Системи і технології зв’язку, інформатизації та кібербезпеки

МЕТОДИКА УПРАВЛІННЯ ПОЗИЦІЮВАННЯМ КОМУНІКАЦІЙНИХ АЕРОПЛАТФОРМ FANET В УМОВАХ РАДІОЕЛЕКТРОННОЇ ПРОТИДІЇ

Р. О. Бєляков, О. Д. Фесенко, В. М. Остапчук, Г. Д. Радзівілов — Thu, 21 Dec 2023 00:00:00 +0000

У статті розглядається методика управління позиціюванням комунікаційних аероплатформ (далі – КА) в мережі FANET в умовах радіоелектронної протидії для досягнення цільової функції: підвищення точності управління навігаційними параметрами (переміщенням) комунікаційних аероплатформ (зменшення відхилення від цільової траєкторії).

У роботі показано процес управління параметрами позиціювання КА FANET під час розгортання, функціонування та управління процесом ротації головного вузла повітряної комунікаційної підмережі.

Здійснено оцінку відхилення навігаційних параметрів КА з використанням імітаційного моделювання. Формалізовано процес визначення координат КА за прийнятими сигналами (зондами) по основному каналу передачі. В статті показано застосування резервного каналу на базі LoRа для збереження управління в умовах втрати GPS-сигналів, що може стати підґрунтям для оцінки енерговитрат КА мережі в процесі інформаційного обміну. Процес адаптивного підлаштування навігаційних параметрів КА в роботі пропонується здійснювати з використанням фільтра Калмана.

Наукова новизна методики полягає у застосуванні науково-методичного апарату тригонометричних перетворень канальної матриці і розрахунку азимутального та елеваційного кута для додаткового корегування навігаційних параметрів позиціювання КА відносно мобільної базової станції.

Такий підхід дозволяє досягти оптимізації цільових функцій процесу управління позиціюванням та забезпечення прийняття рішень в реальному часі. Результати імітаційного моделювання підтверджують можливість забезпечення меншого відхилення навігаційних параметрів до 30 м відносно відомого рішення із застосуванням алгоритму PSO 340–400 м по висоті.

Посилання

Al-Hajri M. S., Al-Sheikh M. S., Al-Sulaiman S. Analysis of RF interference on LoRa modulation // IEEE Access. 2022.
Al-Omari A. A., Al-Abed M. A., Al-Azzawi A. A. Performance of LoRaWAN in the presence of RF interference // International Journal of Electronics and Communications. 2022.
Performance Analysis of Long Range Communication for FANETs in Urban Environments,
by S. A. Al-Ghamdi, M. A. Al-Hourani, and A. H. Al-Bayatti, published in the IEEE Transactions on Vehicular Technology journal in 2022.
A Robust and Efficient Positioning Approach for FANETs in the Presence of Jamming by X. Zhang, Y. Wang, and X. Wang, published in IEEE Transactions on Vehicular Technology. July 2022. Vol. 66. No. 7. P. 6097–6109.
Nguyen K. K., Duong T. Q., Do-Duy T., Claussen H., Hanzo L. 3D UAV Trajectory and Data Collection Optimization via Deep Reinforcement Learning // IEEE Transactions on Communications. 2022. DOI: doi.org/10.1109/TCOMM.2022.3148364.
Yan Yunfei, Peng Sun, Jieyong Zhang, Yutang Ma, Liang Zhao, Yueyi Qin. Dynamic QoS Prediction Algorithm Based on Kalman Filter Modification // Sensors. 2022. No. 22 (15). P. 5651. DOI: https://doi.org/10.3390/s22155651.
Polara Vishal, Jagdish Rathod. Cost Optimization Approach for MANET using Particle Swarm Optimization // International Journal on Recent and Innovation Trends in Computing and Communication. 2023. No. 11 (8). Р. 90–98. DOI: https://doi.org/10.17762/ijritcc.v11i8.7927.
A Cooperative Positioning Scheme for FANETs in the Presence of Jamming and Uncertainties by Y. Wang, X. Zhang and X. Wang. Published in IEEE Transactions on Vehicular Technology. July 2023. Vol. 72. No. 7. P. 5826–5837.
Bieliakov R., Fesenko O. FANET management process simulation at the deployment and operation stage // Technology Audit and Production Reserves. 2023. No. 5 (2 (73). Р. 40–47. DOI: https://doi.org/10.15587/2706-5448.2023.290033.
Borkivska Olga, Zhurakovskyi Bohdan, Platonenko Artem. Smart City Information System Based On Lora Technology Annotation // Cybersecurity: Education, Science, Technique. 2022. No. 16 (4). Р. 113–28. DOI: https://doi.org/10.28925/2663-4023.2022.16.113128.
A 3D MATLAB/Simulink Model of an Unmanned Aerial Vehicle for Control Design and Simulation by A. A. Al-Sheikhly, M. A. Al-Ghamdi and M. A. Al-Shehbaz // IEEE Transactions on Systems.
Bieliakov R., Fesenko O. Mobility model of a special purpose terrestrial communication network // Computer-Integrated Technologies: Education, Science, Production. 2023. No. 51. Р. 130–138. DOI: https://doi.org/10.36910/6775-2524-0560-2023-51-17.

МЕТОД ПЛАНУВАННЯ ШЛЯХУ АВТОНОМНОГО НАЗЕМНОГО РОБОТА З ВИКОРИСТАННЯМ МОДИФІКАЦІЇ ДИНАМІЧНОГО ДВОНАПРАВЛЕНОГО RRT-АЛГОРИТМУ

А. П. Бернацький — Thu, 21 Dec 2023 00:00:00 +0000

Проблема планування шляху безпілотних автономних наземних засобів завжди була гострою проблемою в галузі досліджень автономних наземних робототехнічних систем. З погляду на складність завдань під час проведення бойових дій в урбанізованому просторі щільної забудови міста з постійною зміною ландшафту, завдання, які покладаються на безпілотні автономні наземні засоби, постійно ускладнюються, а сценарії використання безпілотних автономних наземних засобів демонструють диверсифіковану тенденцію розвитку нових систем прийняття рішень безпілотних автономних наземних засобів. Швидкоплинність ведення сучасних бойових дій в урбанізованому просторі постає як складне і багатопланове завдання. Враховуючи складність процесу руху безпілотних автономних наземних засобів, на сучасному етапі розвитку робототехнічних систем, загальною тенденцією є відмова від дистанційного керування роботизованими комплексами з переходом до автоматичних режимів, що вимагає розробки, впровадження алгоритмів автоматичної взаємодії та руху військових мобільних робототехнічних систем. Задля вирішення проблеми пришвидшення отримання рішень пошуку шляхів без зіткнень у режимі реального часу у двовимірному просторі пропонується застосувати модифікований динамічний двонаправлений алгоритм «швидке дослідження випадкового дерева із зірочкою» з реперними вузлами. Запропонований алгоритм є модифікацією алгоритму «швидке дослідження випадкового дерева із зірочкою» з реперними вузлами, з використанням методу двонаправленого жадібного пошуку для прискорення та вирішення проблеми односпрямованого алгоритму «швидке дослідження випадкового дерева» щодо його повільної швидкості пошуку, а також труднощів прийняття рішення у вузькому середовищі, викликаних сліпою випадковою вибіркою. В разі динамічного переміщення перешкоди така модифікація завдяки перевазі, що реперні вузли не потребують багато обчислень під час планування, у процесі ітераційної оптимізації шляху виконує оновлення інформації карти в режимі реального часу та відновлює пошкоджений вихідний шлях для завершення динамічного планування шляху.

Посилання

1. Бернацький А. П., Панченко І. В., Восколович О. І. Розширена математична модель руху автономного наземного робота розвідника в умовах бойових дій в урбанізованому просторі // Озброєння та військова техніка. 2021. № 30 (2). С. 121–129.

2. Winnfield J. A. Unmanned Systems Integrated Roadmap FY2011-2036 / Winnfield J. A. Jr., Kendall F.-Washington, DC: U. S. Department of Defense, March 9, 2012.

3. Бернацький А., Панченко І., Восколович О. Основи робототехніки військового призначення: конспект лекцій. Київ: ВІТІ, 2021.

4. Thomas H. Corman, Charles I. Leiserson, Ronald L. Rivest, Clifford Stein. Algorithms: construction and analysis. Introduction to Algorithms. Michigan U.: Williams, 2006. ISBN 978-0-262-53305-8.

