CC BY
40
ТЕХНИЧЕСКИЕ НАУКИ
АНАЛИЗ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО МОДЕЛИРОВАНИЯ ИНФОРМАЦИОННЫХ ПРОЦЕССОВ В СИСТЕМАХ ДИСТАНЦИОННОГО МОНИТОРИНГА
СОСТОЯНИЯ ОБЪЕКТОВ Миков Д.А.1, Булдакова Т.И.2, Сюзев В.В.3, Смирнова Е.В.4 Email: [email protected]
1Миков Дмитрий Александрович - ассистент;
2Булдакова Татьяна Ивановна - доктор технических наук, профессор;
3Сюзев Владимир Васильевич - доктор технических наук, профессор;
4Смирнова Елена Валентиновна - кандидат технических наук, доцент, кафедра компьютерных систем и сетей, Московский государственный технический университет им. Н.Э. Баумана,
г. Москва
Аннотация: статья посвящена анализу методов интеллектуального моделирования информационных процессов в системах дистанционного мониторинга состояния объектов, предложены четыре критерия эффективности применения рассмотренных методов, отмечено новое направление интеллектуализации информационных систем, связанное с методами имитации случайных процессов с задаваемыми энергетическими сигналами. Работа выполнена в рамках проекта 2.7782.2017/БЧ «Методы имитации детерминированных и случайных одномерных и многомерных сигналов в научных задачах моделирования информационно -управляющих систем реального времени», осуществляемого при поддержке Министерства образования и науки Российской Федерации.
Ключевые слова: цифровая обработка сигналов в интеллектуальных системах, моделирование информационных процессов, мониторинг состояния сложных объектов, системы управления.
ANALYSIS OF METHODS FOR INTELLIGENT MODELING OF INFORMATION PROCESSES IN OBJECTS' REMOTE
MONITORING SYSTEMS Mikov D.A.1, Buldakova T.I.2, Syuzev V.V.3, Smirnova E.V.4
Mikov Dmitry Alexandrovich - Assistant;
2Buldakova Tatyana Ivanovna - Doctor of technical sciences, Professor;
3Syuzev Vladimir Vasilievich - Doctor of technical sciences, Professor, 4Smirnova Elena Valentinovna - PhD, Associate Professor, COMPUTER SYSTEMS AND NETWORKS DEPARTMENT, BAUMAN MOSCOW STATE TECHNICAL UNIVERSITY, MOSCOW
Abstract: the article is devoted to the analysis of intelligent modeling methods concerned to information processes in the remote monitoring systems of the object's state, four criteria of efficiency of the considered methods are proposed, a new direction of the information systems intellectualization associated with methods of simulation of random processes with the given energy signals is noted. The research is supported by Russian Federation Ministry of Science and Education and was carried on in the framework of the project #2.7782.2017/BC «Methods of deterministic and random one-dimensional and multidimensional signals' simulation in the field of real-time information control systems realization».
Keywords: digital signal processing in intelligent systems, modeling of information processes, monitoring of complex objects, control systems.
УДК 621.391; 681.518
В настоящее время во многих сферах получили распространение системы дистанционного мониторинга состояния объектов (далее в тексте - СДМСО). Они позволяют в автоматизированном режиме контролировать различные процессы в теплоэнергетике, телемедицине, нефтегазовой отрасли, геологии, сельском хозяйстве и т.д., а также удалённо оценивать состояние сложных объектов (технических устройств и установок, человека-оператора, биологических популяций и др.).
Как и многие системы управления, СДМСО реализуют процессы удалённого сбора, передачи, обработки, хранения данных о параметрах контролируемого объекта и вырабатывают решения о воздействии на его состояние. В зависимости от особенностей объекта наблюдения и самой системы мониторинга канал передачи данных может быть реализован разными способами: посредством выделенного канала DSL, проводного канала, радиоканала, GSM-канала, Internet, Ethernet. Однако, независимо от используемого канала передачи данных, информационные потоки в СДМСО могут быть искажены по разным причинам, в том числе, за счёт несанкционированных воздействий на информацию целенаправленного характера. Факторы риска в общем случае могут быть неизвестны, и требуется их идентификация.
