CC BY
121
УДК 004.891
МЕТОД АНАЛИЗА СОСТОЯНИЯ АВТОМАТИЗИРОВАННЫХ СИСТЕМ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ
Д.О. Руднев, А.А. Сычугов
Рассмотрены подходы к проектированию системы анализа технического состояния промышленного объекта, как составной части автоматизированной системы управления технологическими процессами. Сравниваются два существующих подхода к проектированию подобных систем: распределённый и централизованный, а также предлагается гибридный подход, позволяющий преодолеть недостатки существующих методов. Описан эксперимент, в котором проведены исследования эффективности рассмотренных методов.
Ключевые слова: распределение информационные системы, анализ состояния, беспризнаковое распознавание образов, автоматизированные системы управления технологическими процессами.
Автоматизированные системы управления технологическими процессами (АСУ ТП) представляют собой человеко-машинные системы управления, обеспечивающие сбор и обработку информации, необходимой для оптимизации управления промышленного объекта в соответствии с критерием качества функционирования, и реализацию управляющих воздействий на него. Современные АСУ ТП проектируют, используя распределенную архитектуру. Толчком к развитию такого подхода послужило удешевление модулей беспроводной связи и общее развитие техники, что, в свою очередь, позволило создавать дешевые, компактные и многофункциональные устройства. Другой типичной архитектурой системы сбора информации о функционировании физического объекта является множество простых датчиков, собирающих один или два параметра, соединённых проводной сетью. Такой подход эффективно работает только в случае ограниченного числа датчиков. Использование распределённой архитектуры позволяет добиться высокой надежности и возможности эффективно масштабировать АСУ. Это достигается за счет того, что каждый элемент распределённой системы независимо анализирует состояние отдельной части управляемого объекта и осуществляет управляющее воздействие.
Одна из основных задач АСУ ТП - обеспечение безопасного и надежного функционирования промышленного объекта. Для этого АСУ ТП должна предоставлять для анализа полную и актуальную информацию о текущем состоянии промышленного объекта. В случае штатного функционирования технологического оборудованияи самой АСУ ТП, при отсутствии внешних разрушающих воздействий данное условие выполняется автоматически. Однако, на практике, как технологическое оборудование, так и элементы АСУ ТП могут выходить из строя или подвергаться как умышленным, так и не умышленным разрушающим воздействиям, что, в зави-
165
симости от сложности и опасности промышленного объекта, может привести к серьезным последствиям. Кроме того, промышленные объекты, управляемые АСУ, представляют собой сложные, динамические системы, в следствии чего описание их работы требует большого числа признаков и, как следствие, значительные вычислительные ресурсы для их обработки, что также может привести к невозможности оперативного получения достоверной информации о текущем состоянии объекта.
Важным свойством для любой АСУ ТП является адаптивность, то есть возможность в реальном времени подстраиваться под возможное изменение структуры промышленного объекта, возникшее в результате его модернизации, выхода из строя отдельных элементов и других возможных причин.
Для повышения устойчивости АСУ ТП к возможным разрушающим воздействиям как техногенного, так и антропогенного характеров (включая целенаправленные действия злоумышленников), предлагается в качестве составной части АСУ ТП использовать систему анализа технического состояния промышленного объекта, которая позволит на раннем этапе (до получения информации оператором) выявлять отклонения в работе как промышленного объекта, так и самой АСУ ТП.
В случае, если АСУ ТП спроектирована по распределённой архитектуре, то подсистему анализа состояния промышленного объекта можно рассматривать как распределённую информационную систему (РИС).
Пусть П - распределённая информационная система, основной задачей которой является анализ состояния промышленного объекта. Тогда в каждый момент времени состояние объекта можно определить, как множество признаков, доступных для каждого из элементов РИС:
где N - количество элементов РИС. В процессе функционирования системы элементы могут взаимодействовать между собой обмениваясь информацией. Состояние элемента АСУ ТП определяется внутренней структурой анализируемого объекта и зависит от его физической природы. Часто состояние описывается через значения признаков элемента в конкретный момент времени. При этом признаки могут иметь произвольную природу.
Результатом анализа состояния является множество характеристик каждого элемента РИС управляемого объекта, на основании которых АСУ ТП принимает решение о том или ином управляющем воздействии. Таким образом, задачу анализа технического состояния промышленного объекта можно сформулировать следующим образом. Пусть У - скрытая характеристика, которую необходимо определить для каждого из элементов П:
У = {y0, У1,■■■, yN},
и существует целевая зависимость у *: П ® У. Необходимо разработать алгоритм а : П ® У оптимальный с точки зрения вычислительных ресурсов и эффективно работающий при условии, что свойства элементов и состав множества П меняются со временем.
