Черенковское излучение - свечение, вызываемое в прозрачной среде заряженной частицей, которая движется со скоростью, превышающей фазовую скорость распространения света в этой среде.

Информация, получаемая в результате регистрации черенковского света широких атмосферных ливней (ШАЛ) дает дополнительную возможность изучать само явление ШАЛ, например, продольное и поперечное развитие ливневого каскада, а также корректно определять такую важную характеристику первичного космического излучения, какой является его энергия.

Назначение - сбор данных наблюдений с черенковских детекторов и отбор событий ШАЛ космических лучей
Область применения - Исследование черенковского излучения ШАЛ. Черенковское излучение широко используется в физике высоких энергий для регистрации релятивистских частиц и определения их скоростей.
Используемый алгоритм - алгоритм описан в [1].

[1]  С. П. Кнуренко, В. А. Колосов, З. Е. Петров, А. Г. Пудов, Р. Г. Сидоров, И. Е. Слепцов. Автономная черенковская установка для исследования первичного космического излучения в области энергий 10^15 - 10^17 эВ // Наука и образование. - 1998. - №4. - С. 46-50

Функциональные возможности - Программа регистрации считывает отсчеты сигналов черенковских детекторов и детекторов заряженных частиц, временных каналов с соответствующих КАМАК-модулей, формирует 3 отдельных файла: файл ливневых событий (расширение .EAS), файл фоновых срабатываний (.FON) и файл амплитудных спектров всех детекторов (.SPE). При обнаружении ливневых событий на экран выводится таблица амплитудных и временных значений всех детекторов, а в альтернативном режиме – на плане установки отмечаются участвовавшие в событии детекторы.

Описание работы программы - в приложенном файле

Инструментальные средства создания - Turbo Pascal

Назначение - вычисление одного из показателей надёжности многополюсных сетей с отказами узлов.
Область применения - анализ надёжности и живучести сетей различного назначения.

 Рассматриваются сети с надёжными каналами связи и ненадёжными узлами, которые отказывают достаточно часто. Один из примеров таких сетей - беспроводные сенсорные сети, предназначенные для сбора разного рода информации. Такие сети одержат один или более узлов–полюсов (стоков, базовых станций), куда поступает собранная информация. Узлы-полюсы достаточно надежны в отличие от остальных узлов – сенсоров, которые могут выходить из строя.  Для нормального функционирования (сбора информации и ее передачи) в сети должно оставаться достаточное количество узлов-сенсоров.

Задача рассматривалась для следующих условий: для функционирования сети необходимо, чтобы связанных с полюсами работающих сенсоров оставалось не менее T, и чтобы полюса образовывали связное множество.  Вероятность функционирования сети в этом смысле и есть рассчитываемый показатель надёжности сети.

Входные данные программы – структура сети в виде графа, список полюсов, значения надёжности узлов, т.е. вероятности их присутствия (по умолчанию предполагается, что полюса абсолютно надёжны, но эти значения можно ввести вручную), количество узлов T, необходимых для функционирования сети. Выходные данные программы – значение надёжности сети.

Программа работает с двумя представлениями графов – полный файл предшественников (списки KAO,FO) и список рёбер. Вводить списки представления графов и редактировать их можно в соответствующих окнах программы, возможна загрузка (сохранение) графов из текстовых файлов (в текстовые файлы). Информация в файле должна располагаться следующим образом: первая строка – количество вершин, вторая строка – количество рёбер, третья и четвёртая строка – списки представления графа (элементы списка разделяются запятыми). Есть возможность генерации связных графов. Реализованный в программе метод опубликован в [1].

[1] Мигов Д.А. Об одном показателе надежности для сетей с отказами узлов // Труды 2-й Международной конференции молодых ученых "Математическое моделирование фрактальных процессов, родственные проблемы анализа и информатики", Нальчик, 2012. С. 172-175.

Функциональные возможности - расчет надёжности сетей с количеством элементов до сотни.
Инструментальные средства создания - Delphi

Назначение – комплексная информационная поддержка научных исследований в области активной сейсмологии.

