CC BY
60
ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ
АНАЛИЗ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СФЕРЕ
БЕЗОПАСНОСТИ
А.И. Панов, Нижегородский государственный университет им. Н.И. Лобачевского, aleks.npc459@mail.ru.
УДК 004.8:004.418_
Аннотация. Искусственный интеллект является одним из ключевых факторов, определяющих будущее развитие сферы безопасности. Чтобы усилить применение искусственного интеллекта в области безопасности и повысить уровень автоматизации, необходимо более подробное изучение схемы применения искусственного интеллекта в области безопасности, чтобы программные продукты на рынке безопасности могли постоянно удовлетворять новые потребности, вызванные социальным развитием. В данной статье в основном рассматривается применение технологии искусственного интеллекта в области безопасности. Прежде всего, описан уровень развития и стадия искусственного интеллекта в области безопасности. Во-вторых, представлены виды технологий искусственного интеллекта, применяемых в области безопасности. В-третьих, кратко излагается практическое применение искусственного интеллекта в области безопасности. Наконец, обсуждаются перспективы развития и тенденции интеллектуальной безопасности при создании умных городов.
Ключевые слова: искусственный интеллект; безопасность; биометрия; глубокое обучение; машинное обучение.
ANALYSIS OF APPLICATION OF ARTIFICIAL INTELLIGENCE IN
SECURITY SPHERE
A. Panov, Nizhny Novgorod State University N.I. Lobachevsky.
Annatation. Artificial intelligence is one of the key factors determining the future development of the security sector. In order to strengthen the use of artificial intelligence in the field of security and increase the level of automation, a more detailed study of the scheme of application of artificial intelligence in the field of security is necessary so that software products in the security market can constantly meet new needs caused by social development. In view of this, this article mainly discusses the use of artificial intelligence technology in the field of security. First of all, the level of development and stage of artificial intelligence in the field of security is described. Secondly, the types of artificial intelligence technologies used in the field of security are presented. Thirdly, the practical application of artificial intelligence in the field of security is briefly outlined. Finally, the prospects for the development and trends of intellectual security in the creation of smart cities are discussed.
Keywords: artificial intelligence; security; biometrics; deep learning; machine learning.
Введение
В последние годы рыночный масштаб отечественной индустрии безопасности поддерживал стабильный рост, а ее перспективы являются
многообещающими. Интеллектуальная безопасность постепенно становится направлением трансформации и модернизации индустрии безопасности, составляя все большую долю в направлении. С точки зрения применения технологий, применение искусственного интеллекта (ИИ) в области безопасности в основном связано с распознаванием лиц и транспортных средств, включая технологию биометрического распознавания, большие данные и технологию структурирования видео [1].
С точки зрения отраслевого применения, в настоящее время интеллектуальная безопасность имеет сценарии применения в общественной безопасности, транспорте, финансах, промышленности, строительстве и других областях. В области транспорта в будущем технология искусственного интеллекта может быть использована для анализа городского транспортного потока в режиме реального времени, регулировки интервала между светофорами, сокращения времени ожидания транспортных средств и т.д., чтобы разумно распределять ресурсы для повышения эффективности дорожного движения. В области строительства технология искусственного интеллекта может быть использована для комплексного контроля безопасности и энергопотребления здания, а также для осуществления мониторинга в режиме реального времени людей, транспортных средств и объектов, попадающих на территорию здания и покидающих ее.
Городская безопасность является краеугольным камнем городского развития. Становясь все более диверсифицированным, искусственный интеллект является хорошим способом для решения проблем безопасности в городском управлении и эксплуатации, который помогает создать здоровую и безопасную городскую среду.
Ключевые технологии искусственного интеллекта в области
безопасности
С развитием технологии искусственного интеллекта она постоянно интегрируется с применением современных систем безопасности. Развитие ИИ в области безопасности в основном обусловлено модификациями структуризации видеозаписей, биометрии, распознавания объектов и анализа больших данных.
