Web-консолидация

Введение

Разработанная программная система рано или поздно поступает в эксплуатацию

Пользователю важно, чтобы система работала без сбоев. Если внештатная ситуация все же произойдет, она должна устраняться с минимальными задержками

Для упрощения технической поддержки программной системы, особенно если серверов много, обычно используются программы мониторинга, которые снимают метрики с работающей программной системы, дают возможность диагностировать её состояние и помогают определить, что именно вызвало сбой. Этот процесс называется мониторингом программной системы.

Рисунок 1. Интерфейс для мониторинга grafana
Метрики – это различные показатели программной системы, среды её исполнения или физической вычислительной машины, под которой запущена система с меткой времени, того момента, когда метрики были получены. В статическом анализе данные метрик называются временными рядами. Для наблюдения за состоянием программной системы метрики отображают в виде графиков: по оси X – время, а по оси Y – значения (рисунок 1). С работающей программной системы может сниматься несколько тысяч метрик (с каждого узла). Они образуют пространство метрик (многомерных временных рядов).

Так как у сложных программных систем снимается большое количество метрик, ручной мониторинг становится сложной задачей. Для сокращения объема анализируемых администратором данных средства мониторинга содержат инструменты для автоматического выявления возможных проблем. Например, можно настроить триггер, срабатывающий в случае уменьшения свободного дискового пространства до указанного порога. Также можно автоматически диагностировать остановку сервера либо критическое замедление скорости обслуживания. На практике средства мониторинга неплохо справляются с обнаружением уже произошедших отказов либо выявлением простых симптомов будущих отказов, но в целом предсказание возможного сбоя остается для них крепким орешком. Предсказание же путем ручного анализа метрик требует привлечения квалифицированных специалистов. Оно низкопродуктивно. Большинство потенциальных отказов могут остаться незамеченными.

В последнее время среди крупных IT-компаний по разработке ПО всё большую популярность приобретает именно так называемое предиктивное обслуживание программных систем. Суть данного подхода заключается в нахождении неполадок, ведущих к деградации системы на ранних этапах, до её отказа с использованием искусственного интеллекта. Данный подход не исключает полностью ручной мониторинг системы. Он является вспомогательным для процесса мониторинга в целом.

Основным инструментом реализации предиктивного обслуживания является задача поиска аномалий во временных рядах, так как при возникновении аномалии в данных велика вероятность того, что через некоторое время возникнет сбой или отказ. Аномалия – это некоторое отклонение показателей программной системы, такое как выявление деградации скорости выполнения запроса одного вида или снижение среднего числа обслуживаемых обращений при постоянном уровне клиентских сессий.

Задача поиска аномалий для программных систем имеет свою специфику. По идее для каждой программной системы необходима разработка или доработка имеющихся методов, так как поиск аномалий очень зависит от данных, в которых он производится, а данные программных систем очень различаются в зависимости от инструментов реализации системы вплоть до того, под какой вычислительной машиной она запущена.

Краткая справка

ООО «Архитон» зарегистрирована 6 апреля 2016 г. регистратором Инспекция Федеральной налоговой службы по г. Кемерово. Руководитель организации: генеральный директор Королева Любовь Александровна. Юридический адрес ООО «Архитон» — 650036, Кемеровская Область — Кузбасс область, город Кемерово, Терешковой улица, дом 41 строение 4, офис 103.

Основным видом деятельности является «Деятельность в области архитектуры», зарегистрирован 1 дополнительный вид деятельности. Организации ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «АРХИТОН» присвоены ИНН 1979542790, ОГРН 2109880185116, ОКПО 19686822.

05.02.2020 Информация по работе с подсистемой «Бюджетное планирование» ГИИС «Электронный бюджет».

Для ГРБС Алтайского края:

Инструкция по заключению соглашений с ЮРЛИЦАМИ

Форма заявки для регистрации сотрудников ГРБС для работы с Перечнем источников доходов

Формирование отчетности по соглашениям о предоставлении межбюджетного трансферта из бюджета субъекта Российской Федерации местному бюджету

14.04.2019 Вебинар Министерства финансов РФ о работе с паспортами проектов

РУКОВОДСТВО ПО ФОРМИРОВАНИЮ И СОГЛАСОВАНИЮ ПАСПОРТОВ РЕГИОНАЛЬНЫХ ПРОЕКТОВ

РУКОВОДСТВО ПО ЗАКЛЮЧЕНИЮ СОГЛАШЕНИЙ О РЕАЛИЗАЦИИ РЕГИОНАЛЬНОГО ПРОЕКТА (часть 1)

