Главная страница
Навигация по странице:

  • 5 Заключение

  • Метод Монте-Карло. Замечания руководителя Содержание


    Скачать 64.6 Kb.
    НазваниеЗамечания руководителя Содержание
    АнкорМетод Монте-Карло
    Дата25.12.2022
    Размер64.6 Kb.
    Формат файлаdocx
    Имя файла30781.docx
    ТипДокументы
    #863161

    Замечания руководителя



    Содержание


    Замечания руководителя 3

    1 Общая характеристика работы. 5

    1.2 Актуальность работы. 5

    2 Цель и задачи работы. 6

    3 Метод Монте-Карло. 7

    3.1 Сущность метода Монте-Карло. 7

    3.2 Оценка погрешности метода Монте—Карло 9

    3.3 Случайные числа 11

    3.4 Разыгрывание дискретной случайной величины 12

    3.5 Разыгрывание противоположных событий 14

    3.6 Разыгрывание полной группы событий 15

    4 Информационная безопасность и метод Монте-Карло. 16

    5 Заключение 28

    6 Список информационных источников. 29


    1 Общая характеристика работы.

    1.2 Актуальность работы.


    При расчете систем с отказами крайне важно использовать тот метод моделирования системы, который наиболее точно может описать данную систему. Метод Монте-Карло уже давно применяется для расчета экономических рисков, но его функциональные возможности могут позволить рассчитывать и риски в современных информационных системах. Хотя данный метод почти и не применяется при расчете рисков, он имеет большую значимость при описании систем. Применимость данного метода к системам с отказами крайне сближает его с информационными системами, где данный критерий имеет не последнюю роль в жизнедеятельности системы.

    Поэтому крайне важно адаптировать метод Монте-Карло применительно к рискам информационной безопасности.

    2 Цель и задачи работы.


    Цель данной работы заключается в изучении метода имитационного моделирования Монте-Карло и получении практических навыков по применению данного метода для расчета систем массового обслуживания с отказами.

    Из поставленной цели, задачами данной работы следующие:

    1. Рассмотреть общие принципы метода Монте-Карло

    2. Применить метод Монте-Карло применительно к информационной безопасности.

    3. Рассчитать систему массового обслуживания с отказами методом Монте-Карло.

    4. Разработать код приложения реализующего метод Монте-Карло.


    3 Метод Монте-Карло.

    3.1 Сущность метода Монте-Карло.


    ЭВМ позволяют легко получать так называемые псев­дослучайные числа (при решении задач их применяют вместо случайных чисел); это привело к широкому внедре­нию метода Монте-Карло во многие области науки и техники (статисти­ческая физика, теория массового обслуживания, теория игр и др.). Данный метод используют для вычис­ления интегралов, в особенности многомерных, для реше­ния систем алгебраических уравнений высокого порядка, для исследования различного рода сложных систем (автоматического управления, экономических, биологи­ческих и т. д.).

    Сущность метода Монте—Карло состоит в следующем: требуется найти значение некоторой изу­чаемой величины. Для этого выбирают такую случайную величину X, математическое ожидание которой равно :



    Практически же поступают так: производят n испы­таний, в результате которых получают n возможных зна­чений Х; вычисляют их среднее арифметическое

    )/n

    и принимают х в качестве оценки (приближенного значе­ния) a* искомого числа



    Поскольку метод Монте-Карло требует проведения большого числа испытаний, его часто называют методом статистических испытаний. Теория этого метода указы­вает, как наиболее целесообразно выбрать случайную величину X, как найти ее возможные значения. В част­ности, разрабатываются способы уменьшения дисперсии используемых случайных величин, в результате чего уменьшается ошибка, допускаемая при замене искомого математического ожидания его оценкой .

    Отыскание возможных значений случайной величины X (моделирование) называют «разыгрыванием случайной ве­личины».

    3.2 Оценка погрешности метода Монте—Карло


    Пусть для получения оценки a* математического ожидания a случайной величины X было произведено n независимых испытаний (разыграно n возможных значе­ний X) и по ним была найдена выборочная средняя х, ко­торая принята в качестве искомой оценки: а* = х.