5. Robert Schapire, Yoav Freund. Boosting: Foundations and Algorithms. MIT, 2012. ISBN 10: 0262526034; ISBN 13: 9780262526036.

6. Maw A. A., Tyan M., Nguyen T. A. et al. iADA*-RL: Anytime graph-based path planning with deep reinforcement learning for an autonomous UAV // Applied Sciences. 2021. № 11 (9). Р. 1–18. DOI: https://doi.org/10.3390/app11093948.

7. Kadry S., Alferov G., Fedorov V. D-Star Algorithm Modification // International Journal of Online and Biomedical Engineering (iJOE). 2020. Vol. 16. Nо. 8. Р. 108–113. DOI: https://doi.org/10.3991/
ijoe.v16i08.14243.

8. Majeed A., Hwang SO. Path planning method for UAVs based on constrained polygonal space and an extremely sparse waypoint graph // Applied Sciences. 2021. № 11 (12). Р. 5340. DOI: https://doi.org/
10.3390/app11125340.

9. Kagan E. and Ben-Gal I. A Group-Testing Algorithm with Online Informational Learning. IIE Transactions // Institute of Industrial Engineers. № 46 (2). Р. 164–184. DOI: https://doi.org/10.1080/
0740817X.2013.803639.

10. Jeong I. B., Lee S. J., Kim J. H. Quick-RRT*: Triangular inequality-based implementation of RRT* with improved initial solution and convergence rate // Expert Syst. Appl. 2019. № 123. Р. 82–90. DOI: https://doi: 10.1016/j.eswa.2019.01.032.

11. Black, Paul E. Greedy algorithm. Dictionary of Algorithms and Data Structures, US National Institute of Standards and Technology* PE Black. URL: http://www.nist.gov/dads/HTML/greedyalgo.html.

12. Gammell J. D., Srinivasa S. S., Barfoot T. D. Informed RRT*: Optimal sampling-based path planning focused via direct sampling of an admissible ellipsoidal heuristic; Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems; Chicago, IL, USA. 14–18 September 2014. DOI: https://doi.org/10.1109/IROS.2014.6942976.

13. Taheri E., Ferdowsi M. H., Danesh M. Fuzzy greedy RRT path planning algorithm in a complex configuration space. Int. J. Control. Autom. Syst. 2018. № 16. Р. 3026–3035. DOI: https://doi:10.1007/
s12555-018-0037-6.

14. Adiyatov, Olzhas; Varol, Huseyin Atakan. A novel RRT-based algorithm for motion planning in Dynamic environments. In Mechatronics and Automation (ICMA), 2017 IEEE International Conference on, 2017. Р. 1416–1421. DOI: https://doi:10.1109/ICMA.2017.8016024.

15. Spanogianopoulos, Sotirios and Sirlantzis, Konstantinos Non-holonomic Path Planning of Car-like Robot using RRT*FN. In: 2015 12th International Conference on Ubiquitous Robots and Ambient Intelligence (URAI). 2015. IEEE. Р. 53–57. E-ISBN 978-1-4673-7971-7. DOI: https://doi:10.1109/URAI.2015.7358927.

16. Бідюк П. І., Тимощук О. Л. та ін. Cистеми і методи підтримки прийняття рішень. Київ: КПІ ім. Ігоря Сікорського, 2022.

17. Li B., Chen B. An Adaptive Rapidly-Exploring Random Tree, Journal of Automatica Sinica. 2021. IEEE. DOI: https://doi.org/10.1109/JAS.2021.1004252.

18. Klemm S., Oberländer J., Hermann A., Roennau A., Schamm T., Zollner J. M., Dillmann R. RT-Connect: Faster, asymptotically optimal motion planning / Conference: 2015 IEEE International Conference on Robotics and Biomimetics (ROBIO 2015). At: Zhuhai, ChinaVolume: 12. DOI: https://doi.org/10.1109/
ROBIO.2015.7419012.

МЕТОДИКА РАЦІОНАЛЬНОГО ВИБОРУ БЕЗПІЛОТНОГО АВІАЦІЙНОГО КОМПЛЕКСУ ДЛЯ ПОБУДОВИ ТЕЛЕКОМУНІКАЦІЙНИХ АЕРОПЛАТФОРМ

І. А. Данилюк, М. М. Радченко, В. М. Шаповал, П. Г. Сидоркін — Thu, 21 Dec 2023 00:00:00 +0000

Авіаційний ринок безпілотних авіаційних комплексів переповнений безпілотними апаратами, різноманітними за призначенням, класами, технічним рівнем і вартістю. Для вибору зразка безпілотного апарата, придатного для побудови телекомунікаційної аероплатформи, авторами запропонована методика, що вирішує завдання побудови телекомунікаційної аероплатформи як складової наземно-повітряної мережі систем радіозв’язку військового призначення з великою кількістю вагомих факторів.

З огляду на те, що при здійсненні вибору більшість дослідників у різних галузях схиляються до застосування методу аналізу ієрархій із залученням досвіду експертів у цих галузях, автори статті пропонують застосувати цей метод під час вибору варіанта безпілотного авіаційного комплексу для побудови зазначеної телекомунікаційної аероплатформи. В методиці виділені такі етапи аналізу ієрархій, як: визначення мети аналізу; визначення основних та варіантів; побудова дерева ієрархії від мети через параметри до варіантів; побудова матриць попарних порівнянь параметрів за метою та варіантів за параметрами; визначення ваг варіантів по системі ієрархії.

Наведені розрахунки здійснення вибору варіанта безпілотного авіаційного комплексу дозволили сформулювати наступні висновки: метод аналізу ієрархій відповідає потребі оперативного обґрунтування рішення щодо вибору варіанта безпілотного авіаційного комплексу для забезпечення виконання завдань телекомунікаційних аероплатформ при наявності групи експертів відповідної кваліфікації в галузі досліджень.

Напрямками подальших досліджень автори вважають можливість використання запропонованої методики для раціонального вибору обладнання (наприклад, безпілотного авіаційного комплексу) для розробки нових протоколів і алгоритмів функціонування самоорганізуючих радіомереж на основі безпілотних літальних апаратів.