РУКОВОДСТВО ПО ЗАКЛЮЧЕНИЮ СОГЛАШЕНИЙ О РЕАЛИЗАЦИИ РЕГИОНАЛЬНОГО ПРОЕКТА (часть 2)

Форма заявки для регистрации сотрудников ГРБС для работы с проектами и соглашениям по ним

Форма заявки для регистрации сотрудников ГРБС для работы с соглашениями по субсидиям

Руководство по заключению соглашений по субсидиям между ГРБС и ОМС

Руководство по формированию дополнительных соглашений о расторжении соглашений по субсидиям

Руководство по заключению соглашений о субсидиях между ФОИВ и ГРБС (вер. 2019.1)

Руководство по формированию отчетов о расходах

28.12.2018 Вебинар Министерства финансов РФ о формирование соглашений по региональным проектам и паспортов проектов

12.02.2018 Вебинар Министерства финансов РФ о формирование соглашений по субсидиям между ГРБС и ОМС

Для муниципальных районов и городов:

18.06.2020 Вебинар Министерства финансов АК о работе на ЕПБС

19.06.2020 Методические рекомендации Министерства финансов АК по работе на ЕПБС

Форма заявки для регистрации сотрудников ОМС для публикации информации на ЕПБС

Формирование отчетности по соглашениям о предоставлении межбюджетного трансферта из бюджета субъекта Российской Федерации местному бюджету

Форма заявки для регистрации сотрудников ОМС для заключения соглашений о предоставлении субсидий

Руководство по заключению соглашений ОМС

Для поселений:

Форма заявки для регистрации поселений для заключения соглашений о предоставлении субсидий

Ведомственная отчетность, Минфин АК
в том числе Энергоэффективность

01.04.2019 Информация по доступу к report.fin22.ru

Для первого входа в систему необходимо использовать те логины/пароли которые вам довели письмом. При этом система предложит изменить пароль на новый. Обязательно запомните или запишите новый пароль.

При последующих входах необходимо использовать пароль который вы ранее создали. Если вы его не знаете/не помните, то попробуйте спросить у своих коллег, которые сдают другие отчеты в этой же системе.

Примерный перечень отчетов МО в системе: Сводная информация о сети муниципальных учреждений, Отдельные показатели работы ОМС, Бухгалтерский учет поселений, ПЛАНОВЫЙ МЕСЯЧНЫЙ ФОНД ОПЛАТЫ ТРУДА, Информация о доходах муниципальных образований, Задолженность организаций ЖКХ, Отчет по энергоэффективности, Информация о задолженности перед консолидированным бюджетом и государственными внебюджетными фондами, Информация по решениям налоговых органов и исполнительным документам, предъявленным к должникам и неисполненным на отчетную дату, Информация о ставках налогов на территории муниципальных образований.

Примерный перечень отчетов краевых ГРБС в системе: Отчет по энергоэффективности, Информация о задолженности перед консолидированным бюджетом и государственными внебюджетными фондами, Информация по решениям налоговых органов и исполнительным документам, предъявленным к должникам и неисполненным на отчетную дату.

Реестр расходных обязательств, Криста

2019: Состав. Функциональные возможности. Цели и задачи

(данные актуальны на март 2019 года)

Состав и функциональные возможности:

• Облачные

  Программный комплекс может быть развернут на серверах Интернет-провайдера. В этом случае программное обеспечение и инфраструктура предоставляются как услуга. Интернет-провайдер отвечает за бесперебойную работу аппаратных средств, а специалисты НПО «Криста» обеспечивают администрирование программного обеспечения

  технологии

• Полнофункциональный веб-клиент

• Оптимизированный трафик

• Кроссплатформенность

• Регламентированная отчетность

  • Годовая, квартальная и месячная отчетность об исполнении бюджетов
  • Годовая, квартальная отчетность бюджетных и автономных учреждений
  • Планы и отчеты по сетям, штатам и контингентам учреждений
  • Отчетность о расходах и численности работников органов власти
  • Отчетность о расходовании федеральных субвенций и субсидий
  • Отчетность по мониторингу местных бюджетов
  • Реестры расходных обязательств
  • Информация по долговым обязательствам, отраженная в государственных и муниципальных долговых книгах

• Поддержка региональной специфики

• Свод и консолидация

  • Заполнение сводного (консолидированного) отчета на основе соответствующих отчетов нижестоящих и собственной отчетности
  • Формирование отчетов на основе данных других отчетов: по другой форме или за прошлый период
  • Возможность корректировки сумм сводного (консолидированного) отчета без внесения изменений в исходные отчеты

