Қазақстан Республикасы Білім және ғылым Министрлігі Ахмет Байтұрсыноватындағы

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
65
Время выполнения алгоритма для CPU Intel Xeon E5-2690 – 61090 ms и видеокарты Tesla K20X 
– 109 ms. Увеличение быстродействия работы алгоритма по сравнению с CPU примерно 560 раз. 
Использование  pinned  памяти  позволило  уменьшить  время  выполнения  программы  на  GPU 
примерно  на  50  ms,  но  это  оптимальный  результат  поскольку  мы  не  используем  ресурсы  ядер 
видеокарты на полную мощность. 
Для  того,  чтобы  максимально  загрузить  ядра  видеокарты  можно  использовать  CUDA  потоки 
(Stream). 
Поток  (stream)  –  логическая  последовательность  зависимых  асинхронных  операций, 
независимая от операций в других потоках [3, с.161]. Параллельные потоки могут потенциально быть 
более эффективными, чем «обычное» исполнение за счет совмещения исполнения ядер и передачи 
данных, двунаправленной передачи данных, показано на рисунках 2 и 3.  
По умолчанию все операции ассоциированы с нулевым потоком, т.е. он используется, если не 
указано иначе. Нулевой поток полностью синхронен, как если бы cudaDeviceSynchronize() вставлен до 
и после каждой CUDA операции [4]. 
Создание и уничтожение потоков осуществляется следующими командами: 
cudaStream_t stream; 
cudaStreamCreate(&stream); 
… 
cudaStreamDestroy(stream); 
Возможны  несколько  вариантов  использования  cuda  потоков:  параллельное  исполнение  ядер, 
параллельное копирование и исполнение ядер. 
Мы будем использовать эти операции в следующей последовательности: 
 Асинхронное копирование c «host» на «device»  
 Асинхронный запуск «функции-ядра»  
 Асинхронное копирование с «device» на «host»  
Асинхронное копирование возможно только с использованием pinned памяти. 
 
 
 
Рисунок 2. Синхронная передача данных в GPU. 
 
 
 
Рисунок 3. Асинхронная передача данных в GPU. 
 
Модифицированный код программы: 
double timerValueGPU, timerValueCPU; 
clock_t start, stop; 
float *hA,*hB,*hC,*hCC,*dA,*dB,*dC,ab,sum; 
int nStream = 4; 
int size=512*50000/nStream; 
int N_thread = 512, N_blocks=size/N_thread; 
int i,j; 
unsigned int mem_size=sizeof(float)*size; 
cudaMallocHost((void**)&hA, mem_size*nStream); 
cudaMallocHost((void**)&hB, mem_size*nStream); 
cudaMallocHost((void**)&hC, mem_size*nStream); 
hCC = (float*) malloc (mem_size*nStream); 
cudaMalloc((void**) &dA, mem_size*nStream); 
cudaMalloc((void**) &dB, mem_size*nStream); 
cudaMalloc((void**) &dC, mem_size*nStream); 
for ( i=0; i < size * nStream; i++ ) 
{ 
  hA[i] = sinf ( (float)i ); hB[i] = cosf ( 2.0f * (float)i - 5.0f ) ; hC[i] = 0.0f; 
} 
cudaStream_t stream[1]; 
for(i=0; i< nStream; ++i) cudaStreamCreate (&stream[i]); 

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В НАУКЕ,  
ОБРАЗОВАНИИ И ПРАКТИКЕ 
 
 
66
//GPU -------------------------------------------------------------------- 
start = clock(); 
for(i=0; i{ 
  cudaMemcpyAsync(dA+i*size, hA+i*size, mem_size,cudaMemcpyHostToDevice,stream[i]); 
  cudaMemcpyAsync(dB+i*size, hB+i*size, mem_size,cudaMemcpyHostToDevice,stream[i]); 
} 
for(i=0; i  funcSUM<<>> ( dA+i*size, dB+i*size, dC+i*size, size ); 
for(i=0; i  cudaMemcpyAsync(hC+i*size, dC+i*size, mem_size,cudaMemcpyDeviceToHost,stream[i]); 
cudaDeviceSynchronize (); 
for (i = 0; i < nStream; ++i) cudaStreamDestroy(stream[i]); 
stop = clock(); 
timerValueGPU = 1000.*(stop-start)/CLOCKS_PER_SEC; 
Приведем время выполнения программы для различного количества cuda потоков. 
 
Кол-во 
потоков/время 
выполнения 
ms 
2 
4 
8 
16 
32 
64 
GT640 
658 
620 
604 
597 
589 
587 
Tesla K20X 
78 
62 
61 
57 
55 
55 
 
Из таблицы мы видим, что при увеличении числа потоков более 32 время выполнения практи-
чески не меняется, т.е. можно сделать вывод, что для данного алгоритма оптимальное число потоков 
32.  Оптимальное  количество  потоков  зависит  от  конкретного  алгоритма  –  это  количество  потоков 
необходимое для полной нагрузки ядер видеоадаптера. 
В  качестве  дополнительной  оптимизации  необходимо  учитывать  следующие  особенности 
технологии cuda позволяющие значительно ускорить выполнение кода на GPU: 
 Арифметические  операции  с float-числами  осуществляются  быстрей,  чем  с  double - числами. 
Рекомендуется использовать суффикс «f» при объявлении числовых констант, например, 3.14f 
 При делении чисел на степень двойки рекомендуется использовать оператор сдвига. X / N  
X >> log
2
(N), X % N  X & (N-1). 
 Для  известных  целых  значений  степеней  рекомендуется  использовать  явное  умножение 
вместо вызова pow(). pow(X, 2)  X * X, pow(X, 3)  X * X * X. 
 Обратный квадратный корень - rsqrtf() / rsqrt(). 
 Прочие арифметические операции 
- expf2() / exp2() – экспонента во 2-й степени 
- expf10() / exp10() 
– экспонента в 10-й степени 
- cbrtf() / cart() 
 
– экспонента в степени 1/3 
- rcbrtf() / rebut() – экспонента в степени -1/3 
 Аппаратные аналоги функций [5] 
- __sinf() / sinf() 
- __cosf() / cosf() 
- __expf() / expf() 
 Совмещенные функции 
- sincosf() / sincos() 
 Инструкции  управления  потоком  команд  (if,  switch,  for,  while,  do-while)  отрицательно  сказы-
ваются  на  производительности[5].  В  функции  ядра  их  лучше  не  использовать  (в  идеале  все  потоки 
warp'а  должны  идти  по  одному  пути,  иначе  увеличивается  количество  выполняемых  инструкций  и 
возможно  последовательное  выполнение).  Условные  операторы  можно  заменить  предикативной 
записью выражения. 
В заключении можно скачать, что для эффективного использования возможностей CUDA нужно 
забыть  про  обычные  методы  написания  программ  для  CPU,  и  использовать  те  алгоритмы,  которые 
хорошо  распараллеливаются  на  тысячи  потоков.  Также  важно  найти  оптимальное  место  для 
хранения  данных  (регистры,  разделяемая  память  и  т.п.),  минимизировать  передачу  данных  между 
CPU и GPU, использовать буферизацию. 
В общих чертах, при оптимизации программы CUDA нужно постараться добиться оптимального 
баланса между размером и количеством блоков. Большее количество потоков в блоке снизит влияние 
задержек памяти, но снизит и доступное число регистров. Кроме того, блок из 512 потоков неэффек-

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
67
тивен,  сама  NVIDIA  рекомендует  использовать  блоки  по  128  или  256  потоков,  как  компромиссное 
значение для достижения оптимальных задержек и количества регистров. 
Среди  основных  моментов  оптимизации  программ  CUDA:  как  можно  более  активное  исполь-
зование разделяемой памяти, так как она значительно быстрее глобальной видеопамяти видеокарты; 
операции  чтения  и  записи  из  глобальной  памяти  должны  быть  объединены  (coalesced)  по 
возможности. Для этого нужно использовать специальные типы данных для чтения и записи сразу по 
32/64/128  бита  данных  одной  операцией.  Если  операции  чтения  трудно  объединить,  можно  попро-
бовать использовать текстурные выборки. 
 