Посилання

Кваша Т. К. Світові наукові та технологічні тренди у сфері забезпечення національної безпеки. Київ: УкрІНТЕІ, 2019. 107 с. URL: https://mon.gov.ua/storage/app/media/innovatsii-transfer-tehnologiy/2021/09/30/Svitovi.nauk.tekhn.trend.sfer.zabezp.nats.bezp-2019.30.09.pdf (дата звернення: 27.06.2023).
Державний концерн «Укроборонпром» спільно з Генштабом Збройних сил України розробили програму розвитку безпілотних систем для Сил безпеки та оборони нашої держави (дата публікації: 26.08.2022) // Інтернет-портал концерну “Укроборонпромˮ. URL: https://ukroboronprom.com.ua/news/ukroboronprom-spilno-z-genstabom-zsu-rozrobili-programu-rozvitku-bpla (дата звернення: 27.06.2023).
Романюк В. А., Степаненко Є. О., Панченко І. В., Восколович О. І. Літаючі самоорганізуючі радіомережі // Збірник наукових праць ВІТІ. 2017. № 1. С. 104–114. URL: https://journal.viti.edu.ua/
index.php/cicst/romaniuk.
Романюк В. А. Мережі MANET – основа побудови тактичних мереж зв’язку // IV науково-практичний семінар ВІТІ “Пріоритетні напрямки розвитку телекомунікаційних систем та мереж спеціального призначення”. Київ: ВІТІ НТУУ “КПІ”. 2007. С. 15–28. URL: https://journal.viti.edu.ua/
index.php/cicst/romaniuk.
Бондар Д. В., Гурник А. В., Литовченко А. О., Хижняк В. В., Шевченко В. Л., Ядченко Д. М. Застосування безпілотних авіаційних систем у сфері цивільного захисту: монографія. Київ, 2022. 312 с.
Илюшко В. М. Беспилотные летательные аппараты: методики приближенных расчетов основных параметров и характеристик // В. М. Илюшко, М. М. Митрахович, А. В. Самков и др.; под общ. ред. В. И. Силкова. Киев: ЦНИИ ВВТ ВС Украины, 2009. 302 с.
Катеринчук І. С., Балицький І. І. Інформаційна технологія обґрунтування раціональних значень параметрів застосування тактичних безпілотних літальних апаратів органу охорони державного кордону // Теорія та практика створення, розвитку і застосування високотехнологічних систем спеціального призначення з урахуванням досвіду антитерористичної операції: матеріали XXII Всеукраїнської науково-практичної конференції, м. Житомир, Житомирський військовий інститут ім. С. П. Корольова, 26 квітня 2018 р. С. 74–76.
Коломійцев О. В., Рябуха Ю. М., Калачова В. В., Третьяк В. Ф. Аналіз методів і процедур шкального оцінювання в задачах прийняття рішень при проектуванні і супроводженні розподілених автоматизованих інформаційних систем // International Forum: Problems and Scientific Solutions: матеріали 3-ї Міжнародної науково-практичної конференції, Австралія, м. Мельбурн, 26–28 квітня 2020 р. С. 250–259. URL: https://ojs.ukrlogos.in.ua/index.php/interconf/article/view/2309 (дата звернення: 27.06.2023).
Поляков А. П., Галущак О. О., Галущак Д. О., Грабенко М. Д. Методика вибору рухомого складу, маршруту і графіка перевезення вантажів. машинобудування та транспорт // Наукові праці Вінницького національного технічного університету. 2011. № 3. С. 1–10. URL: https://praci.vntu.edu.ua/
index.php/praci/article/view/288 (дата звернення: 27.06.2023).
Рябцев В. В., Тищенко М. Г. Методика рационального выбора комплекса авторских средств разработки курсов дистанционного обучения // Управляющие системы и машины. 2011. № 4. С. 72–77. URL: http://dspace.nbuv.gov.ua/bitstream/handle/123456789/82952/10-Riabtsev.pdf?sequence=1 (дата звернення: 27.06.2023).
Куцаєв В. В. Радченко М. М. Методика оцінки кібернетичної захищеності інформаційно-телекомунікаційного вузла // Збірник наукових праць ВІТІ. Київ, 2018. Вип. 2. С. 67–76. URL: https://www.viti.edu.ua/index.php?view=coll_2018_2 (дата звернення: 27.06.2023).
Гевко І. Б. Методи прийняття управлінських рішень: підручник. 2009. 186 с.
Томас Сааті Т. Принятие решений – Метод анализа иерархий. М.: Радио и связь, 1993. 320 с.
Lav Gupta, Raj Jain, Gabor Vaszkun Survey of Important Issues in UAV Communication Networks, IEEE Communications Surveys and Tutorials, Volume PP, November 2015. DOI: 10.1109/COMST.2015.2495297.

ПІДВИЩЕННЯ ТОЧНОСТІ КЛАСИФІКАЦІЇ ОБ’ЄКТІВ НА МІСЦЕВОСТІ НА ОСНОВІ ПОЄДНАННЯ СЕНСОРНИХ МОДАЛЬНОСТЕЙ ІЗ ВИКОРИСТАННЯМ БІНАРНОЇ КРОСЕТРОПІЇ ЯК ФУНКЦІЇ ВТРАТ

В. С. Легкобит, І. В. Стоцький, А. О. Карпенко — Thu, 21 Dec 2023 00:00:00 +0000

У сучасних умовах ведення бойових дій надзвичайної важливості набуло програмне забезпечення, в основу якого покладено техніки машинного навчання для виявлення та класифікації об’єктів інфраструктури на місцевості. У зв’язку з цим актуальним постає завдання підвищення точності класифікації об’єктів на місцевості, оскільки застосування безпілотних літальних апаратів (далі – БпЛА) та космічних систем є життєво важливим для ведення розвідувальної діяльності. Враховуючи характер вхідних даних, а саме статичні зображення місцевості, отримані у вигляді супутникових знімків та знімків з камер БпЛА, для вирішення завдань класифікації доцільно застосовувати згорткові нейронні мережі. У більшості випадків супутникові знімки представлені у вигляді мультиспектральних та гіперспектральних зображень, тому для навчання моделі були використані загальнодоступні набори даних, що запропоновані спільнотою дослідників SpaceNet. Важливим етапом підготовки навчальної вибірки є орторектифікація зображень, а саме додавання інформації про 3D-поверхню до зображень, що надає моделі важливу геометричну інформацію для семантичних класів, таких як будівлі та інші споруди, виправляє геометричні спотворення та сприяє навчанню моделі розпізнавати об’єкти в узгодженому геопросторовому контексті. Під час експериментів було проведено навчання моделі SegNet із використанням normalized Digital Surface Model (nDSM) та без неї. Результати експериментів демонструють, що узагальнена точність класифікації для шести класів об’єктів на тестовому наборі даних зростає на 23,9 %. А експерименти з обмеженням навчальної вибірки продемонстрували, що за потреби достатньо використати половину доступного тренувального набору даних для отримання лише на 4 % нижчої точності класифікації та заощадження близько 10 годин навчання.

Посилання

Козуб А. М., Шумейко В. О., Зуйко В. В., Ніколаєнко О. Є. Аналіз досвіду використання космічних систем та безпілотних авіаційних комплексів в сучасних локальних конфліктах та перспективи їх розвитку // НУОУ. Сучасні інформаційні технології у сфері безпеки та оборони. 2018. № 3 (33).
Епішев В. П., Мотрунич І. І., Періг В. М., Кудак В. І., Найбауер І. Ф., Сухов П. П., Кашуба В. І., Сухов К. П., Варламов І. Д., Албул В. В., Москаленко С. С., Мисливий С. О. Можливості національних оптичних засобів спостереження за космічним простором щодо контролю геостаціонарної орбіти у інтересах збройних сил України // НУОУ. Сучасні інформаційні технології у сфері безпеки та оборони. 2018. № 3 (33).
ImageNet: website. URL: https://www.image-net.org/index.php.
M. Weinmann and M. Weinmann. Geospatial computer vision based on multi-modal data. 2018. DOI: 10.3390/rs10010002.
Goldberg H., Brown M. and Wang S. A benchmark for building footprint classification using orthorectified rgb imagery and digital surface models from commercial satellites. Proceedings of IEEE applied imagery pattern recognition workshop. 2017. DOI: 10.1109/AIPR.2017.8457973.
Chen K., Weinmann M., Gao X., Yan M., Hinz S., Jutzi B. and Weinmann M. Residual shuffling convolutional neural networks for deep semantic image segmentation using multi-modal data. ISPRS annals of photogrammetry, remote sensing & spatial information sciences. 2018. DOI: 10.5194/
isprs-annals-IV-1-29-2018.
Medium: website. URL: https://medium.com/the-downlinq/spacenet-6-announcing-the-winners-df817712b515.
WangL., Yang B., Chen Y., Zhang X., Orchard J. Improving neural-network classifiers using nearest neighbor partitioning. IEEE Trans NNL System. 2017. DOI: 10.1109/TNNLS.2016.2580570.
Shuangrong Liu, Lin Wang, Bo Yang, Jin Zhou, Zhenxiang Chen, Huifen Dong. Improvement of Neural-Network Classifiers Using Fuzzy Floating Centroids. DOI: 10.1109/TCYB.2020.2987904.
Zhu C., Wang Z. Entropy-based matrix learning machine for imbalanced data sets. Pattern Recognit Lett. 2017. DOI: 10.1016/j.patrec.2017.01.014.
Aurelio, YS, de Almeida, GM, de Castro, CL and Braga, AP. Learning from imbalanced data sets with weighted cross-entropy function. 2019. DOI: 10.1007/s11063-018-09977-1.
Badrinarayanan V., Kendall A. and Cipolla R. Seg-Net: a deep convolutional encoder-decoder architecture for image segmentation. IEEE Trans. Pattern Analytic. Mach Intelligence. 2017. DOI: 10.1109/TPAMI.2016.2644615.
Daniel Voigt Godoy. Deep Learning with PyTorch Step-by-Step: A Beginner’s Guide. Copyright
2020-2022.

ТЕХНІКО-ЕКОНОМІЧНА ОЦІНКА РЕМОНТУ ОЗБРОЄННЯ ТА ВІЙСЬКОВОЇ ТЕХНІКИ

Б. О. Мельник, І. В. Овчаренко, І. В. Новікова — Thu, 21 Dec 2023 00:00:00 +0000

Аналіз застосування підрозділів та військових частин під час ведення бойових дій у російсько-українській війні дозволяє стверджувати, що одним із основних чинників, які впливають на успіх у виконанні завдань, є наявність працездатних зразків озброєння та військової техніки.

