Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7



Скачать 194.39 Kb.
Дата14.09.2014
Размер194.39 Kb.
ТипЗадача

Оглавление


«Интеллектуальные месторождения». 1

От интеллектуальных скважин к интеллектуальному месторождению 2

Выводы: 4

Что реально можно получить от «интеллектуального месторождения »по максимуму 5

Три первоочередных задачи 6

Задача №1: получение данных 6

Задача №2 модели и программное обеспечение управления добычей 7

Задача №3 Переход к технологиям облачных вычислений в задачах связанных с «интеллектуальным месторождением». Высокопроизводительные вычисления и доставка результатов решения задач №1 и №2 и конечными потребителями. 8

Проблемы, которые следует изучить в первую очередь для использования технологий облачных вычислений применительно к «интеллектуальному месторождению» (задачи 1 и 2) : 9



«Интеллектуальные месторождения».


Исторически прежде чем начался разговор о «интеллектуальном месторождении» развивались технологии «интеллектуальной скважины» - скважина с мозгами, т.е. такая которая при помощи телеметрии настраивается на режим максимального дебита по нефти.

Умная или Интеллектуальная скважина или скважина с высокотехнологичной компоновкой — скважина, конструктивно объединяющая ряд компонентов для сбора, передачи и анализа данных о добыче и пласте, и способных управлять притоком на отдельных интервалах перфорации в целях оптимизации добычи, без внутрискважинных работ, в режиме реального времени. Обычно скважина e;t считается «умной», если она по минимуму оборудована устройствами контроля притока (ICV) и забойными датчиками давления и температуры.

Естественно, помимо подходящего оборудования необходим комплекс мероприятий, позволяющих достичь:



  • Увеличения и / или оптимизации добычи;

  • Увеличения абсолютной нефтеотдачи;

  • Снижения и / или оптимизации Капитальных затрат;

  • Снижения и / или оптимизации производственных затрат.

При такой формулировке вопроса, проблему можно разделить на две части:

  • обеспечение надежности работы погружного оборудования, отсутствие отказов которого и принесет стабильную добычу и минимальные затраты;

  • выбор оптимального режима эксплуатации - без геологии и истории разработки здесь не обойтись, какую бы насосную установку не использовали.

На уровне скважины есть два решения сделать ее «умной»:

  1. Регулировка станцией управления.

Плюсы – Обработка всей поступающей информации. Мгновенная реакция на изменение параметров. Минусы – ограниченность функциональности. Вывод скважины автоматически на оптимальный режим не осуществляется. Только работа на стабильных параметрах заданных оператором. 

В этом случае все зависит от возможности станций. Например, можно автоматически поддерживать постоянный дебит или давление на приеме.

Есть контроль турбинного вращения после остановки. ЭЦН не запуститься до окончания турбинного вращения. Также можно записывать рабочие параметры на карту памяти с заданной дискретностью. Можно подключать сигналы внешних устройств (например, устьевого манометра). Можно поместить в СУ компьютер, но с нашими электросетями это проблематично.  Существующие системы (Centrilift, Toshiba, Электон) оснащены достаточным комплексом защит и имеют большие функциональные возможности, вплоть до графического интерфейса (Centrilift).



  1. Удаленное управление.

Плюс - Потенциально нет предела совершенства по анализу работы. Получение данных в реальном времени. Минус - время опроса/передачи данных не моментальное. Объем передаваемых данных пока ограничен. 

Оснащение ЭЦН датчиком обязательно. Модуль телеметрии находится на станции, и связан по радиоканалу, GSM, спутнику с базой. Возможен удаленный опрос параметров и управление станцией. Протоколы передачи созданы Управляющую программу можно создать любую, в том числе с искусственным интеллектом (то есть, своеобразного программного робота, моделирующего некий вид человеческой деятельности, которая считается интеллектуальной, например, автоматически считывать и анализировать параметры, регулировать частоту, при нестабильной токовой диаграмме выдавать сигнал на промывку скважины и т.д.).