Литература: 
1. NVIDIA CUDA C Programming Guide. 
2. «Основы работы с технологией CUDA» А.В. Боресков, А.А. Харламов. 
3.  «Технология  CUDA  в  примерах:  введение  в  программирование  графических  процессоров» 
Сандерс Дж., Кэндрот Э. 
4. Сайт http://www.nvidia.ru 
5.  NVIDIA  CUDA  —  неграфические  вычисления  на  графических  процессорах,  сайт 
http://www.ixbt.com 
 которой лежит звено траектории 
1
5
R
R 
. Параллельные прямые 
1
l
 и 
1
l
 расположены симметричным 
образом относительно прямой 
1
L
. Более точно, они связаны соотношением 
1
2
3
5
3
1







l
1
l
, 
в котором 
1
2
3
5
3





 есть скользящая симметрия с осью 
1
L
. Длина траектории 
5
2
1
...R
R
R

 в два раза 
больше длины траектории 
5
2
1
...P
P
P
. 
 
Литература. 
1. Фройденталь Г. Математика как педагогическая задача. Ч. I. Сокр. пер. с нем. Халамайзера 
А. Я. Под ред. Виленкина Н. Я.  – М.: Просвещение, 1982. 
2. Кокстер Г.С. М. Введение в геометрию. Пер. с англ. Катка А. Б. и Каток С. Б. Под. ред. Розен-
фельда Б. А. и Яглома И. М. – М.: Наука, 1966. 
 
 
УДК 004.31-022.53 
 
ТЕСТИРОВАНИЕ ПРОЦЕССОРОВ CORE I7 И CORE I5 С ТЕХНОЛОГИЕЙ  
HYPER-THREADING В ИГРАХ 
 
Муканов  Т.Л.  –  магистрант,  Костанайский  государственный  университет  им.  А.Байтур-
сынова 
Бегалин  А.Ш.  –  магистр  естественных  наук,  ст.  преподаватель,  Костанайский  государст-
венный университет им. А.Байтурсынова 
 
В данной статье приводятся результаты тестирования в играх современных процессоров 
Intel  Core  с  технологией  Hyper-Threading.  Кратко  приводится  обзор  технологии  Hyper-Threading. 
Для тестирования использовались тесты игр 3DMark 11, Metro 2033, Crysis 2, Battlefield 3, F1 2011, 
ArmA 2. 
Ключевые слова: Hyper-Threading, Core i3, Pentium, процессорное ядро. 
 
Общее о технологии Intel Hyper-Threading 
Технология Hyper-Threading появилась в процессорах Intel уже более 10 лет назад. И в данный 
момент она является важным элементом процессоров Core. Насколько необходима технология HT в 
играх  до  конца  не  понятно.  Было  решено  провести  тест,  для  выяснения,  насколько  будет 
производителен  процессор  Core  i7  в  играх,  или  вполне  будет  достаточно  Core  i5.  Также  выяснить 
насколько Core i3 будет лучше Pentium. 
Технология  Hyper-Threading,  разработанная  компанией  Intel,  и  эксклюзивно  используемая  в 
процессорах компании, начиная с Pentium 4, в данный момент является обычным явлением. Ею осна-
щено значительное число процессоров текущего и предыдущих поколений. Будет она использоваться 
и в ближайшем будущем. 
Перед тем как перейти к тестам, немного расскажем о технологии Hyper-Threading. В принципе, 
ничего  особенно  сложного  в  ней  нет.  Фактически,  все  что  нужно  для  внесения  HT  на  физическом 

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В НАУКЕ,  
ОБРАЗОВАНИИ И ПРАКТИКЕ 
 
 
68
уровне  –  это  добавление  к  одному  физическому  ядру  не  одного  набора  регистров  и  контроллера 
прерываний, а двух. В процессорах Pentium 4 эти дополнительные элементы увеличивали количество 
транзисторов  всего  на  пять  процентов.  В  современных  ядрах  Ivy  Bridge  (равно  как  в  Sandy  Bridge  и 
Haswell)  дополнительные  элементы  даже  для  четырех  ядер  не  увеличивают  кристалл  даже  на  1 
процент. 
Дополнительные  регистры  и  контроллер  прерываний,  вместе  с  программной  поддержкой 
позволяют  операционной  системе  видеть  не  одно  физическое  ядро,  а  два  логических.  При  этом 
обработка данных двух потоков, которые отправляются системой все также идет на одном ядре, но с 
некоторыми  особенностями.  В  распоряжении  одного  потока  все  также  остается  весь  процессор,  но 
как  только  какие-то  блоки  CPU  освобождаются  и  простаивают,  то  они  тут,  же  отдаются  в  распоря-
жение второго потока. Благодаря этому удалось задействовать все блоки процессора одновременно, 
и  тем  самым  увеличить  его  эффективность  (Рисунок  1).  По  заявлениям  Intel,  прирост  производи-
тельности в идеальных условиях может доходить до 30 процентов. Правда, данные показатели верны 
только  для  Pentium  4  с  его  очень  длинным  конвейером,  у  современных  процессоров  прирост  от 
использования HT меньше.  
 
 
Рисунок 1. Принцип работы технологии Hyper-Threading 
 
И необходимо признать, что технология Hyper-Threading полезна, и позитивно влияет на произ-
водительность,  иначе  Intel  не  стала  бы  использовать  ее  для  позиционирования  своих  процессоров 
внутри  линейки.  Причем  не  как  второстепенный  элемент,  а  один  из  важнейших,  если  не  самый  важ-
ный.  На  рисунке  2  изображена  схема, позволяющая  оценить  принцип  сегментирования  процессоров 
Intel. 
 
Рисунок 1. Принцип сегментирования процессоров Intel 
 
Как  видим,  отличий  между  Pentium  и  Core  i3,  а  также  между  Core  i5  и  Core  i7  совсем  мало. 
Фактически модели i3 и i7, отличаются от Pentium и i5 только размером КЭШа третьего уровня прихо-
дящимся на одного ядро (не считая тактовой частоты, конечно). У первой пары это 1,5 мегабайта, а у 
второй  –  2  мегабайта.  Это  отличие  не  может  коренным  образом  повлиять  на  производительность 
процессоров, так как разница в объеме КЭШа очень мала. Именно поэтому процессоры Intel Core i3 и 
Core  i7  получили  поддержку  технологии  Hyper-Threading,  которая  и  является  главным  элементом, 
позволяющим  этим  процессорам  иметь  преимущество  в  производительности  над  Pentium  и  Core  i5, 
соответственно.  В  итоге  чуть  больший  кэш  и  поддержка  Hyper-Threading  позволят  выставлять 
значительно  более  высокие  цены  на  процессоры.  Для  примера  процессоры  линейки  Pentium  (около 
10  тыс.  тенге)  примерно  в  два  раза  дешевле,  чем  Core  i3  (около  25  тыс.  тенге),  и  это  притом,  что 
физически,  на  аппаратном  уровне  они  абсолютно  одинаковы,  и,  соответственно,  имеют  одинаковую 

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
69
себестоимость.  Разница  в  цене  между  Core  i5  (38  тыс.  -  47  тыс.  тенге)  и  Core  i7  (от  63  тыс.  тенге) 
также очень велика, хоть и меньше двух крат в младших моделях. 
 
