсетей:
•	подсеть защиты, где расположена команда защиты;
•	промежуточная подсеть, в которой расположены узлы, создающие типовой трафик
в сети, в том числе к защищаемому узлу;
•	подсеть атаки, где расположена команда атаки.
Подсеть защиты (рис.8, внизу) состоит из 4 узлов, на которых установлены 4 агента
(детектор, сенсор, фильтр, расследования), и защищаемого узла, на котором
установлен атакуемый сервер Агенты и сервер представляют собой приложения,
функционирующие на соответствующих узлах. IP-адреса узлов выдаются
автоматически. Остальные параметры приложений необходимо задать перед
моделированием.
96
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет

? (st. г->»	!
*4^ н|ж[ед а__________________
. п-	<•> _М> ИГЛ hrt. 1 snhfj; КТ»
Рис.5. Типовой узел сети
Рис.6. Общее представление
структуры агента «сэмплер»
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
97
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Рис.7. Представление установки агента
«сэмплер» в среду моделирования
Сервер установлен на узле d_srv. Задается порт для взаимодействия и время
задержки ответа клиентам. Сервер входит в INET Framework. Детектор размещен на
узле d det. Назначается адрес защищаемого сервера, порт для командного
взаимодействия, интервал опроса сенсоров, максимально допустимая скорость
передачи данных к серверу (BPS). Сенсор расположен на узле d_firewall (на входе в
подсеть сервера). Задается собственный порт, IP адрес и порт детектора для
командного взаимодействия. Фильтр размещен на узле d_r (маршрутизатор).
Назначается собственный порт, IP адрес и порт детектора для командного
взаимодействия. Агент расследования установлен на узле djnv (во внешней сети).
Задается собственный порт, IP адрес и порт детектора для командного
взаимодействия.
Промежуточная подсеть (рис.8, в центре) состоит из N узлов i_cli[...] с типовыми
клиентами, соединенных с маршрутизатором i_r. Клиент входит в INET Framework.
Количество узлов N определяется параметром моделирования. Задаются следующие
параметры клиентов: адрес и порт сервера, время начала работы, количество и размер
запросов при соединении с сервером, размер ответа, время подготовки ответа и
интервал бездействия.
Подсеть атаки (рис.8, вверху) включает М узлов i_cli[...], на которых размещаются
демоны, и один узел с мастером. Они соединены с маршрутизатором i_r. Количество
узлов М задается параметром моделирования. Мастер имеет следующие параметры:
порт для командного взаимодействия, адрес и порт цели атаки, время начала атаки, ее
98
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
интенсивность (пакетов в секунду). Для демона задаются собственный порт, IP адрес и
порт мастера для командного взаимодействия.
Рис.8. Начальный момент моделирования
7.	ПРИМЕР СЦЕНАРИЯ МОДЕЛИРОВАНИЯ
На примере моделирования процессов реализации распределенных атак «отказ в
обслуживании» и механизмов защиты от них проведен ряд экспериментов по имитации
противоборства в сети Интернет. Для демонстрации предлагаемого подхода и
возможностей разработанной среды моделирования рассмотрим пример одного из
наиболее простых сценариев моделирования [26, 27]. В данном эксперименте
используется ограниченный фрагмент сети, имитируется упрощенное поведение
агентов атаки (они не подменяют адреса отправителя в сетевых пакетах), и
исследуется механизм обнаружения атак, основанный на выявлении в атакуемой сети
превышения порога трафика для входящих потоков, направленных с определенного IP-
адреса.
Компьютерная сеть для проведения моделирования изображена на рис.8.
Маршрутизаторы в этой сети соединены между собой волоконно-оптическими
каналами связи со скоростью передачи данных 512 Мбит. Остальные узлы соединены
каналами связи Ethernet 10 Мбит.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
99
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
В подсети защиты установлены сервер, детектор, сенсор, фильтр и агент
расследования (надписи над соответствующими узлами). Сервер на узле d_srv
предоставляет сервис по порту 80, задержка ответа - 0. Для детектора защищаемый
узел - d_srv, используется порт №2000, интервал опроса сенсоров - от 10 до 60
секунд, BPS=1100 бит/с.
Для сенсора, фильтра и агента расследования заданы: порт для взаимодействия -
№ 2000, адрес и порт детектора - d_det и № 2000 соответственно.
Через некоторое время после запуска симуляции клиенты начинают посылать
запросы серверу, а он на них отвечать (см. рис.8). На рис.8 кружком (в центре) отмечен
пакет, предназначенный серверу. Таким образом, происходит генерация нормального
сетевого трафика.
Через некоторое время после запуска симуляции начинает формироваться
команда защиты. Агенты расследования, сенсор и фильтр соединяются с детектором и
посылают ему сообщения о своей работоспособности. Детектор заносит данные о них
в память. Формирование команды атаки происходит аналогичным образом. На рис.9
приведен фрагмент базы знаний мастера после составления команды атаки. На
данном фрагменте показано, что мастер знает IP-адреса демонов, порты, по которым
можно с ними взаимодействовать, и их состояние (alive=Y означает, что демон
находится в работоспособном состоянии).
Рис.9. Знания мастера после составления команды
После составления команды защиты, начинаются командные действия. Сенсор
выполняет сбор статистики по трафику для каждого адреса (количество переданных
бит). Детектор через заданный интервал (например, каждые 60 секунд) опрашивает
сенсор, получает от него статистику, определяет, не происходит ли атака. Затем он
соединяется с фильтром и агентом расследования и сообщает им IP-адреса
подозрительных узлов. Пока атаки не происходит, они бездействуют.
