Халықаралық Ғылыми-тәжірибелік конференцияның ЕҢбектері



жүктеу 0.53 Mb.

бет26/38
Дата22.04.2017
өлшемі0.53 Mb.
1   ...   22   23   24   25   26   27   28   29   ...   38

Литература 
1.
 
Франк-Каменецкий Д.А. Диффузия и теплопередача в химической кинематике. М.:1967. 
2.
 
Линде  Н.,  Шварц  Е.,  Вильке  Х.  Диссипативные  структуры  и  нелинейная  кинетика 
неустойчивости Марангони. /В сб.  Гидродинамика межфазных поверхностей. М.:Мир 1984. 
 
ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ 
ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ 
 
Газизов Т.С.  
Бакалавр университета имени Сулейман Демиреля, Алматы 
 
Аннотация: 
Что  такое  нейронные  сети?  Нейронные  сети  представляют  собой  программную  модель 
человеческого  мозга.  Конечно,  это  не  совсем  точное  определение  хотя  бы  потому,  что  до  сих  пор 
досконально  не  исследована  природа  мыслительных  клеток.  Необходимость  копирования  принципов 
работы мозга легко понять на примере: допустим, у нас есть картинка, на которой схематично нарисован 
какой-то предмет. Требуется определить, что там изображено, например стол или стул. Данную задачу 
решить невозможно классическими методами программирования, так как для этого необходимо сравнить 
картинку со всеми возможными видами столов и стульев, что весьма абсурдно. Но в то же время, даже 
мозг  ребѐнка  в  состоянии  за  доли  секунды  отличить  стол  от  стула.  Поэтому,  единственное  решение 
будет построить модель мозга (разумеется, не в полной степени) и тогда можно будет достаточно легко 
получить решение. 
 
Ключевые слова: дифференциальные уравнения, искусственные нейронные сети. 
 
Основной текст: 
Мозг  состоит  из  нервных  клеток,  или  нейронов.  Всего  их  примерно  10
12
 штук.  Нейрон  имеет 
один длинный отросток – аксон и множество небольших мелких ветвящихся отростков – дендритов. В 
ответ на сигналы, поступающие из дендритов, нейрон генерирует нервный импульс, которые выходит 
посредством  аксона.  Доходя  до  конца  аксона,  нервный  импульс  вызывает  выделение  веществ, 
называемых  нейромедиаторами,  которые  воздействуют  на  дендриты  других  нейронов,  они  могут  в 
свою  очередь  вызвать  появление  в  них  нервных  импульсов.  Итак,  когда  суммарный  сигнал, 
приходящий от других нейронов, превышает некоторое пороговое значение, генерируется импульс. В 
противном случае нейрон остается в состоянии покоя. 
Реальный нейрон – очень сложная система, модель которой до конца не построена. Поэтому, при 
программных реализациях нейронных сетей используется описанная выше модель нейрона. 
Из  нейронов  формируются  сети.  Фактически,  мозг  представляет  собой  нейронную  сеть  очень 
высокого  уровня  сложности.  Вообще,  несмотря  на  то,  что  все  эти  структуры  могут  быть 
произвольными, обычно выделяют несколько стандартных конфигураций. 
Можно выделить две основные архитектуры: полносвязные и многослойные сети. 
В  полносвязных  нейронных  сетях  каждый  нейрон  передает  свой  выходной  сигнал  остальным 
нейронам, в том числе и себе. Все входные сигналы поступают на все нейроны. Выходными сигналами 