Структуризация видеозаписей
Структуризация видеозаписей является основной предпосылкой биометрии и распознавания объектов. В технической области ее можно разделить на три этапа: обнаружение, отслеживание и извлечение атрибута. В процессе обнаружения извлекается объект переднего плана из видео, а затем определяется - является ли объект переднего плана эффективной целью (люди, транспортные средства, лица и т.д.) или недопустимой целью (листья, тени, огни и т.д.) [2]. Процесс отслеживания цели заключается в достижении непрерывного наблюдения конкретной цели в некой обстановке и получении высококачественного изображения в результате всего процесса отслеживания. Процесс извлечения целевого атрибута заключается в идентификации целевых атрибутов на обнаруженном изображении цели и оценке того, какие визуальные характеристики имеет цель, такие как пол, возраст, одежда, тип транспортного средства, цвет и другие атрибуты. Процесс извлечения атрибутов объекта в основном основан на технологии извлечения признаков и классификации сетевой структуры глубокого обучения. После того, как искусственный интеллект структурирует видеоданные, скорость поиска распознавания объекта значительно повысится. В то же время глубокий интеллектуальный анализ структурированных данных может выполнять функцию
прогнозирования. Кроме того, структурированные видеоданные занимают меньше места в памяти, что может эффективно снизить нагрузку на передачу и хранение информации.
Биометрия
Биометрическая технология - это технология, которая использует присущие человеческому организму физиологические и поведенческие характеристики для идентификации личности. С развитием науки и техники биометрическая технология стала важным способом идентификации личности или технологией аутентификации. Являясь важной отраслью биометрии, распознавание лиц позволяет идентифицировать людей наиболее естественным и интуитивно понятным бесконтактным способом, который легче воспринимается пользователями, а также является наиболее широко используемой технологией в области общественной безопасности [3]. Принципиальная схема распознавания объектов изображена на рис. 1.
ДРУГОЕ
Рисунок 1
В настоящее время органы общественной безопасности испытывают самые насущные технические потребности в работе с людьми. В области реальной борьбы с преступностью распознавание лиц может не только подтвердить личность, но и обеспечить сравнение, отслеживание лиц, обнаружение в реальном времени и т.д., помочь полиции быстро установить личность целевого объекта в толпе, добиться предварительного предупреждения происшествий.
Распознавание объектов
В настоящее время в области безопасности типичным применением распознавания объектов является распознавание транспортных средств. С помощью периферийного триггера и видеовызова может быть получено изображение автомобиля и автоматически распознан номерной знак. Распознавание характеристик формы транспортного средства и номерного знака может не только определять атрибуты транспортного средства, но и определять атрибуты владельца, связанные с ним атрибуты личности, характеристики поведения и в сочетании с биометрией создавать трехмерную систему предотвращения и контроля.
При практическом применении распознавание транспортного средства может последовательно сравниваться с атрибутами транспортного средства, атрибутами владельца и другими данными для раннего предупреждения происшествий с участием транспортных средств с высокой степенью склонности к совершению правонарушений. Проверка проезжающих транспортных средств на контрольно-пропускных пунктах позволяет фильтровать транспортные средства на основе создания большого количества баз данных, чтобы быстро блокировать целевые транспортные средства и снизить нагрузку на работу соответствующих инстанций.
