CC BY
17
СТАТЬИ НА РУССКОМ ЯЗЫКЕ
ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
АНАЛИЗ СИСТЕМ ИДЕНТИФИКАЦИИ И ФОРМИРОВАНИЯ БАЗЫ ДАННЫХ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ
Бердымуратов Данияр Базарбаевич
докторант, кафедра технического обеспечения, Национальный университет обороны Республики Казахстан,
Республика Казахстан, г. Астана Е-mail: _ [email protected]
ANALYSIS OF UAV IDENTIFICATION SYSTEMS AND DATABASE DEVELOPMENT
Daniyar Berdymuratov
PhD student, Department of Technical Support, The national Defense University of the Republic of Kazakhstan,
Kazakhstan, Astana
АННОТАЦИЯ
В статье подробно анализируются системы идентификации беспилотных летательных аппаратов (БПЛА), а также технологии создания базы данных для их классификации. Цель исследования - изучение существующих методов идентификации, таких как радиолокация, GPS, RFID и нейросетевые алгоритмы, для повышения эффективности противодействия БПЛА. Методология основана на сравнении технологий сбора и обработки данных, а также их структурировании с использованием ROLAP-хранилищ. В качестве примеров приводятся кейсы применения данных технологий для охраны воздушного пространства в мегаполисах и на стратегически важных объектах. Полученные результаты подчеркивают важность создания базы данных БПЛА для автоматизации процессов идентификации и усиления защиты инфраструктур. Выводы статьи указывают на необходимость формирования базы данных БПЛА как неотъемлемой части системы противодействия беспилотникам.
ABSTRACT
The article provides a detailed analysis of unmanned aerial vehicle (UAV) identification systems and database technologies for their classification. The goal of the research is to study existing identification methods, such as radar, GPS, RFID, and neural network algorithms, to improve UAV countermeasure systems. The methodology is based on comparing data collection and processing technologies and structuring them using ROLAP storage. Case studies of these technologies in urban airspace monitoring and security applications are presented. The results highlight the importance of creating a UAV database to automate identification processes and enhance infrastructure protection. The conclusions indicate the necessity of developing a UAV database as an essential part of UAV countermeasure systems.
Ключевые слова: БПЛА, беспилотные летательные аппараты, идентификация, база данных, радиолокация, нейросети.
Keywords: UAVs, unmanned aerial vehicles, identification, database, radar, neural networks
Введение. В последние годы вопрос идентификации БПЛА приобретает особую актуальность. Важно создать системы, способные эффективно распознавать и классифицировать различные типы беспилотников для повышения безопасности и оптимизации работы с этими устройствами. В данной статье рассматриваются современные подходы к идентификации БПЛА, а также методы формирования
базы данных для эффективного управления информацией о БПЛА.
Цель исследования - проведение анализа существующих систем идентификации БПЛА и рассмотрение технологий, применяемых для создания и структурирования баз данных, для дальнейшей разработки рекомендаций по противодействию беспилотным угрозам.
Библиографическое описание: Бердымуратов Д.Б. АНАЛИЗ СИСТЕМ ИДЕНТИФИКАЦИИ И ФОРМИРОВАНИЯ БАЗЫ ДАННЫХ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ // Universum: технические науки : электрон. научн. журн. 2024. 10(127). URL: https://7universum.com/ru/tech/archive/item/18382
Задачи исследования:
1. Изучить современные системы идентификации и технологии, применяемые для создания и структурирования баз данных беспилотных летательных аппаратов.
2. Проанализировать их эффективность в зависимости от технических характеристик и условий применения.
3. Сформулировать основные выводы и перспективы дальнейшего развития систем противодействия БПЛА.
Материалы и методы. В процессе исследования были использованы материалы из открытых источников, а также научная литература по рассматриваемой тематике. Применялись методы анализа, обобщения, синтеза и интерпретации.
Результаты и их обсуждение. Учитывая увеличение количества БПЛА и разнообразие их моделей, задача идентификации этих аппаратов приобретает критическое значение. Системы идентификации БПЛА должны быть способны быстро и точно определять тип и характеристики каждого летательного аппарата, а также различать их по параметрам, что требует интеграции передовых технологий, включая радиолокацию, GPS, RFID и методы машинного обучения.
Важным аспектом является не только процесс идентификации, но и эффективное управление информацией о БПЛА. Для этого необходимо создавать и структурировать базы данных, которые смогут хранить и обрабатывать большие объемы данных о различных моделях БПЛА и их характеристиках.