Водночас одним із основних джерел надходження в підрозділи (військові частини) працездатних зразків озброєння і військової техніки під час ведення бойових дій є повернення їх зі стаціонарних та рухомих ремонтно-відновлювальних військових частин (підрозділів) після виконання заходів з їхнього відновлення.

Відповідно під час відновлення пошкоджених зразків озброєння і військової техніки витрачаються запасні частини, вузли, агрегати, комплектуюче обладнання тощо, які необхідно закупляти у виробників, що призводило до фінансово-економічних витрат.

Тому в роботі запропоновано методичний підхід до оцінювання економічної ефективності ремонту зразків озброєння і військової техніки.

Цей підхід враховує два напрямки: фінансово-економічні витрати на ремонт озброєння і військової техніки в стаціонарних умовах та у рухомих ремонтно-відновлювальних військових частинах (підрозділах).

Під час ремонту озброєння і військової техніки в стаціонарних умовах основні фінансові витрати будуть спрямовані на основну заробітну плату спеціалістів-ремонтників, основні матеріали, запасні частини, цехові накладні витрати, загальні накладні витрати, витрати на освоєння нових видів продукції і спеціальні витрати.

А під час ремонту озброєння і військової техніки у ремонтно-відновлювальних військових частинах (підрозділах) основні витрати будуть спрямовані на закупівлю нових деталей, вузлів, агрегатів, вартість амортизації обладнання, вартість утримання особового складу спеціалістів-ремонтників, середню вартість експлуатаційного комплекту.

Посилання

1. Головне управління доктрин та підготовки Генерального штабу спільно з зацікавленими структурними підрозділами науково-дослідних установ Збройних Сил України. Збірник № 4 “Матеріалів вивчення бойового досвіду російсько-української війни червень 2022 р.”. Київ: 2022. С. 204–205.

2. Дачковський В. О. Кондратюк І. В., Дядечко А. О., Сампір О. А., Павлов Д. П. Крос-темпоральний аналіз втрат озброєння та військової техніки Російської Федерації під час ведення війн на території інших держав протягом останніх 30 років // Social Development and Security. 2022. Vol. 12. № 3. С. 14–29.

3. Аналіз бойових дій в районі Іловайська після вторгнення російських військ 24–29 серпня 2014 року. URL: http://www.mil.gov.ua/news/2015/10/19/analiz-illovausk--14354/.

4. Аналіз бойових дій на сході України в ході зимової кампанії 2014–2015 років. URL: http://www.mil.gov.ua/news/2015/12/23/analiz-bojovih-dij-na-shodi-ukraini-v-hodi-zimovoi-kampanii-2014–2015-rokiv--16785/.

5. Аналіз Генерального штабу ЗС України щодо бойових дій на Дебальцевському плацдармі з 27 січня до 18 лютого 2015 року. URL: http://www.mil.gov.ua/analitichni-materiali/analiz-generalnogo-shtabu-zsu-shhodo-bojovih-dij-na-debalczevskomu-placzdarmi-z-27-sichnya-do-18-lyutogo-2015-roku.html.

6. Dachkovskyі V., Kondratiuk I. Technical and economic assessment of the weapons and military equipment exploitation // Political Science and Security Studies Journal. 2021. № 2 (4). С. 42–50. DOI: https://doi.org/10.5281/zenodo.5810146.

7. Шишанов М. О., Чеченкова О. Л., Павловський І. В. Техніко-економічна оцінка модернізації бронетанкової техніки при її капітальному ремонті // Озброєння та військова техніка. 2018. № 1 (17). С. 62–65.

8. Зянько В. В., Поляков П. А. Техніко-економічна оцінка рекомендацій щодо підвищення ефективності функціонування системи технічного обслуговування і ремонту техніки на гусеничній базі. URL: https://ir.lib.vntu.edu.ua/bitstream/handle/123456789/16822/3139.pdf?sequence=3.

9. Parkhomenko Pavlo, Lavruk Michael, Tkach Ivan. Analiz zdiysnennya byudzhetnoho ta oboronnoho planuvannya u systemi Ministerstva oborony Ukrayiny ta Zbroynykh Syl Ukrayiny v konteksti rozvytku ozbroyennya ta viys′kovoyi tekhniky // Social development & Security. 2019. № 9 (5). Р. 174–189. DOI: http://doi.org/10.33445/sds.2019.9.5.12.

10. Викулов С. Ф., Косенко А. А., Подольский А. Г. Методический подход к оценке контрактных цен на реализацию программных мероприятий по созданию вооружения и военной технике. URL: http://viculov.ru/trudy/93.pdf.

11. Бахарев Г. А. Боевая эффективность и затраты. URL: https://cyberleninka.ru/article/n/boevaya-effektivnost-i-zatraty-1.

12. Shishanov M. О., Datsenko I. Р. Metodychni osnovy tekhniko-ekonomichnykh otsinok tekhnolohichnykh protsesiv vyhotovlennya ta modernizatsiyi korpusiv pankrealizatsiyi avtomobiliv // Social development & Security. 2018. № 1 (1). Р. 29–38. DOI: http://doi.org/10.5281/zenodo.1412070.

13. Asadullin M. R. Method for technical and economic evaluation of the effectiveness of reliability improvement of military aircraft gas-turbine engines in their aftersales support based on outcome performance measures // Vestnik Permskogo universiteta. Seria Ekonomika = Perm University Herald. Economy. 2016. № 3 (30). P. 92–104. DOI: 10.17072/1994-9960-2016-3-92-104.

14. Vintr Zdenek, Holub Rudolf. A Method of technical and economic evaluation of vehicle reliability. Seoul 2000 FISITA World Automotive Congress June 12–15, 2000, Seoul, Korea. URL: https://www.researchgate.net/publication/267845747_A_Method_of_Technical_and_ Economic_Evaluation_of_Vehicle_Reliability.

15. Буравлев А. И. Методика оценки военно-технического уровня парка ВВТ в ходе реализации программных мероприятий по их закупке и ремонту // Вооружение и экономика. 2016. № 4 (37). С. 91–103.

16. Kotsiuruba V., Dachkovskyі V., Kurtseitov T. The model of the organizational and technical weapons and military equipment recovery system // Social Development and Security. 2021. № 11 (6). P. 194–208. DOI: https://doi.org/10.33445/sds.2021.11.6.15.

17. Smal T., Furch J. Expedient repairs – analysis of possibilities and needs // Advances in Military Technology. 2011. Vol. 6. No. 2. Р. 69–82.

18. Дачковський В. О., Ярошенко О. В., Овчаренко І. В., Сампір О. М. Методика проектування ремонтно-відновлювальних органів // Збірник наукових праць військової академії. 2020. № 13 (1). Ч. 1. C. 210–222. DOI: 19.37129/2313-7509.2020.13.1.210-222.

19. Деменєв О. М., Рихтюк В. Л., Мунтіян В. І., Ткач І. М. Маркетинт та логістика у Збройних Силах України: навч. посіб. / за ред. В. Л. Рихтюка. – К.: НУОУ ім. Івана Черняховського, 2016. 304 с.

20. Слободяник С. П. Фінансовий менеджмент. К.: НУОУ ім. Івана Черняховського, 2014. 301 с.

21. Дачковський В. О., Овчаренко І. В., Ярошенко О. В., Багдасарян Н. К. Оперативні розрахунки завдань технічного забезпечення (методика та приклади). К.: НУОУ ім. Івана Черняховського, 2018. 116 с.

22. Дачковський В., Левченко М. Напрямки розвитку рухомих засобів ремонту озброєння та військової техніки // InterConf. 2021. № 65. URL: https://ojs.ukrlogos.in.ua/index.php/interconf/article/
view/13839.

Аналіз правил побудови траєкторії польоту для збору даних комунікаційною аероплатформою з вузлів безпроводової сенсорної мережі.