Технология анализа больших данных
Технология анализа больших данных позволяет интегрировать массивные неструктурированные и структурированные данные, а также анализировать и вычислять атрибуты этих данных. Технология больших данных обеспечивает мощные возможности распределенных вычислений и управления базами данных для ИИ, что является важной поддержкой для анализа, прогнозирования и самосовершенствования искусственного интеллекта [4]. Технология состоит из трех частей: управление большими данными, крупномасштабные распределенные вычисления и интеллектуальный анализ данных. Массивное управление данными используется для сбора и хранения всесторонней информации из ресурсов, задействованных в применении искусственного интеллекта, и для накопления данных на основе времени. В то же время ценные данные могут быть сформированы с помощью интеллектуального анализа больших данных, что может обеспечить более эффективные выборки данных для глубокого обучения. Технология анализа больших данных может значительно снизить затраты на рабочую силу, повысить эффективность и даже сделать возможными решение некоторых задач, которые невозможно выполнить вручную в некоторых аспектах. Например, поиск по лицу, базе данных персонала, базе данных идентификационных карт, дублирующий поиск персонала с помощью семантического описания из видео для поиска транспортного средства определенного цвета, поиска номерного знака, поиска изображений, ассоциации видео и других приложений.
Практическое применение искусственного интеллекта в области безопасности
Применение технологии глубокого обучения ИИ в области безопасности В настоящее время сеть архитектуры глубокого обучения ИИ в основном включает в себя автокодировщик, машину Больцмана и сверточную нейронную сеть, последняя похожа на биологическую нейронную сеть, имеет меньший весовой коэффициент и меньшую сложность модели. Нейронная сеть глубокой свертки в основном включает в себя три слоя, как показано на рис. 2:
1) Входной слой. Данные, собранные устройством, затем импортируются в систему.
2) Скрытый слой. Скрытый слой разделен на два слоя: верхний и нижний слои. Верхний слой - это уровень полного соединения, а нижний слой состоит из слоя свертки и нижнего слоя выборки попеременно попарно.
3) Выходной слой. Выходной уровень может использовать логическую регрессию сбора данных, регрессию SoftMax или машину опорных векторов для классификации изображений.
На рис. 2 показана схематическая диаграмма глубокой сверточной нейронной сети.
Рисунок 2
Согласно теории локального восприятия, локальные соседние пиксели тесно связаны, в то время как удаленные пиксели связаны слабо. Следовательно, только наблюдая за соседними пикселями и синтезируя информацию локального наблюдения на верхнем уровне, можно понять общую ситуацию. При использовании метода локального зондирования области 10 х 10, 1012 полных параметров соединения между каждым слоем изображения размером 1000 х 1000 пикселей могут быть уменьшены до 108 параметров локального соединения. Используя метод распределения веса, параметры 108 локальных соединений в каждом слое изображения могут быть уменьшены до 100. Сверточная нейронная сеть - это нейронная сеть, которая реализует «локальное поле восприятия» и «распределение веса» с помощью свертки. Основываясь на технологии глубокого обучения искусственного интеллекта глубокой нейронной сети, оборудование мониторинга может автоматически идентифицировать и оценивать полученное изображение, самостоятельно обрабатывать видеоконтент, вычислять большое количество потенциально полезной информации в входных данных.
Применение технологии структуризации видеозаписей ИИ в области безопасности
На основе глубокого обучения ИИ технология интеллектуального видеоанализа, сформированная путем установления вспомогательных технических мер, является технологией структуризации видео ИИ. Технология имеет три основных этапа:
1) Обнаружение цели. Процесс извлечения объектов переднего плана из информации изображения и их идентификация называется обнаружением цели.
2) Отслеживание цели. Отслеживание целей - это своего рода интеллектуальный процесс принятия решений, который заключается в фиксации и съемке определенных целей на переднем плане, а также некоторых ключевых действий.
50
3) Извлечение целевого атрибута. Процесс распознавания, извлечения, классификации и сохранения визуальных характеристик конкретных объектов переднего плана называется извлечением атрибутов объекта.
Вышеупомянутые три шага объединяют глубокое обучение ИИ, машинное зрение, обработку данных и другие технологии для реализации функций автоматического поиска, оценки и реагирования в технологии безопасности.
Ключевое звено практического применения искусственного интеллекта в области безопасности
С точки зрения различных сценариев практическое применение интеллектуальной безопасности может быть проанализировано в зависимости от времени события, типа события, того, как предотвратить событие и как воспроизвести процесс события.