От интеллектуальных скважин к интеллектуальному месторождению


Принципиально важно отметить, что именно развитие технологий удаленного управления «умными» скважинами с одной стороны и естественное желание помимо стабильной работы автоматически вывести скважину на интегральный по месторождению оптимальный режим (что естественно не возможно без моделирования с использованием геологии и истории разработки), привело к идеологии «интеллектуальное месторождение». Отметим также и естественное желание оптимизировать работу имеющихся высококвалифицированных специалистов.

В различных компаниях имеются свои названия проектов, которые можно отнести к интеллектуальному месторождению:



  1. "Умное месторождение" - Smart Field (Shell)

  2. "Интеллектуальное месторождение" - i-field (Chevron)

  3. "Месторождение будущего" - Field of the future (BP)

  4. "Умные операции" - Smart Operations (Petoro)

  5. "Интегрированные операции" - Integrated Operations (Statoil, OLF)

  6. "Электронное управление" - eOperations (North Hydro)

  7. "Управление в режиме реального времени" - Real Time Operations (Halliburton)

  8. "Умные скважины" - Smart Wells (Schlumberger)

  9. "Правильное направление" - eDrift (OD)

  10. "Цифровое нефтяное месторождение будущего" - Digital oil field of the future DOFF (CERA)

  11. "Оптимизация интеллектуального месторождения и удаленное управление" Intelligent Field Optimisation and Remote Management/INFORM (Cap Gemini)

  12. "Интегрированная модель управления активами" - Integrated Asset Operation Model (IAOM), ADCO и другие.

Если кратко просуммировать информацию о том, что представляет собой Интеллектуальное нефтяное месторождение , то это система автоматического управления операциями по добыче нефти, предусматривающая непрерывную оптимизацию следующих двух моделей:

  1. интегрированную модель месторождения;

  2. модель управления добычей.

Необходимые условия функционирования интеллектуального месторождения:

  • определённость информационной модели месторождения;

  • определённость модели процесса добычи нефти;

  • аппарат управления;

  • интерфейсы обратной связи (датчики, средства коммуникации);

  • интерфейсы для оптимизации процессов, моделей и критериев.

Основные проблемы:

  • «Интелектуальные месторождения» реально может заработать только в том случае, когда модели разработки адекватны геологическим моделям, а геологические модели адекватны реальной среде.

  • Дорогое и качественное оборудование устанавливается только на высокодебитных скважинах.

  • Расхождения проектов разработки и реалий пока выходят за допуски отраслевых стандартов.

  • Многие проблемы возникают преимущественно на стыке геологических дисциплин. И по своему влиянию на окончательные управленческие решения они существенно превосходят погрешности в каждом отдельном звене, являясь основным источником большинства ошибок.

Все системы «интеллектуального месторождения» сходны по целям и задачам – все они призваны моделировать различные сценарии развития ситуации на производстве и давать возможность выбрать оптимальное решение, в том числе и по более эффективному использованию высококвалифицированных специалистов компании. Несмотря на широкомасштабное обсуждение новых идей по созданию интеллектуальных скважин и интеллектуальных месторождений, практическое воплощение подобных подходов не столь масштабно. Ниже приводится информация о некоторых российских проектах в этом направлении, которые носят больше декларативный характер.

Корпорация IBM, «Газпромнефть НТЦ» (дочернее предприятие компании «Газпром нефть») и РГУ нефти и газа им. Губкина объявили о подписании соглашения о развитии сотрудничества, в рамках которого планируется реализация концепции и ИТ-решений для осуществления комплекса мероприятий по повышению эффективности разработки и эксплуатации нефтегазовых месторождений в «Газпромнефти НТЦ». Разрабатываемое в рамках сотрудничества решение реализует концепцию интегрированного интеллектуального управления разработкой и эксплуатацией нефтегазовых месторождений («электронное месторождение»), создания среды совместной работы специалистов, хранения и обработки геолого-геофизических и промысловых данных , системы мониторинга, оптимизации и предсказания поведения месторождений и отдельных скважин в реальном времени и системы управления знаниями. Внедрение такого комплекса позволит повысить эффективность работы геологов, геофизиков и нефтяных инженеров, ответственных за разработку и эксплуатацию месторождений. В то же время, проведение таких мероприятий также позволит повысить уровень разведанных и исследованных запасов и их извлекаемость, сократить время ввода месторождений в эксплуатацию и снизить риски и стоимость эксплуатации скважин и добывающего оборудования. В первую очередь, в рамках проекта будет реализована высокоэффективная среда для совместной работы геологов (виртуальное рабочее место геологов). Это решение позволит вывести на качественно новый уровень организацию работы геологов «Газпромнефти НТЦ», которые смогут совместно формировать гидродинамические 3D/4D-модели, эффективно интерпретировать данные сейсмических исследований с использованием технологий «облачных» вычислений, распределенного доступа к ресурсам комплекса, расчета и интерпретации моделей на суперкомпьютерах IBM.