Рисунок 2. Разница в загрузке ядер процессора 
 
Прирост от использования технологии Hyper-Threading бывает разный – все зависит от прило-
жения  и  его  оптимизации.  Решено  было  проверить,  что  дает  технология  HT  в  играх,  как  одним  из 
самых требовательных используемых приложений.  
Идеальные  условия  для  Hyper-Threading  бывают  далеко  не  всегда.  И  что  самое  важное  – 
худший  результат  работы  HT  –  это  не  отсутствие  прироста  производительности,  а  ее  снижение.  То 
есть  при  определенных  условиях,  производительность  процессора  с  HT  будет  падать  относительно 
процессора  без  HT,  вследствие  того,  что  накладные  расходы  на  разделение  потоков  и  организацию 
очереди будут значительно превышать прирост от обсчета параллельных потоков, который возможен 
в данном конкретном случае. Такие случаи бывают достаточно часто, чем хотелось бы компании Intel. 
Причем,  за  многие  годы  использования  технологии  Hyper-Threading  ситуация  не  улучшились. 
Особенно это касается игр, весьма сложных и отнюдь нешаблонных с точки зрения обсчета данных, 
приложений. 
Для того чтобы выяснить влияние Hyper-Threading на игровую производительность, мы исполь-
зовали  процессор  Core  i7-2700K,  и  симулировали  с  помощью  отключения  ядер  и  включения/ 
выключения HT, сразу четыре процессора. Условно их можно назвать Pentium (2 ядра, HT выключен), 
Core i3 (2 ядра, HT включен), Core i5 (4 ядра, HT выключен), и Core i7 (4 ядра, HT включен). Почему 
условно? Прежде всего, потому, что по некоторым характеристикам они не соответствуют реальным 
продуктам.  В  частности  отключение  ядер  не  ведет  к  соответствующему  урезанию  объема  КЭШа 
третьего  уровня  –  его  объем  для  всех  равен  8  мегабайтам.  А,  кроме  того,  все  наши  “условные” 
процессоры  работают  на  одинаковой  частоте  3,5  гигагерца,  которая  пока  достигнута  не  всеми 
процессорами линейки Intel. 
 
Таблица 1. Тестовая платформа 
 
Процессор 
Core i7-2700K (4C/8T, 8Mb L3, 3.55/3.9 ГГц) 
Кулер 
DeepCool Ice Matrix 400 
Материнская плата 
ASUS P8Z77-V (Intel Z77) 
Оперативная память 
Team Extreem Dark (DDR3, 2x4GB, 1866 MHz) 
Видеокарта 
Power Color Radeon HD 7950, 3GB (850/5000МГц) 
Накопитель 
HDD Seagate 7200.12 (1TB, 7200rpm, SATA-III) 
Блок питания 
Cooler Master Silent Pro (850W) 
ОС 
Windows 7 (64-bit) 
Драйвера 
AMD Catalyst 12.10 
 
Впрочем,  это  даже  к  лучшему,  так  как  благодаря  неизменности  всех  важных  параметров  мы 
сможем выяснить реальное влияние Hyper-Threading на игровую производительность без каких-либо 
оговорок. Да и процентная разница в производительности между нашими “условными” Pentium и Core 
i3 будет близка к разнице между реальными процессорами при условии равных частот.  
3DMark 11 
3DMark  11  совершенно  спокойно  относится  к производительности  CPU,  отлично  работая даже 
на одном ядре. Такое же “мощное” влияние оказал и Hyper-Threading. Как видите, тест абсолютно не 
замечает различий между Pentium и Core i7, не говоря уже о промежуточных моделях. 
 

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В НАУКЕ,  
ОБРАЗОВАНИИ И ПРАКТИКЕ 
 
 
70
2701
2694
2685
2682
0
500
1000
1500
2000
2500
3000
4 ядра + HT
(Core i7)
4 ядра (Core i5)
2 ядра + HT
(Core i3)
2 ядра
(Pentium)
 
Рисунок 3. Результаты в игре 3DMark 11, в баллах, режим Extreme Preset, 1920*1080 
 
Metro 2033 
В игре Metro 2033 явно заметно появление Hyper-Threading. Включение HT в данной игре 
оказывает негативное влияние на производительность. Небольшое влияние, конечно – 0,5 кадра в 
секунду при четырех физических ядрах, и 0,7 при двух. Но этот факт дает все основания заявить, что 
в Metro 2033 Pentium быстрее, чем Core i3, а Core i5 лучше, чем Core i7. Вот оно подтверждение того 
факта, что Hyper-Threading показывает свою эффективность не всегда и не везде. 
 
37,5
38
36
36,5
0
5
10
15
20
25
30
35
4 ядра + HT (Core
i7)
4 ядра (Core i5)
2 ядра + HT (Core
i3)
2 ядра (Pentium)
 
 
Рисунок 4. Результаты в Metro 2033. Средний FPS, NoAA, 16*AF, Макс. 1920*1080 
 
Crysis 2 
Эта  игра  показала  очень  интересные  результаты.  Прежде  всего,  отметим,  что  влияние  Hyper-
Threading  хорошо  заметно  в  двуядерных  процессорах  –  Core  i3  опередил  Pentium  почти  на  9 
процентов, что для этой игры совсем немало. Победа HT и Intel? Не совсем, так как Core i7 не показал 
никакого  прироста  относительно  заметно  более  дешевого  Core  i5.  Но  этому  есть  разумное 
объяснение – Crysis 2 не умеет использовать больше четырех потоков данных. Из-за этого мы видим 
хороший  прирост  у  двуядерника  с  HT  –  все  же  лучше  четыре  потока,  хоть  и  логических,  чем  два.  С 
другой  стороны,  дополнительные  потоки  Core  i7  не  использовал,  тут  вполне  достаточно  четырех 
физических ядер. По результатам данного теста, можно отметить положительное влияние HT в Core 
i3,  который  здесь  заметно  лучше  Pentium.  А  вот  среди  четырехядерников  Core  i5  вновь  выглядит 
более разумным решением. 
 