Множество событий происходит ночью, в то время как цветовая палитра обычных камер черно-белая. Видео, полученные с таких камер, теряют много цветовой информации и ключевых деталей. Таким образом, следует добиться 24-часового эффекта полноцветности. При наличии соответствующего оборудования, в условиях мониторинга в темноте или при слабом освещении нет необходимости во внешней технике для компенсации освещенности, которое также может восстановить идеальное цветное изображение.
Полноценный интеллектуальный продукт безопасности должен иметь звуковую и световую систему сдерживания, чтобы гарантировать, что система может активно использовать стратегии сдерживания для предотвращения возникновения событий в случае прогнозирования. Система оповещения объединяет звуковую подсказку, мигание белым светом, лазерное отслеживание и другие режимы раннего предупреждения о проникновении. Традиционная система безопасности сильно зависит от людей. Самое фундаментальное изменение заключается в том, чтобы превратить ретроактивность в предварительное предупреждение, что сделает популяризацию интеллекта неизбежной. ИИ может анализировать периметр зоны и поведение персонала, а также гибко реагировать на все виды вторжений, блуждания, временное пребывание и так далее.
Перспективы развития и тенденции интеллектуальной безопасности в умных городах
Будущая тенденция развития интеллектуальной безопасности в основном проявляется в трех аспектах:
1) Предоставление системам мониторинга передовых вычислительных возможностей, некоторых функций интеллектуального анализа, такие как распознавание изображений человека, распознавание транспортных средств и распознавание поведения, могут быть выведены на передний план для реализации общей архитектуры безопасности ИИ. Это не только отвечает требованиям интеллектуального приложения городской безопасности, но также снижает нагрузку на передачу данных по сети и зависимость от центра обработки данных за счет вычислений, чтобы повысить интеллектуальную эффективность всей сети.
2) Сотрудничество человека и машины и интеллектуальное управление. Сотрудничество человека и машины требует когнитивных способностей машины, основанных на модели состояния человека, способности обмена знаниями человека и способности глобального планирования [5]. В области интеллектуальной безопасности человеко-машинная система может играть роль в дистанционном
управлении чрезвычайными ситуациями, совместном принятии решений на месте аварии, работе в районах, недоступных для людей. Например, в критической обстановке граждане могут посылать сигналы помощи в систему видеонаблюдения с помощью жестов.
3) Глобальный когнитивный интеллект. Большие данные безопасности - это совокупность данных из нескольких отделов и систем в разные моменты времени. Плотность значений данных очень низка, а отсутствие возможности глобального анализа данных серьезно ограничивает их применение. В будущем ключевым направлением развития интеллектуальной безопасности станет предоставление возможности машинному обучению обрабатывать крупномасштабные, полномасштабные и многоисточниковые данные [6], которые не могут быть обработаны людьми в режиме реального времени, понимать сложные скрытые законы, и, наконец, формулировать оптимальную стратегию, выходящую за рамки локального неоптимального принятия решений людьми с глобальной точки зрения.
Заключение
Уровень развития искусственного интеллекта в области безопасности стремительно меняется. Первый уровень - это интеллектуальная технология распознавания терминала видеонаблюдения, такая как распознавание лиц, распознавание номерных знаков. Второй уровень - это технология интеллектуального анализа данных безопасности, которая может автоматически хранить данные и проводить анализ их сущности. Третий уровень - это технология анализа и эксплуатации больших данных, которая может моделировать и анализировать форму безопасности в течение определенного периода времени, проводить углубленный анализ и прогнозировать тенденции. В будущем продукты безопасности должны быть способны имитировать человеческое мышление [7], заменять часть человеческой работы и создавать кроссплатформенные сети для сотрудничества между различными устройствами.