Область применения - исследование структуры земной коры верхней мантии.

Информационная система представляет собой web-ориентированную виртуальную рабочую среду, объединяющую следующие информационные ресурсы:

• база экспериментальных данных, содержащая на сегодняшний день порядка 30000 сейсмотрасс, зарегистрированных в ходе экспериментов по вибросейсмическому просвечиванию Земли;
• информационно-вычислительная система для анализа и визуализации данных в режиме on-line (зарегистрирована в Каталоге ФАП, номер DB10021);
• база данных научных работ – электронная библиотека, содержащая тезисы и полные тексты статей, информацию об авторах и научных организациях;
• библиографический каталог публикаций с возможностью поиска по авторам, названию, виду издания, году издания;
• социальная сеть для создания рабочих групп, публикации статей пользователями, обсуждения размещенных на сайте материалов и т.д.

 Подробное описание системы можно посмотреть в публикациях:

[1] Григорюк А.П., Брагинская Л.П. Интернет-ресурс по вибросейсмическому мониторингу. Современное состояние и перспективы развития // Горный информационно-аналитический бюллетень. 2009. Т. 18. № 12. С. 200 – 204.

 [2] Григорюк А. П., Брагинская Л. П. Информационная система для комплексной поддержки научных исследований в области активной сейсмологии // Вестник Кемеровского государственного университета  № 4 (52) Т.2, 2012, С.43-48.

Функциональные возможности - каждая сейсмотрасса описывается 16 полями.
Инструментальные средства создания - web-сервер Apache, СУБД MySQL, интерпретатор PHP, С++ компилятор gcc, CMS Joomla.

Система доступна на сайте  http://opg.sscc.ru

 Назначение - многофункциональная компьютерная программа V12 предназначена для обработки, анализа и визуализации записей сейсмических сигналов (сейсмотрасс).

Область применения - геофизические эксперименты в области активной сейсмологии с использованием мощных сейсмических вибраторов и промышленных взрывов.
Используемый алгоритм - использованы как классические алгоритмы обработки и анализа сейсмических сигналов, так и разработанные автором.

Функциональные возможности - Программа работает с файлами в геофизических форматах SEG-Y, РС-А (ЛГИ) и с синтетическими сейсмотрассами в формате SCT. Анализ сигналов осуществляется во временной, частотной, частотно-временной и пространственной областях. Особенностью программы является использование временного и частотного окон, которые могут перемещаться по сейсмограмме вперед-назад вручную или автоматически с одновременной обработкой, анализом и визуализацией результатов в пределах текущего окна. В состав программы входит процедура выделения слабых сигналов на фоне помех на основе разработанного автором алгоритма направленного суммирования со взвешиванием по энергии.

Кроме стандартного набора процедур анализа и визуализации сейсмических сигналов программа содержит средства, ориентированные на работу с данными экспериментов в области активной сейсмологии с мощными сейсмическими вибраторами. К таким средствам относятся специальные процедуры для выделения слабых сигналов на фоне помех и процедуры фазовых измерений, разработанные в Лаборатории геофизической информатики ИВМиМГ СО РАН.

Описание работы программы - в публикациях:

 [1] Grigoruk A.P. Wavelet filtration of the vibroseismic signals // Proceedings of the 3rd International Forum on Strategic Technologies – IFOST2008 (June 23–29, 2008, Novosibirsk-Tomsk, Russia). IEEE 2008. P. 276-279

 [2] Григорюк А.П., Брагинская Л.П. Информационное обеспечение вибросейсмического мониторинга. // Труды 11-й Всероссийской конференции «Электронные библиотеки: перспективные методы и технологии, электронные коллекции» - RCDL’2009, Петрозаводск, 2009, стр.408-413.

