А.А. Сычугов – к.т.н., доцент, зав. кафедрой «Информационная безопасность»,  директор Института прикладной математики и компьютерных наук, Тульский государственный университет E-mail: xru2003@list.ru

А.П. Анчишкин – студент,  кафедра «Информационная безопасность», Тульский государственный университет

E-mail: alexan999@yandex.ru

Д.В. Чернов – ассистент,  кафедра «Информационная безопасность», Тульский государственный университет; 

начальник сектора информационной безопасности, АО ЦКБА (г. Тула) E-mail: cherncib@gmail.com

Постановка проблемы. Современные технологические процессы представляют собой сложные системы, от безаварийной работы которых во многом зависит состояние окружающей среды. Системы мониторинга состояния технологических процессов используются, в первую очередь, на промышленных предприятиях, которые потребляют природные ресурсы и оказывают влияние на окружающую среду. Внедрение подобных систем повышает эффективность природоохранной деятельности и способствует поддержанию безопасности на самом предприятии. Для эффективного выполнения своих функций системы мониторинга должны использовать методы анализа состояния технологических процессов, которые позволят обнаруживать нештатные ситуации на ранних стадиях их развития.

Цель. Провести формализованное описание метода определения перечня актуальных угроз безопасности информации, реализация которых может привести к нарушению штатного режима функционирования многоуровневых распределенных автоматизированных систем управления технологическими процессами, а также набора мер защиты информации, требующихся для минимизации рисков реализации актуальных угроз.

Результаты. Рассмотрен метод анализа состояния технологических процессов как составной части системы мониторинга, основанный на методе одноклассовой классификации OneClass SVM. Изучены существующие методы анализа состояния технологических процессов. Наиболее эффективными оказались методы машинного обучения, показавшие высокий процент точности. На основе известных моделей технологических процессов предложена новая, ранее не обнаруженная в открытых источниках модель технологического процесса как бесконечного потока данных с изменяющимися свойствами с большим числом параметров. Описан эксперимент, в котором проведены исследования эффективности предложенного метода и приведены его результаты, а также показана его состоятельность.

Практическая значимость. Отмечено, что предложенный метод может быть использован в современных системах мониторинга состояния технологических процессов для выявления неисправностей и угроз информационной безопасности.

1. Майданович О.В. Интеллектуальные технологии автоматизированного мониторинга сложных технических объектов // Труды СПИИРАН. 2013. № 6. С. 201−216.
2. Плотникова А.Г. Анализ параметров технологического процесса с применением контрольных карт // Сб. научных трудов по материалам VIII Междунар. научно-практич. конф. «Современные инновации: фундаментальные и прикладные исследования». Проблемы науки. 2018. С. 16−18.
3. Хейфец М.Л., Васильев А.С., Клименко С.А., Любодраг Таночив Технологическое наследование параметров качества материала и поверхности детали // Материалы VII Междунар. научно-практич. конф. «Инновации в машиностроении». Кемерово. 2015. С. 307−312.
4. Мальков М.В., Олейник А.Г., Федоров А.М. Моделирование технологических процессов: Методы и опыт // Труды Кольского научного центра РАН (Апатиты). 2010. № 3. С. 93−101.
5. Датьев И.О., Путилов В.А., Федоров А.М. Метод и технология системно-динамического моделирования нагрузки на региональные информационно-коммуникационные сети // Труды Института системного анализа РАН / Под ред. Ю.С. Попкова, В.А. Путилова. М.: Книжный дом «ЛИБРОКОМ». 2008. Т. 39. С. 220−231.
6. Олейник А.Г., Шалатонова А.А. Агрегированная математическая модель процессов разделения минеральных компонентов // Информационные технологии в региональном развитии: концептуальные аспекты и модели. Апатиты: Изд-во КНЦ РАН. 2002. С. 71−74.
7. Руднев Д.О., Сычугов А.А. Метод анализа состояния автоматизированных систем управления технологическими процессами // Известия ТулГУ. Технические науки. 2017. № 10. С. 165−173.
8. Bifet A., Kirkby R. Data stream mining. A practical approach. Waikato: The University of Waikato. 2017. № 1.
9. Rajeev T., Santosh K. A Quick Review of Data Stream Mining Algorithms // Imperial Journal of Interdisciplinary Research. 2016. V. 2. № 7. P. 870−873.
10. Mining data streams // Mining of Massive Datasets / Ed. by J. Leskivec, A. Ullman, D. Jeffrey. Cambridge: Cambridge University Press. 2017. № 2. P. 131−162.
11. Rohit B., Agarwal S. Stream Data Mining:Platforms, Algrithms, Performance Evaluators and Research Trends // International Journal of Database Theory and Application. 2016. V. 9. № 9. P. 201−218.
12. Fong S., Wong R., Vasilakos A. Accelerated PSO Swarm Search Feature Selection for Data Stream Mining Big Data // IEEE Transactions on Services Computing. 2015. P. 1−1.
13. Yusuf B., Reddy P. Mining Data Streams using Option Trees // International Journal of Computer Network and Information Security. 2012. V. 4. № 8. P. 49−54.
14. Moya M., Koch M. and Hostetler L. One-class classifier networks for target recognition applications // Proc. of World Congress on Neural Networks. Portland, OR: International Neural Network Society. INNS. 1993. P. 797−801.
15. Ritter G. and Gallegos M. Outliers in statistical pattern recognition and an application to automatic chromosome classification // Pattern Recognition Letters. 1997. № 18. P. 525−539.
16. Roberts S., Tarassenko L., Pardey J. and Siegwart D. A validation index for artificial neural networks // Proc. of Int. Conference on Neural Networks and Expert Systems in Medicine and Healthcare. 1994. P. 23−30.
17. Koch M., Moya M., Hostetler L. and Fogler R. Cueing, feature discovery and one-class learning for synthetic aperture radar automatic target recognition // Neural Networks. 1995. № 8(7/8). P. 1081−1102.
18. Scholkopf B., Platt J.C., Shawe-Taylor J., Smola A.J., Williamson R.C. Estimating the support of a high-dimensional distribution // Neural Computation. 2001. № 13. P. 1443−1471.
19. Pavel A. Turkov, Olga Krasotkina, Vadim Mottl, Sychugov А.А. Feature Selection for Handling Concept Drift in the Data Stream Classification // Proc. of 12th International Conference «Machine Learning and Data Mining in Pattern Recognition». MLDM 2016. New York, NY, USA. July 16−21, 2016. Lecture Notes in Computer Science 9729. Springer 2016. P. 614−629.
20. Albert D. Shieh, David F. Kamm Ensembles of One Class Support Vector Machines // MCS 2009. LNCS 5519. Springer-Verlag. Berlin. Heidelberg. 2009. P. 181−190.
21. Tax D.M.J., Duin R.P.W. Support vector domain description // Pattern Recognition Letters 1999. № 20. P. 1191−1999.
22. Tax D.M.J. One-class classification. Ph.D thesis. Delft University of Technology. 2001.
23. Tax D.M.J., Duin R.P.W. Combining one-class classifiers / Ed. By J. Kittler, F. Roli. MCS 2001. LNCS. Springer. Heidelberg. 2001. V. 2096. P. 299−308.
24. Tax D.M.J., Juszczak P. Kernel whitening for one-class classification / Ed. by S.-W. Lee, A. Verri. SVM 2002. LNCS. Springer. Heidelberg. 2002. V. 2388. P. 40−52.
25. https://sites.google.com/a/uah.edu/tommy-morris-uah/ics-data-sets.