Системы идентификации беспилотных летательных аппаратов (БПЛА) играют ключевую роль в обеспечении безопасности воздушного пространства, особенно в связи с ростом использования дронов в гражданских, военных и коммерческих областях. В рамках классификации современных систем идентификации можно выделить несколько основных категорий, основанных на технологиях, которые используют различные принципы для обнаружения, отслеживания и распознавания БПЛА. Рассмотрим наиболее распространенные системы и их характеристики.
Радиолокационные системы. Радиолокационные системы для идентификации БПЛА широко используются благодаря своей способности обнаруживать объекты на больших расстояниях и в сложных погодных условиях. Такие системы фиксируют радиоволны, отраженные от летательных аппаратов, что позволяет точно определить местоположение и траекторию полета дрона.
Примером радиолокационной системы является ARSR-4, используемая в воздушном пространстве США для контроля воздушных судов, включая БПЛА. В Европе и России применяются системы типа ADS-B (Automatic Dependent Surveillance-Broadcast), которые позволяют отслеживать летательные аппараты с использованием данных о местоположении, передаваемых через спутниковую навигацию [1].
Принцип работы радиолокационных систем основан на отправке радиосигнала и его отражении от объекта. Возможности систем включают дальнее обнаружение, определение скорости и направления движения, что особенно важно в условиях быстрого роста числа БПЛА в гражданском и военном воздушном пространстве.
Системы на основе спутниковой навигации (GPS). Спутниковая навигация, в частности GPS, часто используется для идентификации БПЛА, особенно в случае автономных аппаратов. Такие системы позволяют точно определять координаты объекта и отслеживать его перемещения в режиме реального времени.
Одним из примеров использования технологии GPS является система DJI Aeroscope, разработанная китайской компанией DJI. Она позволяет отслеживать дроны в радиусе до 50 км, фиксируя их серийные номера, координаты и траектории полета. Принцип работы этой системы заключается в улавливании сигналов, передаваемых GPS-модулями дронов, что позволяет эффективно управлять воздушным пространством.
Модель Aeroscope обладает возможностями отслеживания даже небольших дронов на дальних расстояниях, что делает ее популярной среди правоохранительных органов и служб безопасности для защиты объектов критической инфраструктуры [2].
RFID-системы. RFID-системы (радиочастотная идентификация) используются для маркировки и идентификации БПЛА, особенно в закрытых и ограниченных зонах, таких как склады, производственные объекты и логистические центры. В отличие от радиолокационных и GPS-систем, RFID работает на меньших расстояниях, обеспечивая точную идентификацию меток, закрепленных на дроне.
Один из примеров — RFID-система от компании Zebra Technologies, которая применяется для отслеживания дронов и других устройств на складах и производственных объектах. Эти системы позволяют интегрировать данные с внутренними ERP-системами, что улучшает управление производственными и логистическими процессами [3].
Принцип работы основан на передаче сигнала с RFID-метки, который считывается при прохождении через специальные устройства. Возможности системы включают идентификацию большого количества объектов одновременно и обеспечение высокой точности идентификации на малых дистанциях.
Визуальные системы идентификации. Визуальные системы на основе технологий машинного обучения и компьютерного зрения становятся все более популярными благодаря их способности анализировать визуальные изображения БПЛА. Эти системы используют камеры высокого разрешения и алгоритмы распознавания образов для идентификации дронов по их внешним характеристикам.
Примером является система Dedrone, которая использует камеры и сенсоры для захвата изображений летательных аппаратов, а затем анализирует их
с помощью программного обеспечения на основе искусственного интеллекта (А1). Dedrone способна распознавать различные модели БПЛА, определять
их размеры, форму и движение, а также классифицировать угрозы [4].
Рисунок 1. Система DroneTracker
Принцип работы таких систем основан на распознавании внешних характеристик дронов и их анализе с использованием нейросетевых алгоритмов. Возможности систем включают классификацию по типам аппаратов, обнаружение необычных траекторий и распознавание опасных объектов в реальном времени.
Сигнатурные базы данных. Сигнатурные системы идентификации БПЛА работают по принципу сопоставления уникальных сигнатур, таких как радиолокационные отражения, тепловые сигнатуры или электромагнитные излучения, с уже известными профилями, хранящимися в базе данных. Эти системы позволяют не только идентифицировать тип дрона, но и его модель и производителя.
Примером является система DroneShield, разработанная для военных и правоохранительных органов. DroneShield использует сигнатурные базы данных для идентификации и классификации дронов на основе их радиолокационных и радиочастотных характеристик. Такие системы особенно эффективны для обнаружения и нейтрализации дронов, применяемых в военных конфликтах [5].