    Ясно, что если повторить опыт, то будут получены дру­гие возможные значения X, следовательно, другая сред­няя, а значит, и другая оценка а*. Уже отсюда следует, что получить точную оценку математического ожидания невозможно. Естественно, возникает вопрос о величине допускаемой ошибки. Ограничимся отысканием лишь верхней границы допускаемой ошибки с заданной ве­роятностью (надежностью) :



    Интересующая нас верхняя граница ошибки б есть не что иное, как «точность оценки» математического ожидания по выборочной средней при помощи доверительных ин­тервалов. Рас­смотрим следующие три случая.

    Случайная величина X распределена нормально и ее среднее квадратическое отклонение известно. В этом случае с надеж­ностью верхняя граница ошибки:

    (*)

    где n—число испытаний (разыгранных значений X); t — значение аргумента функции Лапласа, при котором Ф(t) = /2, — известное среднее квадратическое откло­нение X.

    Случайная величина X распределена нормально, причем ее среднее квадратическое отклонение неизвестно. В этом слу­чае с надежностью верхняя граница ошибки:

    (**)

    где n — число испытаний; s—«исправленное» среднее квад­ратическое отклонение, – табличное значение.

    Случайная величина X распределена по закону, отличному от нормального. В этом случае при достаточно большом числе испытаний (n>30) с надежностью, приближенно равной , верхняя граница ошибки может быть вычислена по формуле (*), если среднее квадратическое отклонение случайной ве­личины X известно; если же неизвестно, то можно подставить в формулу (*) его оценку s—«исправленное» среднее квадратическое отклонение либо воспользоваться формулой (**). Заметим, что чем больше n, тем меньше различие между результатами, которые дают обе формулы. Это объясняется тем, что при распределение Стьюдента стремится к нормальному.

    Замечание. Для того чтобы найти наименьшее число испы­таний, которые обеспечат наперед заданную верхнюю границу ошибки , надо выразить n из формул (*) и (**):

    , .

    3.3 Случайные числа


    Ранее было указано, что метод Монте—Карло основан на применении случайных чисел; дадим опреде­ление этих чисел. Обозначим через R непрерывную слу­чайную величину, распределенную равномерно в интер­вале (0, 1).

    Случайными числами называют возможные значения г непрерывной случайной величины R, распределенной равномерно в интервале (0, 1).

    В действительности пользуются не равномерно рас­пределенной случайной величиной R, возможные значе­ния которой, вообще говоря, имеют бесконечное число десятичных знаков, а квазиравномерной случайной величиной R*, возможные значения которой имеют конечное число знаков. В результате замены R на R* разыгрываемая величина имеет не точно, а прибли­женно заданное распределение.

    3.4 Разыгрывание дискретной случайной величины


    Пусть требуется разыграть дискретную случай­ную величину X, т. е. получить последовательность ее возможных значений (i= 1, 2, .... n), зная закон рас­пределения X:



    Обозначим через R непрерывную случайную величину, распределенную равномерно в интервале (0, 1), а через (j=1, 2, ...) — ее возможные значения, т. е. случайные числа.

    Разобьем интервал на оси Or точками с координатами , , … , на n частичных интервалов , ,…, :

    ,

    ,



    .

    Видно, что длина частичного интервала с индексом i равна вероятности с тем же индексом:



    Теорема. Если каждому случайному числу (0 ≤ < 1), которое попало в интервал , ставить в соответствие возможное значение , то разыгрываемая величина будет иметь заданный закон распределения:



    Доказательство. Так как при попадании случайного числа в частичный интервал разыгрываемая величина принимает возможное значение , а таких интервалов всего n, то разыгрываемая величина имеет те же возможные значения, что и X, а именно , ... , .

    Вероятность попадания случайной величины R в ин­тервал равна его длине, а в силу (*) для . Таким образом, вероятность попадания R в интервал , равна . Следова­тельно, вероятность того, что разыгрываемая величина примет возможное значение также равна (поскольку в случае попадания случайного числа в интервал разыгрываемая величина при­нимает возможное значение ,). Итак, разыгрываемая ве­личина имеет заданный закон распределения.

    Правило. Для того чтобы разыграть дискретную слу­чайную величину, заданную законом распределения



    надо: 1) разбить интервал (0, 1) оси Or на n частичных интервалов: — (0; ), — ( ; + ), … , — ( ; );

    2) выбрать (например, из таблицы случайных чисел) случайное число .

