gambaran dari sistem tersebut, dengan beberapa sumber data dan cara-cara
yang berbeda untuk menyajikan data: relasional tradisional
laporan database, format tabel, dan, khusus untuk risiko
analisis, diagram bowtie.
Dalam karya ini kita fokus pada model representasi bowtie
(Dijelaskan dalam Bagian II) sebagai salah satu yang paling representatif di
sistem manajemen analisis risiko. Perlu dicatat bahwa
kompleksitas dari model data dalam representasi bowtie
berasal dari hubungan yang kompleks antara entitas data
bukan dari fakta bahwa data dapat memiliki data yang heterogen
sumber. Sebuah model bowtie secara inheren grafik dan visual mewakili
hubungan antara kemungkinan penyebab dari
kecelakaan (hazard), konsekuensinya, metode untuk mencegah
kecelakaan dan cara mengurangi konsekuensi dari
kecelakaan. Analisis risiko adalah proses yang kompleks yang sering bergantung
pada sebelumnya akumulasi keahlian dan data. Hal ini membutuhkan, di
umum, banyak penyesuaian dari model dan simulasi di
memesan untuk menghasilkan analisis risiko yang akurat. bowtie yang
representasi berfungsi sebagai "dashboard" dalam proses ini: itu
memberikan ringkasan visual karakteristik proses 'dan
harus memungkinkan perubahan dinamis dari model dan simulasi.
Tujuan ini akan sangat sulit dicapai tanpa
bahasa manipulasi data yang sesuai yang sesuai untuk data
Model mewakili bowtie a.
kontribusi kami adalah sebagai berikut. Pertama, kami menyediakan
deskripsi formal dari model bowtie umum perwakilan di
proses analisis risiko yang khas. Kemudian kami menunjukkan bagaimana kita
bisa
secara alami memperpanjang bahasa XQuery [1] untuk melakukan pencarian
dan / atau manipulasi data melalui model grafik data. Akhirnya, kami
menyajikan pelaksanaan ekstensi XQuery,
TreXQuery, yang menyediakan skalabilitas yang diinginkan dan fleksibilitas dari
representasi bowtie di risiko khas
sistem manajemen informasi.
Sisa kertas ini disusun sebagai berikut. Dalam Bagian II
kami menyajikan risiko bowtie representasi model analisis,
terminologi, dan struktur data yang mendasari. Selanjutnya, di
Bagian III, kami menyajikan model data rinci, kita secara singkat
memperkenalkan XQuery untuk mencari model pohon, dan kami menunjukkan
bahwa
XQuery dapat secara alami diperluas untuk mendukung pencarian lebih
diarahkan grafik. Kami menyebutnya perpanjangan XQuery untuk mencari
risiko model data yang TreXQuery (yang disajikan dalam Bagian
IV). Contoh implementasi TreXQuery disajikan dalam
Bagian V. Kami menyimpulkan dan rencana kerja di masa depan ada di
Bagian VI.
----------------------------PERSIAPAN
penilaian risiko dan analisis, awalnya proses standar
di industri pengeboran dan pertambangan, telah saat ini memperoleh
popularitas di berbagai domain: industri kesehatan [2], air
jaringan pasokan [3], penanganan bahan berbahaya [4, 5], sosial
dan kerja [6, 7] dll Singkatnya, risiko didefinisikan sebagai
hubungan (kuantitatif atau kualitatif) antara penyebab
kecelakaan mungkin (event penting) dan kemungkinan
Konsekuensi dari acara: menyebabkan - acara penting konsekuensi. Proses penilaian risiko mengidentifikasi semua
kemungkinan penyebab kecelakaan, langkah-langkah pencegahan untuk
acara tersebut, dan kemudian, dalam kasus acara ini akhirnya diproduksi,
langkah-langkah mitigasi untuk mengurangi konsekuensi
acara. Proses ini sering dimodelkan, sangat sugestif, sebagai
diagram bowtie (Gambar 2). Dalam model ini, penyebab CA adalah
ditandai dengan nilai kemungkinan dan konsekuensi CO oleh
Nilai keparahan. Tujuan dari pencegahan (PC) dan
mitigasi (MC) kontrol (ditandai dengan efektivitas
value) adalah untuk mengurangi kemungkinan penyebab sepanjang jalur
konsekuensi dan tingkat keparahan konsekuensi,
masing-masing. Terendah penyebab kemungkinan pada akhir
jalur konsekuensi dan terendah konsekuensi
keparahan, kesempatan yang lebih baik untuk menghindari peristiwa penting.