Через определенное время (например, 300 секунд) после начала моделирования
команда атаки начинает атакующие действия. Сначала мастер опрашивает всех
демонов, выясняя их работоспособность. После того, как все демоны были проверены,
оказывается, что они все находятся в рабочем состоянии. Мастер вычисляет
распределение нагрузки. Заданная интенсивность атаки (2 пакета в секунду) делится
на количество работоспособных демонов (3). Получается индивидуальная
интенсивность атаки каждого демона. После этого мастер отсылает каждому демону
команду атаки: адрес цели атаки (d_srv), порт (2000) и интенсивность (0.67). Демоны
приступают катаке.
100
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Спустя примерно 100 секунд происходит очередной запрос детектора к сенсору. В
этот момент у сенсора содержится список данных об IP-адресах и количестве
переданных бит за последние 60 секунд от различных узлов (рис. 10).
/ (siduvedut Ай Ый. ' )
General
%
дек
IP=111.2220.4
IP=111.222.0.2
IP=111.222.0.9
AR_Stats “ x(hsv.getVectorPtr(]][0] = IP=111.222.0.11
AR_Statsxx(hsv.getVectorPtf())[1] = IP=111.222.0 13
AR_Stats x x(hsv.getVectorPtr[)][2] = IP=111.222.0.14
AR Stats x x(hsv.getVectorPtr(jj[3] = IP=111.222.0.10
AR_Stats""(hsv.getVentnrPtr())[4] = IP=111.222.0.3
AR_Stats “ x(hsv.getVectorPtf(j)[5] =
AR_Stats " "(hsv.getVectorPtf(]j[6j =
AR_Stats x x(hsv.getVectorPtf(j)[7] =
AR Stats x x(hsv.getVectorPtr(])[8] = IP=111.2220.12
AR_Stats x x(hsv.getVectorPtr())[9] = IP=111.222.0.7
AR_Stat'xx(hsv.ge('/ectorPtffj)[10] = IP=111.2220.8
Рис. 10. Данные сенсора во время атаки


Bits=4176
Bits=1280
Bits=1280
Bits=67236
Bits=67236
Bits=6723B
Bits=9576
Bits=149560
Bits=11968


Детектор производит вычисление BPS для каждого узла, кроме сервера
(111.222.0.12). Очевидно, что для узлов 111.222.0.4, 111.222.0.3, 111.222.0.2 этот
параметр превышает максимально допустимый (1100). Детектор отсылает фильтру эти
адреса для фильтрации трафика, а агенту расследования для отслеживания агентов
атаки и их нейтрализации. После применения фильтром правил фильтрации (рис.11)
на прохождение пакетов от данных адресов, трафик к серверу снижается.
Рис.11. Правила фильтрации,
примененные фильтром на узле d_r
Агент расследования пытается обезвредить агентов атаки. На рис. 12 видно, что
ему удается это для одного из демонов. В основном окне визуализации над этим
демоном появляется надпись «defeated» - поражен. Агент пытается обезвредить еще
одного демона. В окне визуализации светлыми жирными стрелками отображается
прохождения пакетов от агента расследования к демонам. В результате агенту
расследования удается обезвредить двух демонов.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	1 01
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
Состояние трафика для сервера на 460-й секунде возвращается к нормальному
состоянию до атаки (рис. 15).
Оставшийся демон продолжает атаку. Мастер перераспределил на него нагрузку
после выхода из строя остальных. Однако пакеты атаки не доходят до цели, а
отбрасываются на входе в защищаемую сеть.
Рис. 12. Действия агента расследования
во время атаки
102
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
/ (std:rvector Ak S» Jts 4 •)	art sriilfapp.' (

AR_Stats " “(hsv.getVectorPtrOJO] =
AR_Stats ' *(hsv.getVectorPtr(j][1 j =
AR_Stats ’ "(hsv.getVectorPtr(j][2j =
AR_Stats" “(hsv.getVectofPtrj)j[3] =
AR_Stats" “(hsv.getVectorPtr(jj[4] =
AR_Stats" '(hsvgetVectorPtr[jj[5] =
AR_Stats ’ *{hsv.getVectarPtr())i6j =
AR_Stats * "(hsv.getVectraPtr(jj7] =
1P=111.222.0.11
IP=111.222.0.13
IP=111.222.0.10
IP=111 222.0.14
IP=111.222.0.7
IP=111.222.0.12
IP=111.222.0.S
IP=111.222.0.8
Hits.—137E- *|. 
Bits=4176 f
Bits=1280 Ш
Bits=1280 Л |
Bits=10672' T
Bits=85624 .Wjs |
Bits=5168
Bits=5376 vf
sis—sgfez—siaS

Рис. 13. Данные сенсора после применения
правил фильтрации
В результате данного эксперимента атака была блокирована через 100 секунд
после ее начала (и 400 секунд после начала моделирования), было применено три
правила фильтрации и выведено из строя два агента атаки (демона).
Г рафик зависимости количества переданных бит в подсеть сервера от времени для
узла d_r приведен на рис. 14. В промежутке времени (0-300) секунд основной трафик
создавался обращениями клиентов к серверу и его ответами. Этот процесс отмечен
вертикальными прямыми с низкой интенсивностью. С момента начала реализации
атаки (отметка 300 секунд) появился интенсивный трафик - плато от 300 до 400 секунд.