Инструментальные средства создания: Borland C++ Builder

Назначение - Оценка восприимчивости базовых узлов сети с оптической коммутацией блоков (Optical Burst Switchning Network, OBS) к атакам типа "наводнение пакетами"

Область применения - Современные мультисервисные сети. Исследование отказоустойчивости

Используемый алгоритм - Алгоритмы разрушающего воздействия описаны в следующих публикациях:

1. Vladimir V. Shakhov. DDoS flooding attacks in OBS networks // IEEE 7th International Forum on Strategic Technologies (Tomsk, Sept 18-21, 2012). p.704-707.
2. V. Vokkarane and J. Jue, “Burst segmentation: an approach for reducing packet loss in optical burst switched networks,” Optical Networks Mag., vol. 4, no. 6, pp. 81–89, Nov./Dec. 2003.

Алгоритмы функционирования базового узла OBS сети описаны в источниках

1. Vladimir V. Shakhov. Method for multi channel assignment in optical burst switching network. Патент, USA, Publication number: US2006/0153218 A1, Publication date : July 13, 2006.
2. Y. Chen, C. Qiao, and X. Yu, “Optical burst switching: a new area in optical networking research,” IEEE Network, vol. 18, no. 3, pp. 16–23, May 2004.
3. L. Peng, C. Youn, W. Tang, and C. Qiao, “A Novel Approach to Optical Switching for Intradatacenter Networking,” J. Lightw. Technol., vol. 30, no. 2, pp. 252–266, January 2012.
4. C. Y. Li, P. K. A. Wai, and V. O.-K. Li, “Performance improvement methods for Burst-switched networks,” J. Opt Commun. Net., vol. 3, no. 2, pp. 104–116, February 2011.

Оценка уязвимости узла OBS сети производится с использованием систем массового обслуживания, в частности использовались системы вида M/M/1/n, M/M/n/n и их модификации. Оценка надежности маршрута отправитель-получатель производится с использованием метода Мура-Шеннона.

Функциональные возможности - Предложенные средства позволяют оценивать уязвимость узлов к атакам типа "наводнение", организованным с помощью пакетов данных (bursts), а также к атакам, реализованным с использованием служебного канала и генерации фальшивых пакетов-заголовоков (header packets). Реализация процедуры оценки надежности маршрута с использованием шаблонов классов позволяет обеспечить масштабируемость программы и проводить вычисления для любого количества опорных узлов OBS сети.

Инструментальные средства создания - MSVC 2008

• генератор сети,
• классификатор сенсоров по отношению к разрушающему воздействию,
• функцию быстрой оценки эффективности атаки,
• модули расчета ослабления сигнала в различных условиях,
• шаблоны классов генераторов ПСЧ Рэлея, Райса, логонормального. 

Назначение: Исследование DDoS атаки hello-flood в беспроводных сенсорных сетях

Область применения: Мультисервисные сети. Исследование отказоустойчивости.

Используемый алгоритм:

Алгоритмы генерации псевдослучайных величин, используемых для оценки флуктуации сигнала, основаны на методе обратной функции и методе декомпозиции.

Алгоритмы функционирования узлов беспроводной сенсорной сети в условиях атаки hello-flood основаны на результатах следующих публикаций:

1. Vladimir V. Shakhov, Sangyep Nam, Seung-Jung Shin, Hyunseung Choo. Potential intrusions in wireless networks. Proceedings of the 6th International Conference on Ubiquitous Information Management and Communication (ICUIMC 2012), Kuala Lumpur, Malaysia, 2012, 5 pages.
2. Raymond, D.R., Midkiff : S.F. Denial-of-Service in Wireless Sensor Networks: Attacks and Defenses, IEEE Pervasive Computing, vol. ,  no, 2008, pp.74 – 81.
3. M.S. Haghighi, K. Mohamedpour, V. Varadharajan, B.G. Quinn. Stochastic Modeling of Hello Flooding in Slotted CSMA/CA Wireless Sensor Networks. IEEE Transactions on Information Forensics and Security 6(4): 1185-1199 (2011)
4. Шахов В.В.  Проблемы безопасности в современых беспроводных сетях. XIV Российская конференция с международным участием "Распределенные информационные и вычислительные ресурсы (DICR'2102)", 26 ноября - 30 ноября 2012, Новосибирск. Тезисы. ISBN 978-5-905569-05-0.   