166
В настоящее время выделяют два основных подхода к анализу состояния распределённой информационной системы: централизованный и распределённый [1].
Централизованный подход заключается в сборе информации о работе всех элементов РИС и последующего анализа всего объёма данных в одном центральном узле РИС. Достоинствами такого подхода является высокая адаптивность, то есть возможность оперативно реагировать на изменения свойств системы. К недостаткам такого подхода можно отнести высокие требования к вычислительным ресурсам центрального узла РИС, на котором происходит анализ. Это связано с тем, что на практике распределенные информационные системы содержат большое число элементов, следовательно, описание состояния всех элементов требует обработки значительного объёма данных. Схема функционирования системы анализа состояния РИС,построенная на основе централизованного подхода, представлена на рис. 1.
Рис. 1. Схема функционирования системы анализа состояния РИС, построенная на основе централизованного подхода
Распределённый подход к анализу состояния РИС заключается в том, что каждый элемент сам анализирует свое состояние на основе некоторого ранее определённого решающего правила. Решающее правило рассчитывается однократно на основе состояния некоторого подмножества элементов РИС. Достоинствами такого подхода являются быстродействие и относительно невысокие требования к вычислительным ресурсам, так как в процессе анализа участвуют вычислительные мощности всех элементов РИС. Недостатком такого подхода является низкая адаптивность, то есть при изменении свойств системы необходимо повторять процесс получения решающего правила. При этом нерешенным остается вопрос о периодичности перерасчета решающего правила. Схема функционирования системы анализа состояния РИС построенная на распределённом подходе представлена на рис. 2.
Рис. 2. Схема функционирования системы анализа состояния РИС, построенная на основе распределённого подхода
С целью преодоления указанных недостатков предлагается гибридный подход к анализу состояния РИС, позволяющий, с одной стороны, обеспечить высокую адаптивность, а с другой обеспечить оптимальное использование вычислительных ресурсов. Данный подход основан на том, что каждый элемент РИС передает для анализа не непосредственно свои признаки [2], а данные, косвенно описывающие признаки элемента РИС. При этом подразумевается, что передаваемые данные будут в значительной степени меньше по объёму, чем сами признаки, и, следовательно, их анализ потребует значительно меньше вычислительных ресурсов.
Алгоритм оценки состояния элементов РИС в данном случае можно разделить на 3 этапа: этап инициализации параметров алгоритма, этап сбора информации и этап анализ полученной информации.
Этап инициализации параметров выполняется первым и его целью является определение базовых свойств системы. Данный этап может быть повторен, когда свойства системы изменятся и выбранные параметры теряют свою актуальность. Этап инициализации параметров системы можно разбить на следующие шаги.
1. Выбор множества П0 сП элементов системы на основании которых будут вычислены необходимые параметры системы. Для всех элементов из множества П0 должен быть непосредственный доступ ко всем исходным признакам.
2. Выбор функции похожестимежду элементами. В случае если признаки объектов являются векторами действительных чисел, то возможно использовать взвешенное эвклидово расстояние:
168
2
р(, Xj) = X wk (norm(X;,k) - norm(Xj,k)) , k=0
где, X; - вектор описывающий элемент W;, norm- функция нормирования
признаков, Wk - весовые коэффициенты признаков.
3. Синхронизация выбранных параметров алгоритма на всех элементах системы.
Этап сбора информации повторяется каждый раз, когда одному из элементов РИС необходимо проанализировать состояния других элементов. Пусть w*gQ - элемент РИС, который инициализирует анализ. Тогда этап сбора информации о состоянии РИС можно разбить на следующие шаги:
1. Элемент w * генерирует или запрашивает из базы множество, ранее заданных [3],базисных объектов B.
2. Элемент w* рассылает базисную совокупность всем другим агентам
B
Vw; gQ : w *
3. Каждый элемент, считает метрику похожести себя с каждым из полученных базисных объектов:
V®, е О : в, = р(ш?,Б).
