CC BY
3
Timoshenko Alexander Vasilyevich, doctor of technical sciences, professor, deputy general designer, [email protected]. Russia, Moscow, JSC RTI named after academician A.L. Mints,
Minakov Evgeny Ivanovich, doctor of technical sciences, professor, [email protected], Russia, Tula, Tula State
University
УДК 004.94
DOI: 10.24412/2071-6168-2023-7-495-496
АТИПИЧНАЯ НЕОПРЕДЕЛЕННОСТЬ РЕШЕНИЙ ПРИ СТОХАСТИЧЕСКИХ НАЧАЛЬНЫХ УСЛОВИЯХ ДИФФЕРЕНЦИАЛЬНЫХ МОДЕЛЕЙ ИСКУССТВЕННЫХ ИММУННЫХ СИСТЕМ
А.В. Скатков, Ю.В. Доронина, Д.В. Моисеев
Развитие сложных систем с распределенным или удаленным управлением осуществляется в том числе в направлении совершенствования каналов информационного обмена. В этой связи актуален выбор управляющих решений неопределенности решений при стохастических начальных условиях дифференциальных моделей искусственных иммунных систем. Предложено рассматривать атипичную (эллипсную) неопределенности решений, приводятся результаты моделирования на примере обеспечения качественного информационного обмена между беспилотными транспортными средствами и диспетчерским центром. Предложен каркас двухконтурной системы поддержки принятия решений по управлению защитой каналов информационного обмена.
Ключевые слова: искусственные иммунные системы, беспилотное транспортное средство, диспетчерский центр, канал информационного обмена, стохастичность начальных условий, атипичная неопределенность решений.
Благодаря свойствам и принципам работы искусственных иммунных систем (ИИС) стало возможным применение вычислительных моделей ИИС в качестве эвристического метода для обнаружения сетевых вторжений [1-5, 4-9]. Впервые наиболее общие закономерности функционирования ИИС на примере иммунной системы организма человека были предложены в виде математических моделях академиком Г.И. Марчуком в ряде работ [10]. Данные модели описывают фундаментальные механизмы иммунной защиты, сформулированные в клонально-селекционной теории Ф. Бернета [11]. Решения системы обыкновенных дифференциальных уравнений (ОДУ), описывающей динамику ИИС, в значительной степени определяются начальными условиями, которые повторить, в большинстве случаев, не представляется возможным в связи со сложностью объекта ИИС.
Возникает важная задача для принятия решений по управлению защитой КИО: не только построить модель ИИС на основе ОДУ, но и снизить неопределенность решений, связанную со стохастическим характером начальных условий, рис.1.
Для формирования базовой модели иммунной реакции ИИС целесообразно рассмотреть механизм иммунной защиты живых организмов [12-22]: в живых организмах всегда присутствуют антитела (F(0) > 0); антигены (V), попадая в организм, начинает размножаться, поражая орган-мишень; часть антигенов (V) встречается с антителами (F), поглощаются ими и стимулируют иммунную систему; после стимуляции иммунной системы через время t формируются плазматические клетки в объёме, пропорциональном количеству поглощённых антигенов в организме, которые, в свою очередь, вырабатывают антитела; в зависимости от уровня поражения органа-мишени m(t), будет изменяться количество генерируемых плазматических клеток C(t), чем больше поражение органа, тем меньшим будет количество плазматических клеток; регенерация органа-мишени запускается в ответ на его повреждение.
Влияние случайных отклонений при установке заданных (номинальных) значений начальных условий на реальном объекте; случайные воздействия внешней среды на объект, изменяющие реальные выходные характеристики по отношению к расчетным; влияние изменяющихся, как правило, неслучайным, но заранее неизвестным образом, условий функционирования объекта, например, таких, как температура, влажность, вибрации, уровень радиации и т. д.
Исследователями накоплен существенный опыт применения различных специальных методов учета внешних возмущений, основанный на корреляционном анализе сигналов, методах фильтрации и сглаживания экспериментальных зависимостей. В ряде случаев удается свести проблему к стандартной задаче параметрической оптимизации без неопределенных факторов. В [23] предложено различать три основные ситуации, отражающих типичную неопределенность решений ОДУ:
1. - случайный вектор с известным законом распределения; вектор выходных параметров y реализуется многократно для различных значений вектора
2. векторy реализуется однократно при заранее неизвестном векторе
3. выходные параметры y реализуются многократно; вектор изменяется неизвестным образом, но не носит случайный характер, либо статистические характеристики оказываются неизвестными.