189 
 
сети  могут  быть  все  или  некоторые  выходные  сигналы  нейронов  после  нескольких  шагов 
функционирования сети. 
В  многослойных  нейронных  сетях  нейроны  объединяются  в  структурные  подразделения, 
называемые  слоями.  Слой  содержит  совокупность  нейронов  с  едиными  входными  сигналами.  Число 
нейронов  в  слое  может  быть  любым  и  не  зависит  от  количества  нейронов  в  других  слоях.  В  общем 
случае сеть состоит из нескольких слоев, пронумерованных слева на право. Внешние входные сигналы 
подаются  на  входы  нейронов  входного  слоя  (его  часто  нумеруют  как  нулевой),  а  выходами  сети 
являются  выходные  сигналы  последнего  слоя.  Кроме  входного  и  выходного  слоев  в  многослойной 
нейронной сети есть один или несколько так называемых скрытых слоев. 
Однако эти структуры могут модифицироваться, в зависимости от цели. 
Существует  очень  много  задач,  для  выполнения  которых  необходима  человеческая  логика.  В 
данном  случае,  рассмотрим  возможность  применения  нейронных  сетей  для  решения 
дифференциальных  уравнений  в  частных  производных  гиперболического  типа.  Данный  тип  задач 
достаточно наглядно показывает возможность использования технологии искусственного интеллекта. 
Следует  отметить  особую  роль  дифференциальных  уравнений  при  решении  многих  задач 
математики, физики и техники, поскольку не всегда удается установить функциональную зависимость 
между  искомыми  и  данными  переменными  величинами,  но  зато  часто  удается  вывести 
дифференциальное  уравнение,  позволяющее  точно  предсказать  протекание  определенного  процесса 
при  определенных  условиях.  Дифференциальные  уравнения  имеют  огромное  прикладное  значение, 
являясь  мощным  орудием  исследования  многих  задач  естествознания  и  техники:  они  широко 
используются в механике, астрономии, физике, во многих задачах химии, биологии. Это объясняется 
тем,  что  весьма  часто  законы,  которым  подчиняются  те  или  иные  процессы,  записываются  в  форме 
дифференциальных  уравнений,  а  сами  эти  уравнения,  таким  образом,  являются  средством  для 
количественного выражения этих законов. 
Разумеется,  существует  также  классические  численные  методы  решения.  Но  бывают  такие 
ситуации,  когда  эти  методы  не  могут  привести  к  решению,  либо  оно  получается  за  очень  большое 
число  итераций.  Нейронные  сети  гораздо  более  гибки  в  этом  плане,  и,  как  правило,  алгоритм  на  их 
основе оказывается более эффективным. 
Для  решения  уравнений  наиболее  удачно  подходят  сети,  принадлежащие  к  классу  нейронных 
сетей  Хопфилда.  Эти  сети имеют  пути,  передающие  сигналы  от  выходов  к  входам,  фактически 
получается,  что  отклик  таких  сетей  является  динамическим,  то  есть  после  того,  как  поступит  новый 
вход,  вычисляется  выход  и,  передаваясь  по  сети  обратной  связи,  модифицирует  вход.  Затем  выход 
повторно  вычисляется,  и  процесс  повторяется  опять.  Для  сети,  которую  можно  считать  устойчивой, 
последовательности  итераций  приводят  к  все  меньшим  изменениям  выхода,  и  в  конце  выход  не 
становится  постоянным.  Бывает  также  и  неустойчивые  сети,  для  которых  процесс  подбора  выхода 
никогда  не  может  закончится.  В  этом  вся  и  суть  настройки  сети,  чтобы  она  получала  нужный 
результат. Для решения дифференциальных уравнений в частных производных гиперболического типа 
можно использовать подвид сетей Хопфилда - ячеистые нейронные сети. Данная конфигурация имеет 
только  локальные  связи,  то  есть  нейроны  связаны  только  с  ближайшими  соседями  из  двумерной 
области. 
Итак, для решения  уравнения необходимо создать такую сеть, и, что самое главное, корректно 
обучить  еѐ,  то  есть  настроить  все  коэффициенты  усиления  при  входных  сигналов  так,  что  при 
поступлении  на  входы  нейронов  начальных  данных,  после  ряда  итераций  на  выходе  получалось  бы 
решение. Вообще говоря, обучение нейронных сетей является в одно и тоже время и преимуществом и 
недостатком. Возможно настроить сеть на решение практически любой задачи, которую может решить 
человеческий мозг. Но процесс обучения может быть очень долгим, и для каждой задачи необходимо 
производить настройку коэффициентов. 
Разумеется, в настоящее время ещѐ недостаточно хорошо разработаны технологии построения и 
обучения нейронных сетей, но нельзя не отметить всѐ возрастающие темпы развития в этой сфере. 
 
Резюме: 
What is a neural network? Neural networks are a software model of the human brain. Of course, this is 
not a precise definition, if only because it is still not thoroughly investigated the nature of thinking cells. The 
need to copy the principles of the brain can be easily understood by an example: Let's say we have a picture, 
which is schematically drawn in an object. Required to determine what  was shown, for example a table or a 
chair. This problem can not be solved by classical methods of programming, since this is necessary to compare 
the picture with all possible kinds of tables and chairs, which is quite absurd. But at the same time, even in a 

