CC BY
136
т
ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРИНЯТИЯ РЕШЕНИИ В СИСТЕМАХ ФИЗИЧЕСКОЙ ЗАЩИТЫ ОБЪЕКТОВ
Звежинский Станислав Сигизмундович,
МТУСИ, Москва, Россия, zwierz@rambler.ru
Духан Андрей Евгеньевич,
Уральский федеральный университет (УрФУ), Екатеринбург, Россия, andmo901@gmail.com
Духан Евгений Изович,
Уральский федеральный университет (УрФУ), Екатеринбург, Россия, duchan@pm.convex.ru
Парфенцев Игорь Валерьевич,
АО "Группа Защиты "ЮТТА", Москва, Россия, labtop@mail.ru
DOI 10.24411/2072-8735-2018-10008
Ключевые слова: средство обнаружения нарушителей, блок принятия решения, искусственные нейронные сети, ошибки первого и второго рода.
Интеллектуализация средств обеспечения безопасности - главное направление развития современных систем физической защиты объектов. Рассматриваются методы построения блоков принятия решений в современных средствах обнаружения нарушителей, основанные на искусственных нейронных сетях (ИНС). Обучение блоков принятия решений происходит гораздо успешнее, если существует адекватная модель сигналообразования, как например, в периметровом магнитометрическом средстве обнаружения. Приведены сравнительные результаты оценки эффективности алгоритмов машинного обучения ИНС в различных условиях, на основании которых нельзя выделить наилучший - все определяется критерием оценки. Показано, что для систем физической защиты целесообразно применение обратного критерия Неймана-Пирсона с минимизацией вероятности ложной тревоги при фиксированной вероятности правильного обнаружения. В соответствии с этим, для обучения нейронной сети предложена модифицированная функция потерь. Она использовалась для оценки эффективности искусственной нейронной сети блока принятия решения в составе магнитометрического средства обнаружения, для которого имеются адекватные модели сигналообразования. Соответствующие результаты, полученные для рекуррентной сети реального времени с использованием обучающей выборки, показали, что при неизменной вероятности пропуска цели значение вероятности ложной тревоги уменьшились на порядок по сравнению с "классической" версией. Это позволяет предположить, что определенный выигрыш будет достигнут и для других типов средств обнаружения нарушителей.
Информация об авторах:
Звежинский Станислав Сигизмундович, д.т.н., профессор, МТУСИ, Москва, Россия
Духан Андрей Евгеньевич, аспирант, Уральский федеральный университет (УрФУ), Екатеринбург, Россия Духан Евгений Изович, к.т.н., доцент, Уральский федеральный университет (УрФУ), Екатеринбург, Россия Парфенцев Игорь Валерьевич, к.т.н., доцент, АО "Группа Защиты "ЮТТА", Москва, Россия
Для цитирования:
Звежинский С.С., Духан А.Е., Духан Е.И., Парфенцев И.В. Интеллектуализация принятия решений в системах физической защиты объектов // T-Comm: Телекоммуникации и транспорт. 2018. Том 12. №1. С. 40-43.
For citation:
Zwierzynski S.S., Duhan A.E., Duhan E.I., Parfentsev I.V. (2018). Decision intellectualization in object physical protection systems. T-Comm, vol. 12, no.1, pр. 40-43. (in Russian)
т
Введение
Система физической защиты (СФЗ) - необходимая составляющая комплексного решения по защите целостности и информации любого объекта охраны. Важнейшим ее компонентом является система охранной сигнализации, основу которой составляют средства обнаружения (СО) нарушителей, основанных на различных физических принципах действия. В течение последних тридцати лет не было создано ни одного средства, основанного на новом физическом принципе, - основное развитие этого класса спецтехники идет за счет совершенствования алгоритмов обработки информации. Поэтому реализация эффективных интеллектуальных алгоритмов в блоках принятия решения (БПР) - наиболее перспективное направление развития сигнализационных СО [0].
Для построения интеллектуального БПР в современных сигнализационных СО используются различные методы машинного обучения, например, метод опорных векторов, решающие деревья, искусственные нейронные сети (ИПС) и т.д. Для обучения БПР требуется обширная база данных (БД) полезных сигналов и помех, которую на практике не так легко сформировать, особенно по сигналам, поскольку априорно неизвестен тип нарушителя. Тем не менее, БД возможно создавать искусственно (расчетным путем) па основе адекватных математических моделей с и гнал ©образования, чему способствует высокий уровень развития вычислительной техники. Если адекватность математической модели подтверждена, и кроме того, имеется дополнительная экспериментальная информация о шумах (помехах), то для БПР можно создавать представительные выборки обучения практически любой мощности [0].
