А.С. Себякин 1

1 ФГБОУ ВО «Финансовый университет при Правительстве Российской Федерации» (Москва, Россия)
1 249702@edu.fa.ru

Постановка проблемы. Внедрение генеративного видео в цифровой двойник ситуационного центра (СЦ) приводит к новой категории рисков, способных ухудшать качество управленческих решений при отсутствии формализованного протокола доверия. К числу таких рисков относятся: семантические галлюцинации (появление объектов и событий, не подтвержденных источниками); нарушение причинно-временных связей (перестановка событий, некорректные длительности и искажение последовательности); физическая неправдоподобность (телепортации, недопустимые скорости и ускорения); пространственные несоответствия (нарушение геометрии карты, границ зон и допустимых траекторий); операторская переоценка синтетического видео вследствие его высокой визуальной реалистичности.
В связи с этим возникает необходимость в доверенном механизме верификации генеративного видео, основанном не только на визуальной правдоподобности, но и на проверке пространственных, кинематических и событийно-времен­ных ограничений. Дополнительно требуется формальная метрика, позволяющая оценивать, насколько полно система валидации выявляет различные режимы отказов.

Цель. Разработать математическую модель «протокола доверия» для синтетического видео в цифровых двойниках СЦ в виде набора валидационных шлюзов (gates), проверяющих пространственные, кинематические и событийно-временные ограничения, определить численные метрики покрытия шлюзов по режимам отказов, ввести веро­ятностную интерпретацию покрытия как вероятности обнаружения отказа, предложить алгоритм вычислительного эксперимента и метод численной оценки покрытия методом Монте–Карло с доверительными интервалами, а также для демонстрации подхода поставить имитационный эксперимент на наборе сценариев с программным внедрением типовых ошибок.

Результаты. Выполнена формальная постановка генеративного видеомодуля как стохастического отображения, где пространство сценарных пакетов задает входные условия генерации, а выходом выступает множество возможных реализаций видео. Предложены таксономия режимов отказов decision-grade видео для СЦ, семейство валидационных шлюзов как функций и робастных критериев, проверяющих пространственные, кинематические и событийно-временные ограничения. Представлены метрика покрытия шлюзов по режимам отказов и процедура ее оценки методом Монте-Карло с доверительными интервалами, а также имитационный генератор «извлеченных признаков» (траекторий объектов и событий), позволяющий программно внедрять типовые ошибки: телепортации, дрейф, галлюцинации объектов, инверсию и пропуск событий. Приведены результаты вычислительного эксперимента на имитационном наборе запусков, показавшие, что робастные статистики (квантильные ограничения) снижают ложные срабатывания на шумных данных, а добавление шлюзов выбросов (jump/acceleration) повышает обнаружение редких, но критических нарушений динамики, включая телепортации и дрейф, хотя это и увеличивает долю ложных срабатываний.

Практическая значимость. Предложенный протокол доверия и методика численной оценки покрытия могут применяться при проектировании комплексов программ цифровых двойников СЦ: для регламентирования выпуска синтетических видеоматериалов (обучение, брифинг, “what-if”), выбора порогов валидации, построения «красных команд» (red-team) тестирования и накопления доказательств корректности (evidence bundle) для аудита.

Себякин А.С. Математическая модель и численная оценка протокола доверия к генеративному видео в цифровых двойниках ситуационных центров // Нелинейный мир. 2026. Т. 24. № 2. С. 42–49. DOI: https://doi.org/10.18127/ j20700970-202602-05

1. Себякин А.С. Обзор методов искусственного интеллекта для генерации видеоконтента и их применение в построении цифровых двойников ситуационных центров. М.: Финансовый университет при Правительстве Российской Федерации. 2025.
2. Grieves M.,Vickers J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In: Transdisciplinary perspectives on complex systems. Springer. 2017.
3. Maler O., Nickovic D. Monitoring temporal properties of continuous signals. In: Formal modeling and analysis of timed systems (FORMATS). 2004.
4. Donzé A., Maler O. Robust satisfaction of temporal logic over real-valued signals. In: Formal modeling and analysis of timed systems (FORMATS). 2010.
5. Breck E., Cai S., Nielsen E., Salib M., Sculley D. The ML test score: A rubric for ML production readiness and technical debt reduction. arXiv preprint arXiv:1711.07973, 2017.
6. Donzé A. Breach, a toolbox for verification and parameter synthesis of hybrid systems. In: Computer aided verification (CAV). 2010.
7. Mitchell M. et al. Model cards for model reporting. In: Proceedings of the conference on fairness, accountability, and transparency (FAT*). 2019.
8. Gebru T. et al. Datasheets for datasets. In: Communications of the ACM. 2018.
9. NIST. Artificial intelligence risk management framework (AI RMF 1.0). National Institute of Standards and Technology. 2023.
10. Wolf K. et al., Towards a digital twin for supporting multi-agency incident management in a smart city. Scientific Reports. 2022. V. 12. Art. 16221.
11. Bartocci E., Deshmukh J.V., Donzé A., Fainekos G.E., Maler O., Ničković D., Sankaranarayanan S. Specification-Based Monitoring of Cyber-Physical Systems: A Survey on Theory, Tools and Applications. In: Lectures on Runtime Verification, Springer, 2018, pp. 135–175.
12. Coalition for Content Provenance and Authenticity (C2PA). C2PA Technical Specification. Version 2.2. 2025.
13. Unterthiner T. et al. Towards Accurate Generative Models of Video: A New Metric & Challenges. arXiv:1812.01717. 2018.