Однако, примерно на 400 секунде моделирования были применены механизмы
фильтрации, и пакеты, направленные демонами, стали отбрасываться на входе в сеть
сервера. После этого трафик вернулся в нормальное состояние.
Рис. 14. Зависимость количества переданных бит
в подсеть сервера от времени для d_r
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	103
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
ЗАКЛЮЧЕНИЕ
В статье отражены отдельные результаты работы авторов, связанные с
исследованием различных аспектов антагонистического взаимодействия команд
агентов в сети Интернет и направленные на разработку формальных моделей
противоборства злоумышленников и систем защиты в сети Интернет, а также
рекомендаций по построению перспективных систем защиты. Эта работа выполняется
при финансовой поддержке РФФИ (проект №04-01-00167), программы
фундаментальных исследований ОИТВС РАН (контракт №3.2/03) и при частичной
финансовой поддержке, осуществляемой в рамках проекта Евросоюза POSITIF
(контракт IST-2002-002314).
Рассмотрен предлагаемый подход к агентно-ориентированному моделированию
процессов защиты информации. Подход представлен на примере антагонистического
противоборства двух команд агентов: агентов реализации атак DDoS и агентов защиты
от данного класса атак. Рассмотрены основные черты подхода, охарактеризованы
модели команд агентов, описана разработанная среда моделирования и приведен
пример одного из реализованных сценариев моделирования. Проведенные
эксперименты показали эффективность предлагаемого подхода и возможность его
использования для моделирования перспективных механизмов защиты и анализа
уровня защищенности проектируемых сетей.
Направлениями дальнейших исследований является развитие предложенных
моделей противоборства, в том числе разработка формальных моделей
антагонистического взаимодействия команд агентов защиты и нападения, реализация
в прототипе дополнительных атак DDoS и механизмов защиты от них, оценка
эффективности разработанных механизмов защиты, выработка рекомендаций по
построению эффективных механизмов защиты от DDoS-атак, дальнейшее развитие
среды моделирования, исследование и совершенствование механизмов
внутрикомандного взаимодействия агентов, а также реализация механизмов
адаптации и самообучения агентов.
ЛИТЕРАТУРА
1.	Nomad Mobile Research Centre, http: //www.nmrc.org
2.	Mirkovic J., Dietrich S., Dittrich D., Reiher P. Internet Denial of Service: Attack and
Defense Mechanisms. Prentice Hall PTR, 2004.
3.	Городецкий В.И., Котенко И.В. Концептуальные основы стохастического
моделирования в среде Интернет // Труды института системного анализа РАН,
том 9: Фундаментальные основы информационных технологий и систем. Под ред.
С.В.Емельянова. Москва, 2005.
4.	Котенко И.В. Многоагентные модели противоборства злоумышленников и систем
защиты в сети Интернет // Математика и безопасность информационных
технологий. Материалы конференции в МГУ. М.: МЦНМО, 2005.
5.	Котенко И.В., Карсаев О.И. Использование многоагентных технологий для
комплексной защиты информации в компьютерных сетях // Известия ТРТУ, N 4,
2001.
104
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпротивоборства между антагонистическими командами кибер-агентов в Интернет
6.	Gorodetski V., Kotenko I., Karsaev О. Framework for Ontology-based Representation of
Distributed Knowledge in Multiagent Network Security System I I Proceedings of the 4th
World Multi-conference on Systems, Cybernetics and Informatics (SCI-2000), Vol. Ill:
«Virtual Engineering and Emergent Computing». Orlando, USA, July 2000.
7.	Городецкий В.И., Котенко И.В. Командная работа агентов-хакеров: применение
многоагентной технологии для моделирования распределенных атак на
компьютерные сети // КИИ-2002. VIII Национальная конференция по
искусственному интеллекту с международным участием. Труды конференции. М.:
Физматлит, 2002. С.711 -720.
8.	Cohen Р., Levesque H.J. Teamwork//Nous, 35,1991.
9.	Grosz В., Kraus S. Collaborative Plans for Complex Group Actions 11 Artificial
Intelligence, Vol.86, 1996.
10.	Tambe M. Towards flexible teamwork//Journal of Al Research, Vol.7, 1997.
11.	Jennings N.R. Controlling cooperative problem solving in industrial multi-agent systems
using joint intentions //Artificial Intelligence, Vol.75, No.2, 1995.
12.	Martin D., Cheyer A., Moran D. The open agent architecture: A framework for building
distributed software systems //Applied Artificial Intelligence, Vol. 13, No. 1-2, 1999.
13.	Yen J., Fan X., Sun S., Wang R., Chen C., Kamali K., Miller M., Volz R.A. On Modeling
and Simulating Agent Teamwork in CAST // Proceedings of the Second International
Conference on Active Media Technology, 2003.
14.	Giampapa J.A., Sycara K. Team-Oriented Agent Coordination in the RETSINA Multi-
Agent System I I Technical Report CMU-RI-TR-02-34, Robotics Institute, Carnegie
Mellon University, 2002.
15.	Zachary W.W., Mentec J.L. Modeling and simulating cooperation and teamwork I I
Military, government, and aerospace simulation, Chinni M.J. (ed.), Vol. 32. 2000.
16.	Котенко И.В., Станкевич Л.А. Командная работа агентов в реальном времени //
Новости искусственного интеллекта, № 3, 2003.
17.	Котенко И.В. Многоагентные технологии для анализа уязвимостей и обнаружения
вторжений в компьютерных сетях // Новости искусственного интеллекта, № 1,
2004.
