CC BY
34
- при недостоверных показаниях или неработающих счетчиках фактическое потребление энергии принимается равным первоначально начисленной норме, т.е. Лф = Л'„;
- если значение Л 'н отличается от Л 'ф больше, чем на установленный теплотехником депо процент экономии или перерасхода, принимается решение о корректировке начисленной нормы расхода энергоресурсов согласно представленному на рис. 1 алгоритму;
- в исключительных случаях норма потребления ТЭР на поездку определяется вручную и вводится в базу данных (такие случаи возможны при существенных отличиях реальных условий поездки от среднестатистических, например, при резких изменениях метеорологических условий, особенностей технического состояния состава, характера перевозимого груза и т.д.).
Результаты корректировок начисленной нормы расхода ТЭР, полученные по методике ОмГУПС, представлены в табл. 1. Следует отметить, что предлагаемый порядок учета энергетических показателей по ММ позволяет уменьшить случаи необоснованной выплаты вознаграждения локомотивной бригаде за несуществующую экономию энергии. Реализованные в методике подходы не влияют на достигнутые результаты энергопотребления, но обеспечивают более высокую достоверность и объективность фактических и нормативных показателей энергозатрат.
Список литературы:
1. Указания по обработке маршрутов машинистов и других учетных документов в конторах оперативно-технического учета локомотивных де-по. - М.: Транспорт, 1973. - 95 с.
ОЦЕНКА РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ РАБОТЫ НЕЙРОСЕТЕВОГО ПРЕОБРАЗОВАТЕЛЯ
© Заводцев И.В.*, Гайнов А.Е.4, Кравцов В.В.*
Филиал Военной академии связи, г. Краснодар
Особенностью современных автоматизированных систем является высокая концентрация в них критичной информации. Это неизбежно ведет к возникновению конфликта между пользователями системы и
* Доцент кафедры Защиты информации в автоматизированных системах, кандидат технических наук.
* Курсант. " Курсант.
системой защиты информации. Предлагаемая модель нейросетевого преобразователя биометрических данных в криптографический ключ пользователя позволяет решить задачу разграничения доступа, решаемой системой защиты в автоматизированных системах, удовлетворяя при этом пользовательским требованиям и требованиям по защите информации.
Бурное развитие технологий в области создания искусственных нейронных сетей и применения биометрических данных создали предпосылки для разработки и внедрения в системы защиты информации от несанкционированного доступа в автоматизированных системах обработки данных новых средств разграничения доступа. Основой таких средств являются искусственные нейронные сети, способные зашумленный биометрический образ человека преобразовать в однозначный криптографический ключ большой размерности.
В программной среде МаИаЪ была разработана программа, моделирующая работу нейросетевого преобразователя, в основе которого лежит гибридная искусственная нейронная сеть, где первый модуль представлен картой Кохонена, а второй - многослойным персептроном. Возможность применения такой нейросети рассмотрена в [1].
Достоинство данной сети заключается в том, что первый модуль, представленный самоорганизующейся картой Кохонена, способен к значительной компрессии входных данных, что в свою очередь позволяет с достаточно высокой скоростью и качеством производить обучение второго модуля, представленного многослойным персептроном. В [2] идет речь о том, что в подобных сетях достаточно использовать однослойный персеп-трон. Однако, в силу того, что искусственная нейронная сеть, созданная для синтеза (вспоминания) криптографических ключей пользователя должна храниться и пересылаться открыто, она должна быть большой (иметь много нейронов) и многослойной. Можно говорить о том, что большая сеть искусственных нейронов должна быть широкой (иметь десятки входов и выходов) и глубокой (иметь несколько слоев). Только для больших сетей (широких и глубоких) задача криптоанализа становится сложнее задачи прямого перебора криптографических ключей.
Схематично гибридная искусственная нейронная сеть представлена на рис. 1.
Входной (нулевой) слой сети содержит п нейронов и служит для приема и распределения биометрических данных, представленных вектором X = (х], х2,.., х„). Первый модуль сети содержит ] нейронов. Второй модуль сети представлен несколькими слоями, каждый из которых включает в себя определенное количество нейронов. Последний слой второго модуля содержит е нейронов и определяет длину двоичного секретного
криптографического ключа. Размерность слоев во втором модуле и их количество подбирается в ходе обучения на этапах предварительной оценки обученности искусственной нейронной сети.