Untuk mencapai
tujuan ini, dalam proses penilaian risiko nyata model ini
terus berubah: penyebab, kontrol, dan konsekuensi dapat ditambahkan atau
dihapus; menyebabkan likelihood dan / atau kontrol
nilai-nilai efektivitas dapat disesuaikan di kali, dll Oleh karena itu
keharusan untuk memiliki bahasa manipulasi data yang sesuai
untuk melakukan perhitungan sepanjang jalur dari penyebab
konsekuensi. Kebutuhan ini dapat jelas tergambar jika kita
melihat lebih dekat di jalur rinci dari penyebab ke
konsekuensi dari bowtie (Gambar 3). Secara umum, jalur
dari penyebab (CA, numerik ditandai dengan kemungkinan L)
untuk konsekuensinya (CO, numerik ditandai dengan tingkat keparahan
S) berisi beberapa pencegahan (PC) dan mengurangi kontrol
(MC). Kontrol ini secara numerik ditandai dengan adanya
Efektivitas E. Berbagai faktor dapat mengurangi kemampuan
kontrol untuk mengurangi penyebab kemungkinan atau konsekuensi
kerasnya. Faktor-faktor ini disebut faktor eskalasi (EF) dan
mereka numerik ditandai dengan tingkat keparahan dampaknya i.
Untuk membuat masalah lebih rumit, dalam prakteknya, ini
faktor eskalasi dapat dikendalikan oleh entitas lain,
eskalasi faktor hambatan, yang dirancang untuk mengurangi
dampak dari faktor eskalasi. Dengan cara ini seluruh model bisa pergi
rekursif mendalam dari setiap kontrol, tergantung pada
granularity dari proses analisis risiko. Kami akan melewatkan rincian ini
dalam presentasi ini karena mereka tidak berdampak keluar pendekatan (oleh
Sebaliknya, mereka akan menggambarkan skalabilitas dari pendekatan kami)
dan akan membuat deskripsi keseluruhan proses yang sangat sulit untuk diikuti.
Kecuali untuk konsekuensi keparahan, semua lainnya
parameter yang biasanya dinyatakan sebagai persentase. ketika semua
faktor-faktor ini diperhitungkan, kemungkinan efektif
penyebabnya dihitung sebagai:
EL = L * E1 * (1 + i1) * E2 (1)
dan tingkat keparahan efektif penyebabnya dihitung sebagai:
ES = S * E3 * E4 (2)
Maka nilai risiko dihitung hanyalah produk dari
efektif penyebab kemungkinan dan konsekuensi keparahan:
R = EL * ES (3)
Oleh karena itu dihitung "risiko" nilai biasanya sebagian kecil dari
beratnya konsekuensi risiko (s).
Hal ini jelas bahwa rumus di atas dipengaruhi oleh
jumlah kontrol, faktor eskalasi, dan parameter mereka. Di
kasus dinamis menyesuaikan model (menambahkan / menghapus
komponen bowtie) atau simulasi (mengubah parameter
nilai-nilai) formula ini harus menghitung ulang atau bahkan disesuaikan
(Dengan menambahkan / menghapus parameter dalam formula ini). Ini
Pendekatan akan sangat merepotkan untuk dasi kupu-kupu kecil dan
benar-benar praktis untuk dasi kupu-kupu rata-rata dan besar. Sebuah grafik
bahasa traversal akan menjadi solusi yang lebih praktis.