190 
 
state  of  a  child's  brain  in  a  fraction  of  a  second  to  distinguish  the  table  from  the  chair.  Therefore,  the  only 
solution will be to build a model of the brain (of course, not to the full extent), and then it will be easy enough 
to get the decision. 
Нейрон желілер – адам миінің моделі болып табылады. Әрине бҧл нақты аңықтама емес, ӛйткені 
қазіргі  таңда  ой  жасушалар  табиғаты  әлі  жеткілікті  зерттелмеген.  Мына  мысалмен  ми  жҧмысының 
кағидаттарын  кӛшіру  керектігін  кӛрсетейік:  суретте  не  бар  екенін  аңықтау  керек,  ҥстел  немесе 
орындық.  Осындай  тапсырманы  классикалық  бағдарламау  тәсілдерімен  орындау  мҥмкін  емес,  себебі 
бҧл суретті ҥстел мен орындықтың барлық тҥрлерімен салыстыру керек. Бірақ кез-келген баланың миі 
бҧл тапсырманы орындай алады. Сол ҥшін жалғыз ғана жол бар ол - мидың моделін қҧрастыру, сонда 
ғана ӛте оңай шешімге келеміз.  
 
Consider now that the brain can work as effectively, what features of its architecture. It should be noted 
that this topic has not been studied thoroughly, and literally every another study allows you to learn something 
new. 
 
УДК 544.145 
 
ТРАНСГРАНИЧНОЕ ЗАГРЯЗНЕНИЕ  ВОДЫ РЕКИ СЫРДАРЬЯ ТЯЖЕЛЫМИ МЕТАЛЛАМИ 
 
Гончаров В.В., Бестереков У., Налибаева Г.С. 
ЮКГУ им. М. Ауэзова, Шымкент, Казахстан 
 
Түйін  
Бұл мақалада Сырдарья ӛзені суының қазіргі кездегі сапасы қалыптық талаптарға толықтама 
сәйкес келмейтіндігі анықталды. 
 
Summary    
In  this  article  found  that  the  current  state  of  the  water  quality  of  the  river  Syr  Darya  not  fully  meet  the 
regulatory requirements. 
 
В  последние  годы  гидрохимическое  состояние  многих  регионов  бассейна  Аральского  моря 
значительно  ухудшилось.  Это  в  первую  очередь  относится  к  речным  водам,  которые  являются 
приемниками различных загрязненных стоков на протяжении всего бассейна [1,2] . 
В  настоящее  время  стоит  острая  необходимость  оценки  гидрохимического  состояния  таких 
речных бассейнов и в первую очередь бассейнов трансграничных рек, каковым является бассейн реки 
Сырдарья.  Протекая  по  территории  Кыргызстана,  Таджикистана  ,Узбекистана    и  Казахстана  ,  река 
значительно меняет свою водность и качественный химический состав. Во многих районах воду этой 
реки используют  для  питья,  что  отражается  на  здоровье  местного  населения  ,  приводя  к  увеличению 
онкологических  и других заболеваний. 
Для  решения  проблем  трансграничного  загрязнения  реки  Сырдарья  необходимо  осуществлять  
расширенные  гидрохимические  мониторинговые  исследования  по  всей  ее  длине.    Исследования 
должны  включать  проведение  количественных  и  качественных  оценок  степени  загрязнения  и 
выполнение  сравнительного  анализа  на  соответствие  результатов  с  международными  нормативами  и 
стандартами качества воды. 
Южно-Казахстанский  государственный  университет  им  М.Ауезова  в  рамках  международного 
грантового Проекта Научного Комитета НАТО  SFPP 983945 «Оценка загрязнения трансграничных вод 
Центральной Азии»  задействован в решении данной проблемы. 
Цель проекта заключается в проведении мониторинговых исследований по оценке качества воды 
реки Сырдарья на всем ее протяжении от входа в Шардаринское водохранилище до Аральского моря 
на содержание  9 основных тяжелых металлов :  хром ,никель, медь,  цинк, мышьяк, молибден, кадмий, 
свинец,  ртуть    и  определении    физико-химических  показателей  воды.  Ежемесячно  отбор  проб  воды  
производится в 11 точках : 1-Шардаринское водохранилище (вход); 2-Шардаринское водохранилище; 
3-Шардаринское  водохранилище  (выход);4-Жанақорған  (выше  города);  5-Жанақорған  (ниже  города); 
6- Кызылорда (выше города); 7-Кызылорда (ниже города); 8-Жосалы (выше города); 9-Жосалы (ниже 
города); 10-Казалинск(выше города); 11-Казалинск(ниже города). 
Тяжелые  металлы  в  воде  определяются  методом  атомно-абсорбционного  анализа  с 
использованием  спектрометра  AANALYST  –  800  фирмы  Perkin  Elmer  (Щвейцария),  способного  на 
уровне ≤10
-6
 % определить содержание >70 токсичных и вредных элементов. Для определения физико-

191 
 
химических показателей воды в полевых условиях  используется  многопараметрный анализатор  РСD 
–  650  фирмы  Wagtech  Projects  Limited  (Великобритания),  способный  определить  содержание 
растворенного  кислорода,  удельную  электропроводность,  удельное  сопротивление,  минерализацию  , 
уровень рН, окислительно-восстановительный  потенциал  и температуру воды в водоемах.  
 