18.	Kotenko I. Agent-Based Modeling and Simulation of Cyber-Warfare between
Malefactors and Security Agents in Internet // 19th European Simulation Multiconference
«Simulation in wider Europe». ESM’05. Riga, Latvia, 1-4 June 2005.
19.	Kotenko I., Stankevitch L., Akhapkin S. Time-constrained Teamwork I I Proceedings of
China-Russia Bilateral Conference on Intelligent Information Processing. CRBCIIP-
2002. December 5-10, 2002, Beijing, China. P.29-37.
20.	Kotenko I., Ulanov A. Multiagent modeling and simulation of agents’ competition for
network resources availability // Second International Workshop on Safety and Security
in Multiagent Systems. Utrecht, The Netherlands. 2005.
21.	Котенко И.В., Уланов А.В. Агентно-ориентированное моделирование процессов
защиты информации: противоборство агентов за доступность ресурсов
компьютерных сетей // Труды Международных научно-технических конференций
«Интеллектуальные системы (AIS’05)» и «Интеллектуальные САПР (CAD-2005)». М.:
Физматлит, 2005.
22.	NS-2 homepage, http: // www.isi.edu/nsnam/ns/
23.	OMNeT++ homepage, http: 11 www.omnetpp.org/
24.	SSFNet homepage, http: // www.ssfnet.org
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	105
Моделирование игры в «сетевые кошки-мышки»: многоагентные технологии для исследования
киберпроп ивоборства между антагонистическими командами кибер-агентов в Интернет
25.	J-Sim homepage, http: //www.j-sim.org
26.	Kotenko I.V., Ulanov A.V. Agent-based simulation of DDOS attacks and defense
mechanisms I I Journal of Computing, Vol. 4, Issue 2, 2005.
27.	Kotenko I.V., Ulanov A.V. The Software Environment for multi-agent Simulation of
Defense Mechanisms against DDoS Attacks Ц The International Conference on
Intelligent Agents, Web Technologies and Internet Commerce - IAWTIC'2005. Vienna -
Austria. 2005.
28.	Gorodetski V., Karsayev O., Kotenko I., Khabalov A. Software Development Kit for Multi-
agent Systems Design and Implementation // LNAI 2296,2002.
29.	FIPA. http://www.fipa.org
106
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Подготовка специалистов
в области искусственного
интеллекта: состояние, проблемы,
перспективы
Еремеев А.П., Рыбина Г.В.
Введение
Идея обсуждения вопросов, связанных с проблемами подготовки в вузах
специалистов в области искусственного интеллекта (ИИ), давно витает в воздухе. Для
этого накопилось достаточно оснований.
С одной стороны, в той или иной степени эти проблемы, начиная с 1992 г.,
периодически затрагивались в отдельных выпусках журнала «Новости искусственного
интеллекта», издаваемого Российской Ассоциацией Искусственного Интеллекта
(РАИИ). Достаточно вспомнить материалы Т.А. Гавриловой и А.А. Долныковой (1992 г.,
№1, №2), Д.А. Поспелова (1994 г., №1), В.В. Голенкова (1992 г., №1) и др.,
опубликованные в различные годы в рубриках «Кадры решают все» и «Искусственный
интеллект в СНГ». В 1997 году по инициативе Д.А. Поспелова был выпущен
специальный номер журнала (№ 2), полностью посвящённый различным аспектам
подготовки специалистов по ИИ. Среди авторов этого выпуска - Д.А. Поспелов, Г.В.
Рыбина, А.П. Еремеев, В.П. Кутепов, Ю.Ф. Тельнов, Т.Б. Андрусенко и другие
известные специалисты в области ИИ. Тем не менее, судя по немногочисленности и
достаточно узкой направленности публикаций за прошедшие девять лет после выхода
этого номера, а также полного отсутствия внимания к этим проблемам со стороны
центральной печати и изданий Минобнауки РФ, трудно было ожидать появления
целостной концепции подготовки специалистов по ИИ, серьезного обмена опытом в
этой области или сравнительного анализа образовательных программ, отдельных
курсов, методических подходов и точек зрения на проблему «высшая школа -
искусственный интеллект».
С другой стороны, в конце 90-х годов прошлого столетия произошел значительный
отток талантливой молодежи из академической науки, в том числе из информатики и
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	1 07
Подготовка специалистов в области искусственного интеллекта:
состояние, проблемы, перспективы
искусственного интеллекта, и возникла большая опасность прерывания связи между
поколениями ученых, с помощью которой передаются опыт, знания и традиции.
Поэтому именно сегодня особенно важно объединить усилия ученых, преподавателей
вузов и специалистов в области ИИ для того, чтобы обеспечить новый приток молодых
ученых в область ИИ и хоть в какой-то мере приостановить катастрофический развал
нашей науки.
И здесь роль высшей школы достаточно велика, поскольку в стенах ведущих
университетов Москвы, Санкт-Петербурга, Казани, Новосибирска, Таганрога, Самары,
Иркутска, Твери, Ульяновска, Владивостока и др. городов России, а также ближнего
зарубежья - Минска, Киева, Донецка и др , пожалуй, в большей степени, чем в
академической науке, сохранились работоспособные коллективы ученых, которые при
соответствующей поддержке могут обеспечить необходимый уровень исследований в
области ИИ. Кроме того, у вузовской науки есть один главный козырь - это постоянно
обновляющийся контингент студентов и аспирантов, который после небольшого спада,
вызванного непрестижностью высшего образования в целом, а в технических областях
особенно, опять стал значительно увеличиваться, о чем свидетельствуют возросшие
конкурсы в технические университеты, начиная с 2000 г., в том числе на
специальности, связанные с новыми информационными технологиями. Значит,
появляется больше шансов сохранить отечественную школу ИИ и ее традиции, хотя
всем известно, что сегодня в России сохранить любую научную школу гораздо
сложнее, чем раньше, поскольку число людей, занимающихся наукой, резко
уменьшается, идет процесс старения научных кадров, ослабевают научные связи как
внутри страны, так и за ее пределами.