Блоки принятия решения на основе искусственных
нейронных сетей
Исследования, проведенные авторами, показали, что в средствах обнаружения блоки принятия решения на основе ИНС демонстрируют, как правило, лучшие результаты но сравнению с классическими параметрическими методами построения. С использованием расчетной БД в периметро-вых магнитометрических СО исследования проводись для двух наиболее применимых нейросетевых моделей: биполярной ассоциативной памяти (ВАМ) и рекуррентной сети реального времени (КТКИ) [0]. В результате исследований установлено, что наилучшие результаты, по критерию минимума среднеквадратической ошибки принятия решения, обеспечил алгоритм
Кроме улучшения статистических характеристик обнаружения, ИНС способны повышать информативность сигнализационных СО, т.е. выдавать дополнительную информацию о нарушителе [0]. Например, в средствах обнаружения на основе линий вытекающей волны, работающих в режиме частотно-модулированного зондирующего излучения, ВАМ показала хорошие результаты для формирования дополнительной информации о месте вторжения. При этом множество расчетных реализаций из БД разделялось на множество классов, каждый из которых состоял из полезных сигналов, соответствующих движению нарушителя в однометровом интервале, удаленном от ближнего конца зоны обнаружения
на некоторое расстояние д*. В результате обучения И11С оказалась способной формировать информацию о продольной координате х с точностью 1 м в 87% случаев [0]. В остальных случаях 13% случаев сеть «ошибалась» с точностью ±1 м, что в итоге обеспечило точность определения места вторжения нарушителя 2 м. Это обеспечивает большое тактическое преимущество соответствующей СФЗ в сравнении со стандартной, где точность соответствует 125...250 м (протяженность зоны обнаружения).
Аналогичные вычислительные эксперименты были проведены для перспективного точечного магнитометрического СО на основе магниторезистивных датчиков (МРД), предназначенного для обнаружения вооруженного (оснащенного) чел о века-нарушителя при его входе в здание, на объект через дверь, портал или проем [0]. Моделировались сигналы для двух магнитометрических преобразователей, размещенных над и под проемом, каждый из которых состоит из трех МРД с магнитными концентраторами, обеспечивающих регистрацию трех пространственных компонент напряженности магнитного поля, вызванного наличием намагниченного предмета. Исследование проводилось с целью изучения возможности повышения потенциальных характеристик и информативности точечного магнитометрического СО в отношении нескольких алгоритмов машинного обучения: GradienlBoosting (GB), RandomForest (RF), SVM (Support-VectorMachine), ElmanNetwork, RTRN (Real Time Recurrent Network). Вычислительные эксперименты проводились отдельно для каждого из алгоритмов и их возможных линейных комбинаций.
Наилучшие результаты продемонстрировал композиционный алгоритм обработки сигналов с использованием Elman Network и GradienlBoosting. Входными данными нейросети являлись значения, формируемые алгоритмами GradienlBoosting, отдельно обучаемые па множествах сигналов U¡.^yrÁ_t) от каждого МРД двух чувствительных элементов. Кроме того, па вход Elman Network подавались статистические параметры сигналов, Дтя повышения информативности СО (определение высоты проноса предмета) использовалась линейная комбинации двух алгоритмов -RandomForest и SupportVectorMachine.
Улучшение алгоритма принятия решения средств
обнаружения нарушителей
Несмотря на очевидные преимущества алгоритмов, способных формировать дополнительную информацию о нарушении, приоритет при синтезе решающих устройств современных сигнализационных СО отдается их потен (шальным характеристикам обнаружения. Поэтому научный и практический интерес представляют возможности дальнейшего улучшения алгоритмов принятия решений об обнаружении нарушителей, построенных на современных математических методах. При этом в отличие от стандартных задач классификации, где применяются «традиционные» ИПС, в нашем случае следует учитывать особенности тактики применения сигнализационных средствах обнаружения.
Как правило, при обучении ИНС минимизируется значение функции потерь, а весовые коэффициенты сети пересчи-тываются по ее градиенту. После стабилизации функции потерь выбирается порог для выходного значения сети, и на
T-Comm Vol.12. #1-2018
7ТЛ
У
тестирующей выборке оцениваются ошибки работы ИЫС первого и второго рода - для СО это вероятность ложной тревоги Р1 и вероятность пропуска Р„ч цели соответственно. Традиционно в практике построения ИНС в качестве метрики (функции) потерь применяется среднеквадратичная ошибка:
2'
(1)
¡-1 м
где (Ц - ожидаемое выходное значение на выходе сети; у - реально полученное значение на /-м нейроне выходного
слоя ИНС; К— количество нейронов в выходном слое сети.