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
71
66
66,3
63,1
58
0
10
20
30
40
50
60
70
4 ядра + HT (Core
i7)
4 ядра (Core i5)
2 ядра + HT (Core
i3)
2 ядра (Pentium)
 
Рисунок 5. Результаты в Crysis 2. Средний FPS, NoAA, 16*AF, Макс.1920*1080 
 
Battlefield 3 
По факту можно констатировать, что Core i3, со своими двумя ядрами и HT оказался лучшим из 
всех, опередив даже Core i5 и Core i7. Странно, конечно, но, в то же время, Core i5 и Core i7 вновь 
оказались на одном уровне. Скорее всего, тут сыграла свою роль методика тестирования в этой игре, 
которая дает большие погрешности, нежели стандартные бенчмарки. 
119,4
122,2
124,3
119,8
0
20
40
60
80
100
120
140
4 ядра + HT (Core
i7)
4 ядра (Core i5)
2 ядра + HT (Core
i3)
2 ядра (Pentium)
 
 
Рисунок 6. Результаты в Battlefield 3. Средний FPS, NoAA, 16*AF, Макс. 1920*1080 
 
F1 2011 
В этой игре видно влияние на производительность технологии Hyper-Threading. Причем вновь, 
как и в Crysis 2, очень хорошо включение HT показало себя на двуядерных процессорах. Посмотрите 
на разницу между условными Core i3 и Pentium – она более чем двукратная! Явно видно, что игре 
очень сильно не хватает двух ядер, и при этом ее код так хорошо распараллеливается, что эффект 
получился потрясающим. С другой стороны, четыре физических ядра лучше – Core i5 заметно 
быстрее Core i3. А вот Core i7, вновь, как и в предыдущих играх не показал ничего выдающегося на 
фоне Core i5. Причина все та же – игра не умеет использовать больше 4 потоков, а накладные 
расходы на работу HT снижают производительность Core i7 ниже уровня Core i5. 
 
93
99
78
37
0
20
40
60
80
100
120
4 ядра + HT (Core
i7)
4 ядра (Core i5)
2 ядра + HT (Core
i3)
2 ядра (Pentium)
 
 
Рисунок 7. Результаты в F1 2011. Средний FPS, NoAA, 16*AF, Макс. 1920*1080 

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В НАУКЕ,  
ОБРАЗОВАНИИ И ПРАКТИКЕ 
 
 
72
ArmA 2 
В этой игре технология Hyper-Threading совсем не влияет на производительность, - не так ярко 
заметно как в F1 2011 или Crysis 2. При этом все же отметим, что 1 лишний кадр включение HT на 
двуядерном процессоре принесло. Этого конечно маловато, чтобы сказать, что Core i3 лучше, чем 
Pentium. По крайней мере, это улучшение явно не соответствует разнице в цене этих процессоров. А 
уж о разнице в цене между Core i5 и Core i7 можно и не говорить, так как процессор без поддержки HT 
вновь оказался быстрее. Причем заметно быстрее – на 7 процентов. Здесь вновь констатируем факт, 
что четыре потока это максимум для этой игры, а потому Hyper-Threading в данном случае не 
помогает Core i7, а мешает. 
 
 
42
45
40
39
0
10
20
30
40
50
4 ядра + HT (Core
i7)
4 ядра (Core i5)
2 ядра + HT (Core
i3)
2 ядра (Pentium)
 
 
Рисунок 8. Результаты в ArmA 2. Средний FPS, NoAA, 16*AF, Макс. 1920*1080 
 
Выводы 
Тесты, проведенные даже в относительно небольшом количестве игр, показывают, что влияние 
Hyper-Threading  на  производительность  может  быть  разным.  Какие-то  игры  (например,  Metro  2033), 
просто не любят эту технологию в принципе, какие-то ее не замечают (Battlefield 3, 3DMark). Но есть 
еще  и  многочисленная  третья  группа.  Эти  игры  умеют  использовать  Hyper-Threading,  но  не 
используют  больше  четырех  потоков  данных.  Как  результат,  двуядерные  Core  i3,  в  такой  ситуации, 
выглядят просто превосходно на фоне Pentium. А вот Core i7 всегда проигрывает Core i5. 
В принципе, по большому счету это не проблема Core i7, а особенность современных игр. Они 
используют четыре потока по той причине, что процессоров с большим количеством ядер практически 
нет.  Но  если  такие  игры  появятся  (а  должны,  учитывая,  что  и  PlayStation  4  и  Xbox  720  имеют  8-
ядерные  процессоры),  то  Core  i7  наверняка  сможет  раскрыть  весь  потенциал  технологии  Hyper-
Threading,  как  это  делает  сейчас  Core  i3.  А  пока  можно  констатировать  тот  факт,  что  лучшим 
процессором  для  игр  из  линейки  Intel  является  все  же  более  доступный  по  цене,  и  лишенный 
поддержки HT, Core i5. И переплачивать за Core i7 имеет смысл только в том случае, если кроме игр 
вы  используете  другие  тяжелые  приложения,  которые  поддерживают  HT  и  умеют  работать  с  более 
чем  четырьмя  потоками  данных.  Среди  двуядерников  ситуация  в  корне  противоположная  –  здесь 
Core i3 гораздо предпочтительнее, чем Pentium, не говоря уже о Celeron, и именно благодаря Hyper-
Threading.  Глядя  на  его  производительность,  трудно  отказаться  от  рекомендации  к  покупке.  Хотя, 
если  выбор  стоит  между  двуядерным  Core  i3  с  HT  и  четырехядерным  Core  i5  без  HT,  то  тут  лучше 
выбрать Core i5. Все же четыре реальных процессорных ядра в любом случае лучше, чем два, даже с 
Hyper-Threading. 
 
Литература: 
1. Мураховский В. И. Железо ПК. Новые возможности. — СПб.: Питер, 2005. — 592 с: ил. ISBN 
5-469-01056-2. 
2. Мюллер Скотт. Модернизация и ремонт ПК, 19-е изд. Вильямс, 2011. — 1072 с.: ил. — Парал. 
тит. ISBN 978-5-8459-1668-6 (рус.) 
3.  Дмитрий  Петров,  Нужен  ли  Hyper-Threading  в  играх?  Чем  Core  i7  лучше  Core  i5?,  Режим 
доступа: http://testlabs.kz/processors/705-test-hyper-threading.html. 
 
 
 
 
 
 

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
73
ӘОЖ 681.3 
 
ЫМ ТІЛІ – КҮРДЕЛІ ЛИНГВИСТИКАЛЫҚ КОММУНИКАЦИЯ ЖҮЙЕСІ 
 
Нурханова  А.Б.  -  6М060200-информатика  мамандығының  2  курс  магистранты,  А.Байтұр-
сынов атындағы Қостанай мемлекеттік университеті 
Кудубаева  С.А.  -  т.ғ.к.,  доцент,  ғылыми  жетекші,  А.Байтұрсынов  атындағы  Қостанай 
мемлекеттік университеті 
 
Мақалада мультимедиалық компьютерлік  жүйелер ең тиімді оқыту және өзара әрекет ету 
тәсілі болып табылатындығы, соған байланысты ым тілімен жұмыс жасайтын информациялық қо-
сымша  бағдарламалар  нашар  еститін  және  құлағы  керең  (саңырау)  адамдар  үшін    басым  бір  мақ-
саттардың бірі болып келеді. Ым тілін анықтап тануда соңғы автоматтарды, Кальмар фильтрін 
(сүзгісін),  Хаара  классификациясын  (жіктеуін),  Байесовский  желісін  және  т.б.  қолдану  жайлы 
айтылған.   
 