Проект «Внедрение технологии «Интеллектуального месторождения»  был признан победителем в сфере технологий на ежегодной Премии председателя Совета директоров ТНК-ВР. Модель «интеллектуального месторождения» на протяжении двух лет внедряется на четвертом нефтепромысле «Самотлорнефтегаза». Комплексная концепция разработки месторождения, в своем роде уникальна, и в России аналогов не имеет. Сейчас её применение планируется и на других добывающих активах компании. Конечная цель всей схемы -  удаленное управление объектами нефтедобычи, контроль энергопотребления, повышение энергоэффективности, рост результативности эксплуатации оборудования, рациональное управление персоналом, прозрачная информация и автоматизация производства

Системы так же попадающие под концепт «интеллектуальное месторождение» и уже внедренные можно разделить на три типа:

1. Система мониторинга (наблюдения) и местного ручного управления;

2. Система наблюдения и дистанционного ручного управления;

3. Система наблюдения и автоматического ручного управления.

1-й тип успешно внедрен и развивается, например, в Самотлорнефтегазе, где датчиками оборудованы практически все системы нефтегазосбора. Системы 2 и 3 типа там не применяются по причине различных рисков. Автоматика не может увидеть абсолютно все одновременно протекающие процессы и может "не правильно" отреагировать. Предпочтение отдается человеку при принятии решений и выполнении действий.



1-й тип так же нашел применение в Роснефти в проекте "Центр удаленного мониторинга скважин". Проблема - сложность ясной оценки окупаемости системы. Основное направление проекта - фильтрация проблемных участков и визуализация ситуации в цветовой гамме и разной площади квадратов-скважин в зависимости от дебита. Для моделирования процессов оптимизации добычи нужно достаточно детально знать геологическую модель месторождения. В существующих проектах разработки многое не учтено и в том числе правильная геологическая модель, поэтому модели усредняются - отсюда и погрешности.

Выводы:


  • Все приведены системы (как декларируемые так и внедренные) сходны по целям и задачам – все они призваны моделировать различные сценарии развития ситуации на производстве и давать оптимальные по тем или иным критериям решения. Однако, сложность и отсутствие четкой определенности геологических процессов не позволяет построить полностью автоматическое управление нефтедобычей в заданный период времени. Тем не менее, возможно использовать концепт «Интеллектуальное месторождение» как концепт для формирования целей различных программ по снижению человеческого участия в процессах добычи углеводородного сырья.

  • Список компаний ведущих работы по развитию технологий связанных с «интеллектуальным месторождением» показывает с одной стороны большую актуальность тематики, а с другой стороны позволяет сделать вывод о хорошей перспективе каждому найти в этой области свою нишу.

Что реально можно получить от «интеллектуального месторождения »по максимуму


В рамках концепции «интеллектуальное месторождение» можно получить информационные технологии, которые позволяют:

  • оптимизировать производительность оборудования и продуктивность скважин за счет анализа данных телеметрии, замеров давлений и дебитов на «спутниках», акустического шума, температур, данных типовых и специальных гидродинамических и геофизических исследований, актов испытаний, результатов освоения скважин после ремонтов, данных о проведенных и проводимых геолого-технических мероприятиях и сопутствующих простоев, описания событий в наземных трубопроводных системах, результатов диагностики оборудования и других данных;

  • оптимизировать режим работы комплексной иерархической системы «пласты-скважины-коллектор» по критериям экономической эффективности - увеличение количества нефти, получаемой из конкретного месторождения и снижение затрат в том числе на освоение новых месторождений в удаленных районах;

  • централизованно управлять большим количеством скважин с помощью систем дистанционного мониторинга;

  • планировать в упреждающем режиме профилактическое обслуживание оборудования, точно и быстро принимать решения, в том числе в реальном времени;

  • предсказывать на основе прошлых данных сроки исчерпания скважин, а данные старых скважин с богатой историей добычи использовать для прогнозирования поведения новых скважин

  • решать задачи связанные с оптимизацией тех или иных процессов нефтедобычи.