В. А. Романюк, А. Г. Гримуд — Thu, 21 Dec 2023 00:00:00 +0000

Для збору даних моніторингу з вузлів безпроводових сенсорних мереж із незв’язною топологією пропонується використовувати комунікаційну аероплатформу (далі – КА), яка побудована на базі безпілотного літального апарата. КА в процесі польоту формує тимчасові локальні радіомережі та виконує роль повітряного шлюзу для збору даних з окремих вузлів та головних вузлів у зв’язних фрагментах мережі. Ефективність процесу збору даних залежить від характеристик мережі, способів (правил) побудови траєкторії польоту КА, кількості та локації точок (інтервалів) обміну даними тощо. У статті проводиться оцінка ефективності застосування різних продукційних правил побудови траєкторії польоту КА для збору даних з вузлів мережі для досягнення певних цільових функцій: мінімізації часу збору даних, максимізації часу функціонування мережі.

У роботі сформульована задача пошуку траєкторії польоту та збору даних КА з вузлів як задача пошуку найкоротшої траєкторії переміщення зони покриття КА з початкової в кінцеву точки польоту, яка забезпечує покриття всіх вузлів (кластерів на площі) на мінімальній відстані обміну КА з вузлами. Для оцінки ефективності застосування правил побудови траєкторії польоту та збору даних розроблена відповідна імітаційна модель. Вхідними даними моделювання є характеристики мережі, вузлів та комунікаційної аероплатформи, способи (правила) управління процесом збору даних. Імітаційна модель надає можливість отримувати залежності показників ефективності (час збору даних, витрати енергії батарей, час функціонування мережі) на множині правил побудови траєкторії польоту та збору даних КА при різних вхідних даних.

Результати імітаційного моделювання застосування множини (бази) правил довели можливість зменшення часу збору даних до 20 % або підвищення часу функціонування мережі до 15 % порівняно з існуючими рішеннями.

Посилання

Amodu O.A., Nordin R., Jarra C., Bukar U.A., Raja Mahmood R.A., Othma, M.A. (2023). Survey on the Design Aspects and Opportunities in Age-Aware UAV-Aided Data Collection for Sensor Networks and Internet of Things Applications. Drones, 7, 260. DOI: https://doi.org/10.3390/ drones7040260.
Minh T. Nguyen, Cuong V. Nguyen, Hai T. Do, Hoang T. Hua, Thang A. Tran, An D. Nguyen, Guido Ala, and Fabio Viola. (2021). UAV-Assisted Data Collection in Wireless Sensor Networks:
A Comprehensive Survey. Electronics. 10, 2603. DOI: 10.3390/electronics10212603.
Imad Jawhar, Nader Mohamed, Jameela Al-Jarood (2015). UAV-based data communication in wireless sensor networks: Models and Strategies. International Conference on Unmanned Aircraft Systems (ICUAS). DOI: 10.1109/ICUAS.2015.7152351.
V. Romaniuk, O. Lysenko, A. Romaniuk, O. Zhuk (2020). Increasing the efficiency of data gathering in clustered wireless sensor networks using UAV. Information and Telecommunication Sciences,11 (1), 102–107. DOI: 10.20535/2411-2976.12020.102-107.
Zhiqing Wei, Mingyue Zhu, Ning Zhang, Lin Wang (2022). Zhiyong Feng UAV Assisted Data Collection for Internet of Things: A Survey. IEEE Internet of Things Journal 9(17):1-1, DOI:10.1109/JIOT.2022.3176903.
Sarmad Rashedand Mujdat Soyturk (2017). Analyzing the Effects of UAV Mobility Patterns on Data Collection in Wireless Sensor Networks Sensors. 17, 413. DOI: 10.3390/s17020413.
Weihuang Huang, Jeffrey Xu Yu. (2017). Investigating TSP Heuristics for Location-Based Services Data Sci. Eng. 2: 71–93. DOI: 10.1007/s41019-016-0030-0.
Helsgaun K. (2017). An Extension of the Lin-Kernighan-Helsgaun TSP Solver for Constrained Traveling Salesman and Vehicle Routing Problems; Roskilde University: Roskilde, Denmark. DOI:10.13140/RG.2.2.25569.40807.
Hahsler M., Hornik, K. (2007). TSP – Infrastructure for the traveling salesperson problem. J. Stat. Softw., 23, 1–21.
Wu Yue, Zhu Jiang (2018). Path Planning for UAV to Collect Sensors Data Based on Spiral Decomposition. Procedia Computer Science 131, 873–879. DOI: 10.1016/j.procs.2018.04.29.
Chengliang W, Jun-hui Y (2015). Path Planning for UAV to Collect Sensor Data in Large-Scale WSNs. Transaction of Beijing Institute of Technology; 35: 1044–1049. DOI: 10.1016/j.procs.2018.04.291.
Kumar Nitesh, Prasanta K. Jana (2019). Convex hull based trajectory design for mobile sink in wireless sensor networks/International Journal of Ad Hoc and Ubiquitous Computing 30(1):26 DOI: 10.1504/IJAHUC.2019.097092.
Q F., Yu W., Xiao K., Liu C., Liu W. (2022). Trajectory generation and optimization using the mutual learning and adaptive colony algorithm in uneven environments. Appl. Sci., 12, 4629. DOI: https://doi.org/10.3390/app12094629.
Katoch S., Chauhan S.S., Kumar V. (2021). A review on genetic algorithm: past, present, and future. Multimed. Tools Appl., 80, 8091–8126. DOI: 10.1007/s11042-020-10139-6.
Emambocus B.A.S., Jasser M.B., Hamzah M., Mustapha A., Amphawan A. (2021). An enhanced swap sequence-based particle swarm optimization algorithm to Solve TSP. IEEE Access, 9, 164820–164836. DOI: 10.1109/ACCESS.2021.3133493.
Haider S.K., Jiang A., Almogren A., Rehman A.U., Ahmed A., Khan W.U., Hamam H. (2021). Energy Efficient UAV Flight Path Model for Cluster Head Selection in Next-Generation Wireless Sensor Networks. Sensors., 21, 8445. DOI: https://doi.org/10.3390/s21248445.
Josiane da Costa Vieira Rezende, RoneIlídio da Silva, Marcone Jamilson Freitas Souza. (2020). Gathering Big Data in Wireless Sensor Networks by Drone. Sensors, 20, 6954. DOI: 10.3390/s20236954.
Dac-Tu Ho, EstenIngar Grotli, and Tor Arne Johansen (2013). Heuristic Algorithm and Cooperative Relay for Energy Efficient Data Collection with a UAV and WSN. International Conference Computing, Management and Telecommunications (ComManTel). DOI: 10.1109/ComManTel.2013.6482418.
Cariou, C., Moiroux-Arvis, L., Pinet, F., Chanet, J.-P. (2023). Evolutionary Algorithm with Geometrical Heuristics for Solving the Close Enough Traveling Salesman Problem: Application to the Trajectory Planning of an Unmanned Aerial Vehicle. Algorithms, 16, 44. DOI: https://doi.org/10.3390/a16010044.
Nguyen, K. K., Duong, T. Q., Do-Duy, T., Claussen, H., & Hanzo, L. (2022). 3D UAV Trajectory and Data Collection Optimization via Deep Reinforcement Learning. IEEE Transactions on Communications. DOI: 10.1109/TCOMM.2022.3148364
Hrymud A., Romaniuk V. (2023). A model of situational control of the telecommunication aerial platform flight trajectory to collect data from nodes of a wireless sensor network. Communication, informatization and cyber-security systems and technologies, № 3. p. 88–100. DOI: 10.58254/viti.3.2023.12.101.