    Если попало в частичный интервал , то разыг­рываемая дискретная случайная величина приняла воз­можное значение .

    3.5 Разыгрывание противоположных событий


    Пусть требуется разыграть испытания, в каждом из которых событие А появляется с известной вероят­ностью р и, следовательно, не появляется с вероятностью q = 1 - р.

    Введем в рассмотрение дискретную случайную вели­чину X с двумя возможными значениями (для определен­ности примем =1, = 0) и соответствующими им ве­роятностями — р, = q. Условимся считать, что если в испытании величина X приняла возможное значение =1, то событие А наступило; если X = = 0, то собы­тие А не наступило, т. е. появилось противоположное событие .

    Таким образом, разыгрывание противоположных собы­тий А и сведено к разыгрыванию дискретной случай­ной величины X с заданным законом распределения:



    Для разыгрывания X надо интервал (0, 1) разбить точкой р на два частичных интервала: — (0, р) и — (р, 1). Затем выбирают случайное число . Если попадает в интервал , то X — (наступило событие A); если попадает в интервал , то Х = = 0 (событие А не наступило).

    Правило. Для того чтобы разыграть испытания, в каж­дом из которых вероятность появления события равна р и, следовательно, вероятность наступления противополож­ного события А равна 1—р, надо выбрать (например, из таблицы случайных чисел) случайное число (j=1, 2, ...); если < р, то событие А наступило; если ≥ р, то появилось противоположное событие А.

    3.6 Разыгрывание полной группы событий


    Разыгрывание полной группы n (n > 2) несов­местных событий , вероятности которых известны, можно свести к разыгрыванию дискретной случайной величины X со следующим законом распределения (для определенности примем = 1, = 2, ...., = n):



    Действительно, достаточно считать, что если в испы­тании величина X приняла значение = i(i — 1, 2, ..., n), то наступило событие . Справедливость этого утвержде­ния следует из того, что число n возможных значений X равно числу событий полной группы и вероятности воз­можных значений и соответствующих им событий одинаковы: Р(Х = ) = P( )= . Таким образом, появ­ление в испытании события А равносильно событию, состоящему в том, что дискретная случайная величина X приняла возможное значение .

    Правило. Для того чтобы разыграть испытания, в каж­дом из которых наступает одно из событий полной группы, вероятности которых из­вестны, достаточно разыграть дискретную случайную величину X со следующим законом распреде­ления:



    Если в испытании величина X приняла возможное зна­чение = i, то наступило событие .

    4 Информационная безопасность и метод Монте-Карло.


    Как известно в экономике, как и во многих других науках, используется имитационное моделирование. Одним из используемых методов является метод “Монте-Карло”. В общем случае имитационное моделирование Монте-Карло – это процедура, с помощью которой математическая модель определения какого-либо финансового показателя подвергается ряду имитационных прогонов с помощью компьютера. В ходе процесса имитации строятся последовательные сценарии с использованием исходных данных, которые по смыслу проекта являются неопределенными, и потому в процессе анализа полагаются случайными величинами. Процесс имитации осуществляется таким образом, чтобы случайный выбор значений из определенных вероятностных распределений не нарушал существования известных или предполагаемых отношений корреляции среди переменных. Результаты имитации собираются и анализируются статистически, с тем, чтобы оценить меру риска.

    Возможности этого метода не должны ограничиваться только экономической сферой. Благодаря использованию случайных сценариев и величин он так же может быть использован в проектировании систем безопасности всевозможных компьютеризированных систем от внешних и внутренних атак.

    Метод имитационного моделирования Монте-Карло создает дополнительную возможность при оценке риска за счет того, что делает возможным создание случайных сценариев. Применение анализа риска использует богатство информации, будь она в форме объективных данных или оценок экспертов, для количественного описания неопределенности, существующей в отношении основных переменных проекта и для обоснованных расчетов возможного воздействия неопределенности на эффективность проекта. Результат анализа риска выражается не каким-либо единственным значением показателя защищенности, а в виде вероятностного распределения возможных значений этого показателя. Следовательно, потенциальный заказчик системы, с помощью метода Монте-Карло будет обеспечен полным набором данных, характеризующих риски проекта. На этой основе он сможет принять взвешенное решение об использовании именно ее.