Системы на основе сигнатур работают, анализируя данные о частоте, модуляции сигнала и других характеристиках, которые сопоставляются с эталонными данными в базе. Это позволяет идентифицировать не только тип аппарата, но и его конкретную модель.
Примеры использования систем идентификации:
Безопасность аэропортов. Системы, такие как Aeroscope и Dedrone, используются для защиты воздушного пространства вблизи аэропортов, предотвращая случайные или преднамеренные полеты дронов в запрещенных зонах.
Охрана стратегических объектов. Военные базы и правительственные учреждения применяют системы типа DroneShield для защиты от шпионских дронов и беспилотников, которые могут быть использованы для сбора данных или нанесения вреда.
Городское воздушное пространство. В крупных мегаполисах по всему миру активно внедряются системы мониторинга дронов на основе радиолокационных и визуальных технологий, обеспечивающих контроль над воздушным движением в густонаселенных районах [6].
Идентификационные признаки. Идентификация БПЛА основывается на множестве параметров, включая физические и технические характеристики. Основными признаками являются:
• Размеры и вес устройства;
• Форма корпуса;
• Частота и тип сигналов связи;
• Уникальные полетные траектории;
• Цифровые подписи, такие как радиолокационные и тепловые сигнатуры.
Эти параметры используются для создания уникальных профилей каждого типа БПЛА, которые затем могут быть использованы для идентификации при помощи автоматизированных систем [7].
Формирование базы данных для БПЛА. Создание и эффективное использование базы данных (БД) для беспилотных летательных аппаратов (БПЛА) является одним из ключевых элементов системы идентификации. Современные системы БД для БПЛА направлены на накопление, хранение, обработку и анализ данных, что позволяет не только идентифицировать летательные аппараты, но и прогнозировать
их поведение, отслеживать траектории полетов и предупреждать потенциальные угрозы. В данном разделе рассматриваются основные подходы к созданию баз данных, примеры современных систем и их использование.
Основной задачей формирования базы данных для БПЛА является сбор разнородной информации, которая может включать:
• визуальные данные (изображения и видео, полученные с камер наблюдения и сенсоров);
• характеристики радиосигналов, передаваемых БПЛА;
• параметры полета (траектория, высота, скорость и др.);
• физические характеристики БПЛА (размеры, вес, тип двигателей, форма корпуса);
• производственные данные (информация о производителе, модели, дате выпуска).
Сбор данных происходит как автоматически (с использованием сенсоров, камер, радаров), так и вручную операторами. Современные системы включают широкий спектр сенсоров для сбора данных: оптические камеры, радиолокационные установки, инфракрасные датчики, которые обеспечивают многомерный анализ полетов БПЛА.
Примером системы сбора данных является SkyPatriot, разработанная компанией Dedrone, которая использует множество сенсоров для обнаружения, отслеживания и классификации БПЛА. Система автоматически собирает данные о полетах БПЛА, их размерах, скорости и направлении движения, создавая детализированную базу данных для дальнейшей обработки [4].
Хранилища данных. Для хранения и обработки больших объемов данных, поступающих в режиме реального времени, используются современные системы управления базами данных (СУБД). В данном контексте важную роль играют две технологии: ROLAP (Relational Online Analytical Processing) и MOLAP (Multidimensional Online Analytical Processing).
ROLAP использует реляционные базы данных и позволяет гибко управлять данными, что делает его удобным для аналитики больших объемов информации о БПЛА. Примером такой системы может служить PostgreSQL, которое широко применяется для хранения больших объемов структурированных данных и выполнения сложных аналитических запросов.
MOLAP представляет собой более специализированное решение, где данные агрегируются и индексируются, что ускоряет анализ. Cognos Analytics и Microsoft Analysis Services — примеры систем, которые могут быть использованы для MOLAP-анализа данных о БПЛА [8].
Эти системы позволяют не только хранить, но и быстро обрабатывать большие объемы данных, предоставляя пользователю возможность делать прогнозы и моделировать поведение беспилотников на основе полученных данных.
октябрь, 2024 г.
Системы идентификации на основе базы данных БПЛА работают по следующему принципу:
1 ) Обнаружение: Система фиксирует присутствие БПЛА с помощью различных сенсоров (радио -локационных, оптических, инфракрасных и др.).
2) Сбор данных: Данные о БПЛА собираются и передаются в централизованную базу данных. Эти данные могут включать видеозаписи, характеристики радиосигнала, параметры полета и другие ключевые характеристики.