Такой подход подразумевает равенство «стоимостей» ошибок первого и второго рода, поэтому их значения зачастую оказываются примерно равными при выборе порога, близким к с/. Изменение порога на выходе обученной сет и в широких пределах не позволяет гибко варьировать соотношения между вероятностями ложной тревоги и пропуска пели. Поэтому было принято целесообразным при обучении ИНС учитывать существенно различные требования, предъявляемые к ошибкам первого и второго рода в сигнализационных СО.
Обратный критерий Неймана-Пирсона
и модифицированная функция потерь
При выборе оптимального порога в классических задачах обнаружения целей обоснованно применяется критерий Неймана-Пирсона. Однако в системах охранной сигнализации, в которых «стоимость» ложной тревоги не столь высока, как, например, в радиолокационных системах военного назначения, принято применять «обратный» критерий Неймана—Пирсона с минимизацией вероятности ложной тревоги при фиксированной вероятности правильного обнаружения [О, 0], Целесообразность обратного критерия вполне ясна, если проанализировать универсальный критерий минимума среднего риска для типовых СФЗ объектов.
Различные требования к ошибкам первого и второго рода дают основания выдвинуть гипотезу об асимметрии их вкладов в функции потерь. Можно предположить, что по мере обучения ИПС, когда достигается требуемое значения вероятности правильного обнаружения, следует ограничить вклад ошибки ложной гревоги (1-го рода) в итоговое значение функции потерь. Тогда дальнейшие итерации процесса обучения сети будут обеспечивать минимизацию ложной тревоги.
Функцию (1) в общем виде можно разбить па два слагаемых, каждое из которых соответствует своей ошибке (ложной тревоге и пропуску цели). Для этих слагаемых предлагается ввести коэффициенты, отражающие их вклад в итоговую функцию потерь. Коэффициенты могут быть представлены постоянным значением или в виде некоторой нелинейной функции, зависящей от типа ошибки и ее величины, при этом на выходе сети осуществляется нормировка, восстанавливающая значение в диапазоне 0... I.
Таким образом, в отличие от (1), модифицированная и подлежащая минимизации функция потерь предетавима в виде:
(2)
Iе/ !,„■(«. +1>г*Л(у])) >
уеЛ1
где а, и а, — линейные коэффициенты; /, и /2 — некоторые
функции от выходного значения сети У/; У — подмножество нейронов, для которых ожидаемое значение равно 1; N - подмножество нейронов, для которых ожидаемое значение равно 0; К — №+ У.
В простейшем случае для «ложной тревоги» такой коэффициент может быть равен единице, а для случая пропуска цели - разнице между желаемым значением правильного обнаружения и выходным значением сети:
1-1 ^ У /ея
С целью корректировки значений синоптических весов нейросети и с использованием метода градиентного спуска, для функции ошибки вида 0 были получены соответствующие формулы. При этом функция потерь (по всей обучающей выборке) для пакетного режима обучения с учетом того, что в выходной слой сети имеет только один нейрон (К — 1), принимает следующий вид:
I 1 *
(4)
1
2*1
где£ - средняя ошибка по выборке; е - сигнал ошибки
/-го нейрона в слое; У - подмножество объектов выборки обучающей, для которых ожидаемое значение равно 1; N - подмножество объектов, для которых ожидаемое значение равно 0;Ь- N+1 - мощность обучающей выборки. Обновление весов происходит по следующей формуле:
А- <5>
и ды^ N Л
где г] - норма обучения.
Например, для выходного слоя сети можно просто вычислить производную , поскольку ошибка О1) известна на каждом шаге:
дв^п)
¿Ч,
= -а*4Хп&}(п))*уп>
(6)
где ~ взвешенная сумма нейрона; - функция активации нейрона; коэффициент а принимает значение а, или а-, в зависимости от класса ожидаемого ответа.
Компьютерное моделирование
Модифицированная функция потерь согласно (3) и соотношения (4) — (6) использовались для моделирования БПР на основе ИНС в составе магнитометрических средств обнаружения, для которых имеются достаточно «хорошие» модели сигналообразования [1, 5]. Наиболее впечатляющие результаты были получены при компьютерном моделировании известного однолинейного пери метрового магнитометрического средства обнаружения [0] и рекуррентной сети реального времени с использованием обучающей выборки.
При этом оказалось, что при неизменной вероятности пропуска цели, при обучении сети с модифицированной функцией потерь значение ложной тревоги уменьшились на порядок по сравнению с «классической» версией.
Т-Сотт Том 12. #1-2018
Y
Заключение
Полученный результат дает основание для применимости модифицированной функции потерь при обучении искусственной нейронной сети в блоках принятия решений, относящихся к средствам обнаружения нарушителей в составе СФЗ. Дальнейшие исследования предполагается направить на разработку обобщенной модели ИНС, использующей данный подход для средст в обнаружения других физических типов.
Литература
1. Крюков КН., 3вежинский С.С.. Иванов В.А. и др. Магнитометрические средства обнаружения: Теория и практика построения. М.: Радиотехника, 20]3.