Автоматтандырылған компьютерлік жүйенің жаһандық мақсаты ым тілі мен сөйлеудің негізінде, 
әлем  бойынша  ондаған  миллион    нашар  еститін  және  құлағы  керең  (саңырау)  адамдардың    тең 
құқылы  өмір  сүруін  қамтамасыз  ету.  Мультимедиалық  компьютерлік    жүйелер  ең  тиімді  оқыту  және 
өзара  әрекет  ету  тәсілі  болып  табылады,  соған  байланысты  ым  тілімен  жұмыс  жасайтын 
информациялық  қосымша  бағдарламалар  нашар  еститін  және  құлағы  керең  (саңырау)  адамдар  үшін  
басым бір мақсаттардың бірі болып табылады. Ерекше қызығушылық танытатын ол ым тілімен кірме 
мәтін  тілінің  компьютерлік  жүйесімен  түрлерінің  синтезі.  Ықтимал  нұсқа  ретінде  ым  тілінің  компью-
терлік синтезі ретінде анимациялық адам (виртуалдық адам бейнесі) аватар  кескіні қол және әр түрлі 
қозғалыс және ым  белгілері, түртінділер арқылы бейнеленеді. Синтез жүйесінде ым  тілі түртінділер 
тізбегі ретінде кескінделеді, соған байланысты сөздікті кеңейтуге және өзгертуге арнайы құрал пайда-
ланбайды.  Адам  және  машинаның  ара-қатынасы    және  байланысының  ерекшелігі,    ым    тілін  және 
сөздігін  синтездегенде  компьютер  оны  нақты  түрде  тусінуі  оны  қалыпқа  келтіруіне  байланысты.  Ым 
тілі визуалдық белгілер бойынша түсініп бейнелеу үшін бірнеше нүктелеу жүйесі (ым транскрипциясы) 
ым  хатқа  түсіру  үшін  қолданады.  Ым  тілінің  лексикалық  элементтері  –  ым  түрлері  бейнелегенде  ым 
тілінде  бірдей  болып  бір-біріне  ұқсас  болып  аударылуы  мүмкін:  кескін  үйлесімі  бойынша  (қол  және 
қолдар  қимылына  байланысты),  қимылдау  жеріне  байланысты  (ым  бейнеленеген  қолдың  орнала-
суына  байланысты),  қозғалыс  сипатына  байланысты  (қолдың  қимылына  байланысты,  қалай 
қимылдағаны).  Фонологиялық  қағидатқа  байланысты  минималды  әрдайым  қайталанатын  қарапайым 
ым  бірліктерін  жіктеп  ажырату  болып  табылады.  Ым  тілі  құрылымының  өзгешілігі  оның  біруақытта 
бірнеше қарапайым ым тілдің жасалуында. Ым тілінің ауызша сөйлеуден айырмашылығы – дыбыстық 
сөздер  (фонемалар)  дәйекті  түрде  уақытқа  байланысты.  Ал  хиремдер,  яғни  ым  тілі  қай  жерде 
көрсетіліп  жатыр  (маңдай,  бет  немесе  кеуде  тұсында  және  т.с.с..)  және  қозғалысына  байланысты 
(қолдар  алға  созылып  немесе  толқын  не  ирек  тәріздес,  және  т.с.с..).  Сонымен  қатар,  хиремдердің 
үшінші белгісі – басты не екі қолдың пішіні. 
Жұмыстың  маңызды  және  кең  таралған  әдісі  –  ым  тілін  анықтап  тануда  соңғы  автоматтарды, 
Кальмар  фильтрін  (сүзгісін),  Хаара  классификациясын  (жіктеуін),  Байесовский  желісін  және  т.б. 
қолдану.  Қолдың  ым  тілі  арқылы  ақпаратты  енгізу  құрылғыларының  қолдану  әдістерін  3  негізгі  топқа 
бөлуге болады: 
1.Видеокамераны қолдану әдісі негізінде, 
2.Сенсормен жабдықталған арнайы қолғаптар  қолдану әдісі  
3.3 өлшемді сенсор қолдану әдісі. 
Кестеде ым тілін танып білетін әдістердің сипаттамасы берілген. 
 
Кесте. Ым тілін танып білу әдістері 
 
Әдіс-тәсіл 
Енгізу 
құрылғысы 
Ым-ишараны 
анықтау (саны) 
сапасы 
Сапа 
Жылдамдық 
Шектеу  
Туынды 
иегерлер 
 
Суреттің 
кезеңдері 
Видеокамера   Қолдың  қалпы 
мен орналасуы, 
алақанның 
өлшемі 
- 
Нақты уақыт 
Біркелкі 
айнала 
(жағдай) 
Freeman W.T., 
Anderson D.B., 
Beardsley.және 
т.б. 
Суреттің 
әртүрлілігі 
Видеокамера   Қолдың 
қозғалысының 
бағыты 
- 
Нақты уақыт 
Тұрақты 
айнала 
(жағдай) 
FreemanW.T. 
және т.б. 

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В НАУКЕ,  
ОБРАЗОВАНИИ И ПРАКТИКЕ 
 
 
74
Бағыттың 
гистограммасы  
Видеокамера  
Қолдың 
сырт 
пішіні (5-15) 
- 
Нақты уақыт 
Әр 
операторды 
оқыту, 
біркелкі 
айнала 
Freeman W.T., 
Roth M.  
 
Суреттің 
арақашықтығы  
Видеокамер
а  /түрлі  түсті 
қолғаптар 
Қолдың  қалпы, 
өлшемі,сырт 
пішіні (24) 
- 
Нақты уақыт 
- 
Wang R.Y., 
Popovi´c 
Қолдардың 
сұлбасының 
арақашықтығы 
видеокамера  Конфигурация 
руки (24) 
90% 
0,5 секунд 
Әр 
операторд
ы оқыту 
Lamberti L., 
Camastra F. 
Кездейсоқ 
ормандар  
3D сенсор  
Адам  денесінің 
20 бөлігі 
- 
Секундына 
200 кадр 
Оператор 
бөлмеде  
Shotton J., 
Fitzgibbon A., 
Cook M., Sharp 
T., Finocchio M. 
Кездейсоқ 
ормандар  
3Dсенсор  + 
видеокамера 
Қолдың  қалпы 
(24) 
75% 
73% 
69% 
Нақты уақыт 
- 
Pugeault N., 
Bowden R 
ИНЖ 
Перчатка 
с 
менсорами 
Қолдың  қалпы 
(31) 
71,4% 
47,8% 
Нақты уақыт 
- 
Murakami K., 
Taguchi H. 
Нейрон газы 
Видеокамера  
Қолдың  қалпы 
(31) 
92,45% 
1.5 секунд   Жарықтың 
өзгеруіне 
сезімталдық 
Stergiopoulou E., 
Papamarkos N. 
Рекуррентті 
нейрондық желі  
Видеокамера/
цв.перчатка 
Қолдың  қалпы 
(28) 
95% 
89% 
Секундына 
15 кадр 
- 
Maraqa M., Al-
Zboun F 
ЖММ 
Стерео 
видеокамера  
Серпінді  
ым-ишара (10) 
98% 
95,7% 
Нақты уақыт 
- 
Elmezain M. Al-
Hamadi A 
ЖММ 
3видеокамера  Серпінді  
ым-ишара (53) 
89,9% 
Нақты уақыт 
- 
Vogler C., 
Metaxas D. 
Қолдың  пішінің 
иілуі 
видеокамера  Саусақ 
ұштарының 
қалпы  
- 
Секунд 
ішінде180 
кадр 
Жарықтың 
өзгеруіне 
сезімталд
ық,  камера 
арақашықт
ығы  0,5-2 
метр 
Shaowei C,  
Jiro T. 
 