В отличие от приведенных типичных видов неопределенности, в данном исследовании авторы предлагают исследовать атипичную неопределенность эллипсного типа, когда точки решения находятся внутри условных эллипсов, вследствие влияния начальных условий на решения ОДУ ИИС. Рассмотрим некоторые формальные определения модели ИИС.
Атипичная неопределенность решений
Рис. 1. Логическая схема решения задачи снижения неопределенности решений ОДУ при стохастических начальных условиях
Подход к построению математических моделей искусственных иммунных систем при исследовании атак вирусного типа. Математическая модель иммунной реакции на инфекционное заболевание, в соответствии с [6, 24], строится на основе соотношений баланса для каждой из зависимых переменных в предположении, что «организм» описывается однородным замкнутым объемом, в котором все компоненты процесса равномерно перемешаны. Изменение численности клеточных популяций, участвующих в процессе иммунного ответа на отрезке времени [Го, 7], где Го =0 — момент инфицирования, с учетом повреждения и регенерации органов в отличие от известной схемы решения в виде нелинейных дифференциальных уравнений с запаздывающим аргументом, записанных в нормальной форме Коши [12], модифицируется введением переменной ¿;(т), представляющей невозрастающую неотрицательную функцию, учитывающую нарушение нормальной работы иммунной системы вследствие значительного поражения органа (ресурса):
г( л_{ 1,0<т<т',
~{{1-т)к,т'<т <1, (1)
где т' > 0 - предельный уровень поражения, при котором ещё возможна нормальная работа иммунной системы; к - коэффициент предельного уровня поражения.
Тогда модифицированная система нелинейных дифференциальных уравнений с запаздывающим аргументом запишется в виде:
Тогда выражение (1) примет вид:
di = flV-yFV, — = рС- Т]уРУ - цгР, % = т)УЦ-т)-цс(С - С"),
с начальными условиями:
и фазовыми ограничениями:
■ = aV — ßmm.
К(0) = V°,F(0) =F°,C(0) = C°,m(0) = m0
(2)
(3)
(4)
V(t) >0.0,F(t) >0.0, C(t) >0.0,m(t) >0.0,
где ß > 0 — скорость (темп) размножения антигенов; у> 0 - коэффициент, учитывающий вероятность встречи вирусов с антителами и силу их взаимодействия; а > 0 — коэффициент стимуляции иммунной системы; р > 0 — скорость производства антител одной плазматической клеткой; ¡c> 0 - величина, обратная продолжительности жизни плазматической клетки; и/ > 0 — величина, обратная продолжительности жизни антител; п > 0 - количество антител, необходимое для нейтрализации одного вируса; а > 0 - скорость (темп) поражения органа (организма); иm > 0 - скорость восстановления массы пораженного органа (организма); C" > 0 - предсуществующий уровень иммунокомпе-тентных клеток (плазматических клеток); т > 0 - время, необходимое для формирования каскада плазматических клеток.
Для определения параметров моделей в работе находятся стационарные решения, которые затем исследуются на устойчивость. Стационарные решения выводятся приравниванием правых частей к нулю. Как показано в работах [33-35, 37-38] для системы (1) доказана не отрицательность получаемых решений при определённых условиях.
Зависимости, приведённые на рис. 2, характеризуют иммунный ответ ИИС на воздействие патогена в соответствии с выражением (2), при начальных условиях: относительная концентрация вируса - 1.0, относительное количество антивирусных клеток - 0.5, относительный объём плазматических клеток - 1.0 и поражаемый орган полностью здоров.
Под иммунным ответом ИИС на внешний раздражитель, в дальнейшем, будем понимать - процесс взаимодействия внешнего агрессивного (атакующего) воздействия на ИИС, в результате которого происходит динамическое изменение следующих функций: относительного количества антигенов V(t), относительного количества антител F(t), относительного количества плазматических клеток C(t) и относительного повреждения органа-мишени m(t) (в начальный момент времени считаем орган-мишень неповреждённый - т(0) >0.0).