3) Сопоставление с базой данных: Система сопоставляет полученные данные с уже имеющимися записями в базе данных. Это может включать сравнение визуальных данных, сигнатур сигналов или технических характеристик БПЛА.
4) Анализ и идентификация: Используя алгоритмы машинного обучения и нейросетей, система анализирует данные и определяет тип БПЛА, его возможные намерения (гражданское использование, военные или разведывательные цели) и маршрут полета [1].
5) Предупреждение и реагирование: В случае обнаружения подозрительного или неопознанного БПЛА система может передавать сигнал тревоги в командные центры или инициировать контрмеры для нейтрализации угрозы.
Одним из примеров успешного применения систем идентификации БПЛА является проект DroneTracker от Dedrone, который используется на международных аэропортах и крупных инфраструктурных объектах для отслеживания и идентификации беспилотников в радиусе нескольких километров. Система интегрируется с радарами и камерами, собирает данные о траекториях полета БПЛА и автоматически сопоставляет их с базой данных, чтобы определить, является ли беспилотник зарегистрированным и безопасным [4].
Заключение. В ходе исследования было установлено, что современные системы идентификации беспилотных летательных аппаратов (БПЛА) демонстрируют значительный прогресс благодаря внедрению различных технологий, таких как радиолокация, GPS и нейросетевые алгоритмы. Эти технологии позволяют эффективно распознавать и классифицировать БПЛА, что существенно повышает уровень безопасности в воздушном пространстве. Однако, несмотря на достижения в области идентификации, отсутствие централизованных баз данных о беспилотниках и их характеристиках остается серьезной проблемой, препятствующей оперативному реагированию на угрозы, связанные с использованием БПЛА.
В связи с этим, формирование базы данных БПЛА представляется необходимым шагом для автоматизации процессов идентификации и анализа данных. Создание и наполнение такой базы данных позволит не только оптимизировать методы мониторинга и контроля воздушного пространства, но и повысить эффективность работы систем противодействия беспилотникам. Наличие актуальной и структурированной информации о БПЛА станет неотъемлемой
частью стратегии обеспечения безопасности, что, в свою очередь, позволит более эффективно реагировать на потенциальные угрозы и минимизировать риски, связанные с использованием беспилотных
октябрь, 2024 г.
летательных аппаратов. В будущем дальнейшее развитие технологий машинного обучения и нейро-сетей внесет значительный вклад в усовершенствование систем идентификации БПЛА.
Список литературы:
1. «Некоторые аспекты идентификации беспилотных летательных аппаратов». / [Электронный ресурс]. - Режим доступа: https://na-journal.ru/4-2024-aviaciya-kosmonavtika/11418-nekotorye-aspekty-identifikacii-bespilotnyh-letatelnyh-apparatov (дата обращения: 03.10.2024).
2. AeroScope: Технология DJI для отслеживания дронов / [Электронный ресурс]. - Режим доступа: https://dji-blog.ru/naznachenie/aeroscope-tehnologija-dji-dlja-otslezhivanija-dronov.html (дата обращения: 03.10.2024).
3. Smart Airspace Security and Drone Detection Software / [Электронный ресурс]. - Режим доступа: https://www.dedrone.com/products/drone-detection-software (дата обращения: 07.10.2024).
4. DroneSentry Autonomous Integrated Detection and Countermeasure / [Электронный ресурс] - Режим доступа: https://www.droneshield.com/c-uas-products/dronesentry (дата обращения: 07.10.2024).
5. «Защита от дронов в городской, густонаселенной местности» / [Электронный ресурс]. - Режим доступа: https://antidron.pro/blog/gustonaselennoj-mestnosti (дата обращения: 08.10.2024).
6. Искусственный интеллект и нейросети помогут распознать БПЛА/ [Электронный ресурс]. - Режим доступа: https://cloudnetworks.ru/analitika/iskusstvennyj-intellekt-i-nejroseti-pomogut-raspoznat-bpla/ (дата обращения: 08.10.2024).
7. Бердымуратов Д.Б. Современные способы и средства противодействия беспилотным летательным аппаратам // Журнал «Научный Лидер» № 39 (189). [Электронный ресурс]. - Режим доступа: https://scilead.ru/article/7148-sovremennie-sposobi-i-sredstva-protivodejstvi (дата обращения: 08.10.2024).
8. «В ногу со временем: введение в многомерный анализ и OLAP-технологии» / Habr. / [Электронный ресурс]. -Режим доступа: https://habr.com/ru/articles/775042/ (дата обращения: 08.10.2024).