Для вычисления зоны, покрываемой атакующим узлом, использовались  модели  распространения сигнала из следующих источников:

1. Hata M. Empirical formula for propagation loss in land mobile services. – IEEE Trans. Vehicular Technology,1980, v.29, № 3.
2. Vijay Garg. Wireless Communications and Networking. Elsevier Science, 2007, 840 pages. ISBN 978-0-12-373580-5
3. Andrea Goldsmith. Wireless Communications. Cambridge University Press, 2005, 672 pages. ISBN 978-0-521-83716-3
   
    

Инструментальные средства создания: MSVC 2008, Библиотека <random> из пакета Microsoft Visual C++ 2008 Feature Pack Release

Назначение - принятие решения, является ли сеть достаточно надежной по отношению к заданной величине надежности - порогу.

Область применения - анализ надежности и живучести современных сетей связи.

Назначение - Минимизация используемых ресурсов в системах распределенной обработки информации.

Программа осуществляет поиск в сети:

• максимального потока информации различного типа (голос, видео, данные),
• мест размещения оборудования обработки информации в узлах сети.

Область применения - Информационные сети, сбор информации
Используемый алгоритм -поиск максимального многопродуктовго потока, поиск дополняющих путей. Алгоритм опубликован в: Томас Кормен и др. Алгоритмы: построение и анализ  INTRODUCTION TO ALGORITHMS. — 2-е изд. — М.: «Вильямс», 2006. — С. 1296.

Функциональные возможности:

1. Поиск максимального однопродуктового потока, минимального по стоимости, с учетом ограничений: пропускная способность ребер (вершин), стоимость оборудования
2. Поиск максимального многопродуктового потока, минимального по стоимости, с учетом ограничений: пропускная способность ребер (вершин), стоимость оборудования
3. Поиск максимального потока, минимального по времени.
4. Поиск максимального потока минимальной стоимости с учетом различных затрат на размещение оборудования в вершинах

Инструментальные средства создания - Delphi

Назначение -  автоматизация неконтролируемой классификации дискретных данных, анализ данных дистанционного зондирования, представленных спектральными признаками.

Область применения -  Программа может быть использована для исследования аэрокосмических, медицинских изображений, в задачах распознавания, а также для предварительного сжатия информации.

Используемый алгоритм - использован разработанный автором гистограммный иерархический алгоритм. Целью иерархического деления кластеров является достижение предельной детальности для заданной разделимости кластеров. Алгоритм находит различную предельную детальность в подкластерах векторного пространства признаков, которая зависит от свойств области данных. Подробно описан в [1,2]. Приложение алгоритма к пятиспектральному спутниковому снимку иллюстрировано на сайте  http://loi.sscc.ru/lab/RFFI10/RU/sidorova_separability.htm.

[1] V. S. Sidorova. Hierarchical Cluster Algorithm for Remote Sensing Data of Earth. // Pattern Recognition and Image Analysis, 2012, Vol. 22, No. 2, pp. 373–379. http://link.springer.com/static-content/0.5825/lookinside/259/art%253A10.1134%252FS1054661812020149/000.png

[2] Сидорова В.С. Новый гистограммный алгоритм с автоматическим выбором детальности кластеризации по заданной разделимости кластеров. Труды международного конгресса “ГЕО-СИБИРЬ - 2012”, Новосибирск, 2012, СС. 149-154