    Процесс анализа риска может быть разбит на следующие стадии.

    • Прогнозная модель;

    • Подготовка модели, способной прогнозировать расчет эффективности проекта;

    • Распределение вероятности (шаг 1);

    • Определение вероятностного закона распределения случайных переменных;

    • Распределение вероятности (шаг 2);

    • Установление границ диапазона значений переменных;

    • Условия корреляции;

    • Установление отношений коррелированных переменных;
      Имитационные прогоны;

    • Генерирование случайных сценариев, основанных на наборе допущений;

    • Анализ результатов;

    • Статистический анализ результатов имитации;

    • Процесс анализа риска.

    Таким образом, данный метод является универсальным и довольно эффективным для решения задач и статистического анализа в системах, оперирующих случайными величинами (в случае защиты систем зачастую имеются лишь вероятности развития тех или иных сценариев). Поэтому и должны рассматриваться возможности его применения не только в экономической практике, но и в сфере компьютерной и сетевой безопасности.
    5. Практическая часть

    Оценим надежность простейшей системы методом Монте-Карло.

    Условие:

    Система состоит из трех блоков, соединенных последовательно. Первый блок содержит 2 элемента: A, B. Второй блок содержит 3 элемента: C, D, E. Третий блок содержит 1 элемент: F. а) Найти оценку P* надежности системы, зная вероятность безотказной работы P(A) = 0,8, P(B) = 0,9, P(C) = 0,7, P(D) = (0,75), P(E) = 0,75, P(F) = 0,6

    б) Найти абсолютную погрешность , где P – надежность системы вычисленная аналитически. Произвести 30 испытаний.

    Решение:

    Выберем из таблицы приложения 9 случайные числа. Если случайное число меньше вероятности события, то событие наступило и наоборот. Разыграем события A, B, C, D, E, F, состоящие в безотказной работе соответственно элементов A, B, C, D, E, F. Результаты испытания буду записывать в таблицу 1.