Рис. 1. Гибридная искусственная нейронная сеть с двумя модулями.
Число возможных кластеров к, образуемых в процессе самоорганизации первого модуля, определяется структурой входных данных и числом нейронов в карте Кохонена. Для решаемой задачи идеальным является случай, когда из к кластеров один соответствует обучающему подмножеству одного «своего» пользователя, а остальные (к - 1) - обучающему подмножеству для (к - 1) «чужих» пользователей. Число образцов вектора Хс «своего» пользователя, образующих обучающее подмножество и кластер «свой», равно Ьс, а число образцов вектора Хч - одного «чужого» пользователя, образующих один из кластеров «чужой» равно Ьч.
Первой возможной проблемой, которая возникает при использовании карт Кохонена, это проблема обучения на «чужих». Простым вариантом обучения на «чужих» является вариант в генерации обучающих векторов, равномерно распределенных в задаваемом диапазоне существования реальных биометрических векторов. Но эффективность такого подхода в условиях применения искусственных нейронных сетей типа карт Кохонена оказывается невысокой.
Наиболее оптимальным представляется формирование на основе нормального закона распределения. Для этого по обучающему подмножеству ус, можно определить математическое ожидание и дисперсию распределения векторов 1сис некоторым, заданным, исходя из ошибки первого рода допуском А, вычислить математические ожидания центров распределения векторов Хч. Допуск А (0, +А, -А) желательно наложить на все компоненты математического ожидания выборки Хс. Рис. 2 иллюстрирует изложенный способ генерации обучающей выборки Хч.
При моделировании работы нейросетевого преобразователя для обучения первого модуля были использованы два известных алгоритма самообучения: WTA - «Победитель получает все» и CWTA - «Победитель справедливо получает все».
Рис. 2. Генерация обучающей выборки Хч
Обучение карт Кохонена по алгоритму WTA в ходе эксперимента привели к неудовлетворительным результатам. Причина: несогласованные плотности распределения начальных значений весовых векторов (равномерная) и входных векторов (неравномерная).
Алгоритм CWTA дает существенно лучшие результаты, так как позволяет учитывать усталость нейронов путем подсчета количества побед каждого из них и поощрять нейроны с наименьшей активностью для выравнивания их шансов.
При реализации алгоритмов обучения карты Кохонена важным является определение критерия останова обучения. В процессе моделирования работы нейросетевого преобразователя были использованы три критерия останова: «жесткий», «мягкий», смешанный.
При «жестком» критерии останова карту Кохонена можно считать обученной, если:
- все образцы одного класса попадают в один и тот же кластер;
- каждый кластер соответствует одному определенному классу образцов.
Однако при «жестком» критерии останова с увеличением размерности искусственной нейронной сети происходит значительный рост времени обучения, что неприемлемо, с точки зрения, удовлетворения потребительским требованиям.
Для сохранения работоспособности алгоритма CWTA при большой размерности искусственной нейронной сети «жесткий» критерий останова обучения был заменен «мягким», который, формулируется следующим образом. Карту Кохонена можно считать обученной, если:
- все образцы класса «свой» попадают в один кластер;
- образцы других классов могут попадать в любые кластеры, за исключением кластера, соответствующего классу «свой».
При использовании «мягкого» критерия останова получается добиться значительного снижения времени обучения сети при одновременном увеличе-
нии размерности искусственной нейронной сети. Вместе с тем, анализ обученной карты Кохонена показал, что большинство классов «чужих» дают максимальные значения лишь на нескольких нейронах, а остальные нейроны не используются (остаются «мертвыми»). Причина: значительная отдаленность многих начальных значений весовых векторов от областей «свой» и «чужие».
Решить указанную проблему можно, если вначале сеть обучать в «жестком» режиме, чтобы дать возможность удаленным весовым векторам «подтянуться» к областям «свой»-«чужие», а затем перейти в «мягкий» режим. Для задачи построения средств высоконадежной биометрической аутентификации такой режим обучения можно считать оптимальным.