• Автоматический расчет

  • Исключение взаимосвязанных показателей при формировании сводной и консолидированной отчетности
  • Досчет итоговых сумм отчета по строкам, графам и отдельным ячейкам
  • Формирование и выделение строк промежуточных итогов по кодам бюджетной классификации

• Контроль

  • Интерактивный контроль вводимого значения, предложение подходящих вариантов подстановки значения из справочника
  • Проверка внутриформенных и межформенных контрольных соотношений, формирование протокола проверки отчета, хранение результатов последней проверки
  • Возможность сверки показателей отчетов финансовых органов и территориальных органов Федерального казначейства (контроль с отчетами 0503151, 0503152)
  • Возможность сверки показателей отчетов главных распорядителей и нижестоящих финансовых органов в части операций с межбюджетными трансфертами и бюджетными кредитами (контроль справок 0503125)

• Анализ отчетности

  • Аналитические выборки по данным отчетности за любые отчетные периоды в заданных разрезах и в динамике
  • Раскрытие любой итоговой суммы отчета, в том числе по всей иерархии отчетов нижестоящих, индикация потенциальных ошибок
  • Сравнение показателей отчета с аналогичыми показателями за прошлый период

• Управление сбором отчетности

  • Определение регламента предоставления отчетности: форм и сроков отчетности в зависимости от уровня и роли субъекта отчетности
  • Настройка иерархии субъектов отчетности: кто, кому, в какой роли и на каком уровне сдает отчетность
  • Инициирование сбора отчетности путем формирования задачи сбора
  • Автоматическое определение перечня подлежащих предоставлению отчетов, автоматический расчет сроков предоставления отчетности, доведение бланков отчетов и сроков до подведомственных
  • Система статусов, отражающая степень готовности отчета
  • Контроль сроков предоставления отчетности, выделение просроченных отчетов, назначение ответственных за подготовку и проверку

• Достоверность

• Многобюджетность и версионность НСИ и данных

  • Ведение в едином информационном пространстве классификации нескольких бюджетов
  • Автоматическое обобщение классификации, вычисление промежуточных итогов
  • Полная поддержка версионных данных
  • Версионность классификаторов
  • Версионность иерархии подотчетности субъектов
  • Версионность форм отчетности и контрольных соотношений
  • Версионность форматов обмена с внешними системами

• Автономный клиент

• Взаимодействие с внешними системами

  • Загрузка/выгрузка отчетности в формате Федерального казначейства, Минфина России, поддерживаемых АС «Бюджет», «УРМ», «Смета», «Бюджет поселения», «Скиф», «1С»
  • Выгрузка отчетности в MS Excel или LibreOffice

Цели и задачи решения:

• Финансовый орган:

• Финансовый орган, ОГВ, ОМСУ, учреждения:

Возможно использование бухгалтерской программы в качестве автономного (off-line) клиента. Автономным клиентом системы выступает АС «Смета» — программа для ведения бухгалтерского учета государственных (муниципальных) учреждений и органов власти. При этом АС «Смета» получает метаданные форм отчетности и контрольных соотношений с сервера системы, интерпретирует их и представляет в виде пользовательского интерфейса.

Механизм минимизации ложных срабатываний

В связи с тем, что возникают различные нештатные ситуации, а также возможна ситуация недостаточного обучения нейронной сети, для разрабатываемой модели обнаружения аномалий было принято решение о необходимости разработки механизма минимизации ложных срабатываний. Этот механизм основан на базе шаблонов, которую классифицирует администратор.

Алгоритм динамической трансформации временной шкалы (DTW-алгоритм, от англ. dynamic time warping) позволяет найти оптимальное соответствие между временными последовательностями. Впервые применен в распознавании речи: использован для определения того, как два речевых сигнала представляют одну и ту же исходную произнесённую фразу. Впоследствии было найдено применение ему и в других областях.

Основной принцип минимизации ложных срабатываний – это сбор базы эталонов при помощи оператора, который классифицирует подозрительные случаи, обнаруженные при помощи нейросетей. Далее происходит сравнение проклассифицированного эталона с тем случаем, который обнаружила система, и делается вывод о принадлежности случая к ложному либо приводящему к сбою. Как раз для сравнения двух временных рядов и используется алгоритм DTW. Основным инструментом минимизации всё же является классификация. Предполагается, что после сбора большого количества эталонных случаев система начнет меньше спрашивать оператора по причине схожести большинства случаев и возникновения похожих.