Состояние дел, проблемы и перспективы
В настоящее время продолжают активно работать и осуществлять подготовку
специалистов в области ИИ такие старейшие вузовские центры, как кафедра
Кибернетики Московского инженерно-физического института (государственного
университета) (МИФИ), где впервые в стране в конце 70-х годов по инициативе Л.Т.
Кузина была начата подготовка специалистов в области ИИ, и кафедра Прикладной
математики Московского энергетического института (технического университета)
(МЭИ), которая в течение нескольких лет является также и соорганизатором совместно
с ИПУ РАН и ИСА РАН постоянно действующего Всероссийского научного семинара
«Проблемы искусственного интеллекта».
В последние десятилетия активно включились в эту работу такие известные
столичные вузы (университеты), как МГТУ им. Баумана, МИРЗА, МАИ, МГУ, МЭСИ,
РУДН, РГГУ, МГИЭМ, МАДИ и др. Среди вузов из других регионов России наиболее
известными в области подготовки специалистов по ИИ являются Таганрогский
государственный радиотехнический институт (ТРТИ), где сложилась выдающаяся
научная школа по нечетким системам и эволюционным моделям, продолжающая и
развивающая традиции А.Н. Мелехова, и совсем еще молодой Университет г.
Переславля-Залесского (Ярославская область), деятельность которого во многом
направляется и поддерживается Институтом программных систем (ИПС) РАН.
Специалистов по отдельным направлениям ИИ готовят также ведущие университеты
108
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Подготовка специалистов в области искусственного интеллекта:
состояние, проблемы, перспективы
Санкт-Петербурга, Самары, Саратова, Иркутска, Новосибирска, Казани, Рыбинска,
Ульяновска, Твери, Владивостока, Волгограда и других городов России.
К сожалению, следует отметить, что до сих пор в России в перечне специальностей
и направлений подготовки кадров в высшей школе отсутствует специальность
«Искусственный интеллект», в отличие, например, от Республики Беларусь, где
подобная специальность введена с 1995 г. (по инициативе БГУИР и активной
поддержке Белорусской Ассоциации ИИ). Открыт ряд специальностей по ИИ и на
Украине, где в университетах Киева, Донецка, Херсона, Харькова и др. вузов
осуществляется подготовка специалистов по отдельным направлениям ИИ.
А что же в России? В России подготовка специалистов по ИИ осуществляется, в
основном, в рамках специальности «прикладная математика и информатика» (010501)
или близких к ней. Далее, с учетом этого фактора и своей конкретной специфики,
каждый вуз действует самостоятельно и либо создает внутри специальности
соответствующую профилирующую специализацию по ИИ (как это, например, сделано
в МИФИ и МЭИ, где каждый год выпускалась группа по специализации «Системы
искусственного интеллекта» (МИФИ) и специализации «Искусственный интеллект и
интеллектуальные системы» (МЭИ) с дипломами «инженера - математика», а позднее с
дипломами «математика, системного программиста»), либо ограничивается
введением в учебные планы по конкретной специальности дополнительных курсов и
дисциплин по ИИ (по такому пути пошло большинство технических университетов,
таких как МАИ, МГИЭМ, МГТУ им. Баумана, МАДИ и др.). Отдельно следует упомянуть
опыт МИРЭА, к сожалению, непродолжительный, по организации в 90-х годах четырех
профилирующих кафедр по различным направлениям, так или иначе связанным с ИИ.
В ряде университетов прошла волна простого переименования кафедр, в названиях
которых появились вариации на тему «интеллектуальный». Хорошо зарекомендовала
себя практика создания учебно-научных лабораторий по отдельным направлениям ИИ,
например, в МИФИ (по инициативе профессора Г.В. Рыбиной), в МЭИ (по инициативе
профессоров Д.А. Поспелова, В.Н. Вагина, А.П. Еремеева) в РУДН (по инициативе
Президента РАИИ профессора Г.С. Осипова) и в других вузах.
До середины 90-х годов многие учебные заведения для осуществления подготовки
специалистов по ИИ могли одновременно использовать свою, как правило, хорошо
организованную и разветвленную сеть системы переподготовки кадров в виде
различных ИПК, ФПК, ФПК СП и др. Так поступали, например, на ФПК СП МИФИ, где в
свое время читали лекции и проводили занятия А.Б. Преображенский, В.Ф.
Хорошевский, Б.С. Кирсанов, Л.Я. Поспелова и другие известные ученые и
специалисты по ИИ. Большой популярностью в Москве пользовался ФПК МИРЭА,
работу которого курировала Л.С. Болотова, а в Санкт-Петербурге - ИПК «ЛИМТУ»,
возглавляемый Т.А. Гавриловой, куда охотно приезжали проводить занятия многие
преподаватели и ученые из других городов.
Однако, система переподготовки кадров, хорошо функционировавшая в СССР в
условиях планового повышения квалификации сотрудников государственных
предприятий и организаций, сейчас практически полностью развалилась и уже не
может служить вузам серьезным методическим и практическим подспорьем в решении
проблем подготовки специалистов по ИИ.