В результате даже незначительные, на первый взгляд, нарушения любого из протекающих в системе информационных процессов могут привести к тяжёлым последствиям - потере целостности, конфиденциальности, и/или доступности информации в СДМСО, что обусловливает повышенные требования к помехозащищённости информационных процессов. Схема взаимодействия СДМСО с внешней средой показана на рисунке 1.
Для постоянного отслеживания вышеуказанных информационных рисков, а также выработки контрмер, необходимо моделирование информационных процессов в СДМСО. Однако информационные процессы зависят от многих условий функционирования СДМСО, а потому характеризуются неопределённостью. В связи с этим работа по созданию методов моделирования информационных процессов в СДМСО в условиях неопределённости и неполноты данных носит системный характер и является актуальной.
Исследование существующих методов и средств моделирования информационных процессов в СДМСО позволило выявить целый ряд нерешённых задач. Помимо корректного выбора методов для эффективной реализации различных этапов управления рисками, в данной области присутствуют и другие актуальные проблемы.
Рис. 1. Взаимодействие СДМСО с внешней средой
Информационный риск зависит от многих условий функционирования СДМСО, а потому не поддаётся статистическому учёту и вычислению через строгие математические формулы, не допускает субъективности экспертных мнений, при этом характеризуется неопределённостью.
Выделяют 2 параметра неопределённости, как общего понятия [1, 2]:
1) отсутствие точного знания (неясность) о состоянии всех факторов в системе;
2) нечёткость классификации в условиях функционирования конкретной системы.
В СДМСО информационные процессы также происходят в условиях
неопределённости. Четкое определение термина «неопределённость» требуется для корректной оценки и обработки её результатов. Уровень неопределённости зависит от эффективности используемых методов и полноты составленного перечня факторов риска. Поэтому неопределённость связана, в первую очередь, с отсутствием всестороннего анализа функционирования системы и низкой эффективностью статистических и экспертных методов [3, 4].
Также к понятию неопределённости прямое отношение имеет термин «чувствительность». Чувствительность заключается в неравномерном влиянии различных составляющих и факторов на уровень риска в тех или иных условиях. Учёт чувствительности необходим для выявления составляющих, подлежащих как можно более точной оценке, и составляющих, при оценке которых точность менее важна, вследствие меньшей зависимости уровня риска от них. Поэтому в условиях неопределённости требуется проведение всеобъемлющей оценки точности и эффективности используемых методов моделирования. Следует выявить показатели с высоким уровнем чувствительности и оценить значения их чувствительности. Значение неопределённости представляет собой меру неуверенности в корректной оценке и находится в интервале [0; 1].
В результате моделирование информационных процессов в СДМСО должно соответствовать 4 критериям эффективности:
1) А = [0; 1] ^ тах - адаптивность к качественным данным;
2) В = [0; 1] ^ min - субъективность;
3) С = [0; 1] ^ min - неопределённость;
4) D =
max - чувствительность;
■du d12 di d2i d22 d23 ^31 ^32 ^33 _d41 d42 d43.
где dij = [0 ; 1 ] , i = { 1 ,2 ,3 ,4 },j = { 1 ,2 ,3 } - показатели чувствительности.
В начале 2000-х годов начали появляться работы, посвящённые исследованию активно развивающихся интеллектуальных методов и их возможностей в области моделирования информационных процессов [5]. Эти методы направлены на имитацию человеческого мышления и основаны на аппарате машинного обучения, мягких вычислений и гибридных моделей, которые стали официальной областью науки после исследований, проведённых в начале 1990-х годов [6]. Более ранние вычислительные подходы могли моделировать и точно анализировать только относительно простые системы, а более сложные часто оставались недоступными для обычных методов.