В итоге на основе вышеописанных методов нейронных сетей была построена экспериментальная программа для прогнозирования отказов системы «Web-Консолидация». Целью этой программы было, используя существующий архив данных мониторинга и информацию об уже случившихся сбоях, оценить компетентность данного подхода для наших программных систем. Схема работы программы представлена ниже, на рисунке 7.

Рисунок 7. Схема прогнозирования отказов на основе анализа пространства метрик
На схеме можно выделить два основных блока: поиск аномальных отрезков времени в потоке данных мониторинга (метриках) и механизм минимизации ложных срабатываний. Примечание: в экспериментальных целях данные получаются через JDBC-соединение из базы данных, в которую их сохранят graphite.
Далее представлен интерфейс полученной в результате разработки системы мониторинга (рисунок 8).

Рисунок 8. Интерфейс экспериментальной системы мониторинга
На интерфейсе отображается процент аномальности по получаемым метрикам. В нашем случае получение моделируется. Мы уже имеем все данные за несколько недель и грузим их постепенно для проверки случая с аномалией, приводящей к отказу. В нижнем статусбаре отображается общий процент аномальности данных в данный момент времени, который определяется при помощи автокодировщика. Также для прогнозируемых метрик отображается отдельный процент, который рассчитывает RNN LSTM.

Пример обнаружения аномалии по показателям ЦПУ при помощи нейросети RNN LSTM (рисунок 9).

Рисунок 9. Обнаружение RNN LSTM
Довольно-таки простой случай, по сути обычный выброс, однако приводящий к отказу системы, был успешно вычислен при помощи RNN LSTM. Показатель аномальности в этом участке времени равен 85 – 95%, все, что выше 80% (порог определен экспериментально), считается аномалией.
Пример обнаружения аномалии, когда система не смогла загрузиться после обновления. Данную ситуацию детектирует автокодировщик (рисунок 10).

Рисунок 10. Пример обнаружения автокодировщиком
Как видно из рисунка, PermGen завис на одном уровне. Автокодировщик посчитал это странным, потому что ранее не видел ничего подобного. Здесь аномальность держится все 100% до возвращения системы в работоспособное состояние. Аномальность отображается по всем метрикам. Как говорилось ранее, автокодировщик не умеет локализировать аномалии. Оператор призван выполнять эту функцию в данных ситуациях.

Справка по разделу ‘Полная WHOIS информация по домену’:

WHOIS — сетевой протокол прикладного уровня, базирующийся на протоколе ТСР, предназначенный для получения публичной информации (регистрационных данных) о владельцах доменных имён, IP-адресов и автономных систем. Протокол используется для подачи автоматизированных запросов к публичным серверам WHOIS баз данных регистраторов, базам IP-адресов и регистраторов доменных имён. Доступ к информации, размещённой регистраторами в своих WHOIS-базах, при использовании пользователями технологического портала WHOIS.UANIC.NAME, формы подачи персонального запроса к информации, хранимой распределёнными WHOIS базами, обеспечивает пользователям нашего сервиса доступ в реальном времени к информации баз WHOIS, по индивидуальным, неавтоматизированным, запросам. Доступ к информации баз WHOIS через порт 43, позволяющий выполнять автоматизированные запросы, может быть предоставлен реселлерам UANIC в качестве дополнительного сервиса, по запросу.

Поиск полных контактных данных WHOIS владельца (регистранта) доменного имени, ответственного администратора доменного имени, технического и\или финансового контакта домена, а также первичной даты регистрации (делегирования домена), и ее истечения, серверах имен, и текущем статусе запрашиваемого домена, может быть бесплатно выполнен путём подачи пользователем запроса через форму поиска WHOIS информации, размещённую на данном сайте.

Базы данных WHOIS управляются в основном регистраторами и регистратурами. Отдел IANA корпорации ICANN управляет центральной регистратурой для всех видов интернет-ресурсов и указывает на сервер WHOIS ответственной (под)-регистратуры, а также на контактную информацию этой регистратуры, в случае, если она размещена публично. Существует полная и сокращённая форма предоставления регистраторами информации из WHOIS баз. Полнота и формат выдачи информации из WHOIS базы определяется отдельно каждым регистратором, на основании протокола RFC 3912.

Для получения информации пользователю необходимо указать в WHOIS-форме интересующее его доменное имя, и подать запрос, путём нажатия на кнопку WHOIS. Сведения, содержащиеся в базе WHOIS UANIC обновляются автоматически, кроме того, подлежат ручному обновлению с частотой не более 10 суток.