Кестенің жалғасы 
 
Қолдың 
3 
өлшемді үлгісі  
Видекамера 
Қолдың 
қалпы 
(26+3D 
әр 
ымның 
қозғалысы) 
- 
15 секунд 
Жарықты
ң 
өзгеруіне 
сезімтал
дық 
Athitsos  V., 
Sclaroff S 
Қолдың 
3 
өлшемді үлгісі  
3D  сенсор  + 
Видеокамера  
Қолдың 
қалпының 
негізгі 
сипаттамал
ары(26) 
- 
Секундына 
15 кадр 
- 
  Oikonomidis I., 
Kyriazis 
N., 
Argyros A.A. 

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
75
Қолдың 
3 
өлшемді үлгісі  
Видеокамера   Қолдың 
қалпы (24) 
- 
Нақты уақыт 
Әр 
оператор
ды оқыту 
Tomasi 
C., 
Petrov 
S., 
Sastry A. 
Нақтыланбаған 
ақырғы    
автоматтар  
Видеокамера   Серпінді 
ым-ишара 
(15) 
90% 
Секундына 
15 кадр 
- 
Алфимцев 
А.Н. 
Байесов 
желісі 
Видеокамера   Серпінді 
ым-ишара 
(10) 
99,59% 
80.77% 
Нақты уақыт  Жарықтың 
өзгеруіне 
сезімталдық
Suk H.,  
Sin B.K.,  
Lee S.W 
 
Бірінші топтағы әдіс қолдың статистикалық және идинамикалық ым-ишараны танып білуге, және 
кей жағдайларды 90% жуық нақтылықпен. Бұл әдістің кемшіліктері жарықтың өзгеруіне сезімталдығы, 
әр түрлі жағдайларда бұл олқылықты түрлі түсті қолғап киіп немесе біркелкі айнала (тұрақты жағдай) 
жасап дұрыстайды, бұл адам-машина қарым-қатынасын ыңғайсыз және жасанды етеді.  
Екінші топтың әдістері жоғарғы сапалы қолдың негізгі қалпын танып біледі, бірақ арнайы қымбат 
қолғаптарды  киюді  қажет  етеді.  Аз  таралған  әдіс.  Үшінші  топтың  әдістері  нақты  бір  уақытта  адам 
денесінің негізгі нүктелерін анықтауға мүмкіндік береді, жарықтың өзгеруіне тәуелсіз, бүгінгі таңда зор 
нақтылықпен  қолдың  қалпын  және  серпінді  қолдың  ым  тілдерін  анықтап  танып  білетін  дайын 
шешімдер  жоқ.  Қолдың  қалпын  анықтап  танып  білуге  байланысты  жүргізіліп  жатқан  зерттеу 
жұмыстары  сапаны  тек    кем  дегенде  75%  көтерді.  [1,с.3].  Әдебиеттерді  қарастыра  келесідей  негізгі 
шешімдерге  әкелді:  1.  Қолдың  ым  тілітанып  білуде  (анықтауда)  кең  таралған  апапраттарды  қолдану 
межесі әлі шешілмеген; 2. Келе жатқан  құрылғылар мен әдістер тек көкейтесті мәселелерді шешуге, 
соның  ішінде  қолдың  қалпы  мен  саусақтардың  ұшын.;  3.  Барлық  видеокамера  қолданатын  әдістер, 
жарыққа  сезімтал  болып  келеді,    қолғап  кигенді  талап  етеді,  немесе  суреттін  айналасына  шектеу 
қояды; 4. Үш өлшемді сенсорлар салыстырмалы түрде қалыпты суреттер алуға мүмкіндік береді, бірақ 
бүгінгі  кезде  нақты  бір  уақытта  қолдың  қалпы мен саусақ  ұштарының,  қалыпты және  серпінді  қол  ым 
тілі адам суретінің негізінде анықтайтын әдіс-тәсіл жоқ.   
Адам    қолының  қалпын  бейнелейтін  визуалды  нышандар  (белгі)  ретінде,  екі  әр  түрлі  нышан 
жүйелері зерттеліп қаралды:  
1)  Пиксельдік  визуалдық  белгілер,  ым-ишара  тілінде  сөйлеп  тұрған  адам  қолының  және  кеуде 
тұсының  басты  компоненттерін  сараптап  (Principal  Component  Analysis  -  PCA),  автоматты  түрде 
бағдарламамен анықтау.  Бұл визуалдық белгілер алғашқы  көз компьютерлік кітапханасында OpenCV 
AVSR [2,с.3] жасалған болатын. 
2)Геометриялық  визуалдық  белгілер,  суреттегі  қолданылатын  түстердің  дифференциация 
сараптамасын  және  адам  қолының    геометриялық  пішінің:  саусақ  енінің,  алақан  көлемін,  қысылып 
тұрған саусақтардың көрінуінің сипаттамасы. 
  Екі  әдісте  алғашқы    видеокадрлар  өнделуі,  (720x576  пиксельдік  суреттің  оптикалық 
рұқсатымен,  озық  жайма  және  кадрдың  жиілігінің  25  гц)  камерамен  жасалған,  1  суреттегі 
сызбанұсқасы  бойынша  бірдей  жасалған.  Видеокадрларда  кеуде  тұсы  мен  қолдар  каскадты 
классификатормен  Adaptive  Boosting  әдісімен  (AdaBoost,  адаптивті  классификаторлар  күшейткіші) 
[3,с.3],  Виола-Джонс  алгоритмі  негізінде  жасалынған  [3,с.3].  Аталмыш  алгоритм  OpenCV[4,с.3] 
кітапханасының  аясында  көптеген  адамдардың  бет  әлпеттерінің  суреттерін  көріп  зерттеу  негізінде 
жасалынған.  
 
 
 
Сурет 1 — Ым тілінде сөйлеп тұрған видеокадрлардағы қол қимылын іздеу әдісінің 
функционалдық сызба-нұсқасы 

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В НАУКЕ,  
ОБРАЗОВАНИИ И ПРАКТИКЕ 
 
 
76
Аталмыш  бұл  әдістің  мәні  Кудубаева  С.А.,  Ермагамбетова  Г.Н.  Parametric  representation  of  the 
kazakh gestural speech//16th International Conference on Speech and Computer SPECOM 2014, Сербия, 
Нови-Сад, 5-9 қазан 2014ж. мақаласында толықтай жазылған. 
 
 Әдебиеттер: 
1 Pugeault N., Bowden R. Spelling It Out: Real-Time ASL Fingerspelling Recognition // In Proceedings 
of the 1st IEEE Workshop on Consumer Depth Cameras for Computer Vision, jointly with ICCV'2011, 2011. 
— p. 1114-1119. 
2  Библиотека  компьютерного  зрения  Open  Source  Computer  Vision  Library  (OpenCV) 
[Электронный ресурс]. - Режим доступа: 
http://sourceforge.net/projects/opencvlibrary
. 
3  Castrillуn,  M.  A  Comparison  of  Face  and  Facial  Feature  Detectors  based  on  the  Viola-Jones 
General Object Detection Framework / M.Castrillуn, O.Deniz, D.Hernаndez, J.Lorenzo // Machine Vision and 
Applications, V. 22, Issue 3, 2011.- pp. 481-494. 
4 Bradsky, G. Learning OpenCV / G.Bradsky, A.Kaehler // O’Reilly Publisher, 2008.- 571 p. 
 