Конечно, отдельные попытки юридического закрепления в государственных
образовательных стандартах давно существующего направления и специальности
подготовки кадров по ИИ в вузах России предпринимались неоднократно (достаточно
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	1 09
Подготовка специалистов в области искусственного интеллекта:
состояние, проблемы, перспективы
вспомнить инициативы профессора В.Г1. Кутепова из МЭИ), однако успех сопутствовал
только профессору В.К. Финну и его сподвижникам, которым удалось в «недрах» РГГУ
открыть несколько лет назад специальность «Искусственный интеллект в гуманитарных
приложениях».
Таким образом, несмотря на достаточно длительный путь, который прошла
отечественная высшая школа в области подготовки специалистов по ИИ, в настоящее
время в России не создано единой образовательной концепции по ИИ, нет
специальности «искусственный интеллект» и, как следствие, отсутствуют единые
профессиональные образовательные программы, номенклатуры курсов и дисциплин
по различным направлениям ИИ, унифицированные методические пособия и учебная
литература.
Введение государственных образовательных стандартов (ГОС) второго поколения
в вузах РФ и организационно-правовое обеспечение подготовки кадров по
направлениям (специальностям) лишь закрепило де-юре существовавшую де-факто
раздробленность подготовки специалистов по ИИ. Если проанализировать структуру и
содержание образовательных программ по самой базовой для ИИ специальности
0105(1 (прикладная математика и информатика), то среди цикла
общепрофессиональных дисциплин (ОПД) значатся всего две дисциплины -
«Математическая логика» и «Базы данных и экспертные системы», предназначенные
для получения «техминимума» знаний по важнейшим направлениям современной
науки и техники. Среди цикла специальных дисциплин (СД) также только одна
дисциплина «Проектирование человека-машинных интерфейсов» может быть с
натяжкой развернута в сторону ИИ. В МИФИ среди дисциплин по выбору цикла ОПД
значатся дисциплины «Логическое программирование», «Функциональное
программирование», «Проектирование кибернетических систем, основанных на
знаниях»
Естественно, при определении содержания и программ подготовки специалистов
возникает надежда, что поскольку ИИ является интегрирующей наукой, опирающейся
на весь опыт развития таких дисциплин как философия, лингвистика, психология,
математика, кибернетика, информатика, программирование и вычислительная
техника, то можно смело опираться на их фундамент. Однако в ИИ уже давно
сформировались собственные, отличные от классических подходов, направления
исследований, которые формируют статус и облик ИИ как научного направления со
своим предметом, методами и технологиями.
Поэтому в соответствии с ГОС второго поколения основная тяжесть в организации
качественной подготовки специалистов по ИИ в рамках данной специальности,
фактически, полностью ложится на цикл дисциплин специализации (ДС). Вот здесь как
раз и необходимо объединение усилий и закрепление опыта всех заинтересованных
университетов и отдельных коллективов в стандартизации структуры, формы и
содержания наиболее современных и методически опробованных на практике
дисциплин и курсов по важнейшим направлениям ИИ. Для сравнения можно привести
перечни циклов ДС для МЭИ (специализация «Искусственный интеллект и
интеллектуальные системы») и МИФИ (специализация «Интеллектуальные системы и
технологии»),
В МЭИ:
•	«Экспертные системы»,
•	«Проектирование программного обеспечения интеллектуальных систем»,
110
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
Подготовка специалистов в области искусственного интеллекта:
состояние, проблемы, перспективы
•	«Интеллектуальные системы»,
•	«Нетрадиционные модели вычислений»,
•	«Многоагентные системы»,
•	«Прикладная семиотика».
В МИФИ:
•	«Интеллектуальные диалоговые системы»,
•	«Экспертные системы»,
•	«Модели и методы представления и обработки знаний»,
•	«Динамические интеллектуальные системы»,
•	«Обработка аудиовизуальной информации».
Очевидно, что в циклах ДС в МЭИ и МИФИ, отражающих многолетние традиции и
научные школы по ИИ, много общего, что, в принципе, может являться некоторым
базисом для унификации рабочих учебных планов, графиков учебного процесса,
рабочих программ по дисциплинам циклов, программ практик и целевой подготовки,
планов семинарных и практических заданий и других учебно-методических
материалов.
В этом направлении есть, безусловно, конкретные успехи, в частности,
присуждение в 2000 году Премии Президента РФ в области образования авторскому
коллективу из представителей МЭИ (ТУ) (Головная организация), МИФИ, МГТУ им.
Баумана, МЭСИ и РосНИИ ИТиАП за создание и внедрение учебно-методического
комплекса «Модели, методы и программные средства конструирования
интеллектуальных систем принятия решений и управления» для высших учебных
заведений. Впервые в отечественной практике ИИ объединённый коллектив
преподавателей и научных сотрудников (Вагин В.Н., Кутепов В.П., Еремеев А.П., Попов
Э.В., Кисель Е.Б., Фоминых И.Б., Емельянов В.В., Рыбина Г.В., Тельнов Ю.Ф.) четырех
учебных и одного научно-исследовательского институтов был удостоен столь высокой
награды за разработку и внедрение результатов исследований в учебный процесс
высшей школы.
Важное место в подготовке специалистов по ИИ отводится методическому
обеспечению учебного процесса - это учебники и учебные пособия по ИИ и отдельным
направлениям ИИ. Здесь, в первую очередь, следует отметить историческую роль
работ отечественных учёных - Г.С. Поспелова, Д.А. Поспелова, Л.Т. Кузина, Э.В.