  • ре

Например, только для систем поддержания пластового давления, рост к.п.д. на 1 % это порядка экономия 1 МВт мощности. Для систем сбора нефти рост к.п.д. на 1 % это порядка  2-3 МВт мощности.

Из простого расчета 24 часа*3 MBт*365 дней=26, Гига Ватт*ч/ Из расчета соимости эл. энергии 1 руб/кВт*ч экономия составит 26 млн. руб/год при повышении к.п.д. системы ППД на 1 % и к.п.д. системы сбора на 2 %.

Для систем сбора потенциальный рост к.п.д. гораздо выше: до 10 %.

Три первоочередных задачи

Задача №1: получение данных


Наиболее приемлемым вариантом объекта исследования является нефтяное месторождение, находящееся на поздней – IV стадии разработки, так как изученность месторождения в данном случае является наиболее полной. Также вследствие развитости инфраструктуры и систем телеметрии такое месторождение является лучшим полигоном для испытания модулей адаптации, прогнозирования и оценки проектных и адресных решений. Таким месторождением, например, является Ван-Еганское.

Технология «интеллектуальное месторождение» дает возможность оперативно принимать решения по оптимизации режимов работы скважин, пластов и системы разработки месторождения. Эта технология в перспективе реализует автоматизированную систему многоуровневого сбора и обработки информации. Но при практическом внедрении технологий «интеллектуального месторождения» в первую очередь необходимо определится с процессами сбора данных. Современное контрольное оборудование устанавливается в основном только на высокодебитных скважинах. Фактически часть ключевой информации собирается в бумажном виде, текстовых файлах или хранятся в изолированных компьютерных системах, которые с трудом «общаются» между собой.

Какие данные необходимы в первую очередь:


  • адресные (поскважинные) данные геофизических исследований;

  • данные сейсморазведки;

  • адресные (поскважинные) данные гидродинамических исследований;

  • данные о динамике гидродинамических режимов работы скважин;

  • данные о проводимых ремонтах скважин;

  • данные динамики разбуривания месторождения;

  • данные лабораторных исследований кернов и пластовых флюидов;

  • классификаторы геологического описания района;

  • описание технических объектов обустройства месторождений в динамике;

  • адресные данные оборудования скважин в динамике;

  • классифицированные проектные решения и плановые показатели;

  • прототипы и настройки (шаблоны) геологической и гидродинамической моделей месторождения для автоматического обновления;

  • данные о проведенных геолого-технических мероприятиях;

  • данные экспертных оценок;

  • образы успешности мероприятий

Для эффективного анализа данные должны храниться в одном месте и в стандартизованном виде, что позволяет избежать противоречий, возникающих при хранении данных в разрозненных системах.

Более современный поход – придерживаться единого стандарта на запись информации в электронной форме.

В том случае, когда те или иные необходимые для расчетной модели опытные данные отсутствуют, будут предложены методы их вычисления посредством решения обратных задач гидродинамики. Последние хорошо известны, но слабо распространены в виду высокой вычислительной нагрузки на ЭВМ и не приемлемости времени получения результата. Так как предлагается использовать систему высокопроизводительных вычислений это проблема будет решена. Такой подход будет использоваться для оценки имеющихся – условно-достоверных данных, что предполагает повышения уровня точности всех решений: точности принятия решений по регулированию разработкой месторождения.

Минимально количество данных, которые должны быть известны:

1. Данные геофизических исследований: кривые типовых каротажей для определения координат точек пересечения стволов скважин с поверхностями кровли и подошвы пластов и пропластков, а также характеристик насыщения коллекторов нефтью, водой и газом.

2. Данные лабораторных исследований керна и проб пластовых флюидов.