АРХІТЕКТУРА ІНТЕЛЕКТУАЛЬНОЇ SIEM-СИСТЕМИ ДЛЯ ВИЯВЛЕННЯ КІБЕРІНЦИДЕНТІВ У БАЗАХ ДАНИХ ІНФОРМАЦІЙНО-КОМУНІКАЦІЙНИХ СИСТЕМ ВІЙСЬКОВОГО ПРИЗНАЧЕННЯ

І. Ю. Субач, О. В. Власенко — Thu, 21 Dec 2023 00:00:00 +0000

У статті розглянуто актуальні завдання кіберзахисту баз даних інформаційно-комунікаційних систем. Проаналізовано ефективність поточних заходів щодо захисту баз даних і зроблено висновок, що існуючі системи не враховують багаторівневість захисту, що є критичним аспектом у сфері кібербезпеки. Запропоновано забезпечення кіберзахисту баз даних із використанням інтелектуальних можливостей SIEM-системи. Пропонується новий підхід до архітектури SIEM-системи, який враховує різні рівні контуру захисту інформаційно-комунікаційної системи. Розроблена архітектура надає можливість ефективно виявляти та реагувати на кібератаки на всіх рівнях захисту: від операційної системи до баз даних. Основним аспектом цієї архітектури є багаторівневий захист бази даних, що дозволяє ефективно виявляти та реагувати на кібератаки. Запропонований підхід включає додавання джерел даних із застосунків різних рівнів контуру захисту інформаційно-комунікаційної системи, модуля аналізу даних про події в базі даних, який функціонує на основі застосування методів теорії нечітких множин та нечіткого логічного виводу та модуля кореляції правил для покращення виявлення кіберінцидентів. А також інтеграцію OLAP-технологій для отримання глибокого і аналітичного погляду на стан безпеки бази даних. Запропонована архітектура для виявлення кіберінцидентів дозволяє підвищити ефективність за показником точності виявлення кіберінцидентів, пов’язаних із функціонуванням бази даних інформаційно-комунікаційної системи. Результатом дослідження є покращення можливостей SIEM-системи у виявленні та реагуванні на кіберінциденти у сфері бази даних інформаційної системи військового призначення. Подальшим напрямком досліджень є побудова моделі функціонування системи кіберзахисту бази даних інформаційно-комунікаційної системи.

Посилання

A. Mousa, M. Karabatak, and T. Mustafa Database Security Threats and Challenges, in 2020 8th International Symposium on Digital Forensics and Security (ISDFS). 2020: IEEE. P. 1–5. DOI: 10.1109/ISDFS49300.2020.9116436.
Ramyar A. Teimoor A. Review of Database Security Concepts, Risks, and Problems. UHD Journal of Science and Technology. 2021. Vol. 5, no. 2. P. 38–46. DOI: 10.21928/uhdjst.v5n2y2021.
M. I. Khan, S. N. Foley, B. O'Sullivan. Database Intrusion Detection Systems (DIDs): Insider Threat Detection via Behavioural-based Anomaly Detection Systems – A Brief Survey of Concepts and Approaches. Emerging Information Security and Applications. 2022. P. 178–197. DOI: 10.1007/978-3-030-93956-4.
R. G. Santos, J. Bernardino, M. Vieira. Approaches and Challenges in Database Intrusion Detection. ACM SIGMOD Record. 2014. Vol. 43, no. 3. P. 36–47. DOI: 10.1145/2694428.2694435.
S. Rathore, A. Sharma Database Security - Attacks, Threats and Challenges. Іnternational Journal of Engineering Research & Technology (IJERT), ICCCS, 2017. Vol. 5, no. 10. ISSN: 2278-0181.
Database Denial of Service: Attacks. Blog. URL: https://securosis.com/blog/database-denial-of-service-the-attacks (дата звернення: 03.06.2023).
DB-Engines Ranking // Knowledge Base of Relational and NoSQL Database Management Systems. URL: https://db-engines.com/en/ranking (дата звернення: 02.06.2023).
Oracle Database Documentation URL: https://docs.oracle.com/en/database/ (дата звернення: 05.06.2023).
Microsoft SQL documentation URL: https://learn.microsoft.com/uk-ua/sql/?view=sql-server-ver16 (дата звернення: 05.06.2023).
Db2 database product documentation URL: https://www.ibm.com/support/pages/db2-database-product-documentation (дата звернення: 05.06.2023).
І. Субач, В. Кубрак, А. Микитюк. Архітектура та функціональна модель перспективної проактивної інтелектуальної системи SIEM-системи для кіберзахисту об’єктів критичної інфраструктури. Information Technology and Security. 2019. № 7 (2). P. 208–215. DOI: https://doi.org/10.20535/2411-1031.2019.7.2.190570.
І. Субач, О. Власенко. Iнформаційні технології захисту баз даних від кібератак в інформаційних системах військового призначення”. Information Technology and Security. 2022. № 10 (2). P. 177–193. DOI: https://doi.org/10.20535/2411-1031.2022.10.2.270412.
І. Субач, В. Фесьоха. Модель виявлення аномалій в інформаційно-телекомунікаційних мережах органів військового управління на основі нечітких множин та нечіткого логічного виводу. Зб. наук. праць ВІТІ. 2017. № 3. С. 158164. URL: http://nbuv.gov.ua/UJRN/Znpviti_2017_3_21.
І. Ю. Cубач, В. В. Фесьоха, Н. О. Фесьоха. Аналіз існуючих рішень запобігання вторгненням в інформаційно-телекомунікаційні мережі, відкритих на основі загальнодоступних ліцензій. Information technology and security. 2017. Vol. 5, iss. 1. Pp. 29–41. DOI: https://doi.org/10.20535/2411-1031.2017.5.1.120554.
López Velásquez J. M., Martínez Monterrubio S. M., Sánchez Crespo L. E. et al. Systematic review of SIEM technology: SIEM-SC birth. Int. J. Inf. Secur. 2023. DOI: https://doi.org/10.1007/s10207-022-00657-9.
M. Cinque, D. Cotroneo, A. Pecchia. Challenges and Directions in Security Information and Event Management (SIEM). 2018 IEEE International Symposium on Software Reliability Engineering Workshops (ISSREW), Memphis, TN, USA, 2018. Pp. 95–99. DOI: 10.1109/ISSREW.2018.00-24.
K.-O. Detken, T. Rix, C. Kleiner, B. Hellmann, L. Renners. Siem approach for a higher level of it security in enterprise networks. In Proc. IDAACS, Warsaw, Poland, 2015. P. 322–327.
Muhammad, Adabi & Sukarno, Parman & Wardana, Aulia. Integrated Security Information and Event Management (SIEM) with Intrusion Detection System (IDS) for Live Analysis based on Machine Learning. Procedia Computer Science. 2023. Vol. 217. P. 1406–1415. DOI: 10.1016/j.procs.2022.12.339.

КОНТРОЛЬ ТА ДІАГНОСТУВАННЯ ПОСЛІДОВНИХ ЦИФРОВИХ СТРУКТУР

В. О. Хорошко, С. О. Клімович, О. Г. Янковський — Thu, 21 Dec 2023 00:00:00 +0000

У сучасному світі цифрової електроніки послідовні цифрові структури належать до компонентів багатьох електронних систем і пристроїв. Такі системи (пристрої) широко використовують в різних галузях творчості та життєдіяльності людини, включаючи комунікаційні системи, автоматичні та автоматизовані пристрої. Завдання, пов’язані з контролем та діагностикою таких систем, супроводжуються певними труднощами. Дослідження в цьому напрямку має особливе значення для забезпечення стійкості та надійності цифрових систем у сучасних технологічних умовах. У цьому контексті вивчення особливостей діагностування, послідовних цифрових структур набуває особливого значення. Під діагностуванням розуміємо послідовне розв’язання задач визначення технічного стану, локалізацію несправності (з точністю до окремого радіоелектронного компонента) та прогнозування технічного стану на певний проміжок часу. Визначення окремого радіоелектронного компонента в складі цифрової системи означає визначення конкретної мікросхеми, функціонування якої не відповідає технічним умовам (оскільки мікросхема, незважаючи на складність та багатофункціональність, є мінімальним компонентом, що підлягає заміні). Контроль технічного стану особливо важливий у системах, яка містить велику кількість взаємодіючих між собою послідовних цифрових елементів.

Однією з ключових проблем під час розробки методів контролю послідовних цифрових структур є їхня чисельна розмірність та велика кількість логічних елементів, кожен з яких може бути джерелом помилки при виконанні простих логічних операцій. Тому інженерам доводиться розробляти нові ефективні методи та алгоритми виявлення помилок у таких системах.

Посилання

1. Основи технічної діагностики / За ред. П. П. Пархоменка. Луганськ: Вид. «Ноулидж», 2012. 480 с.

2. Чжан Г. Діагностика відмов цифрових обчислювальних систем / Г. Чжан, Е. Маннинг, Г. Метц. Харків: ООО «Компанія ОМІТ», 2006. 292 с.

3. Доценко Б. И. Определение эффективности проверки технического состояния систем. Техника воздушного флота. Харьков: Изд. Харьковского авиационного института, 1991. С. 23–29.

4. Кузавков В., Хорошко В., Янковський О. Технічна діагностика складних технічних об’єктів // Захист інформації. 2022. Т. 24, № 3. С. 115–120.

