请求处理优先级分配算法

考虑现有模型，以便在计算机网络的各个节点之间最佳地分配数据。作为性能标准，我们将使用处理请求和分发更新时通过通信线路发送的平均数据量，分布式计算系统在一段时间内的运行所产生的总流量成本以及网络的运行成本¹。例如，我们考虑一种基于效率标准的计算机网络上的最佳文件分配模型，该标准是处理请求和分发更新时通过通信线路发送的平均数据量。


考虑一个计算机网络，每个节点由计算机，终端设备和数据传输设备组成。假设到达任何节点的终端设备的请求意味着对分布式数据库中特定文件的访问，并且对同一文件的请求和正确消息的数量取决于该节点未到达的节点。我们假设请求处理方案如下。
在终端上发起的请求进入相应节点的输入队列。计算机处理器按收到请求的顺序处理请求。如果所需文件的副本包含在该节点的本地数据库中，该节点的本地数据库已接收到该请求的终端，则将处理该请求并将结果显示在此终端上。如果节点的本地数据库中未包含必需文件的副本，则首先从本地数据库的目录中确定包含必需文件的副本的目录。然后将请求发送到该节点，在那里进行处理，并且原始节点接收到响应。服务请求的过程不会影响通过通信通道发送的数据量。

更正消息按其队列顺序提供。但是，与消息请求相比，它们具有最高的服务优先级。
在处理请求和更正消息的过程中，根据文件在本地数据库中的分布情况，在每个时间单位上通过通信通道发送一定数量的数据。每单位时间通过通信信道发送的数据量越小，消息的处理速度就越高。
路径
n是网络节点数；
t是分布式数据库中包含的文件的独立性数目；
Kj是第j个通信节点；
分布式数据库的第一个文件；
v-从Kj节点执行对Fi文件的请求时请求的数据量；
βv是从Kj节点执行对Fi文件的请求时所请求的数据量；
Yv是从节点Kj到文件Fi的校正消息的量；
λv是在节点Kj发起的对Fi文件的请求强度；
λv是从节点K j到文件Fi的校正消息的强度；
bj-用来容纳文件的内存节点Kj的数量；
Vj是第i个文件的副本数（Vj是给定值i <= Vji <= n）；
Xv（I = I，m¸j = I，n）-由公式确定的值
{I，如果文件Fi的副本位于节点Kj中；}
v{¸否则}

强度λi生成 需要传输的数据量
Vi =ΣAλ`vUVXi
5-i
5-j
。如果我们把

NK
λ`=ΣΣAV
I = JJ = I

时处理在系统中的校正信息是相等的，那么平均必要用于转发的数据量。
nk
V` =IΣΣΣλ`v vI
λ` i= j j= i 5 — i
5 – j

λ`v λ`v (av+β) (I-v) . ,
n k
V`= IΣΣλ`v (av+β) (I- v)
λ` i= jj= i

n k
λ=Σ Σλ`v
i= j j= i

, :
L,= V+V'