2. Зенов А. Ю., Мясникова Н.В. Применение ненросетевых алгоритмов в системах охраны периметра // Известия ВУЗов: Поволжский регион: тех. науки. 2012. № 3. С. 15-24.
DECISION INTELLECTUALIZATION IN OBJECT PHYSICAL PROTECTION SYSTEMS
Stanislaw S. Zwierzynski, Moscow, Russia, zwierz@rambler.ru Andrej E. Duhan, Ekaterinburg, Russia, andmo90l@gmail.com Eugene I. Duhan, Ekaterinburg, Russia, duchan@pm.convex.ru Igor V. Parfentsev, Moscow, Russia, labtop@mail.ru
Abstract
Intellectualization of security systems - main development direction of modern object physical protection systems. Methods for constructing decision blocks in modern intrusion detection systems based on artificial neural networks (ANN) are considered. The learning of decision blocks is much more successful if there is an adequate model of signal formation, such as in perimeter magnetometric detection systems. Are given comparative results of effectiveness evaluation of ANN machine learning algorithms in various conditions, and the best can not be distinguished, because all is determined by evaluation criterion. For physical protection systems it is shown expedient to apply inverse Neumann-Pearson criterion, that minimizing probability of false alarms with fixed probability of correct detection. In accordance with this, modified loss function is proposed for training neural network. It was used to evaluate effectiveness of ANN in decision-making unit as part of magnetometric intrusion detection system, for which there are adequate signal generation models. Corresponding results obtained for real time recurrent network with using training sample, showed that with unchanged probability of target skipping, probability of false alarms decreased by an order of magnitude compared to "classical" version. This suggests that a certain gain will be achieved for other types of intrusion detection systems.
Keywords: intrusion detection system, decision-making unit, artificial neural networks, of first and second kind errors. References
1. Kryukov I.N., Zwiezynski S.S., Ivanov V.A. et al. (2013). Magnetometric Detection Means: Theory and Practice of Construction. Moscow: Radiotechnika (in Russian)
2. Zenov A.Y., Myasnikova N.V. (2012). Application of neural network algorithms in perimeter security systems. Izvestiya VUZov: Povolzhje region: Tech. sci., no.3, pp. 15-24. (in Russian)
3. Zwierzynski S.S., Zakharkin G.F., Duhan A.E., Duhan E.I. (2015). Information processing algorithms for magnetometric detection means based on neural network. Spectechnika and Svaz, no.5, pp. 29-32. (in Russian)
4. Zwiezynski S.S., Voevodin S.V., Duhan A.E., Duhan E.I. (2015). Neural networks application in information processing of signaling detection means. T-Comm, no.9, pp. 11-15. (in Russian)
5. Duhan A.E., Duhan E.I., Sazonov V.Y. (2017). Machine learning algorithm application for characteristic increasing of point magnetometric detection means. Radiotechnika, no.2, pp. 23-26. (in Russian)
6. Zwierzynski S.S. (2004). About signaling reliability of perimeter detection systems. BDI, no.2, pp. 32-38. (in Russian)
7. Magauenov R.G. (2004). Security alarm systems: Fundamentals of theory and principles of construction. Moscow: Hot Line-Telecom. (in Russian)
Information about authors:
Stanislaw S. Zwierzynski, professor of MTUCI, Dr. sci. tech., Moscow, Russia
Andrej E. Duhan, graduate student of Ural Federation University, Ekaterinburg, Russia
Eugene I. Duhan, assistant professor of Ural Federation University, candidate of tech. sci., Ekaterinburg, Russia
Igor V. Parfentsev, UTTA JSC, assistant professor, Candidate sci. tech., Moscow, Russia
7TT
3. Звежинский С.С.. Захаркин Г.Ф.. Духан А.Е.. Духан Е.И. Алгоритмы обработки информации магнитометрического средства обнаружения на основе ней росе™ II Спецтехника и связь. 2015, №5/С. 29-32.
4. Звежинский С.С.. Воеводин C.B.. Духан А.Е. Духан Е.И. Применение нейронных сетей при обработке информации в сигнализационных средствах обнаружения // T-Comm.: Телекоммуникации н транспорт. 2015. Т.9. С. 11-15.
5. Духан А. Е.. Духан Е.И.. Сазонов В.Ю. Применение алгоритмов машинного обучения для повышения характеристик точечных магнитометрических средств обнаружения // Радиотехника. 2017. № 2. С. 23-26.
6. Звежинский С.С. О сигнализационной надежности перимет-ровы\ средств обнаружения И БДИ. 2004. № 2. С. 32-38.
7. Магауенов Р.Г. Системы охранной сигнализации: Основы теории и принципы построения. М.: Горячая линия-Телеком, 2004.