5. Кузавков В., Хорошко В., Янковський О., Болотюк Ю. Вимоги до засобів діагностування обчислювальних систем // Безпека інформації. 2022. Т. 28, № 3. С. 127–132.

6. Ярмолик В. Н. Контроль и диагностика цифровых узлов ЭВМ. Вильнюс: Наука и техника, 1992. 240 с.

7. Цой С. Прикладна теорія графа. Алма-Ата: Наука, 2001. 500 с.

8. Стрельников В. П. Оценка и прогнозирование надёжности электронных элементов и узлов / В. П. Стрельников, А. П. Федухин. К: Лотос, 2002. 486 с.

9. Настенко Є. А., Павлов В. А., Городецька О. К., Корнієнко Г. А. Методи моделювання складних систем і процесів / О. Г. Івахненко. К.: КПІ ім. Ігоря Сікорського, 2022. 144 с.

10. Wu Chi-Feng. Fault simulation and test algorithm generation for random access memories /
Chi-Feng Wu, Chih-Tsun Huang, Kuo Liang Cheng, Cheng-Wen Wu // IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2002. Vol. 21. Issue: 4. Р. 480–490.

11. Li Jin-Fu. March-based RAM diagnosis algorithms for stuck-at and coupling faults / Jin-Fu Li,
Kuo-Liang Cheng, Chih-Tsun Huang, Cheng-Wen Wu // IEEE Trans. on Fuzzy Systems. 2002. Vol. 10, Issue 2. Р. 155–170.

АНАЛІЗ КОНКУРЕНТНИХ АТАК НА МОДЕЛІ МАШИННОГО НАВЧАННЯ СИСТЕМ КІБЕРЗАХИСТУ

В. Є. Чевардін, О. В. Юрченко, О. В. Залужний, Є. В. Пелешок — Thu, 21 Dec 2023 00:00:00 +0000

Сучасні тенденції розвитку систем кіберзахисту пов’язані з широким застосуванням технологій машинного навчання для виявлення і запобігання кіберзагрозам. Водночас зловмисники шукають способи ухилення від детектування такими системами, використовуючи при цьому як традиційні методи атак, так і нові, орієнтовані виключно на протидію штучному інтелекту, – конкурентні атаки. Тому пошук шляхів протидії конкурентним атакам є актуальним науково-технічним завданням. Для їх вивчення використовують конкурентне машинне навчання (Adversarial Machine Learning – AML), яке полягає у моделюванні таких атак.

Метою досліджень є визначення шляхів підвищення стійкості систем кіберзахисту, що функціонують із використанням технологій машинного навчання, до впливу атак на основі AML-моделей.

У статті наведено приклади застосування методів машинного навчання в системах кіберзахисту. Проведено опис моделей конкурентних атах, а саме: моделі ухилення, отруєння, функціонального вилучення, інверсії та моделі атаки на приналежність. Розглянуто можливі сценарії їхнього здійснення. Проаналізовано приклади конкурентних атак на моделі машинного навчання для розпізнавання зображень та текстових повідомлень, виявлення алгоритмів генерації доменних імен, шкідливого програмного забезпечення в
HTTP-трафіку, шкідливого вмісту в електронних листах, обходу антивірусних програмних засобів.

Дослідження показали, що навіть не маючи доступу до алгоритмів роботи моделей машинного навчання, можливо реалізувати обхід системи кіберзахисту. Тому для забезпечення безпеки мереж і послуг засобами кіберзахисту зі штучним інтелектом необхідно враховувати необхідність протидії конкурентним атакам. Із цією метою запропоновано: здійснювати збирання та агрегацію навчальних даних для кожної моделі машинного навчання окремо, а не отримання їх із загально-доступних джерел; проводити оптимізацію вмісту журналів подій, з урахуванням можливості використання інформації, що знаходиться в них для створення конкурентних атак; забезпечувати захист навчальних даних та алгоритмів функціонування моделей; у випадку розгортання систем кіберзахисту на об’єктах критичної інфраструктури використовувати спеціально розроблені моделі машинного навчання, яких немає в загальному доступі, що ускладнить можливість створення атаки функціонального вилучення.

Посилання

Al-Omari M., Rawashdeh M., Qutaishat F., Alshira’H M., Ababneh N. An intelligent tree-based intrusion detection model for cyber security // Journal of Network and Systems Management. 2021. Vol. 29 (2). P. 1–18. DOI: 10.1007/s10922-021-09591-y.

2. Xin, Yang & Kong, Lingshuang & Liu, Zhi & Chen, Yuling & Li, Yanmiao & Zhu, Hongliang & Mingcheng, Gao & Hou, Haixia & Wang, Chunhua. Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access. 2018. P. 1-1. URL: https://www.researchgate.net/publication/
325159145_Machine_ Learning_and_Deep_Learning_Methods_for_Cybersecurity.

3. Heinrich, Kai & Graf, Johannes & Chen, Ji & Laurisch, Jakob & Zschech, Patrick. Fool me Once, Shame on you, Fool me Twice, Shame on me: A Taxonomy of Attack and Defense Patterns for AI Security. 2020. URL: https://www.researchgate.net/publication/341180631_Fool_me_Once_Shame_on_you_ Fool_me_Twice_Shame_on_me_A_Taxonomy_of_Attack_and_Defense_Patterns_for_AI_Security.

4. NIST AI 100-2e2023 ipd. Adversarial Machine Learning. A Taxonomy and Terminology of Attacks and Mitigations. URL: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2023.ipd.pdf.

5. Kianpour, Mazaher & Wen, Shao-Fang. Timing Attacks on Machine Learning: State of the Art. 2020. URL: https://www.researchgate.net/publication/335382520_Timing_Attacks_on_Machine_Learning_State_of_the_Art.

6. P. I. Radoglou-Grammatikis and P. G. Sarigiannidis. An Anomaly-Based Intrusion Detection System for the Smart Grid Based on CART Decision Tree // 2018 Global Information Infrastructure and Networking Symposium (GIIS), Thessaloniki, Greece, 2018. P. 1–5. DOI: 10.1109/GIIS.2018.8635743.

7. Moorthy R. S., Pabitha P. Optimal detection of phising attack using SCA based K-NN // Procedia Computer Science. 2020. Vol. 171. P. 1716–1725.

8. S.-Y. Lee, S.-r. Wi, E. Seo, J.-K. Jung and T.-M. Chungю ProFiOt: Abnormal Behavior Profiling (ABP) of IoT devices based on a machine learning approach // 27th International Telecommunication Networks and Applications Conference (ITNAC), Melbourne, VIC, Australia, 2017. Р. 1–6. DOI: 10.1109/ATNAC.2017.8215434.

9. Swarnkar M., Hubballi N. OCPAD: One class Naive Bayes classifier for payload based anomaly detection // Expert Syst. Appl. Oct. 2016. Vol. 64. P. 330–339.

10. R. Bapat et al. Identifying malicious botnet traffic using logistic regression // Systems and Information Engineering Design Symposium (SIEDS), Charlottesville, VA, USA, 2018. P. 266–271. DOI: 10.1109/SIEDS.2018.8374749.

11. Katja Auernhammer, Ramin Tavakoli Kolagari, and Markus Zoppelt. Attacks on Machine Learning: Lurking Danger for Accountability. AAAI 2019. URL: https://www.researchgate.net/publication/
330737530_Attacks_on_Machine_Learning_Lurking_Danger_for_Accountability.

12. S. Herpig. Securing artificial intelligence – Part 1: The attack surface of machine learning and its implications. Think Tank at the Intersection of Technology and Society, Stiftung Neue Verantwortung, Berlin, Oct. 2019. [Online]. URL: https://www.stiftung-nv.de/sites/default/files/securing_artificial_intelligence.pdf.

13. ATLAS Matrix. URL: https://atlas.mitre.org/matrices/ATLAS/.

14. Adversarial Machine Learning. URL: https://atlas.mitre.org/resources/adversarial-ml-101/.

15. Goodfellow, Ian & Shlens, Jonathon & Szegedy, Christian. (2014). Explaining and Harnessing Adversarial Examples. arXiv 1412.6572. URL: https://www.researchgate.net/publication/269935591_ Explaining_and_Harnessing_Adversarial_Examples.

16. Peter Lee. Learning from Tay’s introduction // Microsoft. 2016. URL: https://blogs.microsoft.com/
blog/2016/03/25/learning-tays-introduction/.