1
а б
Рис. 2. Результаты моделирования иммунного ответа ИИС при детерминированных начальных условиях: а - 7(0) = 1. О, F(O) = 0. 5, С(0) = 1.0, т(0) = 0.0; б - 7(0) = 1. О, F(0) = 0.0, С(0) = 0. 5, т(0) = 0.0
Как видно из графиков (см рис. 2, а)) относительное количество вируса V начинает значительно уменьшаться из-за наличия антивирусных клеток F (антител), количество которых, в свою очередь, начинает увеличиваться за счёт расходования плазматических клеток С, количество которых постоянно уменьшается, после победы антител над вирусом, скорость уменьшения расходования плазматических клеток С замедляется. Поражаемый орган испытывает на себе поражающее воздействие вирусов и угнетающее воздействие от производства избыточного объёма плазматических клеток. После превышения в относительном объёме антивирусных клеток над вирусами их количество перестаёт увеличиваться и начинает постепенно уменьшаться (t=2.0). Относительное количество плазматических клеток также постоянно уменьшается. Начиная с t=4.0 начинается регенерация поражаемого органа.
Аналогичная ситуация развивается при детерминированных начальных условиях: 7(0) = 1.0, F(0) = 0.0, С(0) = 0.5, т(0) = 0.0 (см. рис. 2, б)). Но, поскольку в начальный момент времени, относительное количество антивирусных клеток (антител) F(0) = 0.0, иммунная система начинает значительное производство плазматических клеток С, которые перерождаются в антитела F, обеспечивая стремительное увеличение их относительного количества.
Для перехода от иммунных систем живых организмов к ИИС авторами введены следующие интерпретации базовых параметров: V* = V*(t) — относительное количество вирусов для рассматриваемого ресурса; С* = C*(t) — относительный объём антивирусной базы (объём памяти); F*= F*(t) — относительная сложность антивирусных алгоритмов (количество операций); У*Пр - относительное количество вычислительных операций во вредоносном коде; F'nf -относительное количество вычислительных операций в антивирусном алгоритме, необходимых для нейтрализации вирусной атаки;
С*Пр - относительное количество вирусных сигнатур в антивирусных базах;
- для памяти: У*Пм - относительный объём вредоносного кода; - относительный объём антивирусного кода, необходимый для нейтрализации вирусной атаки; С*Пм - относительный объём антивирусных баз [1].
Таким образом, в зависимости от начальных условий изменяется иммунный ответ ИИС на внешнюю атаку, причём основным критерием является относительное начальное количество F(0). Так, при низких значениях F(0) происходит значительное поражение органа-мишени (ресурса). Так как в технических системах не происходит полного поражения атакуемого ресурса, поскольку ещё на предварительных стадиях видно ухудшение характеристик работы системы, становится очевидна атака и происходит автоматическая остановка вычислительного процесса. В связи с этим, целесообразно исследование статистической устойчивости системы ОДУ в модели иммунного ответа ИИС относительно стохастических начальных условий.
Анализ атипичной неопределенности решений дифференциальных уравнений в модели иммунного ответа ИИС со стохастическими начальными условиями. Рассмотрим уравнения системы (2), отражающие в ИИС оценки относительной сложности антивирусных алгоритмов (количество операций) и относительное количество вирусов для рассматриваемого ресурса:
% = £7 - yF7, g = рС - WF7 - ^F.
Схема решений системы ОДУ с учетом стохастичности начальных условий и дивергенцией по f и v приведена на рис.3. Очевидно, что формируется некоторая область решений ОДУ, обладающая важными свойствами, определяющими возможность дальнейшего управления процессом формирования или поддержания иммунного ресурса на основе анализа динамики искривления области решений ОДУ. Исследование динамики иммунного ресурса при вирусных атаках в условиях размытости начальных условий составляет содержание данной статьи.
Семейство кривых, отражающих подмножество решений системы (5) при t=1..14 для стохастических начальных условий 7(0) = i?0...i7fc,F(0) = /0.../fc с точками возмущений 7(0) = 0.5,F(0) = 1.0 и 7(0) = 0.8, F(0) = 0.4 приведено на рис.4.
Приведенные на рис.3 результаты отражают ситуацию, когда на фоне стабильного числа антивирусных клеток F и некоторого снижения числа вирусов V, происходит изменение соотношения F и V в точках возмущения
V | V0 = 0.5; V | V0 = 0.8- Это обусловило падение числа иммунных клеток Изменение констант с=0.1, т=1 имеет определенное влияние на динамику F и V, но результаты их моделирования в данном исследовании не приводится.