3. Данные о режимах работы скважин: дебит, приемистость, забойное давление во времени.

4. Данные гидродинамических исследований скважин: индикаторные линии, кривые изменения давления, гидропрослушивание, трассерные исследования.

Наиболее часто данные по п.3 и п.4 могут быть некондиционными, не охватывать требуемый спектр величин или попросту отсутствовать.

В частности в динамике режимов работы скважин наиболее сложным является замер забойного давления и дебита по пластам в многопластовых скважинах.

Динамику изменения забойных давлений можно рассчитать посредством решения обратной задачи автомодельного решения уравнения пьезопроводности.

Также данные по п.4 можно пополнить за счет анализа режимов работы скважин решив задачу нелинейного программирования на минимизацию функции отклонения расчетных режимов от фактических относительно коэффициентов пьезопроводности в зонах между скважинами.

Так же данные по п.4 могут быть пополнены пересчетными данными телеметрии нагнетательного фонда скважин.

Задача №2 модели и программное обеспечение управления добычей


  1. Программное обеспечение для автоматического расчета вариантов управления на основе банка моделей.

  2. Программное обеспечение для автоматизированного анализа и оценки текущего состояния разработки месторождения и результатов моделирования.

  3. Программа – коллектор, собирающая данные в гидродинамическую модель с предварительной оценкой точности исходной информации и реализуемой модели.

  4. Программа – адаптатор, позволяющая автоматически адаптировать модель: максимизировать соответствие расчетных показателей фактическим

Задача №3 Переход к технологиям облачных вычислений в задачах связанных с «интеллектуальным месторождением». Высокопроизводительные вычисления и доставка результатов решения задач №1 и №2 и конечными потребителями.


Облако в дальнейшем понимается как модель представления стандартизированных услуг в виде масштабируемых сервисов. Услуги предоставляются по мере необходимости. Центральным элементом облака является сервис. Все строится вокруг сервисов. Поставщик сервисов формирует каталог и ведет учет, что бы, например, выставить счет за реальное потребление. Потребитель услуг не владеет активами, а заказывает необходимый сервис как услугу из каталога.

На сегодняшний момент известно три типа облаков:



Внутреннее облако – модель представления услуг для одного предприятия. – имеет смысл для стандартизации и автоматизации рутинных IT задач (запрос ресурса, выделение настройка ресурса и его эксплуатация). Оплата за сервис в этом случае естественно не берется. Сервиса встроены в бизнес процесс организации. Типичный пример – заказ и проведение видеоконференции или корпоративное обучение. Отметим, что при таком подходе реализуется максимальный контроль кто и когда использовал ресурсы.

Частное облако – расширение внутреннего облака для нескольких организаций, например, входящих в холдинг, предприятия которого используют один стандартный набор сервисов. Смысл облака в этом случае – Вынести IT нагрузку в отдельную организацию, где сосредоточены необходимые ресурсы, в том числе квалифицированные IT специалисты.

Публичное облако – сервисы предоставляются всем кто платит за использовании сервиса.

Есть четыре типа предоставляемых сервисов.

IaaS – самый важный – инфраструктура как сервис: выделение процессоров, памяти, дискового пространства и сети как сервиса. В настоящее время 90% сервисов в облачной инфраструктуре – это инфраструктурные сервисы. Jcyjdyst ghttveotcndf bcgjkmpjdfybz IaaS сокращение времени, необходимого на предоставление ресурсов под постоянно изменяющиеся потребности заказчиков, обеспечение гарантированного уровеня предоставляемых услуг (SLA) и доступность ресурсов при изменениях инфраструктуры

PaaS – платформа как сервис когда инфраструктура дополняется, например, средствами разработки и базой данных. Обычно это WEB разработка. Типичный пример –Облачная платформа Microsoft Azure.

SaaS – программное обеспечение как сервис - представление коммерческого программного обеспечения как услуги для пользователей.