Таблица 1. Основные физико-химические показатели воды реки Сырдарья 
 
 
При  оценке  качества  воды  реки    Сырдарья  используется    система  гигиенических  ПДК  для 
водоисточников,  мест  водозабора  для  хозяйственно-питьевых  целей,  хозяйственно-питьевого 
водоснабжения  и  мест  культурно-бытового  водопользования  [3]    и  система  ПДК  для  водоемов 
рыбохозяйственного использования [4] , которая предъявляет наиболее жесткие требования к качеству 
воды  и  в  настоящее  время  находится  значительно  ближе  к  экологическим  требованиям,  чем 
гигиенические ПДК. Соблюдение рыбохозяйственных ПДК, таким образом, гарантирует потенциально 
высокое качество воды для всех видов водопользования. 
Результаты исследований основных физико-химических показателей воды реки Сырдарья за май 
месяц 2013 года приведены в таблице 1. 
Из  данных  таблицы  1  следует,  что  вода  в  реке  Сырдарья  на    всем  ее  протяжении  от 
Шардаринского  водохранилища  до  Аральского  моря  имеет  относительно  высокие  значения 
минерализации, которые увеличиваются от 1200 мг/л до 1800 мг/л , и  согласно классификации М.С. 
Гуревича и Н.И. Толстихина относится к категории слабосолоноватой [5] .  
Так же установлено что степень насыщения кислородом вод   реки Сырдарья ниже  ПДК в 1,5 
раза, и по данному показателю  относится к категории  «загрязнѐнной».  
№ 
Пункты отбора 
проб 
t
0  
воды 

0

Уровень 
РН 
Степень 
насыщен
ия О

(%) 
Содер. 
раствор. 
О
2  
(мг/л)
 
 
ОВП 
 (мВ) 
 
Удел. 
электро- 
провод.  
(мкС х 
см) 
TDS 
мг/л 
Элект
ро-
сопрот
ив-
ление 
(Ом х 
см) 
Ми
нер
а 
лиз
аци
я 
(мг/
л) 
 

Шардаринское 
водохранилище 
(вход) 
17.6 
8.17 
86.7 
8.44 
84.3 
1288 
 
1192 
414.4 
120


 
Шардаринское 
водохранилище 
(выход) 
17.6 
8.06 
80.5 
7,55 
155,3 
1222 
1208 
416.1 
123


Жанақорған (выше 
города) 
12.2 
7.4 
71.9 
6.40 
77,6 
1750 
1730 
296.2 
180


Жанақорған (ниже 
города) 
14.3 
7.6 
66.8 
5.91 
77.7 
1748 
1735 
295.2 
182


Кызылорда (выше 
города) 
17.4 
7.3 
79.7 
7.14 
96 
1570 
1549 
328.9 
164


Кызылорда (ниже 
города) 
16.0 
7.6 
59.3 
5.28 
108.6 
1562 
1542 
329.3 
163


Жосалы (выше 
города) 
14.0 
7.9 
78 
6.98 
98.5 
1824 
1775 
287.8 
188


Жосалы ( ниже 
города) 
15.3 
7.5 
85.9 
7.68 
103.5 
1827 
1775 
288 
184


Казалинск (выше 
города) 
12.1 
7.4 
66.7 
5.98 
88.3 
1834 
1780 
287.1 
185

10 
Казалинск (ниже 
города) 
13.3 
7.8 
61.6 
5.41 
85.2 
1836 
1785 
286.2 
185


192 
 
Исследования  в  мае месяце  показали  не  только   повышенную  величину    минерализации  ,  но  и 
превышение  ПДК по многим тяжелым металлам . 
Так  концентрация  кадмия  в  воде  на  всем  протяжении  реки  составила    0,008  мкг/л  -0,009  мг/л 
(рисунок 1). 
Рисунок 1. Концентрация кадмия в воде реки Сырдарья в мае 2013 года. 
 
Как видно из  данных рисунка 1 наблюдается превышение содержания кадмия согласно системе 
гигиенических ПДК в 8 раз и согласно  рыбохозяйственным  ПДК в 1,6 раз. 
Концентрация молибдена в различных точках отбора проб составила от  0,009 мг/л до 0,02 мг/л 
(рисунок 2) , и превысила рыбохозяйственные ПДК в 9-20 раз.  
 