4. Каждый элемент передает вектор мер похожести себя на базис элементу, который проинициализировал анализ.
to;
->w
"в, е О: в,
После этапа сбора информации элемент, инициализирующий анализ, получает набор значений вторичных признаков элементов системы, на основании которых, используя экспертные системы или алгоритмы распознавания образов, могут быть получены необходимые характеристики объектов: П' ® ¥ . После чего принимаются решения и алгоритм повторяется. Схема функционирования системы анализа состояния РИС построенная на гибридном подходе представлена на рис 3.
Рис. 3. Схема функционирования системы анализа состояния РИС, построенная на гибридном подходе
169
Примером промышленного объекта, для которого используют распределенные АСУ ТП, являются энергетические подсистемы предприятий. Такие системы являются критически важной частью инфраструктуры и любое отклонение в работе таких систем может значительно повлиять на работу всего предприятия. Исходя из этого, важной задачей АСУ ТП энергетических объектов является поиск аномалий в работе системы и своевременное перераспределение ресурсов.
Для проверки описанного подхода был поставлен численный эксперимент, для которого были взяты данные о работе АСУ электроэнергетической системы [4]. Данные содержат показания напряжения, силы тока, состояния реле в различных узлах энергетического объекта. Данные были собраны в ходе исследования по изучению информационной безопасности электроэнергетического объекта в университете штата Миссисипи совместно с национальной лаборатории Ок-Ридж (США). В ходе исследований проводились различные сценарии взлома инфраструктуры энергетического объекта. В процессе исследования проводился мониторинг состояния системы как в момент атаки, так и в моменты штатного функционирования системы.
Данные представляют собой 73101 записей, каждая из которых содержит 128 числовых признаков. Для эмуляции децентрализованной работы системы весь исходный набор данных был разбит на 15 частей. Каждая часть соответствует отдельному этапу исследований, который содержит как штатное поведение, так и атаку по одному из ранее определённых сценариев. При этом под адаптивностью в данном эксперименте понимается возможно правильно классифицировать состояния, относящиеся к сценариям, которые не присутствовали ранее.
В ходе проведения эксперимента было проведено сравнение централизованного, распределённого и гибридного подходов к анализу состояния РИС. Для всех 3 подходов ставилась задача поиска аномальных состояний энергетического объекта. Для того что бы минимизировать влияние данных на полученный результат, в качестве обучающей выборки поочерёдно брались данные с различных элементов РИС, таким образом, для каждого из подходов цикл обучения и распознавания выполнялся по 15 раз, по числу различных сценариев атак.
Для распределённого подхода в начальный момент времени были доступны только размеченные данные, на основании которых было получено решающее правило, и затем поводилась классификация всего набора данных. Для централизованного и гибридного подходов так же в начальный момент были доступны только размеченные данные, но при классификации был доступен весь набор данных, что позволило применять алгоритмы частичного обучения. В качестве метода распознавания образов был выбран метод случайного решающего дерева. Выбор этого метода связан с тем, что в работе [5] проводились исследования эффективности методов
170
распознавания образов на этих же исходных данных, и метод Random Forest [6] показал одни из лучших результатов. Еще одним достоинством Random Forest является возможность эффективно работать при большом числе признаков.
В эксперименте с использованием гибридного методав отличие от централизованного поводился предварительный этап по получению вторичных признаков объекта. Согласно описанному алгоритму на первом этапе эксперимента для гибридного подхода был получен базис методом кластеризации к-средних, в качестве базисных элементов были взяты центры кластеров. Количество базисных элементов было выбрано эмпирическим способом и составило 10 элементов. Затем была проведена эмуляция сбора состояния элементов системы с целью выявления элементов, которые в данный момент времени находятся в состоянии отличном от штатного, то есть на эти элементы совершается атака. В качестве метрики сравнения состояний было выбрано эвклидово расстояние. Предварительно на размеченной выборке был получен вектор значимости признаков и проведено шкалирование все признаков к диапазону [-1, 1].
Для каждого алгоритма распознавания образов перед обучением был проведен этап подбора оптимальных коэффициентов методом перебора по сетке. В процессе поиска оптимальных параметров алгоритмов распознавания образов применялась кросс-валидация по к-блокам. Для оценки точности применялась метрика F-мера. Результаты эксперимента представлен на рис. 4.