BPaaS – бизнес процесс как сервис – когда представление готового автоматизированного бизнес процесса в качестве услуги, например, логистика , а плата взымается в зависимости РТ интенсивности его использования (количество транзакций)



Облачные вычисления и лицензионное ПО. Вопрос переноса лицензий в облачную инфраструктуру. В настоящее время в облачной инфраструктуре уже сложились технологии, когда заказчик плати за CPU-час. Т.е. имеется соответствующее управляющее ПО. К сожалению, традиционные лицензии на ПО в основном рассчитаны на количество процессоров или ядер. Иными словами при переходе с облачной инфраструктуре надо выяснить:

  • Поддерживает ли ПО работу в виртуальных средах.

  • Поддерживает ли лицензия расчеты на основе CPU-час.

С точки зрения модели лицензирования, идеальным для использования в облачной среде является ПО на основе открытого кода. Далее идет ПО лицензирование которого предполагает вариант расчета CPU-час. Наихудший вариант – ПО лицензия которого привязана к количеству процессоров. Так же для облачных вычислений не всегда подходит ПО которое требует проверки (валидизации) на специальном сервере лицензий т.е. схема лицензирования основана на количестве одновременно работающих пользователей.

Проблемы, которые следует изучить в первую очередь для использования технологий облачных вычислений применительно к «интеллектуальному месторождению» (задачи 1 и 2) :




  1. Тип виртуализации – возможные варианты:

  1. Аппаратная виртуализация, когда кластер на аппаратном уровне делится на несколько машин физически полностью изолированных.

  2. Программная виртуализация, когда кластер на программном уровне делится на несколько виртуальных машин ресурсы которых постоянны и не зависят от загрузки соседних.

  3. Виртуализация оптимизирующая загрузку кластера, когда ресурсы выделенные виртуальной машине могут динамически изменяться.



  1. Создание прототипа частного PaaS облака поддерживающего, в том числе, и высокопроизводительные вычисления.

  • Начнем с того, что установим свободное программное обеспечение на высокопроизводительном кластере для:

  • Подготовки геометрии расчетных областей и генерации расчетных сеток средствами SALOME,

  • Подготовки расчетной модели, проведению и мониторингу расчета на кластере средством OpenFOAM,

  • Визуализации результатов средствами ParaView.



  1. Вопросы безопасность коммуникационных технологий используемых для функционирования «интеллектуального месторождения» - варианты модели угроз и соответствующие технологии защиты.


Похожие:

Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconЭкзаменационные вопросы Понятие математической модели. Инструментальные переменные и параметры математической модели. Критерий оптимизации и целевая функция
Математические модели простейших экономических задач: задача использования сырья, задача о диете; задача планирования товарооборота;...
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconПроектирование базы данных
В результате появились модели баз данных, методики проектирования баз данных, специальное программное обеспечение для работы с базами...
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconЛекции 50 часов Экзамен 8 семестр практические занятия 50 часов Диф зачет нет самостоятельная работа 20 часов
Основная задача оптимального управления. Понятие слабого и сильного минимума. Задача Лагранжа и задача вариационного исчисления....
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconЛекции 50 часов Экзамен 8 семестр семинары 50 часов Зачет нет лабораторные занятия нет
Основная задача оптимального управления. Понятие слабого и сильного минимума. Задача Лагранжа и задача вариационного исчисления....
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconП. Ф. Лесгафта г. Санкт-Петербург Л. А. Заварухина информатика (лекции) Санкт-Петербург 2009 Содержание лекция
Новые термины и понятия: программа, программное обеспечение, базовое программное обеспечение, системное программное обеспечение,...
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconСистемы управления базами данных
Программное обеспечение для создания систем управления базами данных
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconПрограммное обеспечение (Software) 3
Программное обеспечение комплекс программ, обеспечивающих обработку или передачу данных и предназначенных для многократного использования...
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconЗадание Получение необходимых данных. Получение математической модели системы в терминах пространства состояний. Поиск оптимального управления
Для линейных непрерывных стационарных систем с квадратичным критерием оптимальное управление ищется в виде
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconМинистерство информационных технологий администрация города димитровграда
«Свободное программное обеспечение как государственная задача. Проект концепции внедрения и развития свободного программного обеспечения...
Задача №1: получение данных 6 Задача №2 модели и программное обеспечение управления добычей 7 iconЗащита данных в сетях довольна трудная задача. Ip сети восприимчивы к большому числу угроз, например, получение доступа обманным путем т н

Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org