 
Рисунок 2. Концентрация молибдена в воде реки Сырдарья в мае 2013 года. 
Концентрация  никеля  в  мае  месяце  плавно  увеличивалась  от  0  мг/л  на  входе  и  выходе  из 
Шардаринского водохранилища до 0,648 мг/л в Казалинске (рисунок 3). 
 

193 
 
 
Рисунок 3. Концентрация никеля в воде реки Сырдарья в мае 2013 года. 
 
Из  данных  рисунка  3  наблюдается  превышение  содержания  никеля    согласно  системе 
гигиенических ПДК в1,5-6,5 раз и согласно  рыбохозяйственным  ПДК в 150-650  раз. 
Концентрация  хрома  плавно  увеличивалась  на  протяжении  реки    от    0,143  мг/л  до  0,345  мг/л 
(рисунок 4) , и превысила  гигиенические ПДК в  3-7 раз , а рыбохозяйственные ПДК в 7-17 раз.  
 
 
Рисунок 4. Концентрация хрома в воде реки Сырдарья в мае 2013 года. 
 
 
 
 
 
 

194 
 
 
Концентрация  цинка  плавно  снижалась  от  Шардаринского  водохранилища  до  Казалинска    от  
0,082 мг/л до 0,06 мг/л (рисунок 5) , и превысила только рыбохозяйственные ПДК в 5-8 раз. 
  
 
Рисунок 5. Концентрация цинка в воде реки Сырдарья в мае 2013 года. 
 
Медь  была  обнаружена  только  в  первой    контрольной    точке    (вход  в  Шардаринское 
водохранилище  )  и  дальше  устью  реки  не  наблюдалась.  Концентрация    меди  составила  0,055  мг/л  и 
превысила рыбохозяйственные ПДК в 55 раз. 
 
 
Рисунок 6. Концентрация меди в воде реки Сырдарья в мае 2013 года. 
 
 Свинец в пробах ,взятых из всех 10 контрольных точек обнаружен не был. 

195 
 
 Таким  образом,  результаты  исследований  показали  ,  что  качество  воды  реки  Сырдарья  не  в 
полной мере отвечает современным нормативным требованиям. Причем с каждым годом уровень  
загрязнений  возрастает.  Если  в    конце  60-х    годов  двадцатого  века  минерализация  воды    реки 
Сырдарья не превышала 1,0 г/л, даже в нижнем течении, то в настоящее время она изменяется от 0,3-
0,5 г/л в верхнем течении  и до 1,7-2,0 г/л в нижнем течении [5]. 
Так  что  для  минимизации  трансграничного  загрязнения  поверхностных  водных  ресурсов 
необходимо,  как  говорилось  выше  ,  расширение  гидрохимического  мониторинга  ,  снижение  сброса 
коллекторно-дренажных  вод  в  речные  системы  за  счет  более  полного  их  использования  в  местах 
формирования,  повышения  технического  состояния  существующих  гидромелиоративных  систем  , 
локального применения прогрессивных способов опреснения высокоминерализованных  сточных вод, 
а  также  создание  замкнутых  систем  водоснабжения  на  промышленных  предприятиях,  которые  не 
только исключат сброс сточных вод, но и до минимума сведут их потребление извне. 
 
Литература: 
1.    Информационный  бюллетень  о  состоянии  окружающей  среды  Республики  Казахстан  за                  
2012 год. Выпуск №2(46). 
2.  Информационный  бюллетень  о  состоянии  окружающей  среды  Республики  Казахстан  за                  
2012 год. Выпуск №1(20). 
3. Постановление Правительства Республики Казахстан от 18 января 2012 года № 104 
Об  утверждении  Санитарных  правил  «Санитарно-эпидемиологические  требования  к  водо-
источникам,  местам  водозабора  для  хозяйственно-питьевых  целей,  хозяйственно-питьевому 
водоснабжению и местам культурно-бытового водопользования и безопасности водных объектов» 
4.  Перечень  рыбохозяйственных  нормативов:  предельно  допустимых  концентраций  (пдк)  и 
ориентировочно безопасных уровней воздействия (обув) вредных веществ для воды водных объектов, 
имеющих рыбохозяйственное значение. 
5.  Беремжанов  Б.А.  Солеобразование  в  некоторых  континентальных  бассейнах  Казахстана.  //  - 
Алма-Ата: Казахстан. - 1968. - С. 162. 
 