Интеллектуальная безопасность вступила в эру больших данных и искусственного интеллекта. Искусственный интеллект, основанный на машинном зрении и технологии глубокого обучения, широко используется в контроле общественной безопасности, управлении дорожным движением, уголовном расследовании и других сценариях. В среде без вмешательства человека компьютер может автоматически анализировать содержимое съемки камеры, включая обнаружение цели, извлечение сегментации цели, распознавание цели и ее отслеживание. Работа с массивными разнородными данными из нескольких источников - это проблема, с которой должна столкнуться интеллектуальная безопасность. В настоящее время база данных системы общественной безопасности аккумулирует большое количество транспортных средств, персонала, социальных связей и другой информации [8]. В то же время городские камеры, интеллектуальные мобильные терминалы, датчики постоянно выдают большое количество данных о социальном обеспечении, и в этих данных скрыта информация о безопасности города.
Литература
1. «Decrypt» security view «uncover» Analysis Center. Huicong security network, 2016.
2. Luo Shixiong, Fu Shuangsheng. Discussion on the construction of intelligent PAAS platform integrating the advanced new technology. Technical Study, 2019. - pp. 25-26.
3. Zhang Jianxiong. Analysis of cloud computing market and development strategy of telecom operators // Telecommunication technology, 2016. - pp. 40-42.
4. Wu Shiwang. Research on the main technology and application prospect of artificial intelligence in the field of transportation. Communication design and Application, 2019, 26 (12), - pp. 132-133.
5. Колесникова Г.И. Искусственный интеллект: проблемы и перспективы / Г. И. Колесникова // Видеонаука: сетевой журн, 2018. - № 2(10). - URL: https://videonauka.ru/stati/44-novye-tekhnologii/190-iskusstvennyj-intellekt-problemy-i- perspektivy
6. Никишова М.И. Перспективы применения технологий искусственного интеллекта в корпоративном управлении в условиях перехода к цифровой экономике // Управленческие науки в современном мире, 2018. - Т. 1. - № 1. - С. 233-237.
- URL: https://elibrary.ru/item.asp?id=35112711.
7. Слэйгл Дж. Искусственный интеллект. - М.: Мир, 2016. - 320 c.
8. Тетеркин М.А., Анисимов А.Р., Томильченко Л.Р. Анализ сценариев использования технологии виртуализации // Инновации и инвестиции, 2022. - № 5.
- С. 136-141. - EDN VLYKPT.
РАЗРАБОТКА МОДЕЛИ ПОВЕДЕНИЯ ЗЛОУМЫШЛЕННИКА, ОСУЩЕСТВЛЯЮЩЕГО ДЕЙСТВИЯ ПО ЛЕГАЛИЗАЦИИ ДОХОДОВ, ПРИМЕНИТЕЛЬНО К АВТОМАТИЗИРОВАННЫМ БАНКОВСКИМ СИСТЕМАМ ДИСТАНЦИОННОГО ОБСЛУЖИВАНИЯ
М.Ю. Федосенко, Национальный исследовательский университет ИТМО, fedosenkomaksim98@gmail.com.
УДК 004.056_
Аннотация. В работе описывается процесс разработки модели нарушителя, осуществляющего легализацию (отмывание) доходов, полученных преступным путем. Рассмотрены основные положения 115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» с целью выявления обязательных к соблюдению правовых норм, а также паттернов мошеннического поведения пользователей. Выявленные особенности платежного поведения необходимы при разработке паттернов отклонения для автоматизации процессов выявления мошенничества в банковских системах дистанционного обслуживания и их интеграции с искусственным интеллектом.
Ключевые слова: поведенческие модели; легализация (отмывание) доходов; системы дистанционного банковского обслуживания; финансовый мониторинг; платежное поведение пользователей; мошенничество; информационная безопасность.
DESIGNING OF THE MODEL OF BEHAVIOR AN ATTACKER APPLICABLE TO AUTOMATED BANKING SYSTEMS OF REMOTE SERVICING, PERFORMING ACTIONS FOR THE LEGALIZATION PROCEEDS FROM
CRIME
M. Fedosenko, Security Information Technology ITMO University.