F,V
Of(Fj | jPV) &Ж iW)
V
F
а Ь
Рис. 3. Схема анализа решений системы ОДУ при стохастических начальных условиях: а - множество решений ОДУ для й для начальных условий, образованных упорядоченными выборками К(0) = v0...vk,F(0) = /0.../&; Ь - фазовые пространства координат Г и V в ИИС
Основной Основной Основной О<£нрвной Основной Основной
F= =1.0
* 'А А — Ol
—. о
-- F- 0. 8
— F =05 -
« « « « « « « « « « « « « « « « « « « « « « « « « « « 5S
оооооооооооооооооооооооооооо
юююююююююююююююююююююююм oooooooooooooooooooooooo
оооооооооооооооооооооооооооо
ОООООООООООООООООООООООООООО
К К К I ю ю ю аз
000 -р
1 I I р
Рис. 4. Семейство решений ОДУ со стохастическими начальными условиями с характерными точками возмущений F(0) = 0. 5, F(0) = 1. 0 и F(0) = 0. 8, F(0) = 0.4
Рассмотрим факторы управления защитой КИО: U j (ßj, у j, Т j, fj ), j £ J , где J - множество индексов различных управлений, т момент времени обнаружения атаки, f0 -начальный уровень иммунитета (ан-
J J J
тивирусной защиты), ß > 0 — скорость (темп) размножения антигенов; у> 0 - коэффициент, учитывающий вероятность встречи вирусов с антителами и силу их взаимодействия.
На рис.5 приведены результаты моделирования изменчивости точек фазового пространства координат F и V при начальных условиях, образованных упорядоченными выборками ^(0) = 0.1...0.8,F(0) = 0.4.„1.0 для моментов условного времени t1=1..14.
Анализ динамики изменения вида группировки точек решений ОДУ, описывающих ИИС, рис.5, свидетельствует о регуляризации процессов в ИИС с течением времени, несмотря на изменчивость начальных условий и наличия точек возмущений, связанных с изменением условий функционирования ИИС, например, выраженных параметрами ß и у в уравнениях 1 и 2 системы (2).
Интерпретируем рассеяние полученных результатов (рис.3, б)) в виде некоторых эллипсов, области которых принадлежат фазовые координаты F и V в каждом случае, исходя из канонического уравнения эллипса 2 2
x__l y = 1, где a, b - большой и малый радиусы эллипса, в котором концентрируются решения ОДУ.
2 г,2
a b
На рис.6 изображены два эллипса рассеяния, радиусы которых определяются управлением U j (ßi, у£, Т, f0 ) , где параметры ß^, у^ определяются требованием ЛПР и влияют на площадь рассеяния эллипсов.
0,87 0,67 > 47 0,27 0,07
• .
0,87 0,67 > 47 0,27 0,07
0,07
0,57
0,07
0,57
0,87 0,67 > 0,47 0,27 0,07
0,07
0,57
0,87 0,67 33,47 0,27 0,07
0,07
0,87 0,67 > 0,47 0,27 0,07
0,07
F0,57 d
F
0,57
g
0,87 0,67 > 7 0,27 0,07
0,07
0,87 0,67 > 0,47 0,27 0,07
i-
0,07
F0,57 e
0,57
F
h
0,87 0,67 >5,47 0,27 0,07
0,87 0,67 > 47 0,27 0,07
0,07
0,07
F0,57 f
0,57
F
Рис. 5. Изменение точек фазового пространства координат F и V в диапазоне значений начальных условий F(0) =0.1...0.8,F(0) = 0.4...1.0 при: а- t1=1; b-12=2; c-13=3; d-14=4; e-15=5; f-13=6; g-14=7; h-13=10; i) t4=14
V
Рис. 6. Динамика изменчивости эллипсов рассеяния при изменении параметров управления Рр, у к
На рис.7 приведен каркас двухконтурной системы поддержки принятия решений (СППР) по управлению защитой каналов информационного обмена на основе компенсации атипичной неопределенности решений ОДУ ИИС.
В приведенной на рис.7 схеме предполагается корректировка относительного объёма антивирусного кода, необходимого для нейтрализации вирусной атаки, что позволит формировать управляющее воздействие на КИО
^к Р У к , У0) . При разделении времени ввода управляющих параметров Рр ,ук (скорости (темпа) размножения антигенов в и коэффициента, учитывающего вероятность встречи вирусов с антителами и силу их взаимодействия у) формируется два управляющих контура СППР: контур I - на основе оценивания влияния точек воз-
499
F
F
F
b
а
с
мущения и контур II - на основе оценивания влияния параметров Рр, у^ на атипичную неопределенность решений
ОДУ ИИС. Дальнейшие исследования авторы предполагают в направлении расширения множества управляющих параметров из системы ОДУ (5).