 
УДК 621.31 
 В ВЫЧИСЛЕНИЯХ И ИХ АНАЛИЗ 
 
Даушеева Н.Н., Тарасова Р.Н. 
ЮКГУ им. М Ауэзова, Шымкент, Казахстан 
 
Түйін 
Мақалада  инфрақұрылымның  талаптары  бойынша  құрылған  желі  компоненттердің  негізінде 
берілгендерді  ӛңдеу  орталығында  және  серверлерді  біріктіруден  ауысу  технологиясына  талдау 
кӛрсетілген,  яғни  ресурстардың  бір  бірінен  және  есептеу  процесстері,  онда  есептеу  процесстері  шексіз 
іске  асырылуы,  физикалық  конфигурациясына  немесе  географиялық  орнына  оқшаланған.  Сонымен  қатар, 
қосымша үшін желілер мен платформ бейнесі орындалған, онда ӛңдеуші берілгендерді сақтау үшін белгілі 
бір кӛлемді және талап етілген есептеу қуаттылығын  анықтайды (виртуальды машиналар саны), содан 
кейін  тұтынушының  қажеттілігінен  туындайтын  бұлтта  қосымшаларды  орындау  үшін  сәйкес 
платформа ұсынылады. 
Summary 
The  article  is  an  analysis  of  technology  transfer  from  server  consolidation  and data  center  to  key  network 
components for a flexible on-demand infrastructure, ie the isolation of computational processes and resources from 
each  other  when  computing  processes  are  not  limited  implementation,  the  physical  configuration  or  geographic 
location. 
Also, is analyzed platform and services for applications where the developer determines the required volume 
of data storage and processing power required (virtual machines), and the platform provides the resources to run 
the application in the cloud, depending on the needs of customers. 
 
В  начале  ХХI  века  получил  распространение  новый  инструмент  информационных  технологий, 
как класс технологий управления и обработки огромного потока информации с применением средств 
вычислительной техники. Из всех происходящих  изменений выделяются два наиболее значительные 
преобразования в мире  IT, виртуализация и облачные вычисления. Виртуализация — это переход от 
технологии,  лежащей  в  основе  консолидации  серверов  и  центров  обработки  данных,  к  ключевым 

196 
 
компонентам для создания гибкой предоставляемой по требованию инфраструктуры, то есть того, что 
иначе называется облачными вычислениями.  
Примером  виртуализации  являются   симметричные   мультипроцессорные компьютерные 
архитектуры,  которые  используют  более  одного  процессора. Операционные  системы  обычно 
конфигурируются  таким  образом,  чтобы  несколько  процессоров  представлялись  как  единый 
процессорный  модуль.  Вот  почему программные  приложения могут  быть  написаны  для  одного 
логического (виртуального) вычислительного модуля, что значительно проще, чем работать с большим 
количеством различных процессорных конфигураций. 
Виртуализация  помогает  предприятиям  более  эффективно  использовать  аппаратные  ресурсы. 
Она обеспечивает большую степень абстрагирования программной среды от его оборудования. Теперь 
серверы  существуют  как  один  файл.  Их  можно  просто  перемещать  между  компонентами 
оборудования, дублировать и создавать более масштабируемую и гибкую среду. 
Это  новый   виртуальный   взгляд  на  ресурсы  составных  частей,  не  ограниченных 
 реализацией, физической 
конфигурацией или 
географическим 
положением. 
Обычно 
виртуализированные  ресурсы включают в  себя  вычислительные мощности  и хранилище  данных. По-
научному, виртуализация — это изоляция вычислительных процессов и ресурсов друг от друга. 
Применение «облачных технологий» позволяет: 
1.Уменьшить расходы на аппаратное обеспечение 
2.Увеление скорости решения поставленных задач 
3.Обеспечение бесперебойной работы сервисов 
Облачные сервера» предназначены для решения  следующих задач: 
1.Ведение единой системы справочной информации 
2.Использование больших вычислительных ресурсов 
3.Использование всех необходимых приложений 
Яркими  примерами  облачных  сервисов  являются,  например:  Skype,  предоставляющий 
пользователям удалѐнную службу мгновенных сообщений, видеоконференций и IP-телефонии; Google 
Mail,  предоставляющий пользователям  электронную  почту;  Microsoft  SkyDrive,  предоставляющий 
удалѐнную площадку для хранения файлов. 
Попробуем на примере конкретных требований для небольшого веб-сервера произвести анализ 
"облаков".  Виртуальный  сервер должен  быть  надежным  (1),  достаточно  быстрым  (2)  для  веб-сайта  и 
пары  баз  данных,  дешевым  в  обслуживании  (3),  простым  в  администрировании  (4)  и  легко 
развертываемым (5).  
Все  "облака"  достаточно  надежны. Резервное  копирование  есть  у  всех.  Все  располагают 
предустановленными ОС Linux с хорошей безопасностью по умолчанию. 
Если  посмотреть  на  мощности  предлагаемых  конфигураций,  то  в  нашем  случае достаточно 
256МБ памяти и не самого мощного процессора. У Amazon самые мощные виртуальные серверы даже 
в  самой  слабой  конфигурации,  и  последние  врядли  будут  работать  с  полной  загрузкой,  напрасно 
расходуя денежные средства. 
Попробуем  взять  минимальные  конфигурации  и  посчитать месячные  расходы.  Предположим, 
что весь сервер умещается на 10ГБ и закачивает 1ГБ обновлений и других данных ежемесячно, а также 
посылает своим пользователям порядка 5-10ГБ веб-страниц. 
Amazon в таком случае требует около $70 в месяц за самый "маленький" компьютер с 1ГБ ОЗУ, 
1ГГц  плюс  расходы  за  траффик  и  хранение  данных,  а  также  куча  других  мелочей,  дающих  нам 
порядка 80-90 долларов. 
Rackspace за  самый  маленький  сервер  256МБ  берет  около  10  долларов,  плюс  $2-$5  за  трафик, 
итого получается $15 (резервное хранение - бесплатно). 
Самый  маленький  в GoGrid оценивается  в  70  долларов  ежемесячно,  плюс  оплата  выходящих 
байтов, плюс хранение резервных копий. Итого - около $75-$80. 
VMCO в пересчете на доллары за сервер 256МБ ОЗУ и 500МГц берет $45, траффик и хранение 
копий - бесплатно. 
Администрирование сервера самое простое у Rackspace и чуть сложнее у VMCO  - все делается 
через  замечательный  графический  интерфейс.  Amazon  без  поддержки  дкументации  и  форумов 
достаточно  сложен,  большая  часть  настроек делается  вручную  или  программируется.  GoGrid  прост в 
обращении, но к сожалению требует определенных усилий для организации резервного хранения. 
Быстрее  всего  разворачивается сервер  в Rackspace.  Требуется  меньше  минуты  от  начала  до 
логина по SSH. VMCO также быстр за счет предустановленных ОС. GoGrid требует больше дейтсвий 

