- •Содержание
- •Введение
- •1. Понятие защищенной телекоммуникационной системы
- •1.1. Обобщенная структурно-функциональная схема ткс
- •1.2. Понятие информации
- •1.3. Понятие информационной безопасности
- •1.4. Обзор рекомендаций iso 7498-2
- •1.5. Обзор требований Руководящих документов гтк рф
- •1.6. Обзор стандарта иso/iec 15408-1-99
- •Часть 2 стандарта включает универсальный систематизированный каталог функциональных требований безопасности и предусматривает возможность их детализации и расширения по определенным правилам.
- •2. Основы криптографической защиты телекоммуникаций
- •2.1. Основы теории информации
- •Вопрос 1
- •Вопрос 2
- •2.2. Модель криптозащищенной ткс
- •2.3. Теоретическая оценка криптозащищенности ткс
- •2.4. Практическая оценка криптозащищенности ткс
- •3. Основы теории надежности
- •3.1. Основные понятия теории надежности
- •3.2. Важнейшие распределения наработки.
- •3.3. Методы статистического оценивания наработки по результатам испытаний.
- •Литература.
3.2. Важнейшие распределения наработки.
В теории надежности большое значение имеют некоторые теоретические распределения наработки, хорошо аппроксимирующие реальные распределения. Основные характеристики таких распределений (функция распределения, плотность, вероятность безотказной работы, математическое ожидание, дисперсия, интенсивность отказов) рассматриваются в настоящем разделе.
1. Экспоненциальное распределение.
Относится к наиболее используемым распределениям, поскольку упростить исследования и вообще провести вычисления часто можно лишь для «не стареющих» систем с экспоненциально распределенной наработкой. Не подходит для моделирования сильных изменений интенсивности отказов в течение времени.
2. Распределение Вейбулла-Гнеденко.
Если случайная величина экспоненциально распределена с параметром=1, то случайная величинаXимеет распределение Вейбулла-Гнеденко.
Последовательная система, образованная из независимых элементов, имеющих одинаковое распределение Вейбулла-Гнеденко, также имеет распределение Вейбулла-Гнеденко.
3. Распределение Эрланга.
В частном случае n=1 распределение Эрланга превращается в экспоненциальное распределение с параметром α.
4. Гамма распределение.
Интенсивность отказов для гамма-распределения является возрастающей при β>1 и убывающей при β<1.
5. Усеченное слева нормальное распределение.
При этом обозначено . Нетрудно убедиться, что согласно такому определениюF(0)=0 иF(∞)=1, в то время как для нормально распределенной случайной величины, то есть наработка с положительной вероятностью принимает отрицательные значения. Именно поэтому нормальное распределение «усекают» слева относительно 0.
6. Логарифмически нормальное распределение.
Если величина Y=ln(X) имеет нормальное распределение с математическим ожиданием µ и дисперсией2, тоXназывается логарифмически нормально распределенной случайной величиной.
Логарифмически нормальное распределение мало пригодно для описания распределения наработки, тем не менее оно используется в качестве распределения времени восстановления.
7. Обратное гауссовское распределение.
Обратное гауссовское распределение используется тогда, когда работоспособность системы зависит от нормально распределенного параметра, изменение которого во времени приводит к постепенному отказу.
3.3. Методы статистического оценивания наработки по результатам испытаний.
На практике при анализе надежности систем, вообще говоря, не знают (полностью или частично), каковы функции распределения наработок и времени восстановления. Информацию об этих распределениях получают при оценивании результатов измерения или наблюдения с помощью соответствующих статистических методов.
Основной задачей далее является аппроксимация полученного эмпирического распределения некоторым теоретическим (например, одним из рассмотренных в предыдущем разделе) с целью определения требуемых характеристик надежности анализируемой системы (например, средней наработки). Такая аппроксимация основывается на выявлении «схожести» эмпирического и одного из предлагаемых теоретических распределений при некоторых значениях параметров.