Обучение обоих модулей гибридной искусственной нейронной сети происходит раздельно. После обучения первого модуля происходит замораживание весов и начинается обучения второго модуля. Так как второй модуль представлен многослойным персептроном и за счет применения карты Кохонена достигнута высокая локализация данных, достаточным будет применения градиентных методов обучения. Такие методы хорошо рассмотрены в [3]. При моделировании работы данного нейросетевого преобразователя был использован градиентный алгоритм обучения Левенберга-Марквардга.
В заключение моделирования работы нейросетевого преобразователя произвели оценку ошибок первого и второго родов.
Ошибкой первого рода для средств высоконадежной биометрической аутентификации является вероятность Р1 того, что при предъявлении образца X на выходе средств аутентификации не будет получено значение ключа. Ошибкой второго рода для данных средств является вероятность Р2 того, что предъявлении образца Хч на выходе средств аутентификации будет получено значение ключа. Результаты моделирования работы сведены в табл. 1. Для объективности эксперимента было произведено 7 тестов. Производилось обучение искусственной нейронной сети, предназначенной для преобразования биометрических данных 4 легальных пользователей в личные криптографические ключи доступа. Размерность каждого ключа составила 32 бита.
Таблица 1
Результаты эксперимента по обучения гибридной искусственной нейронной сети - основы нейросетевого преобразователя
Гибридная сеть с тремя персептронными слоями (15-25-32) (длина ключа 32 бит)
Номер теста
1 2 3 4 5 6 7
Ошибка 1-го рода 0 1 0 0 0 0 0
Ошибка 2-го рода 0 4 0 0 0 0 5
Время обучения 1 -го слоя, сек. 22,41 25,57 28,73 28,18 26,86 20,89 28,00
Время обучения 2-го слоя, сек. 6,67 2,68 5,64 3,79 6,58 1,92 10,07
Время обучения сети, сек. 29,08 28,25 34,37 31,97 33,44 22,81 38,07
Среднее время обучения, сек. 31,14
Таким образом, предложенная модель гибридной искусственной нейронной сети, которая лежит в основе нейросетевого преобразователя - модуля средств высоконадежной биометрической аутентификации, позволяет решить актуальную проблему - разграничение доступа к критичной информации в автоматизированных системах обработки данных, отвечая при этом требованиям «конфликтующих сторон» - пользователя и безопасности информации.
Список литературы:
1. Гайнов А.Е. Выбор и обоснование типа искусственной нейронной сети для преобразования нечетких характеристик человека в средствах высоконадежной биометрической аутентификации / Сборник статей Х1-Х11 военно-научных конференций курсантов Краснодарского высшего военного училища (военного института). - Краснодар: КВВУ (ВИ), 2010.
2. Брюхомицкий Ю.А. Оценка возможности нейросетевой реализации биометрической криптосистемы / Материалы VIII международной научно-практической конференции «Информационная безопасность». - Таганрог: Изд-во ТРТХ 2006.
3. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 е.: ил.
О НОВОМ ОТРАСЛЕВОМ КРИТЕРИИ ЭФФЕКТИВНОСТИ РЗА И О СОВЕРШЕНСТВОВАНИИ УСТРОЙСТВ РЗА ДЛЯ ПОВЫШЕНИЯ УСТОЙЧИВОСТИ ТЕХНОЛОГИЧЕСКИХ УСТАНОВОК ПРЕДПРИЯТИЙ НЕФТЕПЕРЕРАБОТКИ
© Задкова Е.А.*
Филиал Самарского государственного технического университета,
г. Сызрань
В статье рассматривается влияние релейной защиты и автоматики на устойчивость технологических процессов предприятий нефтепереработки, дано определение нового отраслевого критерия эффективности РЗА с позиции устойчивости технологических установок, рассмотрены возможные мероприятия техперевооружения устройств РЗА с учетом современной обстановки в стране.
Принципы обеспечения надежности и живучести электроэнергетических систем, электрических станций и электрических сетей предусматри-
* Доцент кафедры «Электровнабжение промышленных предприятий».