------Meskipun model-model grafik dan database telah ada selama
beberapa waktu [8] mereka tidak menerima banyak perhatian sebagai mereka
relasional atau XML rekan-rekan. Hanya baru-baru, tumbuh dengan
bunga dalam model data yang kompleks dan representasi memicu
peningkatan cepat dari sistem database grafik murni (lihat [9] untuk
survei terbaru). Namun, untuk saat ini tidak ada standar umum
untuk bahasa manipulasi data untuk grafik. Semua grafik permintaan
bahasa diusulkan entah didedikasikan untuk masalah tertentu
(Seperti menemukan jalan terpendek [10]) atau benar-benar baru
bahasa query sangat mirip dengan SQL (misalnya Cypher di
Grafik Database Neo4j [11]).
Pendekatan kami asli [12] untuk mencari model grafik di
Gambar 2 didasarkan pada pengamatan sederhana: grafik di
Gambar 2 pada dasarnya adalah gabungan dari dua pohon (sisi kiri,
disebut "pohon kegagalan"; dan sisi kanan, disebut "peristiwa
pohon"). Pendekatan ini muncul sebagai pilihan alami, berasal
dari terminologi standar dalam proses penilaian risiko
menggunakan dasi kupu-kupu. Setiap pohon bisa dengan mudah dimodelkan
sebagai
Model Document Object (DOM [13]) dan karena itu XQuery
[1] dapat digunakan di luar kotak. Kelemahan dari
Pendekatan adalah bahwa hal itu hanya dapat digunakan untuk bowtie relatif
sederhana
model. Dalam prakteknya, struktur data (seperti yang kita jelaskan di
Bagian III) jauh lebih kompleks dan kedua kiri dan kanan
sisi diarahkan grafik sendiri. Sebaliknya, kami memutuskan untuk
memperpanjang XQuery yang sesuai untuk mencari grafik. Itu
manfaat yang jelas ada dua: bahasa deklaratif standar
untuk mencari menggunakan ekspresi jalan biasa penghubung; dan
memanfaatkan algoritma efisien untuk menghitung query path
sudah dikembangkan untuk XPath / XQuery [13, 14].
------------------------RISIKO MODEL DATA ANALISIS
Risiko analisis sistem yang khas mungkin berisi apa-apa
antara ratusan dan puluhan ribu peristiwa penting untuk menjadi
dianalisis. Kejadian-kejadian penting yang diselenggarakan di register.
Oleh karena itu, gambaran besar dari semua entitas data hirarkis,
dengan register di atas, maka peristiwa penting elemen, yang memiliki
penyebab, kontrol pencegahan dan mitigasi, dan konsekuensi
(Gambar 4). Kemudian pada setiap tingkat acara penting, menyebabkan, kontrol,
dan konsekuensi dapat saling berhubungan dalam bentuk bowtie, seperti
diilustrasikan pada Gambar 2.
Gambar 5 menunjukkan model data saat selesai dengan semua bahan dari
aplikasi enterprise nyata: departemen
mengelola acara penting dan orang-orang; orang yang bertanggung jawab
dengan
kontrol (dalam satu atau banyak register); tindakan yang diperlukan untuk
mempertahankan efisiensi kontrol pencegahan dan mitigasi (di
satu atau banyak register), dll Setiap simpul graf adalah kompleks
keberatan dengan sendirinya. Ini berisi, secara umum, informasi yang dapat
diselenggarakan sebagai satu set "atribut" (sifat), tetapi mungkin memiliki
interconnectivities internal yang membuat simpul mini-grafik dengan
diri. Kami tidak akan hadir semua rincian ini dalam makalah ini karena
kurangnya ruang.