 
УДК 658.512:005 
 
СЕРВИС-ОРИЕНТИРОВАННАЯ АРХИТЕКТУРА КАК ПАРАДИГМА 
ПРЕОБРАЗОВАНИЯ УПРАВЛЕНИЯ КОМПАНИЕЙ 
 
Рахметулаева  С.Б.  -  докторант  PhD,  Новый  Экономический  Университет  им.Т.Рыскулова, 
г.Алматы 
 
Сервис-ориентированная  архитектура  является  формой  технологии  архитектуры,  ко-
торая  повышает  функциональность  приложения  путем  предоставления  и  набора  служб,  опубли-
кованных  на  уровне  детализации,  имеющих  отношение  к  запросу  сервиса,  которые  абстра-
гируются  от  реализации  с  использованием  единственного  интерфейса  на  основе  стандартных 
форм. 
Ключевые слова: SOA, архитектура, бизнес управление, интегрированность.  
 
В  основном  сервис-ориентированная  архитектура  (SOA)  это  набор  сервисов,  которые 
взаимодействуют  друг  с  другом,  независимо  от  технологии  и  платформы,  на  которой  они 
развертываются.  SOA  принято  понимать,  как  стандарт  для  проектирования  и  дизайна,  которая  не 
зависит  от  поставщика,  продукта,  технологии  или  тенденции  отрасли,  что  существенно  помогает 
преодолеть разрыв между бизнесом и информационными системами.  
SOA  также  может  быть  определена  как  архитектурный  стиль,  используемый  для 
проектирования  распределенных  систем  на  основе  слабо  связанных  абстрактных  сервисов.  SOA, 
стал  стандартом  де-факто  для  проектирования  и  разработки  корпоративных  приложений,  которая 
принимается  как  попытка  довести  решение  проблемы  функциональной  совместимости  между 
гетерогенными  системами.  SOA  также  можно  рассматривать  как  эталонную  архитектуру,  которая 
может  быть  применена  в  организациях,  которые  являются  частью  цепи  или  сети,  а  также 
организаций,  которые  сталкиваются  с  большим  количеством  нормативных  изменений,  или  быстро 
меняющимся  рынком.  Она  позволяет  изменять  части  ИТ-ландшафта  и  процессы,  без  изменения 
других  частей  системы.  SOA  может  помочь  предприятию  оптимизировать  процессы,  чтобы  сделать 
свой бизнес более эффективным образом, и они могут решать изменяющиеся потребности на рынке 
и существенно влиять на конкуренцию, путем предоставления программного обеспечения в качестве 
концепции обслуживания [1]. 
Необходимость  реагирования  на  динамическое  развитие  бизнеса  с  гибкими  IT-решениями 
привело многие предприятия принять архитектуру SOA, как IT-структуру, позволяющая интегрировать 
отдельные бизнес-услуги, для реализации сложных бизнес приложений и процессов. 
Основные  компоненты  SOA  показаны  на  рисунке  1.  В  SOA  компоненты  представлены  тремя 
размерами, то есть технологии, люди и процесс. Эти компоненты дают полное представление о SOA. 

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
77
 
Рисунок 1 – Компоненты SOA 
 
Принципы SOA заключаются в следующем: 
 Унифицированный  сервис:  служба  принцип  которой  описывает  каждую  услугу  и  условия 
обмена информацией между потребителем и поставщиком услуг. 
 Слабосвязанная  система:  услуги  разработаны  таким  образом,  что  они  не  находятся  в 
зависимости  от  других  услуг,  один  сервис  может  быть  заменен  другим  без  каких-либо  трудностей. 
Услуги являются независимыми в отношении технологии, платформы, процесса и поставщика услуг.  
 Сервис  абстракции:  видимая  часть  отношения  с  внешним  миром  предоставляется  через 
договор оказания услуг. 
 Служба  повторного  использования: после  разработки  и  внедрения услуг  единожды  их можно 
настроить как многоразовый ресурс для предприятия, при необходимости. 
 Служба  автономии:  услуга  самоописательная  и  самоуправляемая.  В  ней  содержится 
независимая логика для самостоятельного запуска и контроля системой. 
 Служба  без  фиксации  текущего  состояния:  услуги  не  хранят  информацию  о  состоянии 
сервиса. Это приводит к уменьшению ресурсов, потребляемых службы, так как он участвует только в 
фактическом состоянии управления данных. 
 Служба  открытости:  услуги  открыто  позволяют  описывать  сервис  таким  образом,  чтобы  они 
смогли ссылаться на них для их использования. 
 Служба  компоновки:  услуги,  позволяют  логике  быть  представленной  на  различных  уровнях 
детализации  для  обеспечения  большего  смысла  с  наименьшей  логикой  сервиса.  Это  дает 
возможность для повторного использования и создания абстракций.  
 Совместимость:  услуга  обеспечивает  возможность  вызова  и  работы  службы  в  гетерогенной 
среде. 
Есть  ряд  причин,  чтобы  использовать  SOA  как  основу  для  реализации  архитектуры 
предприятия,  т.е.  увеличения  конкурентоспособности,  повышения  возможностей  бизнеса,  снижение 
стоимости разработки и т.д. 
В  соответствии  с  отчетами  компании  Gartner,  реализация  архитектуры  на  основе  SOA  имеет 
следующие преимущества: 
1. Снижение затрат (63%) 
2. Улучшение гибкости бизнеса (60%) 
3. Изменения в поддержке в бизнес-моделях (50%) 
4. Оптимизация ИТ-среды (59%) 
5. Поддержка новых бизнес-процессов (57%) 
6. Сокращение времени на решение (53%) 
Понятие  сервисно-ориентированной  архитектуры  (SOA)  применительно  для  анализа  цен  на 
акции  компании  и  программной  вычислительной  техники,  например,  грубая  теории  множеств  (RST), 
искусственные  нейронные  сети  (ИНС),  все  эти  методы  применяются  для  прогнозирования  цен  на 
акции. 
Прогнозирование  котировки  акций  любой  компании  является  сложной  задачей,  так  как данные 
являются  непрерывными,  изменяются  с  высокой  интенсивностью,  и  имеют  многомерный  и 
динамичный  характер.  Большинство  имеющихся  методов  относительно  прогнозирования  в 
литературе  до  настоящего  времени,  основаны  на  численном  моделировании.  Данное  исследование 
делает  попытку  распространить  понятие  численного  моделирования  и  представляет  собой  подход 
для  прогнозирования  цен  на  акции  данной  компании  путем  включения  методологии  сбора  данных 
сервис-ориентированной  архитектуры  (SOA),  а  затем,  применяя  вычислительную  технику  для целей 
прогнозирования.  В  данном  исследовании,  концепция  SOA  применяется  для  сбора  данных  о 
конкретной  компании,  используя  Java  Business  Integration  (JBI)  рамки.  Особенности  SOA  это 
обеспечение  повторного  использования,  гибкость  системы,  адаптивность  и  целостность  процесса 