К настоящему времени разработаны несколько методов подобной аппроксимации, в основе которых лежит понятие полной выборки. Под полной(простой)выборкойпорядкаnслучайной наработкиXс функцией распределенияFпонимают случайный векторXn*=(X1,X2,...,Xn), компонентыXiкоторого являются независимыми одинаково распределенными случайными величинами с функцией распределенияF(t)=P(Xi≤t). Еслиxi– реализация выборкиXi, тоxn=(x1,x2,...,xn) естьреализациявыборкиXn, иликонкретная выборкапорядкаn. Ее можно получить, если зарегистрировать наработкиnстатистически эквивалентных систем, которые работают независимо друг от друга в одинаковых условиях. Если упорядочить компоненты конкретной выборки по возрастанию, получим реализацию соответствующейупорядоченной выборки
X*(n)=(X(1),n, X(2),n,..., X(n),n), X(i),n≤ X(i+1),n, i=1,2,...,n-1. (75)
Пусть заданы полная выборка Xn*=(X1,X2,...,Xn) и соответствующая упорядоченная выборкаX*(n)=(X(1),n,X(2),n,...,X(n),n) случайной наработкиX, имеющей функцию распределенияF. Определим кусочно-постоянную функцию с помощью формулы
(76)
при этом Fn(t) называетсяэмпирической функцией распределения.
Первый вариант аппроксимации заключается в сравнении графиков эмпирической и теоретической функции распределения «на глаз». Учитывая, что наибольшая точность подобного сравнения достигается, очевидно, при сравнении двух прямых, используют соответствующее преобразование координат.
Более строго: полагая, что рассматривается двухпараметрическое семейство распределений наработки {F(t;a,b);a,b}, в общем случае графикF(t;a,b) как функции отtне позволяет сделать утверждение относительно того, к какому типу распределений принадлежит функцияF. Однако после преобразования координат, переводящего функциюF(t;a,b) в прямую, сравнительно нетрудно вынести решение о применимости или неприменимости соответствующего теоретического распределения для описания анализируемой наработки «на глаз» по визуальной близости двух прямых. При этом соответствующее преобразование координат нетрудно определить из условия
. (77)
Соответствующее преобразование координат для известных теоретических распределений можно выполнить сразу при построении сетки координат в трансформированном в соответствии с (77) масштабе. Подобные координатные сетки, построенные для конкретных теоретических распределений, называются вероятностной бумагой.
В случае, когда эмпирическое распределение может быть аппроксимировано некоторым теоретическим, точки выборки, нанесенные на соответствующую вероятностную бумагу, образуют прямую.
В силу неточности подобного субъективного метода, существуют альтернативные критерии согласия теоретического и эмпирического распределений. Наиболее известным является критерий согласия 2. Для применения этого критерия положительная действительная ось разбивается наkнепересекающихся интерваловI1=[a0,a1),I2=[a1,a2),...,Ik=[ak-1,ak), гдеa0=0,ak=∞. Также задаются вероятностиpj,j=1,2,...,k, того, что при гипотезеH(соответствующей тождествуF=F0, то есть согласию распределений) наработкаXлежит в интервалеIj:pj=F0(aj)-F0(aj-1). Идея критерия2состоит в сравнении величинnpj(среднее число значений наработки, попавших в интервалIjпри гипотезеH) с числом наблюденийmj, лежащих в интервалеIjи полученных в результате испытания,j=1,2,...,k. «Хорошее совпадение»npjиmjдляj=1,2,...,k, говорит против отклонения гипотезыH.
В качестве меры отклонения (расстояния) используется 2-статистика вида
. (78)
При гипотезе Hэта тестовая статистика дает приn→∞2-распределение с (k-1) степенью свободы. Соответствующий тест выглядит следующим образом:
(79)
где представляет собой табличное значение (1-α)-квантиля2-распределения с (k-1) степенью свободы.
Аналитические тесты согласия позволяют выносить более точные решения, нежели вероятностная бумага. При этом помимо критерия согласия 2существуют другие критерии (статистика Колмогорова-Смирнова, Крамера-Мизеса и другие), которые можно найти в соответствующей литературе.