n
Σ xv=yi(i=I,m)
我= j的

Ñ
ΣL，XV≤双（I = I，n）的
我= j的

v=（oںI）I'I，米，J = I，n）的

为了提高系统的性能，限制可被用作附加条件完成每个节点的请求的预计时间。实际上，令aifz为执行在Kj节点处发起的对包含在Kj节点中的Fj文件的请求的期望时间，Tif为完成对Kj节点处发起的Fj文件的请求的最大允许时间。然后在量aifz和v之间， 对于j <> S，I <> i <> m ，关系
av5（I-v）15≤v成立
。
为了从这种关系中获得限制，aifz的值应该用变量Xv表示。在网络拓扑的一般情况下，这很难做到。而且，只有在不使用对网络特征施加的多种假设的情况下，才能通过v找到知识aifz的简单表达。
所开发模型的劣势可以归因于它们包含许多限制和简化，而不是将RDB的这种功能作为一个片段反映出来；所开发模型的劣势可以归因于它们包含许多限制和简化，不反映RDB的这种特征如碎片化，以及而且它们是静态的，没有考虑系统中发生的过程的动态。
至于用于优化RDB的方法（分支和边界方法，数学编程），它们给出了积极的结果，因为对于带有DBD的实际折叠式计算机信息系统，问题的规模很大，这需要大量的时间和计算资源。因此，对于此任务，建议使用基于自然进化机制实现定向随机搜索的遗传算法。
因此，尽管进行了先前的研究，但计算机信息系统DBD的建模和优化问题尚未得到最终解决方案，所使用的模型和方法具有许多缺点，因此有必要对其进行进一步的改进。
同样重要的问题是提供最准确的源数据。任何数学模型的实现。 RBD文件在计算机网络节点上的最佳放置需要许多源数据信息阵列，其中很大一部分只能以平均或简化形式获得。这些是诸如请求强度，发送和处理请求的时间，请求量以及对请求的响应之类的特征。收集的静态信息的准确性将决定性地影响所选数学模型的最终实现结果，并因此影响与RDB配合使用的系统的性能。
为了获得可靠的数值数据，有必要找出系统中信息的周期性。这段时间在一天到一个季度之间有所不同。在对收集到的信息进行进一步处理时，有必要将平均突发性活动考虑在内。必须在考虑高峰情况的调整的基础上计算处理时间，数量，装运量和处理概率的数字特征，以保护系统免受最密集的下载期间的重大延迟。
除了列出的特征之外，在使用优化的数据库的过程中，有必要累积有关请求类型（读取，搜索，更新）的信息，请求的文件名称，发出请求的节点的数量以及实际响应的时间。
知识库是一组知识单元，它们使用某种表示知识的方法，问题区域中对象的反映及其关系，对象上的动作以及可能执行这些动作的不确定性来表示形成。
作为表示知识的方法，最经常使用规则或对象（框架）或它们的组合。因此，规则是构造。
如果<条件>则<结论> CF（确定性因子）<值>。
作为确定性（CF）的决定因素，通常会遇到贝叶斯方法的条件概率（从0到1）或奇数逻辑的置信系数（从0到100）。规则示例如下。
规则1.如果盈利率>0.2
然后，获利能力=“满意” CF100。
规则2。如果债务=“否”且获利能力＝“满意”。
也就是说，企业可靠性=“已满足” CF90。
在系统中的任何给定时间，都有各种知识类型：
结构化知识-主题领域的统计知识。一旦知识被识别，它就不再改变。
结构化的动态知识-有关主题领域的可变知识，它们会随着发现新信息而更新。
ES的质量取决于知识库的大小和质量（规则或启发式）。该系统以以下循环模式运行：选择（查询）数据或观察分析结果，解释结果，吸收新信息，使用规则推进时间假设，然后选择数据和分析结果的下一部分。这个过程一直持续到有足够的信息可以得出最终结论为止。
因此，将基于有关某个主题领域的高质量专业知识（从专家-该领域的专家那里获得）构建的人工智能系统称为专家系统。专家系统-少数几种人工智能系统中的一种-已经普及并找到了实际应用。

专家系统在以下方面与其他程序有所不同：
1. 能力 -在特定主题领域，专家系统必须达到与人类专家相同的水平，同时必须使用相同的启发式技术并广泛深入地反映主题领域；
2. 符号推理–专家系统所基于的知识以符号形式表示现实世界的概念，推理也以符号集转换的形式出现；
3. 深度 -考试应该解决深层的，非平凡的问题，无论是从专家系统使用的知识的复杂性还是从其丰富的知识方面而言，都具有复杂性，这不允许穷举搜索选项作为解决问题的方法，而只能采用启发式，创造性，非正式的方法;
4. 自我意识 -专家系统应包括一种机制，用以解释解决问题的方式。

文献
1. Moiseev VB 智能系统中知识的表示。/信息学和教育，2003年第2期。2.
Petrov V.N.。信息系统-圣彼得堡：彼得，2003年
。3. RastraginL.Kh。实验控制系统。- M：Nauka，1974年
4 Saak A.E.，帕霍莫夫E.V.，Tyushnyakov V.N。信息技术管理：高中教科书。圣彼得堡：彼得，2005年
。5. Semenov M.I. 经济中的自动化信息技术。教科书。-M
。：《金融与统计》，2003年。6. SovetovB.Ya。建模系统：大学教材。-3-ed 奴役。然后停靠 -M .：高等学校，2001年
。7. Suvorova N.信息建模：数量，对象，算法。-M .：基础知识实验室，2002年。

我关于专家系统的学期论文的一小部分。