Интеллектуальные подходы, исследуемые в сфере моделирования информационных процессов, включают в себя следующие основные методы:
1) байесовские классификаторы и сети (Bayesian classifiers, networks);
2) генетические алгоритмы (genetic algorithms);
3) искусственные нейронные сети (artificial neural networks);
4) когнитивные карты (cognitive maps);
5) машина опорных векторов (support vector machine);
6) метод анализа иерархий (analytic hierarchy process);
7) нечёткие системы (fuzzy systems);
8) приближённые и серые множества (rough and grey sets);
9) теория нечёткой меры (fuzzy measure theory);
10) гибридные модели (hybrid models).
Сравнительный анализ интеллектуальных подходов по 4 перечисленным критериям эффективности показал следующие результаты (табл. 1) [7].
Новое направление интеллектуализации информационных систем связано с методами имитации случайных процессов с задаваемыми энергетическими характеристиками (digital analog processing). Появившиеся в последнее время работы [8, 9] позволяют обоснованно говорить о перспективности этого направления. Дальнейший отбор интеллектуальных методов для моделирования информационных процессов в СДМСО основан на ранжировании критериев эффективности по приоритетности в соответствии с особенностями анализируемой системы, контролируемого ею объекта и других факторов.
Таблица 1. Сравнительный анализ методов интеллектуального моделирования
Значения критериев эффективности
Адаптивность
Направления Методы к качественным данным (max) Субъективность (min) Неопределённость (min) Чувствительность (max)
Байесовские сети 0,7 0,4 0,3 0,75
Генетические алгоритмы 0,3 0,5 0,85 0,35
Машинное обучение Искусственные нейронные сети 0,5 0,3 0,2 0,8
Когнитивные карты 0,4 0,5 0,25 0,45
Машина
опорных 0,2 0,3 0,65 0,45
векторов
Направления Методы Значения критериев эффективности
Адаптивность к качественным данным (max) Субъективность (min) Неопределённость (min) Чувствительность (max)
Мягкие вычисления Метод анализа иерархий 0,8 0,5 0,2 0,55
Нечёткие системы 0,7 0,5 0,2 0,8
Приближённые множества 0,35 0,5 0,55 0,3
Серые множества 0,35 0,5 0,55 0,3
Теория нечёткой меры 0,4 0,5 0,55 0,6
Гибридные модели Нейронечёткие сети 0,7 0,3 0,2 0,8
Нейронные сети на основе генетических алгоритмов 0,5 0,3 0,2 0,8
Нечёткие байесовские сети 0,7 0,4 0,2 0,8
Нечёткие иерархические модели 0,8 0,5 0,2 0,8
Список литературы /References
1. Найт Ф.Х. Риск, неопределённость и прибыль. М.: Дело, 2003. 359 с.
2. Недосекин А.О. Нечётко--множественный анализ риска фондовых инвестиций. СПб.: тип. Сезам, 2002. 181 с.
3. Булдакова Т.И., Миков Д.А. Обеспечение согласованности и адекватности оценки факторов риска информационной безопасности // Вопросы кибербезопасности.
2017. № 3 (21). С. 8-15.
4. ГОСТ Р ИСО/МЭК 31010-2011. Менеджмент риска. Методы оценки риска. М.: Стандартинформ, 2012. 70 с.
5. Hoffer J.A., George J.E., Valacich J.S. Modern systems analysis and design. Upper Saddle River: Pearson Education, 2008. 602 p.
6. Kijo H., Luo J. Analysis on the competitiveness of Chinese steel and the south Korean, Software Computing in Information Communication Technology, 2012. Vol. 2. №1. P. 451-460.
7. Булдакова Т.И., Миков Д.А. Реализация методики оценки рисков информационной безопасности в среде MATLAB // Вопросы кибербезопасности. 2015. № 4. С. 53 -61.
8. Сюзев В.В., Смирнова Е.В., Гуренко В.В. Быстрые алгоритмы моделирования сигналов / Проблемы современной науки и образования, 2018. № 11 (131). С. 14.
9. Сюзев В.В., Смирнова Е.В., Гуренко В.В. Свойства операторов взаимного преобразования спектров / Проблемы современной науки и образования,
2018. № 11 (131). С. 21-28.