English version: https://whois.uanic.name/eng/fin22.ru/

12.07.2018 Видеоконференция по вопросам формирования бухгалтерской(финансовой) отчетности за 1 полугодие 2018 года в свете применения новых федеральных стандартов

Часть первая

Часть вторая

02.02.2015 Информация по работе с системой Web-консолидация.

1. Горячая линия поддержки, на которую можно звонить при наличии сбоев или проблем —
бесплатный номер: 8-800-200-20-72 (доб. 6201), либо 8-800-200-21-72.

2. Для корректной работы требуется
самая последняя версия браузера Mozilla Firefox.

3. Если будет выводиться предупреждение —
нажать «Я понимаю риск» -> «Добавить в исключения» -> «Подтвердить исключение безопасности».

4. При сбоях —
очистить кеш браузера (нажать «Настройки» -> «Дополнительные» -> «Сеть» -> «Очистить сейчас») и
нажать Ctrl+F5.

Запись обучающего вебинара для МО от 19.11.2014

Запись обучающего вебинара для краевых ОГВ от 30.09.2014

Анкета для учреждений

Инструкция по заполнению анкеты

Инструкция по заполнению формы 0503387

Порядок консолидации 0503317

Инструкция по переносу отчета из Web-консолидации в Свод-Смарт

Разное

12.07.2018 Видеоконференция по вопросам формирования бухгалтерской(финансовой) отчетности за 1 полугодие 2018 года в свете применения новых федеральных стандартов

Часть первая

Часть вторая

02.02.2015 Информация по работе с системой Web-консолидация.

1. Горячая линия поддержки, на которую можно звонить при наличии сбоев или проблем —
бесплатный номер: 8-800-200-20-72 (доб. 6201), либо 8-800-200-21-72.

2. Для корректной работы требуется
самая последняя версия браузера Mozilla Firefox.

3. Если будет выводиться предупреждение —
нажать «Я понимаю риск» -> «Добавить в исключения» -> «Подтвердить исключение безопасности».

4. При сбоях —
очистить кеш браузера (нажать «Настройки» -> «Дополнительные» -> «Сеть» -> «Очистить сейчас») и
нажать Ctrl+F5.

Запись обучающего вебинара для МО от 19.11.2014

Запись обучающего вебинара для краевых ОГВ от 30.09.2014

Анкета для учреждений

Инструкция по заполнению анкеты

Инструкция по заполнению формы 0503387

Порядок консолидации 0503317

Инструкция по переносу отчета из Web-консолидации в Свод-Смарт

Разное

Автокодировщик для прогнозирования отказов

Автокодировщик – по сути искусственная нейронная сеть. Входной слой – encoder, выходной слой – decoder. Недостаток всех нейросетей данного типа – плохо локализует аномалии. Была выбрана архитектура синхронного автокодировщика.

Рисунок 5. Пример работы автокодировщика
Автокодировщики обучаются на нормальных данных и затем находят, что-то аномальное в подаваемых в модель данных. Как раз то, что нужно для данной задачи. Остается только выбрать, какой из автокодировщиков подойдет для данной задачи. Архитектурно простейшая форма автокодировщика представляет собой прямую, невозвратную нейронную сеть, которая очень похожа на многослойный персептрон (multilayer perceptron, MLP), с входным уровнем, уровнем выхода и одним или несколькими скрытыми слоями, соединяющими их.
Однако различия между автокодировщиками и MLP заключаются в том, что в автоматическом кодировщике выходной уровень имеет такое же количество узлов, что и входной, и что вместо того, чтобы обучаться предсказанию целевого значения Y, заданному входом X, автокодировщик обучается реконструировать свои собственные X. Поэтому автокодировщики являются неконтролируемыми обучающими моделями.

Задача автокодировщика заключается в нахождении временных индексов r0 … rn, соответствующих аномальным элементам во входном векторе X. Данный эффект достигается за счет поиска квадратичной ошибки.

Рисунок 6. Синхронный автокодировщик
Для автокодировщика была выбрана синхронная архитектура. Её преимущества: возможность использования потокового режима обработки и сравнительно меньшее количество параметров нейронной сети относительно других архитектур.

