Материал: Оптимизация и моделирование в автоматизированных системах

Это означает, что:

– клиент из России, имеет 4 из 57 неуспешных попыток авторизации, с 2 адресами, один из которых находится не в РФ, но ни один не входит в список запрещенных, без посылок, с привязанной социальной сетью, но без мобильного телефона, совершил платеж картой банка США из Германии, до этого имел единственный неуспешный платеж; поэтому такая транзакция будет являться подозрительной (цифра 1 в конце).

Для того, чтобы осуществить процесс анализа, необходимо выбрать алгоритм машинного обучения. Платформа Azure предоставляет собой 4 алгоритма двухклассовой классификации с настраиваемыми параметрами: нейронная сеть, логистическая регрессия, метод опорных векторов и дерево решений, построенное методом градиентного роста [2]. В ходе тестирования с параметрами по умолчанию были получены следующие результаты:

1)нейронная сеть – 0,952;

2)дерево решений – 0,869;

3)метод опорных векторов – 0,706;

4)логистическая регрессия – 0,63.

Внашем случае необходимо выбрать наиболее точный алгоритм, которым является нейросеть. Так как изначально алгоритмы не настраивались точечно, с помощью варьируемых параметров можно повысить их эффективность. Кроме того по мере роста объемов и переобучении эффективность и производительность может снижаться, поэтому важно выборочно проводить мониторинг, корректировку настроек, а в некоторых случаях даже заменить алгоритм машинного обучения на другой.

Дальнейшим развитием подсистемы проверок может быть введение порогов безопасности, которые предполагает создание нескольких уровней с помощью механизма нечеткой логики: низкая, средняя и высокая подозрительность. Конкретные значения, а также выбор таких уровней должен исходить из собственной аналитики и регулярно пересматриваться [1]. Однако, уже сейчас предложенный алгоритм можно использовать его в качестве надежного инструмента для пресечения и своевременного реагирования на любые возникающие попытки мошенничества, ничем не уступающий по эффективности аналогичным разработках в логистической отрасли.

Литература

1. Романов, Д.В. Проектирование системы обнаружения мошеннических транзакций в сфере международной логистики / Д.В. Романов, Н.А. Рындин // Моделирование, оптимизация и информационные технологии. – Воронеж: ВИВТ, 2018. № 4 (23). С. 481-493.

2. Петухов, Д. Антифрод [Электронный ресурс]. Режим доступа: https://habrahabr.ru/post/253725

ФГБОУ ВО «Воронежский государственный технический университет», Россия

50

УДК 681.3

Б.А. Чернышов

ОПТИМИЗАЦИОННЫЙ ПОДХОД К УПРАВЛЕНИЮ ПЕРЕХОДОМ ОБЪЕКТА ОРГАНИЗАЦИОННОЙ СИСТЕМЫ В БОЛЕЕ ВЫСОКИЙ РЕЙТИНГОВЫЙ КЛАСТЕР С ИСПОЛЬЗОВАНИЕМ МУЛЬТИПЛИКАТИВНОЙ СХЕМЫ

На современном этапе развития методов управления в социальных и экономических системах всю большую значимость приобретает возможность принятия решений по повышению эффективности функционирования объектов организационных систем на основе рейтингового оценивания [1]. Для самых разных классов организационных систем (образования, здравоохранения, социальной помощи, банковского сектора, лекарственного обеспечения и т.п.) опреде-

характеризующих основные направления его функционирования [2]. Управляющий центр организационной системы заинтересован в реализации схем рейтингового управления, связанных со стремлением объектов перейти в более высокий рейтинговый кластер. При этом повышение репутационной значимости не является самоцелью. Основной интерес управляющего центра состоит в

Представим структуру системы управления в виде совокупности сле-

51

52

Структурная схема взаимодействия элементов мультипликативного рейтингового управления

Литература

1.Витминский, В.В. Анализ, оценка и моделирование экономического рейтинга / В.В. Витминский. – К.:ДЕМИУР, 2006. – 216 с.

2.Зернов, В.А. Критерии мониторинга как эффективный инструмент повышения конкурентоспособности отечественного образования / В.А. Зернов // Проблемы теории и практики управления. 2014. №4. С.8-11.

3.Брязгунов, П.И. Управление социально-экономическим положением промышленного региона на основе информационного мониторинга показателей безопасного развития / П.И. Брязгунов, Д.Е. Федорков. – Воронеж: Изд-во ВГТУ, 1999. – 73 с.

4.Львович, И.Я. Информационные технологии моделирования и оптимизации: краткая теория и приложения / И.Я. Львович, Я.Е. Львович, В.Н. Фролов. – Воронеж: ИПЦ «Научная книга», 2016. – 444 с.

АНОО ВО «Воронежский институт высоких технологий», Россия

53

УДК 681.3

В.В. Горячко

ПРОГНОЗИРОВАНИЕ И ОПТИМИЗАЦИЯ ФУНКЦИОНИРОВАНИЯ ОБЪЕКТОВ ТЕРРИТОРИАЛЬНО СВЯЗАННЫХ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ В РАМКАХ ОТРАСЛЕВОГО КЛАСТЕРА

С целью формирования подхода к интеллектуализации управления территориально связанных систем предлагается ориентироваться на ряд классификационных признаков.

1.По числу организационных систем, связанных с основной [3]: − односвязные; − многосвязные.

2.По виду взаимодействия основной и связанных организационных

систем:

− ресурсное; − результативное;

− ресурсно-результативное.

3.По принадлежности основной и связанных систем к территориальным кластерам:

− региональная; − межрегиональная.

4.По принадлежности основной и связанных систем к отраслевому кла-

стеру:

− отраслевая; − межотраслевая.

5.По способу формирования пространственно-временной информации для оценки эффективности взаимодействия объектов основной системы с управляющим центром и связанными системами:

− рейтингование; − мониторирование.

6.По механизму управления географически связанными системами:

−управление ресурсным взаимодействием основной и связанных систем

сучетом принадлежности к территориальным кластерам на основе пространст- венно-временной мониторинговой информации;

−управление результативным взаимодействием основной и связанных систем с учетом принадлежности к отраслевым кластерам на основе простран- ственно-временной мониторинговой информации;

−управление ресурсно-результативным взаимодействием основной и связанных систем с учетом принадлежности к территориальным и отраслевым кластерам на основе пространственно-временной рейтинговой информации.

54