----Pada Gambar 5, kami juga menyoroti bagian bowtie data
struktur. Bagian itu, secara umum, "dashboard" untuk
menampilkan keadaan umum sistem dan sebaliknya untuk
baik-baik saja tuning parameter dari sistem. Sebuah data yang memadai
bahasa manipulasi diperlukan untuk mencari dan
menampilkan informasi, menambahkan / menghapus node baru, memicu
perubahan sepanjang jalur dari penyebab konsekuensi ketika
parameter dari perubahan sistem.
Secara formal, model data pada Gambar 5 adalah grafik bowtie
BG (V, E) yang berikut dua fungsi didefinisikan:
Sebuah fungsi nama node
NN: V? {CA, PC, MC, CO, Event, Registrasi,
Departemen, Orang, Action}
Untuk mengatasi situasi ini kami menemukan bahwa caching data dari
Seluruh mendaftar atau, bahkan lebih baik, "terlihat" bagian dari data dapat
secara signifikan meningkatkan kinerja. Mengingat fakta bahwa dasi kupu-kupu
dirancang untuk manusia "konsumsi", jelas bahwa
tampilan tidak dapat menampung banyak node tanpa mengambil tol
pada kemampuan untuk memahami dan menggunakan dasi kupu-kupu benar.
Besar
bowtie memiliki biasanya ratusan node, yang merupakan dikelola
Ukuran ketika berhadapan dengan pertunjukan rangka kuadrat.
--------Untuk evaluasi query jalan seluruh n langkah,
Step1 / langkah2 / .... / stepn, untuk diberikan awal konteks C, kita lanjutkan
satu langkah pada satu waktu menghindari hati-hati pendekatan rekursif,
yang dapat menghasilkan pertunjukan waktu eksponensial dalam ukuran
query (seperti yang ditunjukkan di [15]).
Algoritma 2: Jalur evaluasi permintaan
Input: jalur permintaan langkah1 / langkah2 / ... / stepn;.
konteks mengatur node C
Output: satu set node S
algoritma jalur-query (langkah1 / langkah2 / .... / stepn, C)
(1) S: = kosong
(2) untuk setiap sumbu :: simpul-nama di langkah1 / langkah2 / .... / Stepn
(3) C: = langkah (axis :: simpul-nama, C)
(4) S: = C
(5) kembali S
algoritma loop atas setiap langkah dalam query (garis 24), maka untuk setiap langkah itu menghitung node mengatur hasil langkah
(Garis 3, menggunakan Algoritma 1). Hasil simpul set setelah setiap langkah
adalah baik keseluruhan set kembali (up langkah masing-masing) dan
konteks simpul ditetapkan untuk langkah selanjutnya (jika ada). Algoritma 2 jelas
berkinerja dalam waktu linier dalam ukuran permintaan dan O (n | V '| 2)
secara keseluruhan.
XQuery ada keraguan lebih dari permintaan jalur reguler
ekspresi. Namun, terlepas dari menggunakan model data yang berbeda
dan sedikit berubah semantik dan prosedur evaluasi untuk
model data kapak, seluruh tata bahasa dapat
digunakan karena untuk perpanjangan kami mengusulkan. Oleh karena itu
bahasa diperpanjang sepenuhnya mempertahankan kompatibilitas: semua
query disajikan dalam TreXQuery dapat digunakan tanpa perubahan
model data XML (dan karenanya mendapatkan keuntungan dari portabilitas saat
menggunakan berbagai sumber data).
Dengan spesifikasi tersebut dan notasi kami akan melanjutkan
di samping memberikan contoh menggunakan TreXQuery untuk mencari
grafik. Untuk model grafik diwakili dalam Gambar 5 grafik
nama node ditunjukkan dalam setiap kotak vertex (Register, CA,
Departemen, dll) dengan "Event Kritis" yang digunakan dalam
query sebagai "Event" untuk kesederhanaan. Sumbu (tepi label) adalah sebagai