Последние изменения

22.07.2020

Юридический адрес изменен с 650036, Кемеровская Область — Кузбасс область, город Кемерово, проспект Ленина, дом 89, офис 503 на 650036, Кемеровская Область — Кузбасс область, город Кемерово, Терешковой улица, дом 41 строение 4, офис 103

21.07.2020

Завершено рассмотрение судебного дела
№А27-15663/2020 от 14.07.2020 в
первой
инстанции.
Организация
в роли ответчика, сумма исковых требований 398 207 944 руб.

14.07.2020

Новое судебное дело
№А27-15663/2020 от 14.07.2020 в роли ответчика, сумма исковых требований 398 207 944 руб.

03.06.2020

Завершено рассмотрение судебного дела
№А27-12545/2020 от 02.06.2020 в
первой
инстанции.
Организация
в роли ответчика, сумма исковых требований 398 207 944 руб.

02.06.2020

Новое судебное дело
№А27-12545/2020 от 02.06.2020 в роли ответчика, сумма исковых требований 398 207 944 руб.

10.03.2020

Завершено рассмотрение судебного дела
№А27-5321/2020 от 05.03.2020 в
первой
инстанции.
Организация
в роли ответчика, сумма исковых требований 14 633 314 руб.

05.03.2020

Новое судебное дело
№А27-5321/2020 от 05.03.2020 в роли ответчика, сумма исковых требований 14 633 314 руб.

26.02.2020

Завершено рассмотрение судебного дела
№А27-4190/2020 от 25.02.2020 в
первой
инстанции.
Организация
в роли ответчика, сумма исковых требований 14 633 314 руб.

01.04.2019 Информация по доступу к report.fin22.ru

Для первого входа в систему необходимо использовать те логины/пароли которые вам довели письмом. При этом система предложит изменить пароль на новый. Обязательно запомните или запишите новый пароль.

При последующих входах необходимо использовать пароль который вы ранее создали. Если вы его не знаете/не помните, то попробуйте спросить у своих коллег, которые сдают другие отчеты в этой же системе.

Примерный перечень отчетов МО в системе: Сводная информация о сети муниципальных учреждений, Отдельные показатели работы ОМС, Бухгалтерский учет поселений, ПЛАНОВЫЙ МЕСЯЧНЫЙ ФОНД ОПЛАТЫ ТРУДА, Информация о доходах муниципальных образований, Задолженность организаций ЖКХ, Отчет по энергоэффективности, Информация о задолженности перед консолидированным бюджетом и государственными внебюджетными фондами, Информация по решениям налоговых органов и исполнительным документам, предъявленным к должникам и неисполненным на отчетную дату, Информация о ставках налогов на территории муниципальных образований.

Примерный перечень отчетов краевых ГРБС в системе: Отчет по энергоэффективности, Информация о задолженности перед консолидированным бюджетом и государственными внебюджетными фондами, Информация по решениям налоговых органов и исполнительным документам, предъявленным к должникам и неисполненным на отчетную дату.

Реестр расходных обязательств, Криста

Заключение

ПК «Web-Консолидация» разрабатывается не первый год. Система находится в достаточно стабильном состоянии, и число регистрируемых инцидентов невелико. Тем не менее, удалось найти аномалии, ведущие к отказу за 5 – 10 минут до возникновения отказа. В ряде случаев оповещение об отказе заблаговременно помогло бы сэкономить регламентное время, которое выделяется на проведение «ремонтных» работ.

По тем экспериментам, которые удалось провести, окончательные выводы делать еще рано. На данный момент результаты являются противоречивыми. С одной стороны, видно, что алгоритмы на основе нейронных сетей способны находить «полезные» аномалии. С другой стороны, остается большой процент ложных срабатываний, и не все аномалии, выявляемые квалифицированным специалистом у нейросети, получается обнаружить. К минусам можно отнести и то, что сейчас нейросеть требует обучения с учителем для нормальной работы.

Для дальнейшего развития системы прогнозирования отказов и доведения её до удовлетворительного состояния можно предусмотреть несколько путей. Это более подробный анализ случаев с аномалиями, которые приводят к сбою, за счет этого дополнения списка важных метрик, очень влияющих на состояние системы, и отброс лишних, которые не влияют на неё. Также, если двигаться в данном направлении, можно предпринять попытки специализации алгоритмов конкретно под наши случаи с аномалиями, которые приводят к отказам. Есть и другой путь. Это усовершенствование архитектур нейронных сетей и повышение за счёт этого точности обнаружений с сокращением времени на обучение.

Выражаю благодарность коллегам, помогавшим мне с написанием и поддержкой актуальности этой статьи: Виктору Вербицкому и Сергею Финогенову.