197 
 
по конфигурации, но "лидером" все равно выходит Amazon со своим неинтуитивным интерфейсом и 
требованиями определенных знаний и опыта. 
Обзор платформы 
Платформа  Windows  Azure  является  "облачной"  платформой  для  приложений,  позволяющей 
хранить  данные  и  выполнять  приложения  в  датацентрах  Microsoft.  Windows  Azure  предоставляет 
"облачную" операционную систему, на основе которой работают все сервисы Azure и разработанные 
приложения.  Платформа  представляет  собой  предложение  публичного  облака.  В  предложении 
публичного  облака  клиент  оплачивает  только  ресурсы  и  мощности,  которые  задействованы  в 
приложение  и  только  за  фактическое  время  использования  этих  ресурсов.  Основные  особенности 
данной модели: 

 
оплата только потребленных ресурсов

 
общая, многопоточная структура вычислений; 

 
абстракция от инфраструктуры. 
Работоспособность  платформы  Windows  Azure  обеспечивают  6  глобальных  дата  центров 
Microsoft. 
В  основе  работы  Windows  Azure  лежит  запуск  виртуальной  машины  для  каждого  экземпляра 
приложения.  Разработчик  определяет  необходимый  объем  для  хранения  данных  и  требуемые 
вычислительные  мощности  (количество  виртуальных  машин),  после  чего  платформа  предоставляет 
соответствующие ресурсы. Когда первоначальные потребности в ресурсах изменяются, в соответствии 
с  новым  запросом  заказчика  платформа  выделяет  под  приложение  дополнительные  или  сокращает 
неиспользуемые ресурсы датацентра. 
Windows Azure состоит из трѐх основных компонентов: 

 
Compute -  компонент,  реализующий  вычисления  на  платформе Windows Azure, предоставляет 
среду выполнения на основе ролевой модели. 

 
Storage -  компонент  хранилища  предоставляет  масштабируемое  хранилище.  Компонент 
хранилища не имеет возможности использовать реляционную модель и является альтернативой (либо 
дополняющим решением) SQL Azure - масштабируемой "облачной" версией SQL Server. 