17. Le, Hung & Pham, Quang & Sahoo, Doyen & Hoi, Steven. URLNet: Learning a URL Representation with Deep Learning for Malicious URL Detection (2018). URL: https://www.researchgate.net/
publication/323118482_URLNet_Learning_a_URL_Representation_with_Deep_Learning_for_Malicious_URL_Detection.

18. Evasion of Deep Learning Detector for Malware C&C Traffic. Actor: Palo Alto Networks AI Research Team. Incident Date: 2020.

19. Botnet Domain Generation Algorithm (DGA) Detection Evasion. Actor: Palo Alto Networks AI Research Team. Incident Date: 2020. URL: https://atlas.mitre.org/studies/AML.CS0001.

20. B. Yu, J. Pan, J. Hu, A. Nascimento and M. De Cock. Character Level based Detection of DGA Domain Names, 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018, pp. 1–8. URL: https://ieeexplore.ieee.org/document/8489147.

21. VirusTotal Poisoning. Incident Date: 2020. URL: https://atlas.mitre.org/studies/AML.CS0002.

22. Metame: metamorphic code engine for arbitrary executables. URL: https://github.com/
a0rtega/metame.

23. Bypassing Cylance's AI Malware Detection. Actor: Skylight Cyber. 2019. URL: https://skylightcyber.com/2019/07/18/cylance-i-kill-you/.

24. CVE-2019-20634 Detail. National Vulnerability Database. 2022. URL: https://nvd.nist.gov/
vuln/detail/CVE-2019-20634.

ПІДХІД ДО ВИЗНАЧЕННЯ ТЕХНІЧНОГО СТАНУ МІКРОПРОЦЕСОРНИХ СИСТЕМ, РЕАЛІЗОВАНИХ НА ПРОГРАМНО-РЕКОНФІГУРОВАНІЙ ЛОГІЦІ

С. С. Штаненко, Ю. Я. Самохвалов, С. В. Толюпа — Thu, 21 Dec 2023 00:00:00 +0000

У статті запропоновано підхід до визначення технічного стану мікропроцесорних систем, реалізованих на програмованих логічних інтегральних схемах. Проведено аналіз існуючих методів та способів визначення технічного стану мікропроцесорних систем, реалізованих на одній або декількох великих/надвеликих інтегральних схемах (далі – ВІС/НВІС) з жорсткою внутрішньою архітектурою, наведено недоліки та переваги. З метою підвищення ефективності визначення технічного стану мікропроцесорних систем, реалізованих на програмно-реконфігурованій логіці, у статті запропоновано інтелектуалізувати процедуру контролю, виявлення та локалізації несправностей шляхом застосування нейронної мережі, реалізуючи при цьому концепцію створення нейромережевої системи розпізнавання технічного стану. Зазначимо, що задача визначення технічного стану складних технічних систем, якими є мікропроцесорні системи, за багатьма критеріями збігається із задачею розпізнавання образів, тому, використовуючи нейронну мережу, можна досягти більш високих результатів у процесі діагностування несправностей мікропроцесорних систем порівняно з класичними системами діагностування. Передбачається, що запропонована діагностична системи з елементами штучного інтелекту буде безпосередньо вбудована в мікропроцесорну системи, реалізуючи при цьому концепцію вбудованих систем контролю та діагностування. Реалізація запропонованого підходу завдяки застосуванню інтелектуальних систем дозволить значно підвищити достовірність визначення технічного стану мікропроцесорних систем і, як наслідок, може стати основою під час проєктування високонадійних, живучих, резильєнтних, кіберстійких складних технічних систем.

Посилання

1. Furber S. Microprocessors: the engines of the digital age. Proc Math Phys Eng Sci. 2017 Mar; 473(2199):20160893. DOI: 10.1098/rspa.2016.0893. Epub 2017 Mar 15. Erratum in: Proc Math Phys Eng Sci. 2017 May; 473(2201):20170304. PMID: 28413353; PMCID: PMC5378251.

2. Локазюк В. М., Заєць О. М. Тестове комбіноване діагностування персональних комп’ютерів // Вимірювальна та обчислювальна техніка в технологічних процесах: зб. наук. пр. Хмельницький: ТУП, 2000. С. 160–163.

3. Shtanenko S., Samokhvalov Y., Iohov O., Maliuk V. Microprocessor systems based on programmable logic devices as an object of diagnostics // Advanced Information Systems. 2022. № 6 (1). Р. 81–87. URL: https://doi.org/10.20998/2522-9052.2022.1.14.

4. Вишнівський В. В., Жердєв М. К., Креденцер Б. П., Кузавков В. В., Редзюк Є. В. Безконтактний індукційний метод діагностування радіоелектронних блоків // Збірник наукових праць ВІКНУ ім. Тараса Шевченка. Київ. 2013. ип. 43. С. 17–23.

5. Кузавков В. В., Хусаінов П. В. Прогнозування технічного стану однотипних програмно-апаратних засобів // Інформатика та математичні методи в моделюванні. 2018. Т. 8. № 1. С. 57–68.

6. Бабокин Г. И., Шпрехер Д. М. Применение нейронных сетей для диагностики электромеханических систем // Горный информационно-аналитический бюллетень. 2011. S 4.
С. 132–139.

7. Горева Т. И., Портнягин Н. Н., Пюкке Г. А. Нейросетевые модели диагностики технических систем // Вестник КРАУНЦ. Физ.-мат. Науки. 2012. Вып. 1 (4). С. 31–43. DOI: http://dx.doi.org/10.18454/2079-6641-2012-4-1-31-43.

8. Мартинюк Т. Б., Круківський Б. І. Класифікаційний аналіз методів сортування // Вісник ВПІ. 2023. Вип. 3. С. 77–83.

9. Палагин А. В., Яковлев Ю. С. Особенности проектирования компьютерных систем на кристалле ПЛИС // Математичні машини і системи. 2017. № 2. С. 3–14. ISSN 1028-9763.

10. Shtanenko S., Samokhvalov Y., Toliupa S., Silko O. The Approach to Assessment of Technical Condition of Microprocessor Systems that Are Implemented on Integrated Circuits with a Programmable Structure. In: Klymash, M., Luntovskyy, A., Beshley, M., Melnyk, I., Schill, A. (eds) Emerging Networking in the Digital Transformation Age. TCSET 2022. Lecture Notes in Electrical Engineering. 2023. Vol 965. Springer, Cham.

11. Пинкевич В. Ю., Платунов А. Е. Тестирование и отладка встраиваемых вычислительных систем на основе уровневых моделей // Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2018. № 5 (117). Т. 18. С. 801–808.

12. Иыуду К. А. Надежность, контроль и диагностика вычислительных машин и систем. М.: Высшая школа, 1989. 216 с.

13. Jäger, Reinhold. Computer diagnostics – a survey: Practical applications of computerized assessment: Theoretical principles and perspectives. European Review of Applied Psychology / Revue Européenne de Psychologie Appliquée. 1991. № 41. Р. 247–268.

14. Гуляев В. А. Техническая диагностика управляющих систем. Киев: Наукова думка, 1983.
208 с.

15. Поморова О. В. Теоретичні основи, методи та засоби інтелектуального діагностування комп’ютерних систем: монографія. Хмельницький: ТОВ «Тріада-М», 2007. 253 с.

16. Герасимов Б. М. Інтелектуальні системи підтримки прийняття рішень / Б. М. Герасимов, В. М. Локазюк, О. Г. Оксіюк, О. В. Поморова. К: Видавництво Європейського університету, 2007. 335 с.

17. Philippe G. Schyns. Diagnostic recognition: task constraints, object information, and their interactions, Cognition. Vol. 67, Issues 1–2. 1998. P. 147–179. ISSN 0010-0277.

18. Креденцер Б. П., Толюпа С. В., Шкваб В. К., Штаненко С. С. Аналіз засобів тестування і діагностики телекомунікаційної мережі // Збірник наукових праць ВІКНУ ім. Тараса Шевченка. 2007. № 7. С. 117–121.

19. Лукова-Чуйко Н. В. Методи інтелектуального розподілу даних в системах виявлення мережевих вторгнень та функціональна стійкість інформаційних систем до кібератак: монографія / Н. В. Лукова-Чуйко, С. В. Толюпа, В. С. Наконечний, М. М. Браіловський. К.: Формат, 2021. 370 с.