    Номер

    испытания

    Блок

    Случайные числа, моделирующие элементы

    Заключение о работе

    элементов

    Блоков

    Системы

    A

    B

    C

    D

    E

    F

    A

    B

    C

    D

    E

    F







    1

    1

    2

    3

    0.1

    0.09

    0.73

    0.25

    0.33

    0.76

    +

    +

    -

    +

    +

    -

    +

    +

    -

    -

    2

    1

    2

    3

    0.52

    0.01

    0.35

    0.86

    0,34

    0.67

    +

    +

    +


    +

    +

    -

    +

    +

    -

    -

    3

    1

    2

    3

    0.35

    0.48

    0.76

    0.8

    0.95

    0.9

    +

    +

    -

    -

    -

    -

    +

    -

    -

    -

    4

    1

    2

    3

    0.91

    0.17

    0.37

    0.54

    0.2

    0.48

    -

    +

    +

    +

    +

    +

    +

    +

    +

    +

    5

    1

    2

    3

    0.05

    0.64

    0.89

    0.47

    0.42

    0.96

    +

    +


    -

    -

    -

    -

    +

    -

    -

    -

    6

    1

    2

    3

    0.24

    0.8

    0.52

    0.4

    0.37

    0.2

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    7

    1

    2

    3

    0.63

    0.61

    0.04

    0.02

    0.08

    0.42

    +


    +

    +

    +

    +

    +

    +

    +

    +

    +

    8

    1

    2

    3

    0.26

    0.89

    0.53

    0.19

    0.64

    0.5

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    9

    1

    2

    3

    0.93

    0.03

    0.23

    0.2

    0.9

    0.25

    -

    +

    +

    +

    -

    -

    +

    +

    +

    +

    10

    1

    2

    3

    0.6

    0.15

    0.95

    0.33

    0.47


    0.64

    +

    +

    -

    +

    +

    -

    +

    +

    -

    -

    11

    1

    2

    3

    0.99

    0.01

    0.9

    0.25

    0.29

    0.09

    -

    +

    -

    +

    +

    +

    +

    +

    +

    +


    12

    1

    2

    3

    0.37

    0.67

    0.07

    0.15

    0.38

    0.31

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    13

    1

    2

    3

    0.13

    0.11

    0.65

    0.88

    0.67

    0.67

    +

    +

    +

    -

    +

    -

    +

    +

    -

    -

    14

    1

    2

    3

    0.43

    0.97

    0.12

    0.8

    0.79

    0.99

    +

    -

    +

    -

    +

    -

    +

    +

    -

    -

    15

    1

    2

    3

    0.7

    0.8

    0.15

    0.73

    0.61

    0.47

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    16

    1

    2

    3

    0.64

    0.03

    0.23

    0.66

    0.53

    0.98

    +

    +

    +

    +

    +

    -

    +

    +

    -

    -

    17

    1

    2

    3

    0.95

    0.11

    0.68

    0.77

    0.66

    0.06

    -

    +

    +

    -

    +

    +

    +

    +

    +

    +

    18

    1

    2

    3

    0.57

    0.47

    0.17

    0.34

    0.07

    0.27

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    19

    1

    2

    3

    0.68

    0.5

    0.36

    0.69

    0.73

    0.61

    +

    +


    +

    +

    +

    -

    +

    +

    -

    -

    20

    1

    2

    3

    0.7

    0.65

    0.81

    0.33

    0.98

    0.85

    +

    +

    -

    +

    -

    -

    +

    +

    -

    -

    21

    1

    2

    3

    0.31

    0.06

    0.01

    0.08

    0.05

    0.45

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    22

    1

    2

    3

    0.57

    0.18

    0.24

    0.06

    0.35

    0.3

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    23

    1

    2

    3

    0.34

    0.26

    0.14

    0.86

    0.79

    0.9

    +

    +

    +

    -

    +

    -

    +

    +

    -

    -

    24

    1

    2

    3

    0.74

    0.39

    0.85

    0.26

    0.97

    0.76

    +

    +

    -

    +

    -

    -

    +

    -

    -

    -

    25

    1

    2

    3

    0.02

    0.02

    0.05

    0.16

    0.56

    0.92

    +

    +

    +

    +

    +

    -

    +

    +

    -

    -

    26

    1

    2

    3

    0.68

    0.66

    0.57

    0.48

    0.18

    0.73

    +

    +

    +

    +

    +

    -

    +

    +

    -

    -

    27

    1

    2

    3

    0.05

    0.38

    0.52

    0.47

    0.63

    0.57

    +

    +

    +

    +

    +

    +

    +

    +

    +

    +

    28

    1

    2

    3

    0.33

    0,21

    0.35

    0.05

    0.32

    0.54

    +

    +

    +

    +

    +

    +

    +

    +

    +


    +

    29

    1

    2

    3

    0.7

    0.48

    0.9

    0.55

    0.35

    0.75

    +

    +

    -

    +

    +

    -

    +

    +

    -


    -

    30

    1

    2

    3

    0.48

    0.28

    0.46

    0.82

    0.87

    0.09

    +


    +

    +

    -

    -

    +

    +

    +

    +

    +

    Произведя 30 испытаний, получу, что в 15 из них система работала безотказно. В качестве оценки искомой надежности P приму относительную частоту P*=15/30=0,5

    Далее найду надежность системы P аналитически. Вероятности безотказной работы первого, второго и третьего блоков равны:







    Вероятность безотказной работы системы будет равно



    Вычислю абсолютную погрешность


    5 Заключение


    В ходе выполнения данной курсовой работы был изучен метод имитационного моделирования Монте-Карло, рассчитана система массового обслуживания с отказами, имеющая три узла, и разработан код программы, реализующий метод Монте-Карло для расчета данных систем. В практической части для системы были получены значения оценки вероятности безотказной работы устройства за время длительностью 6 часов и среднее время безотказной работы устройства. Данные полученные программой и найденные эмпирическим путем совпадают, учитывая погрешность.

    6 Список информационных источников.




    1. Таха Х.А. Введение в исследование операций (6-е издание, 2001).

    2. Кремер Н.Ш. (ред.)_Исследование операций в экономике(2005).

    3. Гмурман В.Е Теория вероятностей и математическая статистика 2003 -479с.

    4. Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике (3-е издание, 1979).

    5. Бэрон Шварц, MySQL. Оптимизация производительности, 2010 год.

    6. Джеймс Р. Грофф, Пол Н. Вайнберг, SQL: Полное руководство, 2001 год.







    написать администратору сайта