 
Fabric -  Windows  Azure  Fabric  по  своему  назначению  является  "контролѐром"  и  ядром 
платформы,  выполняя  функции  мониторинга  в  реальном  времени,  обеспечения  отказоустойчивости, 
выделении  мощностей,  развертывания  серверов,  виртуальных  машин  и  приложений,  балансировки 
нагрузки и управления оборудованием. 
Сервисы 
Windows  Azure  предоставляет  широкий  набор  сервисов: Windows  Azure  Compute -  среда 
выполнения приложений – это высоко доступные вычислительные мощности, позволяющие выполнять 
код  приложений  в  облаке  и  быстро  масштабировать  приложения  в  зависимости  от  потребностей 
клиентов.  Среда  выполнения  приложений  Windows  Azure  оперирует  следующими  основными 
понятиями: 
 Web-роль -  веб-роли  в  Windows  Azure  имеют  особое  назначение:  предоставление  выделенного 
веб-сервера  служб  IIS  для  размещения  интерфейсных  веб-приложений.  Веб-роли  позволяют  легко  и 
быстро развертывать веб-приложения с последующим масштабированием вычислительных ресурсов в 
соответствии с потребностями. 
 
Вычислительные ресурсы 
В  качестве  единицы  измерения  мощности  вычислительных  ресурсов  применяется  понятие 
экземпляра  приложения  –  каждый  экземпляр  способен  справиться  лишь  с  определенным  объемом 
нагрузки, который определяется назначенного типа роли (от Extra Small до Extra Large). Для некоторых 
типов  приложений  число  экземпляров  напрямую  зависит  от  количества  пользователей.  Каждый 
экземпляр  приложения  выполняется  в  собственной  виртуальной  машине.  Windows  Azure 
предоставляет вычислительные ресурсы в виде виртуальных машин. 
Характеристика вычислительных ресурсов 
Размер 
Процессор 
Память 
Локальное 
хранилище 
Скорость 
ввода/вывода 
Супер малая (Extra 
Small) 
1.0 ГГц 
768 Мбайт 
20  Гбайт  15  Гбайт 
для VHD 
Низкая 
Малая (Small) 
1.6 ГГц 
1.75 Гбайт 
225 Гбайт 
Средняя 
Средняя (Medium)  2 х 1.6 ГГц 
3.5 Гбайт 
490 Гбайт 
Высокая 
Большая (Large) 
4 х 1.6 ГГц 
7 Гбайт 
1000 Гбайт 
Высокая 

198 
 
Супер 
большая 
(Extra Large) 
8 х 1.6 ГГц 
14 Гбайт 
2040 Гбайт 
Высокая 
Процедуры настройки облачного сервера на платформе Windows Azure 
В данном документе рассматривается настройка сетевого подключения между службой Windows 
Azure  (то  есть  ее  ролями  и  базовыми  экземплярами  ролей)  и  набором  локальных  компьютеров  с 
помощью Connect. 
Осуществление подключений 
На данном этапе экземпляры ролей Windows Azure и локальные компьютеры должны обладать 
сетевым подключением на уроне IP-адреса. 
Подключенные  компьютеры  могут  взаимодействовать  в  двунаправленном  режиме  через  адрес 
IPv6,  предоставленный  Connect.  Безопасность  такого  подключения  обеспечивается  при  помощи 
протокола  IPsec,  а  само  подключение  будет  работать  через  брандмауэры,  преобразование  сетевых 
адресов  (NAT)  и  т. п.  Назначенные  адреса  IPv6  можно  просмотреть  в  разделе  "Виртуальная  сеть" 
портала  управления  (обратите  внимание,  что  компьютер  получает  адрес  только  тогда,  когда  его 
политика настроена на разрешение подключения к другим компьютерам). 
Осуществляется разрешение имен DNS. Ниже приведено несколько примеров. 
 
Компьютер  Windows  Azure  может  разрешить  имя  локального  компьютера,  используя  его 
однокомпонентное  имя,  такое  как  myPC1,  или  полное  доменное  имя,  такое  как 
myPC1.redmond.corp.microsoft.com. 
 
Локальный компьютер может разрешить имя экземпляра ролей Windows Azure, используя его 
имя,  которое  отображается  в  разделе  виртуальных  сетей  портала  управления  (например, 
RD00155D3242F8). 
Определены  возможности  Windows  Azure,    реализующее  модель Platform  as  a  service,  когда 
платформа предоставляется клиенту как сервис, состоящую из трѐх основных компонентов: Compute – 
компонент  для  вычислений,  Storage -  компонент  хранилища,  Windows  Azure  Fabric  для  выполнения  
функции  мониторинга  в  реальном  времени,  развертывания  серверов,  виртуальных  машин  и 
приложений, балансировки нагрузки и управления оборудованием. 

1   ...   22   23   24   25   26   27   28   29   ...   38


©emirb.org 2017
әкімшілігінің қараңыз

войти | регистрация
    Басты бет


загрузить материал