Рис. 7. Каркас двухконтурной системы поддержки принятия решений по управлению защитой каналов информационных обменов на основе компенсации атипичной неопределенности решений ОДУ ИИС
Заключение, дальнейшее развитие исследований. Предлагаемые в статье подходы, основанные на исследовании атипичных неопределенностей в моделях ИИС по обнаружению уязвимостей интерфейсов БТС в условиях стохастического состояния среды и объекта, позволят в отличии от других подходов экспертного оценивания повысить достоверность, качество распознавания, использовать весь имеющийся статистический материал, а также повысить обоснованность, оперативность принятия решений, уменьшить вероятность ошибок при реализации процессов поддержки принятия решений о наличии уязвимостей и формировании соответствующих управлений.
В предположении о принадлежности фазовых координат некоторым эллипсам рассеивания в терминальной точке, предложено на основе размытости начальных условий найти управление, которое минимизирует неопределенность начальных условий и неопределенность управления на основе исследования площади эллипсов рассеяния. Результаты моделирования свидетельствует о регуляризации процессов в ИИС с течением времени, несмотря на изменчивость начальных условий и наличия точек возмущений.
Список литературы
1. Denning D. An Intrusion-Detection Model, IEEE Transactions on Software Engineering, Vol. SE-13, No. 2, 1987. 6. P. 222-232. KDD Cup 1999.
2. H. Yang, T. Li, X. Hu, F. Wang, Y. Zoul. A Survey of Artificial Immune System Based Intrusion Detection. The Scientific World Journal. 2014.
3. Dasgupta D. Iskusstvennye immunnye sistemy i ikh primenenie [Artificial Immune Systems and Their Applications]. Moscow, FIZMATLIT Publ., 2006, 344 p.
4. Брюховецкий А.А., Скатков А.В. Аадаптивная модель обнаружения вторжений в компьютерных сетях на основе искусственных иммунных систем / Электротехнические и компьютерные системы. 2013. № 12 (88). С. 102111.
5. D. V. Moiseev, A. A. Bryukhovetskiy, A. V. Skatkov / Intelligent decision - making support on the level of encryption of information transmitted in the UMV information exchange channels D. V. Moiseev et al 2020 IOP Conf. Ser.: Mater. Sci. Eng. 734 012086 https://doi.org/10.1088/1757-899X/734/1/012086
6. A. V. Skatkov, A. A. Bryukhovetskiy, D. V. Moiseev / Adaptive vulnerability detection model for unmanned vehicles drugs based on artificial immune systems et al 2020 IOP Conf. Ser.: Mater. Sci. Eng. 734 012028 https://doi.org/10.1088/1757-899X/734/1/012028
7. Бардачев Ю.Н., Дидык А.А. Использование положений теории опасности в искусственных иммунных системах // Автоматика, автоматизация, электротехнические комплексы и системы. 2007. № 2. С. 107-111.
8. Станкевич Л.А., Казанский А.Б. Иммунологическая система обеспечения безопасности гуманоидного робота // Актуальные проблемы защиты и безопасности: тр. 9-й Всерос. науч.-практич. конф. 2006. № 5. С. 145-152.
9. Hunt J.E., Cooke D.E. Learning using an artificial immune system. Journ. of Network Computing Applications, 1996, vol. 19, pp. 189-212.
10. Математические модели в иммунологии. Вычислительные методы и эксперименты / ред. Г.И. Марчук. М.: Наука, 1991. 299 с.
11. Knight T., Timmis J. Aine: An immunological approach to data mining. IEEE Intern. Conf. on Data Mining, 2001, pp. 297304.
12. Kim J., Bentley P. Towards an artificial immune system for network intrusion detection: An investigation of dynamic clonal selection. In Proc. Congress on Evolutionary Computation, Honolulu, HI, USA, 2002, pp. 1244-1252.
13. Castro L.N. Artificial immune systems: The past, the present and the future? Proc. 5th Intern. Conf. ICARIS-06. Springer, Berlin, Heidelberg, 2006, p. 460.