Попова, А.Н. Аверкина, В.Н. Вагина, Т.А. Гавриловой, В.В. Емельянова, А.П. Еремеева,
О.П. Кузнецова, В.М. Курейчика, Г.С. Осипова, А.Б. Преображенского, Г.В. Рыбиной,
В.А. Стефанюка, В.Б. Тарасова, Ю.Ф. Тельнова, В.К. Финна, И.Б. Фоминых, В.Ф.
Хорошевского, А.И. Эрлиха, Н.Г. Ярушкиной и др.
Написанные ими в разные годы монографии, учебные пособия и
основополагающие статьи составляют и сегодня мощную фундаментальную базу для
студентов и аспирантов, занимающихся различными направлениями ИИ, поскольку
«заоблачные» цены на переводные издания, беспредел с пиратским заимствованием
интеллектуальной собственности, царящий в Интернете, и другие проблемы
порождают острую нехватку специальной и методической литературы по ИИ.
Необходимо искать пути решения данной проблемы, например, усиливать работу по
изданию учебников и учебных пособий с грифом соответствующего учебно-
методического объединения (УМО) и Министерства образования и науки России, а
также создать своеобразный «золотой фонд» рекомендованной литературы по ИИ, в
частности, эту функцию может выполнить РАИИ.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	111
Подготовка специалистов в области искусственного интеллекта:
состояние, проблемы, перспективы
Не менее важное место в подготовке специалистов по ИИ играют и различные
научные мероприятия, ориентированные на вовлечение талантливой студенческой
молодежи в научно-исследовательскую работу, проводимые, в том числе, и при
поддержке РАИИ. Например, в МИФИ - это традиционные открытые научные сессии, в
рамках которых, начиная с 1999 г., успешно проводится секция «Интеллектуальные
системы и технологии» (научный руководитель профессор Г.В.Рыбина), а лучшие
студенческие программные разработки по ИИ представляются на выставке
«Телекоммуникации и новые информационные технологии в образовании», также
организуемой в МИФИ. В МЭСИ в рамках ежегодных научно-практических
конференций «Реинжиниринг бизнес-процессов на основе современных
информационных технологий. Системы управления знаниями» по инициативе
профессора Ю.Ф.Тельнова несколько лет подряд проводится конкурс студенческих
работ. В МЭИ (ТУ) в рамках ежегодной Научно-технической конференции студентов и
аспирантов вузов России «Радиоэлектроника и электротехника в народном хозяйстве»
проводится секция «Алгоритмы и программное обеспечение в вычислительных и
интеллектуальных системах» (научный руководитель профессор А.П. Еремеев). Можно
привести и другие примеры работы вузов в этом направлении.
В завершении краткого обзора мы хотели бы высказать пожелание о
необходимости дальнейшего продолжения начатого здесь обсуждения проблем
подготовки кадров по ИИ в России с тем, чтобы консолидировать усилия всех
заинтересованных университетов и учёных в необходимом и благородном деле
подготовки молодых специалистов в области ИИ.
112
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
VI Международная научно-техничес-
кая конференция «Интеллектуаль-
ные системы» (AIS’06) и XXI
Международная научно-техническая
конференция «Интеллектуальные
САПР» (CAD-2006)
Курейчик В.М., Курейчик В.В., Нужнов Е.В.
3-10 сентября 2006 года в г. Дивноморском Геленджикского района
Краснодарского края были проведены организованные Таганрогским
государственным радиотехническим университетом при активном участии Российской
ассоциации искусственного интеллекта VI Международная научно-техническая
конференция «Интеллектуальные системы» (AIS’06) и XXI Международная научно-
техническая конференция «Интеллектуальные САПР» (CAD - 2006) с общим числом
участников более 200 человек.
Конференции проходили в рамках реализации Приоритетного национального
проекта «Образование» в Таганрогском государственном радиотехническом
университете: Инновационная образовательная программа «Инновационный механизм
развития взаимодействия Таганрогского государственного радиотехнического
университета и бизнеса».
Для организации и проведения конференции AIS’06 Оргкомитетом был получен
грант Российского фонда фундаментальных исследований. Спонсорами конференций
были Московские представительства известных американских компаний Cadence
Design Systems и SAP.
В конференциях приняли участие
•	2 члена-корреспондента РАН;
•	14 академиков и членов-корреспондентов различных академий;
•	78 докторов наук, профессоров;
•	49 кандидатов наук, доцентов;
•	15 заведующих кафедрами высших учебных заведений;
•	17 руководителей высшего звена предприятий и организаций;
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	113
VI Международная научно-техническая конференция «Интеллектуальные системы» (AIS’06)
и XXI Международная научно-техническая конференция «Интеллектуальные САПР» (САР-2006)
•	3 представителя зарубежных компаний;
•	19 студентов, магистрантов и аспирантов.
В конференциях участвовали представители 8 зарубежных государств (США,
Японии, Франции, Белоруссии, Украины, Армении, Молдавии, Азербайджана), а также
37 городов Российской Федерации (Абакана, Астрахани, Великого Новгорода,
Владимира, Волгограда, Геленджика, Екатеринбурга, Жуковского, Ижевска, Йошкар-
Олы, Казани, Калининграда, Калуги, Краснодара, Красноярска, Москвы, Нижнего
Новгорода, Новочеркасска, Оренбурга, Переславля-Залесского, Пущино, Ростова-на-
Дону, Самары, Санкт-Петербурга, Саратова, Смоленска, Сочи, Таганрога, Твери,
Томска, Ульяновска, Уфы, Химок, Челябинска, Черноголовки, Шахт, Ярославля).
