К.В. Сазонов1, М.В. Татарка2

1 Военный университет радиоэлектроники (г. Череповец, Россия)
2 18 ФГУП НИИ МО РФ (г. Москва, Россия)
 

Постановка проблемы. Активное развитие инфотелекоммуникационных сетей, а также постоянный прирост числа объектов, участвующих во взаимном информационном обмене (пользователей Интернет-ресурсами), накладывают особые требования к информационной безопасности, одним из направления обеспечения, которой является формирование динамических профилей и постоянный мониторинг характера действий пользователей. Под профилированием подразумевается создание динамического образа объекта, учитывающего множество разнокатегориальных параметров технические как информационного, так и технического характера. Создание множества динамических профилей позволят осуществить ранжирование Интернета объектов по критериям важности в рамках задач обеспечения информационной безопасности с целью их последующего мониторинга.

Цель. Рассмотреть повышение результативности мониторинга Интернета объектов в целях заблаговременного обнаружения и предотвращения незаконной деятельности в инфотелекоммуникационном пространстве.

Результаты. Рассмотрен алгоритм распознавания в виде абстрактной системы, описаны основные информационные компоненты системы идентификации объектов. В рамках задачи идентификации Интернета объектов обобщены теоретические принципы построения систем распознавания образов. Сформулирована, математически описана и практически реализована модель структуры данных, учитывающая основные аспекты задачи распознавания образов. Установлено, данная модель с учетом возможности итеративного изменения параметров позволяет выполнять анализ моделей машинного обучения на основе наблюдения динамики интересующей метрики качества либо заданной группы метрик. При этом статистический анализ реальных данных полученных на существующих выборках параметров объектов инфотелекоммуникационных сетей позволяет варьировать параметры модели в необходимых для анализа пределах. Для анализа вероятности распознавания объектов инфраструктура в зависимости от полученных параметров, их типа, объема, количества признаков и т.д., а также для более глубокого понимания генерируемых моделью признаковых описаний рассмотрен ряд примеров.

Практическая значимость. Полученные результаты являются основой аналитического описания и программной реализации многопараметрической модели формирования признаковых описаний объектов, анализ которой в рамках решения задачи идентификации либо классификации Интернета объектов позволяет обоснованно (научно) принимать решения по необходимым требованиям к набору собираемых параметров объектов сети. Данные требования предоставляют воз0можность определить основные характеристики набора данных нужной для решения поставленной задачи с необходимыми метриками качества.

Сазонов К.В., Татарка М.В. Многопараметрическая модель формирования признаковых описаний объектов для исследования свойств алгоритмов классификации // Наукоемкие технологии. 2022. Т. 23. № 7. С. 50−70. DOI: https:// doi.org/10.18127/j19998465-202207-05

1. Вапник В. Червоненкис А. Теория распознавания образов (статистические проблемы обучения). М.: Наука. 1974. 416 с.
2. Червоненкис А. Компьютерный анализ данных: Лекции школы анализа данных Яндекс. М.: Яндекс. 2009. 259 с.
3. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: ДМК Пресс. 2015. 400 с.
4. Татарка М.В. Идентификация абонентских терминалов информационно-телекоммуникационных сетей̆ на основе модели формирования изображений в современных компьютерных системах // Труды СПИИРАН. 2020. Т. 19. № 2. С. 446–474.
5. Татарка М. В., Cазонов К.В., Шуваев Ф.Л. Метод структурного статистического распознавания режимов работы информационно-вычислительных сетей̆ // Информация и космос. 2019. № 1. С. 40–46.
6. Власов А.И., Захаров Е.Р., Захарова В.О. Нейросетевая система обнаружения и нейтрализации удаленного несанкционированного вмешательства в компоненты Интернета вещей // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1.
   С. 63–80.