14. Owens N., Timmis J., Greensted A., Tyrrell A. Modeling the tunability of early t cell signalling events. Artificial Immune Systems, P.J. Bentley, D. Lee, S. Jung Eds., Springer, Berlin, Heidelberg, 2008, vol. 5132, pp. 12-23.
15. Kushnir, N.V. Iskusstvennye immunnye sistemy: obzor i sovremennoe sostojanie / N.V. Kushnir, A.V. Kush-nir, E.V. Anackaja, P.A. Katysheva, K.G. Ustinov // Nauchnye trudy Kubanskogo gosudarstvennogo tehnologicheskogo universiteta. - № 12, 2015. - S. 382-391.
16. Skatkov A., Bryukhovetskiy A., Moiseev D., Litvinova R. Detecting changes simulation of the technological objects' information states / MATEC Web Conf. Volume 224, 2018, Number 02072 , International Conference on Modern Trends in Manufacturing Technologies and Equipment (ICMTMTE 2018) https://doi.org/10.1051/matecconf/201822402072
17. Мак-Каллок У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы / под ред. К. Э. Шеннона и Дж. Маккарти. - М.: Изд-во иностр. лит., 1956. - С. 363- 384. (Перевод английской статьи 1943 г.)
18. Искусственные иммунные системы и их применение / Под ред. Д. Дасгупты: пер. с англ. - М. : Физма-тлит, 2006. - 344 с.
19. H. S. Javitz and A. Valdes. The SRI IDES Statistical Anomaly Detector. In Proceedings of the IEEE Symposium on Security and Privacy, May 1991.
20. P. Helman and J. Bhangoo. A statistically based system for prioritizing information exploration under uncertainty. IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, 27(4):449-466, July 1997.
21. Yeung D.Y., and Ding Y. Host-Based Intrusion Detection Using Dynamic and Static Behavioral Models, (2003), Journal of Pattern Recognition, No. 36, pp. 229 - 243.
22. C. C. Michael And Anup Ghosh, Simple, State-Based Approaches to Program-Based Anomaly Detection, ACM Transactions on Information and System Security, Vol. 5, No. 3, August 2002.
23. Черноруцкий И. Г. Методы оптимизации. Компьютерные технологии. СПб.: БХВ-Петербург, 2011.
384 с.
24. Modeling of monitoring processes of structurally heterogeneous technological objects / A. Skatkov, V. Shevchenko, D. Voronin, D. Moiseev // MATEC Web of Conferences (Sevastopol, 11-15 September, 2017). 2017. Vol. 129. P. 03022.
Скатков Александр Владимирович, д-р техн. наук, профессор, [email protected], Россия, Севастополь, Севастопольский государственный университет,
Доронина Юлия Валентиновна, д-р техн. наук, доцент, профессор, Yu VDoronina@sevsu. ru, Россия, Севастополь, Севастопольский государственный университет,
Моисеев Дмитрий Владимирович, д-р техн. наук, доцент, профессор, [email protected], Россия, Севастополь, Севастопольский государственный университет
ATYPICAL UNCERTAINTY OF SOLUTIONS UNDER STOCHASTIC INITIAL CONDITIONS OF DIFFERENTIAL
MODELS OF ARTIFICIAL IMMUNE SYSTEMS
A.V. Skatkov, Yu.V. Doronina, D.V. Moiseev
The development of complex systems with distributed or remote control is carried out, among other things, in the direction of improving information exchange channels. In this regard, the choice of control solutions for the uncertainty of solutions under stochastic initial conditions of differential models of artificial immune systems is relevant. It is proposed to consider atypical (elliptical) uncertainty of solutions, the results of modeling are given on the example of ensuring high-quality information exchange between unmanned vehicles and the dispatch center. The framework of a two-circuit decision support system for managing the protection of information exchange channels is proposed.
Key words: artificial immune systems, unmanned vehicle, dispatch center, information exchange channel, sto-chasticity of initial conditions, atypical uncertainty of solutions.
Skatkov Alexander Vladimirovich, doctor of technical sciences, professor, [email protected], Russia, Sevastopol, Sevastopol State University,
Doronina Yulia Valentinovna, doctor of technical sciences, docent, professor, [email protected], Russia, Sevastopol, Sevastopol State University,
Moiseev Dmitry Vladimirovich, doctor of technical sciences, docent, professor, [email protected], Russia, Sevastopol, Sevastopol State University