 Функциональные возможности - Гистограммный алгоритм не требует задания числа кластеров и никаких предположений о функциях распределения. Требуется ввести изображение и задать значение максимальной разделимости кластеров. Алгоритм найдет кластеры с  отделимостью, ниже заданной, и максимальные  детальности квантования соответствующих подобластей векторного пространства признаков. Фильтрация кластеров по разделимости, встроенная в процесс иерархической кластеризации, позволяет в результате получить их небольшое число. Алгоритм автоматизирует выбор сеток квантования, совершенствуя метод Наредры [3,4].  Может быть использовано до 8 спектральных каналов, файл входного изображения объемом до 8 мегабайт. Обработка изображения {5 спектр. каналов, 1000*1000 пикселей}, требует около 3 минут для заданной отделимости 0.1 (при максимально возможной 1.),  на ПК указанной ниже конфигурации (включая построение 5-мерной гистограммы входных данных). При построении многомерной гистограммы с числом спектральных каналов больше трех используется взаимодействие  хэширования и сортировки Шелла, предложенное в [4]. Алгоритм позволяет подробно исследовать структуру данных. Строится  карта кластеров (сегментация).

[3] Narendra P.M. and Goldberg M.  A non-parametric clustering scheme for LANDSAT  // Pattern Recognition. – 1977 – 9 – P. 207-215. 

[4] V. S. Sidorova, Separating of the Multivariate Histogram on the Unimodal Clusters, Proceedings of the Second IASTED International Conference “Automation Control and Information Technology”, Novosibirsk, 2005, P. 267–274.      

 Инструментальные средства создания - Алгоритм реализован в программной среде системы объектно-ориентированного программирования Visual C++ версии 5.0 фирмы Microsoft c библиотекой классов MFC, разработанной для ОС Windows. При разработке программы  использовался механизм многодокументного интерфейса MDI.

Назначение - программа предназначена для вычисления и сохранения в виде файла текстурных признаков полутонового изображения  по модели SAR.

Область применения - программа может быть использована для представления текстурной информации, содержащейся в  аэрокосмических, медицинских  и др. изображениях.

Используемый алгоритм - В каждой точке двумерного полутонового изображения вычисляется вектор статистических текстурных признаков, представляющих собой приближенные значения параметров модели SAR (Simultaneous Autoregressive). Применяется метод максимального правдоподобия и итеративная схема, предложенные в [1], [2], [3]. Различительная мощность признаков модели выше, чем признаков известной системы Харалика [4]. Это показано в [1]  для контролируемой классификации,  в [2] - для неконтролируемой классификации леса на аэроснимках. Использование признаков SAR для неконтролируемой классификации леса иллюстрировано на сайте http://loi.sscc.ru/lab/RFFI10/RU/svs10.htm.

[1] Kashyap R.L., Chellapa R., Estimation and Choice of Neighbors in Spatial Interaction Models of Images, IEEETrans. Inform. Theory., Vol. 1, 1983, 60-72.

[2] V.S. Sidorova, Unsupervised Classification of Forest’s Image by Texture Model Features, Pattern Recognitionand Image Analysis, 19(4), 2009, 698-703. http://link.springer.com/article/10.1134/S1054661809040208

 [3] В.С. Сидорова. Модель  текстуры  SAR. Труды международного конгресса “ГЕО-СИБИРЬ - 2009”, Новосибирск, 2008, сс.121 - 126.

 [4] R.M. Haralick, K. Shanmugam, I. Dinstein. Textural Features for Image Classification, // IEEE Trans. Syst. Man.Cybern., Vol. SMS-3, 1973, 610-621.

Функциональные возможности - Предлагаемый алгоритм [2,3] вычисляет признаки по   модели SAR для всех точек изображения по квадратному окну заданного размера и сохраняет их как мультиспектральный файл в формате raw.  Этот файл может быть использован как входной в программах классификации.  В предлагаемой программе он  может быть преобразован в BMP-файл, где цвет связан с  тремя выбранными признаками, и показан на экране. Вычисленные параметры SAR могут интерпретироваться в точке изображения как некоторые визуальные свойства текстуры: направленность, зернистость.

 Инструментальные средства создания - Алгоритм реализован в программной среде системы объектно-ориентированного программирования Visual C++ версии 5.0 фирмы Microsoft c библиотекой классов MFC, разработанной для ОС Windows. При разработке программы  использовался механизм многодокументного интерфейса MDI.