Рис. 4. Е-мера точности определения состояния энергетического объекта при использовании различных подходов
Эксперимент показал, что гибридный и централизованный подходы имеют одинаковую точность, и при этом их точность выше чем при использовании распределённого подхода. Это связано с тем, что гибридный и централизованный подходы позволяют применять методы частичного
171
обучения, которые, как показал эксперимент, увеличивают точность метода. При этом стоит отметить, что при проведении эксперимента централизованный подход потребовал значительно больше вычислительных ресурсов чем гибридный и распределённый подходы. Это связано с тем, что обучающая выборка для централизованного подхода содержала полный набор признаков (128), при этом в гибридном подходе на вход классификатору подавались только 10 признаков, соответствующих выбранному количеству базисных объектов.
Таким образом, можно сделать вывод, что использование гибридного подхода при проектировании подсистемы анализа состояния в АСУ ТП позволяет с одной стороны добиться высокой точности определения состояния промышленного объекта за счет адаптивности, а с другой использовать оптимальное количество вычислительных ресурсов.
Работа поддержана грантом РФФИ №16-07-01008
Список литературы
1. Alghuried A. A Model for Anomalies Detection in Internet of Things (IoT) Using Inverse Weight Clustering and Decision Tree.Masters dissertation, DublinInstituteofTechnology, 2017.
2. Руднев Д.О., Сычугов А.А. Анализ безопасности распределённых информационных систем на основе беспризнакового распознавания образов // Известия Тульского государственного университета. Технические науки. Тула: Издательство ТулГУ, 2016. Вып. 11. Ч 1. С. 145 - 151.
3. Руднев Д.О. Метод обнаружения сетевых атак на основе беспризнакового распознавания образов // Информационные технологии в науке, бизнесе и образовании: сборник статей VIII Международной научно-практической конференции студентов, аспирантов и молодых ученых. М.: Изд-во Московского государственного лингвистического университета, 2016. 502 c.
4. Pan S., Morris T., Adhikari U. Developing a Hybrid Intrusion Detection System Using Data Mining for Power Systems. IEEE Transactions on Smart Grid, 2015. P. 1 - 10.
5. Beaver J., Borges R., Buckner M., Morris T., Adhikari U., Pan S. Machine Learning for Power System Disturbance and Cyber-attack Discrimination // Proceedings of the 7th International Symposium on Resilient Control Systems, 2014, Denver, CO, USA. P. 1 - 9.
6. Rokach Lior, Maimon O. Data mining with decision trees: theory and applications. World Scientific Pub Co Inc. 2008. 263 p.
Руднев Дмитрий Олегович, асп., dima [email protected], Россия, Тула, Тульский государственный университет,
Сычугов Алексей Алексеевич, канд. техн. наук, доц., [email protected], Россия, Тула, Тульский государственный университет
172
METHODS OF ANALYSIS OF THE CONDITION OF INDUSTRIAL OBJECTS IN AUTOMATED CONTROL SYSTEMS
D.O. Rudnev, А.А. Sychugov
In the article approaches to designing of the system of the analysis of a technical condition of an industrial object as a component of the automated control system of technological processes are considered. Two existing approaches to the design of such systems are compared: distributed and centralized, and a hybrid approach is proposed to overcome the shortcomings of existing methods. An experiment is described in which the effectiveness of the methods considered.
Key words: Key words: distribution of information systems, analysis of state, unrecognized pattern recognition, automated control system.
Rudnev Dmitry Olegovich., postgraduate, dima rudnev@,mail.ru, Russia, Tula, Tula State University,
Sychugov Alexey Alekseevich, candidate of technical sciences, docent, [email protected], Russia, Tula, Tula State University
УДК 004
МЕТОД АЛГОРИТМИЧЕСКИХ ИНФОРМАЦИОННЫХ ПРОЦЕССОВ В ОБЛАЧНОЙ СЕТИ ПРЕДПРИЯТИЯ
А.К. Клепиков, Т.Е. Клепикова
Приведен метод расчета вычислительной сложности облачной сети на основании деления информационных процессов.
Ключевые слова: вычислительная задача, облачная вычислительная сеть, информационные процессы.
При построении облачной вычислительной сети на основе информационной вычислительной сети (ИВС) предприятия предъявляются повышенные требования к организации ИВС и требуется учёт ряда факторов, таких как: распределённая обработка данных, принадлежащих различным виртуальным подсетям, ограничения на время получения ответа от сервера, производящего информационно-вычислительные работы (ИВР), большие объемы обрабатываемых данных.
Одной из задач, возникающих при проектировании, разработке и эксплуатации конвергентных вычислительных сетей, является задача повышения эффективности функционирования вычислительных процессов, происходящих в сети. Для её разрешения предлагается подход, основанный на представлении информационного взаимодействия в облачной
173