Конференции охватывали широкий круг рассматриваемых проблем:
•	Эволюционное моделирование;
•	Мягкие вычисления, нечеткие модели и знания;
•	Интеллектуальные системы в менеджменте;
•	Прикладные интеллектуальные системы;
•	Многоагентные системы и принятие решений;
•	Высокопроизводительные системы и нейрокомпьютеры;
•	Когнитивное моделирование;
•	Интеллектуальные САПР;
•	Моделирование сложных систем;
•	Информационные технологии;
•	Информационные технологии в образовании;
•	Биоинформатика.
Большинство представленных докладов отличалось новизной и актуальностью
рассматриваемых вопросов, глубиной и завершенностью проведенных и обсуждаемых
исследований и разработок. Особый интерес участников вызвали следующие доклады:
• Федунов Б.Е. (Москва) Интеллектуальные системы технических
антропоцентрических объектов;
•	Еремеев А.П., Куриленко И.Е. (МЭИ, Москва) Применение механизма временных
рассуждений в системе автоматизации парковочного комплекса;
•	Курейчик В.М. (ТРТУ, Таганрог) Инновационные механизмы управления научными
исследованиями на примере Таганрогского государственного радиотехнического
университета;
•	Вагин В.Н. (МЭИ, Москва) Проблемы и перспективы логического вывода;
•	Смирнов А.В. и др. (Санкт-Петербург)
•	Рыжов А.П. (Cadence, Москва) Деятельность компании Cadence Design Systems в
России;
•	Дорогое А.Ю., Шестопалов М.Ю. (Москва) Алгоритмы распознавания квантового
состояния;
•	Таратухин В.В. (SAP, Москва) Презентация фирмы SAP.
Содержательные дискуссии с большим числом участников проходили на
заседаниях круглого стола:
•	Проблемы искусственного интеллекта (ведущие Вагин В.Н., Еремеев А.П.);
•	Эволюционное моделирование и генетические алгоритмы (ведущие Курейчик В.М.,
Лебедев Б.К.);
•	Интеллектуальные САПР (ведущие Рыжов А.П,, Камаев В.А.);
114
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006
VI Международная научно-техническая конференция «Интеллектуальные системы» (AIS’06)
и XXI Международная научно-техническая конференция «Интеллектуальные САПР» (САР-2006)
•	Мягкие вычисления (ведущие Ярушкина Н.Г., Тарасов В.Б.);
•	Приоритетный национальный проект «Образование» (ведущие Курейчик В.М.,
Еремеев А.П.);
•	Интеллектуальные системы в менеджменте (ведущие Ланкин В.Е., Волкова В.Н.).
На пленарных заседаниях были проведены презентации журналов:
•	«Новости искусственного интеллекта» (Москва),
•	«Программные продукты и системы» (Тверь),
•	«Известия вузов. Электромеханика» (Новочеркасск),
•	«Известия ТРТУ» (Таганрог),
•	«Перспективные информационные технологии и интеллектуальные системы»
(Таганрог),
а также ряда книг участников конференций:
•	Оптимизация на основе методов гомеостатики, эволюционного развития и
самоорганизации. Коллективная монография / Под редакцией В.М. Курейчика
(Таганрог),
•	Камаев В.А., Бутенко Л.Н., Дворянкин А.М. и др. Концептуальное проектирование.
Развитие и совершенствование методов. Коллективная монография (Волгоград),
• Курейчик В.М., Лебедев Б.К., Лебедев О.Б. Поисковая адаптация: теория и практика
(Таганрог; издательство ФИЗМАТЛИТ, Москва).
В период работы конференции AIS’06 была проведена школа-семинар по
Приоритетному национальному проекту «Образование» под председательством
Курейчика В.М.
В рамках конференции CAD-2006 работала школа молодых ученых и специалистов
по проблемам разработки и применения передовых САПР изделий микроэлектроники,
где сделали заказные доклады ведущие ученые:
•	Курейчик В.М. Генетические алгоритмы;
•	Вагин В.Н. Логический вывод;
•	Рыжов А.П. Инструментальные средства Cadence;
•	Тарасов В.Б. Многоагентные системы.
Во время работы конференций была организована выставка-продажа новых книг,
работала ярмарка программных продуктов.
Труды конференций были опубликованы в виде четырех сборников общим
объемом 1430 страниц. 177 докладов на русском языке, а также 9 докладов и
аннотации всех докладов на английском языке опубликованы Московским
издательством физико-математической литературы (ФИЗМАТЛИТ). 63 доклада
опубликованы в журнале «Известия ТРТУ. Тематический выпуск «Интеллектуальные
САПР».
Основные мероприятия конференции проходили на базе санатория «Голубая даль»
и студенческой спортивно-оздоровительной базы ТРТУ «Витязь».
В 2007 году планируется проведение VII Международной научно-технической
конференции «Интеллектуальные системы» и XXII Международной научно-технической
конференции «Интеллектуальные САПР» (3	-	10 сентября, г.
Геленджик/Дивноморское). Приглашаем принять участие в работе конференции всех
заинтересованных - известных ученых и молодых научных работников, аспирантов и
студентов. Информацию о конференции можно получить по e-mail: vkur@tsure.ru,
nev@tsure.ru или по телефону: +7 - 8634-38-34-51, а также на сайте ТРТУ: www.tsure.ru.
НОВОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 3/2006	115