ПЕРСПЕКТИВЫ РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В НАУКЕ,  
ОБРАЗОВАНИИ И ПРАКТИКЕ 
 
 
78
сбора  данных.  Атрибуты  полученного  набора  данных  сокращены  с  использованием  одного  из 
методов вычислительной техники к примеру, грубая теория множеств (RST). Метод RST применяется 
для  нахождения  н  соответствующих  атрибутов  и  при  этом  идет  процесс  ликвидации  избыточных 
атрибутов  с  менее  важной  информацией.  Остаточные  атрибуты  используются  для  прогнозирования 
рейтинга компании для котировки акций на основе искусственным нейронной сети (ИНС) техники. 
Прогноз  рынка  акций  является  важной  задачей для  участников  финансовых  рынков  и  сложной 
задачей  в  рамках  финансового  анализа  временных  рядов,  из-за  неопределенности  между 
участвующими  в  движении  рынка.  Существуют  различные  причины  влияния  на  фондовый  рынок, 
включая политические события, общие глобальные экономические условия, и внутреннее управления 
и  т.д.  В  данном  исследовании  мы  попытались  сделать  акцент  на  внешние  данные,  так  как  часто 
именно  отзывы  и  комментарии  пользователей  в  социальных  сетях  определяет  уровень  доверия 
населения  компании,  а  соответственно  и  репутацию  на  финансовом  рынке,  что  является  не 
маловажно.  Есть  ряд  наиболее  часто  используемых методов прогнозирования  волатильности,  таких 
как рассеянный временных рядов, авто-регрессии, авто-регрессивный скользящей средней (ARMA) и 
т.д.,  которые  применяются  для  прогнозирования.  Эти  методы  преобладают  анализом  временных 
рядов.  Так  как  сложность  прогнозирования  возрастает,  применяются  и  другие  методы 
прогнозирования  цен  на  акции,  такие  как  интеллектуальный  анализ  данных  и  искусственный 
интеллект,  которые  также  имеют  удельный  вес  при  анализе  данных.  Индуктивные  подходы  к 
обучению  на  основе  K-ближайшего  соседа  и  нейронной  сети для  прогнозирования  фондового  рынка 
были  разработаны  с  использованием  исторических  данных  о  ценах,  которые  резко  улучшили 
производительность  предсказания  [2].  Метод  SOA  помогает  при  сборе  данных  делая  процесс 
автоматическим.  SOA  обеспечивает  совместимость  и  интеграцию  технической  архитектуры  и 
реализуется  по  технологии  веб-сервисов  для  сбора  информации.  После  сбора  данных, 
вычислительная техника применяются для прогнозирования цен на акции на основе репутационного 
анализа  с  целью  достижения  точности.  В  данном  исследовании  SOA  было  использовано  для  сбора 
данных о компании с помощью уже существующего сервиса, разработанного организацией. 
Сегодня  мы  живем  в  эпоху  глобального  рынка,  где  предпринимательская  деятельность 
осуществляется  и  контролируется  со  всего  мира.  Глобализация  бизнеса,  гибкость  рынков,  высокая 
конкурентная  среда,  и  быстро  развивающиеся  потребности  потребителей  способствует  развитию 
систем  с  большей  гибкостью  и  с  высокой  скоростью  адаптации  систем.  Для  преодоления  этих 
проблем,  предприятиям  необходимо  двигаться  в  сторону  к  принятия  сервис-ориентированной 
архитектуры  (SOA),  чтобы  сделать  свою  систему  масштабируемой  и  гибкой.  SOA  облегчает 
разработку 
распределенных 
корпоративных  приложений, 
основанных 
на 
веб-сервисах 
с 
возможностью легко интегрироваться и повторного использования.  
 
Литература: 
1. 
L. Dikmans and R. Van Luttikhuizen, SOA Made Simple. Packt Publishing Ltd, 2012. 
2. 
T.  Erl,  Service-oriented  architecture:  concepts,  technology,  and  design.  Pearson  Education 
India, 2005. 
 
 
 
УДК  004.414.23 
 
МЕТОДЫ ИССЛЕДОВАНИЯ ИНФОРМАЦИОННОЙ МОДЕЛИ ВИБРОУСТАНОВКИ 
 
Рыспаева М.К. – магистрант, Костанайский государственный университет им. А.Байтур-
сынова 
Иванова  И.В.  –  к.п.н.,  ст.преподватель  кафедры    программного  обеспейчения,  Костанай-
ский государственный университет им. А.Байтурсынова  
 
В  ходе  исследования  и  разработки  информационной  модели  вибрационной  установки 
применены  теоретические  методы  исследования:  анализ,  классификация  и  моделирование. 
Проанализированы существующие аналоги и разработки. На основе анализа и патентного поиска 
разработана  классификация  вибрационных  установок,  а  с  помощью  метода  моделирование  –  
информационная модель изобретения. 
 
Методологической  основой  диссертационного  исследования  послужили  теоретические 
методы – анализ, классификация, экспериментальные – моделирование. 
Теоретическую  основу  диссертационного  исследования  составили  труды  ведущих  ученых  в 
области  биогазовых  и  вибрационных  установок:  И.И.Блехмана,  И.И.Быховского,  И.Ф.Гончаревича, 

ҒЫЛЫМ, БІЛІМ БЕРУ ЖӘНЕ ПРАКТИКАДА АҚПАРАТТЫҚ  ТЕХНОЛОГИЯЛАРДЫҢ  
ДАМУ ЖОЛДАРЫ 
 
 
79
Э.Э.Лавендела,  Б.П.Лаврова,  Р.Ф.Нагаева,  В.Н.Потураева,  К.Ф.Фролова,  М.В.Хвингии,  В.А.Баумана, 
В.А.Повидайло, С.М.Кулиша 
Основными  методами  исследования  на  первом  этапе  написания  магистерской  работы  явля-
ются  анализ  существующих  аналогов  и  разработок,  выделение  общих  параметров  вибрационных 
установок  и  разработка  классификации  на  основе  анализа,  а  также  моделирование  изобретения 
«Вибросито». 
В ходе патентного поиска отобраны и проанализированы следующие аналоги. 
Известно  вибросито,  содержащее  просеивающую  поверхность  в  виде  сетки,  укрепленной  в 
раме  на  неподвижных  опорах,  имеющее  вибропривод  рамы,  применяемое  для  очистки  буровых 
растворов от выбуренной породы, для сортировки зерна, муки и прочее [1]. 
Недостаток такого сита состоит в жесткой связи сетки с рамой. Это ограничивает амплитуду и 
частоту колебаний сетки колебаниями самой рамы, а, следовательно, прочностными свойствами этой 
рамы  и  ее  массой,  требующей для  приведения  в  колебательное  движение  значительной  энергии.  В 
результате ограничена просеивающая способность вибросита. Этот недостаток в некоторой степени 
уменьшен в сепарирующем устройстве по патенту ФРГ N2950615, кл.B07B1/10[2]. В этом устройстве 
сетка  размещается  на  опорах,  имеющих  собственный    вибропривод,  масса  которого  может  быть 
меньше, чем у рам, в которых крепится сетка в известных виброситах. 
Однако  в  этой  конструкции  амплитуда  колебаний  сетки  также  ограничена,  что  обусловлено 
соотношением  размеров  использованных  рычагов  привода  опор.  Частота  же  ограничена 
износостойкостью  шарнирного  механизма  привода опор,  а  также  и  затратами  энергии,  значительная 

жүктеу/скачать 39,72 Mb.

Достарыңызбен бөлісу: