Модель изменения доступности знаний, представленных в памяти киберсистемы, обеспечивающей нейтрализацию деструктивных воздействий на объекты критической информационной инфраструктуры Текст научной статьи по специальности «Компьютерные и информационные науки»

МОДЕЛЬ ИЗМЕНЕНИЯ ДОСТУПНОСТИ ЗНАНИЙ, ПРЕДСТАВЛЕННЫХ В ПАМЯТИ КИБЕРСИСТЕМЫ, ОБЕСПЕЧИВАЮЩЕЙ НЕЙТРАЛИЗАЦИЮ ДЕСТРУКТИВНЫХ ВОЗДЕЙСТВИЙ НА ОБЪЕКТЫ КРИТИЧЕСКОЙ ИНФОРМАЦИОННОЙ ИНФРАСТРУКТУРЫ

Бирюков

Денис Николаевич,

кандидат технических наук, профессор Военно-космической академии имени А. Ф. Можайского, г. Санкт-Петербург, Россия, Ыгуикоу. б. n@yandex. ги

Глухов

Александр Петрович,

кандидат технических наук, начальник департамента информационной безопасности ОАО «РЖД»,

г. Санкт-Петербург, Россия, gie 76@yandex. ru

Сабиров Тимур Римович,

адъюнкт Военно-космической академии имени А. Ф. Можайского, г. Санкт-Петербург, Россия, rowing- team@mail.ru

Пилькевич

Сергей Владимирович,

кандидат технических наук, докторант Военно-космической академии имени А. Ф. Можайского, г. Санкт-Петербург, Россия, ambers@list.ru

Ключевые слова:

ассоциативная ресурсная сеть; ассоциативный сигнал; интеллектуальная система; память; онтология.

К

S

<

I-

0

1

i

<

Работа посвящена актуальной на сегодняшний день проблеме повышения оперативности обработки большого массива данных. Данные представлены в памяти кибер-систем, являющиеся интеллектуальными и участвующими в процессе работы по обеспечению информационной безопасности критически важных объектов. Функционирование механизмов интеллектуальной обработки данных базируется на использовании баз знаний, аккумулирующих знания о предметной области, представляющей интерес в рамках решаемых задач. Лавинообразный характер роста объемов знаний ставит проблему ограничения количества данных, единовременно находящихся в оперативной обработке. Таким образом, актуализируется задача изменения доступности знаний, представленных в памяти киберсистемы, обеспечивающей информационную безопасность критической информационной инфраструктуры. Обращает на себя внимание динамический характер решаемой задачи, а также тот факт, что аналогичные процессы, сопряженные с обработкой информации характерны для функционирования конструктивного типа мышления и когнитивных способностей человека. Предполагается, что знания, представлены в памяти киберсистемы в виде совокупности частично упорядоченных концептов, объединенных в рамках онтологии предметной области. При этом пополнение базы знаний возможно, как посредством разнородных аппаратно-программных модулей (сенсоров), осуществляющих мониторинг Внешнего Мира, так и командой операторов, заносящих сведения критичные для решаемых задач, вручную. Для изменения доступности знаний, хранящихся в памяти киберсистемы, обеспечивающей информационную безопасность критической информационной инфраструктуры, предлагается использовать разработанную модель ассоциативной ресурсной сети, функционирующую параллельно с онтологией и модель распространения ассоциативного сигнала по ней. Описанные модели позволяют учитывать интенсивность поступления и обработки информации (запросов), а также процессы «забывания» знаний. Предложенная модель распространения ассоциативного сигнала по ассоциативной ресурсной сети способствует учёту контекстов при извлечении и интерпретации знаний, представленных в памяти киберсистемы. Совокупность представленных подходов позволяют реализовать процедуру ранжирования знаний в памяти системы по уровню их доступности, напрямую зависящему от их актуальности, апробированности и подтверждённости.

Введение. В последнее время применение вероятностных подходов для определения возможностей по нейтрализации деструктивных воздействий на объекты критической информационной инфраструктуры (КИИ) становится всё более затруднительным. Это положение дел связано в том числе и с тем, что система интеллектуального управления информационной безопасностью (ИБ) КИИ в процессе своего функционирования должна быть способной формировать спецификации процессов предотвращения новых типов атакующих воздействий, а следовательно говорить о «вероятности» в таком случае не всегда корректно.

Если учесть, что в базе знаний (БЗ) интеллектуальной системы (ИС) может быть представлено достаточно большое количество спецификаций, то пересчёт вероятностей по результатам наблюдений за событиями, произошедшими в киберпространстве, может потребовать больших вычислительных и временных затрат.

Учитывая указанное, предлагается обратить внимание на модели, описывающие некоторые когнитивные способности человека. Люди способны отдавать предпочтение тем или иным альтернативам при моделировании различных процессов.

Модель обобщённой ассоциативной ресурсной сети для отображения доступности знаний в памяти кибер-системы. В работе [1] предложена сетевая модель, позволяющая структурировать память таким образом, что поиск информации становится возможно осуществлять, следуя по ассоциативным цепочкам, создающимся и изменяющимся автоматически на уровне топологии сети - в процессе поступления и обработки информации (запросов). Причем, часто используемая информация оказывается более доступной, и сила ассоциативных связей тем больше, чем чаще сущности упоминаются вместе. Такое хранение и поиск информации в памяти отчасти имитирует клеточные ансамбли Хебба [2]. Как видится, указанный подход к упорядочиванию знаний в памяти может быть применён при реализации процедур хранения и обработки данных в памяти киберсистемы, обеспечивающей информационную безопасность критической информационной инфраструктуры.

В работе [3] описана модель памяти, названная ассоциативной ресурсной сетью. Эта модель представлена ориентированным графом с переменной топологией. Вершины соответствуют сущностям предметной области, ребра - ассоциативным связям между ними. Предложенная модель хорошо сочетается с моделью представления онтологий предметных областей.

Каждая сущность, представленная в ассоциативной ресурсной сети, обладает яркостью. Чем больше яркость вершины, тем она «виднее» - доступнее при поиске. Ребра обладают ограниченными пропускными способностями. Чем чаще две вершины участвуют в запросе совместно, тем больше пропускная способность ребер их связывающих. Чем больше пропускная способность ребра между двумя вершинами, тем больше сила ассоциации между соответствующими

сущностями (вершинами). Пример схематического представления ассоциативной ресурсной сети приведён на рис. 1.

Рис.1. Графическое представление ассоциативной ресурсной сети, отражающей абстрактную предметную область

Сама же ассоциативная ресурсная сеть (АРС) строится и функционирует над онтологией предметной области, строящейся и используемой в интеллектуальной деятельности киберсистемы, призванной обеспечить информационную безопасность КИИ (рис. 2).

Рис.2. Схема совместного функционирования ассоциативной ресурсной сети и онтологии предметной области

Ассоциативную ресурсную сеть предлагается описывать как ориентированный граф, задаваемый через множество вершин АРС, однозначно соотнесённых с концептами онтологии рассматриваемой предметной области [4], и множество направленных рёбер.

Определение 1: V{¡ё] = у - вершина АРС, где:

¡ё = ЫУ , } - уникальный идентификатор вершины (её имя, которое может соответствовать названию концепта онтологии, с которым вершина АРС связана, а может, например, быть представлен в виде номера, ¡ё е Ю _ V , где Ю _ V - множество идентификаторов вершин АРС),

^ = ТУ (у {¡ё]} - тип концепта онтологии [4,5], с которой рассматриваемая вершина АРС однозначно связана (IV е {О, Р, А} , где «О» - <Объекты>, «Р» - <Свойства> и «А» <Действия>),

ЬМ = ВУ(у{¡ё] - «яркость» вершины АРС - неотрицательное число, приписываемое вершине графа (см. требование к памяти системы Т.7.1: «Уровень активации должен быть величиной переменной» [6]).

www.h-es.ru

H&ES RESEARCH

57

Определение 2: ¡^, у[д аг, сш, ^ - ребро графа между вершинами V [/] и V []], соответствующее роли в онтоло-

dir = DL I ¡t

гии (i, j e ID_V , v[/] = v(. vbrt),v[ j] = v(j,„.¿„j.

Примечание: ряд ролей допускает наличие обратных ролей, в этом случае в онтологии могут присутствовать противоположно ориентированные рёбра, что делает ассоциативную ресурсную сеть двусторонней [7];

tl = TL ll/^ г, г, , , I, tl e TypL .

\ (rf, v[i],v[j], dir, cnt, r) / ' '

где TypL = {type_l1; type_l2,type_lM}, а type_lt -

тип (имя) ребра, однозначно соответствующий роли, объединяющей два конкретных концепта, рассматриваемой онтологии [4,5];

Nl =| TypL | - количество различных ролей, используемых при построении онтологии;

>, v[i], v[j], dir, Ш, r) ) - направление ребра относительно вершины, которая указана первой в описании ребра (для \ü, v[t], v[j], dir, cnt, r) - относительно v[t] ),

dir e {in,out}, если dir = in, то ребро направлено из вершины указанной второй, в вершину указанную первой, если dir = out, то в обратном направлении;

Примечание. Параметр dir важен, так как для решения практических задач, основанных на распространении ресурса по АРС, направление ребра может сказываться на результате такого распространения.

cnt = CL (\ü, v[i], v[j], dir, n, r) ) - переменна^ указывающая

на объем понятия, с которым связана вершина АРС, из которой выходит ребро, cnt e {all, some} , где all - «всякий», some - «некоторый» («некоторые»);

r = RL (ltl, v[i],v[j], dir, n, r)) - пропускная способность

(проводимость) ребра АРС, соединяющего вершину v[i] и

v [ j]; проводимость ребра сказывается на способности передавать «возбуждение» от вершины к вершине (от концепта к концепту).

Примечание. Поскольку в общем случае проводимость всех рёбер неодинакова, то ассоциативная ресурсная сеть неоднородна.

Введём функцию l [tl, v[/■] , v[ j]] = l(tl, v[i],v[j], dir, n,, r) , вШ-

вращающую по отличительным признакам ребра: tl, v [i] и v [ j ] всю информацию о ребре в структурированном виде.

Определение 3: Abrt - количество ресурса, на которое увеличивается яркость вершины при обращении к ней (см. требование к памяти системы Т.7.3: «Яркость концепта в памяти должна возрастать при активации какого-либо ассоциированного с ним концепта или при непосредственной его активации» [6]).

Примечание. Увеличение количества ресурса ( brt ), находящегося в вершине АРС, однозначно связанной с активируемым концептом, происходит при каждом обращении к концепту онтологии и зависит от типа обращения ( init ).

Классификация вариантов «возбуждения» ( init ) вершин АРС приведена на рис. 3.

Обращение к вершине АРС

init = О L

«Внешнее» обращение (через систему сенсоров)

Ш = I -

«Внутреннее» обращение (ассоциативная связь через рёбра АРС)

init = OS

От субъектов информационного обмена (от инженеров по знаниям, от других информационных систем)

\init=OW\

От объектов Внешнего Мира (в результате восприятия ВМ)

init = IA

Обращение, осуществляемое в ходе процесса ассоциативного «вспоминания» (при переносе данных из Долговременной Памяти в Рабочую)

init = IL

Обращение к концептам в ходе логического (интеллектуального) вывода

Рис.3. Классификация вариантов «возбуждения» вершин АРС

Введём функцию, вычисляющую значение приращения яркости вершины при обращении к ней и зависящую

от типа обращения: ьЬг=БКГ(1пИ), где тП е {05, ОЖ, 1А, Щ .

Можно предположить, что наименьшее значение должно иметь приращение ьЬн при т1 = 1А : БЯГ(1А) .

Приращения БЩОЯ) и БЯГ(ОЖ) в общем случае могут быть равнозначны, однако следует учесть, что степень доверия ИС к различным субъектам информационного обмена может быть различной, следовательно, можно предположить, что БЯГ (ОЖ) > БЯГ (05).

Примечание: под «степенью доверия» интеллектуальной системы к произвольному субъекту информационного обмена здесь и далее следует понимать величину № (5иЪ) , которая в свою очередь может функционально зависеть от убедительности доводов оцениваемого субъекта информационного обмена, от частоты подачи оцениваемым субъектом ложных и правдивых сведений и т.п.; ¿Ън = БЯГ(05) пропорционально степени доверия № (5иЪ) . Очевидно, что приращение БЯГ(Щ должно быть больше БЯГ(1А) и меньше БЯГ(ОЖ).

Таким образом, частично упорядоченное множество

приращений ресурса аЬи=БЯГ(Пй) можно представить в виде решётки (рис. 4).

Пусть: БЯГ(ОЖ) =дЯ;

БКГ(1А) = РадЯ, где Ра е (0,1) - величина, характеризующая приращение ресурса в вершине при обращении к ней в результате ассоциативного распространения сигнала по АРС (например: Ра = 0,01);

БЯГ (О5) = К (5иЪ )дЯ, где Г (5пЪ) е [ Ра,1] - коэффициент, характеризующий степень доверия системы субъекту информационного обмена БиЪ ;

BRT(IL) = LcaR , где Lc e (Pa,\) (например: Lc = 0,5).

Рис. 4. Частично упорядоченное множество коэффициентов приращения ресурсов

Передача данных по ребру АРС приводит к увеличению его пропускной способности. Вполне обоснованно можно предположить, что в общем случае величина дг, на которую должна увеличиться пропускная способность конкретного ребра lt ,, [ , , АРС при передаче по нему ассо-

\ti, v[i\,vyj\, dir, cnt, rj

циативного сигнала между вершинами v [ij и v [j J, должна быть пропорциональна величине переданного сигнала. Определение 4:

дг = THR[BRT(init),TL(l,, [J ,Ji ,),DL(l,l[J[jJ x)) -

I v 7 \(tl, V'J.v[jJ> dir, cnt, r)j' \{tl, v[ij,v[jj, dir, cnt, r) j

величина, на которую увеличивается пропускная способность ребра l(fl, v[ij,v[jj, dlr, cnt, г) , в слуЧае передачи по нему

сигнала. Параметры TL [^ v[ij, v[jj, Лг, cnt, r) ) и

DL [l(,i, v[J,v[jj, dir, cnt, r) ) вводятся в функцию THR [•) для:

того, чтобы в последующем, при необходимости, можно было более гибко управлять процессом изменения пропускной способности ребер АРС при передаче по ним сигналов.

Таким образом, в ходе функционирования интеллектуальная система должна осуществлять изменение ассоциативной ресурсной сети путём изменения её структуры, значений ресурсов её вершин и проводимости рёбер. Все изменения ресурсной сети осуществляются только над активированной частью онтологии, т. е. над частью онтологии и однозначно соответствующей ей частью ассоциативной ресурсной сети, помещаемой в Рабочую Память (РП) системы, а конкретнее - в Эпизодический Буфер (требование T. 1.2.1: «Структурно память должна состоять из ограниченной области памяти с оперативным доступом» [6]).

Таким образом, возникает необходимость в решении задачи, связанной с выделением под воздействием запросов фрагмента онтологии и однозначно соответствующей ей части АРС. Следует отметить, что запросы могут поступать как извне системы, так и формироваться самой системой в ходе решения ею возникающих перед ней задач.

Далее будет рассмотрен порядок определения помещаемого в РП фрагмента АРС и связанного с ним фрагмента

онтологии при осуществлении запросов к данным, располагающимся в Долговременной Памяти системы. Объём информации, помещаемой в Рабочую память, зависит от порядка и глубины распространения активации (ресурса) по АРС.

Модель распространения ассоциативного сигнала

по АРС. Пусть у{{] - возбуждаемая вершина АРС;

Ьг^п - минимальное количество ресурса, достаточное для перевода вершины в число активных вершин, информация о которых должна быть перемещена в Рабочую Память для дальнейшей обработки;

к/ущ ф.] - коэффициент ослабления распространения

ассоциативного сигнала по АРС в направлении от вершины к вершине V{.]:

k

(v['].v[4

RL (l(tl, v[,],v[j], dir, et, r) )

v M))

BV

(\)

Значение коэффициента ослабления распространения ассоциативного сигнала по АРС мультипликативно увеличивается при прохождении ассоциативного сигнала по следующим друг за другом и имеющим общие концепты семантическим звеньям.

Sum к,= Sum к м х к, ,, , л , (2)

- лЛ - vN M<WJ])' v 7

где Sum _ - переменная, указывающая на «затухание» сигнала, накопленное до инициирования вершины v [/'] (если вершина v [/'] является вершиной возбуждаемой непосредственно запросом, то Sum _= 1).

Количество «вспомненного» ресурса в вершине v [ j) предлагается рассчитывать согласно формуле (3):

Ъ*'= (vj^)х Sum_kv[j]. (3)

Если brt' > brtmin, то производится «вспоминание» вершины v [ j ] и перенос информации о ней в РП - см. требование к памяти Т.7.2: «Чем выше уровень активации данных, тем выше должна быть их доступность (если уровень активации достаточно высок - выше определённого значения, то данные должны быть извлечены из памяти, в противном случае - нет)» [6]. Таким образом, чем больше «яркость» вершины, тем больше вероятность, что она «вспомнится» при возбуждении сопряжённой с ней вершины и информация о ней будет перемещена в РП (будет удерживаться в рамках Фокуса Внимания [6,8]).

Введение коэффициента ослабления распространения ассоциативного сигнала по АРС в виде (1) позволяет реализовать такой механизм его распространения, при котором по умолчанию (при равенстве всех остальных параметров) распространение сигнала осуществляется глубже в направлении ребра с большей пропускной способностью, так как в его направлении осуществляется меньшее ослабление.

Очевидно, что в онтологии могут присутствовать концепты, у которых могут иметься две и более ролей, связывающих их с другими концептами. В этом случае сигнал от вершины, однозначно связанной с подобным концептом, по умолчанию должен распространяться по всем инцидентным рёбрам. В связи с этим введём аксиому (Аксиома 1): чем в большее количество рёбер расходится ресурс от инициированной вершины, тем меньше «глубина» его распространения.

i Ш

RL (l

tl, v[i], v[j], dir, cnt, r)

) RL (l{tl, vj],vj,■],di,■, cn, r) )

BV

(i, tv.brt) )

Sum r

Sum _ r = RL (l

{tl, v[/], v[j], dir, cnt. RL (l(tl, v[i],v[j],dir, cnt, r) )

(1)

AU (v[i])

BV (.»M)

В общем же

Descr (v[i]) = /All (v[i]) , VAU_"U_lnf (v[i]) ,Out (v[i]),

—- Out all inf / r / r n\ —- In all inf / r п\ \

V ~ - (v[]) ,Ы (v[i]) , V - - (v[i]) )

где:

In(v[i]) - количество рёбер, входящих в вершину v[i]; (in _ n = In (v [i ]));

V a" _al_lnf (v [i]) =

DL ("tl, v[i], v[l], dir, cnt, r) ) , v [1], TL( "tl, v[i], v[l], dir, cnt, r) \CL{ "tl, v[i], v[l], dir, cnt, r) )г ("(tl, v[i], v[1], dir, cnt, r) )

(4)

1 DL ("tl, v[i],v[2 ], dir , cnt, r)

\CL( l

(tl, v [i ], v[2 ], dir, cnt, r)

где Sum _ r - суммарная пропускная способность рёбер, по которым должно осуществляться распространение активации. Если распространение активации предполагается осуществлять в направлении одного ребра, то

)> v [2 ] TL( ltl, v[i], v

2], dir, cnt, r)

(tl, v[i], v[2 ], dir, cnt, r) }

lDL (V v[i],v[n],dir, cnt, 0 )' v[n], TL(l

(tl, v [i ], v[n], dir, cnt, r)

следовательно

что соответствует отноше-

случае

Sum r= 7 RL(( , r i r i , \ ) .

— ¿—1 \\tl, v[i],v[j ], dir, cnt, r) I

j=1

Выбор того, по каким рёбрам должна осуществляться передача ассоциативного сигнала, а по каким нет, осуществляет Центральные Процессор Памяти (ЦПП) [6], который и направляет Фокус Внимания. Именно ЦПП в совокупности с предложенной организацией памяти киберси-стемы [4-6] дают возможность осуществлять извлечение информации из памяти на основе накопленного опыта, логики и целей состоящих перед системой (см. Т. 8.2 [6]). Также функции ЦПП могут способствовать подавлению «нежелательного» извлечения данных из памяти (Т.8.3 [6]).

На вход ЦПП могут поступать данные только из числа тех данных, которые находятся в Фокусе Внимания кибер-системы и эти данные должны быть представлены в формализованном структурированном виде. Предлагается информацию об инцидентных рёбрах конкретной вершины v [i] представлять в виде структуры (5):

, (5)

All (v [z ]) - количество рёбер, инцидентных вершине

v[z]; (all_n = All(v[z]));

Out (v [z]) - количество рёбер, исходящих из вершины v[z]; (out_n = Out(v[z]));

\CL( l(tl, v [i ], v[n], dir, cnt, r) RL ((tl, v[i], v[n], dir, cnt, r) )

V°>_cu_inf (v[i]) и VIn_dl_mf (v[i]) будут иметь аналогичную структуру, а по содержанию они будут отличаться от Va11 _al_mf (v [i]) тем, что если в Va11 _c11 _mf (v [i]) первый параметр каждого из векторов может принимать произвольное значение (dir e{in, out} ), то в V°" _ al_lnf( v[z'j) будет dir = out, а в VIn_c11 _lnf (v [i]) будет dir = in.

Вектора в структурах VAU_ш_lnf (v [i]) ,

VOut_al_lnf (v[i]) и In_dl_lnf (v[i]) упорядочиваются на основе значений пропускных способностей рёбер (r = RL(l,, [] [ ] d ,)).

v \ (tl, v[i],v[j], dir, cnt, r] I J

Обосновано потребовать, чтобы ассоциативное воспоминание (распространение ресурса) по умолчанию происходило вначале через инцидентное активированной вершине ребро с наибольшей пропускной способностью до полного затухания (пока brt' > brtmin) и далее по другим рёбрам с меньшей пропускной способностью; если два ребра (или более), связанные с активированным концептом имеют одинаковую пропускную способность, то порядок распространения ресурса может определяться, например, лексикографическим порядком, установленным над именами вершин, с которыми данные рёбра связаны (таким образом обеспечивается выполнение требования к памяти системы Т. 8.1.1: «Активация должна в наибольшей степени распространятся в сторону понятий, с которыми данные в наибольшей степени ассоциируются, и в наименьшей - в сторону отдалённых понятий» [6]).

С целью недопущения неконтролируемого самовозбуждения вершин АРС, необходимо чтобы Центральный Процессор Памяти, управляя Фокусом Внимания, пресекал обратное распространение сигнала по ребру, по которому сигнал уже проходил (в рамках одного акта возбуждения, исходящего или от объектов ВМ или от самой киберсистемы через ЦПП).

k

а

Пусть Mass_BL = j^,v[[],v[j],dr,cBt,^, ^,v[j],v[k],dir,cnt,^•••] -

массив рёбер, по которым уже прошёл сигнал в рамках выполнения одного и того же запроса (в рамках одного акта

возбУжДения), а BL _ L (^ v[),v[j], dr, cttt, r), Mass _ BL) -

функция, проверяющая на наличие указанного ребра и ему обратного того же вида в массиве Mass _ BL , т. е. должно

проверяться ребро ^ v[[) v[j], dir, att, г) и ребро /{/h, v[j], v[i], dir, cttt, r>

, при этом должно быть t/1 = t/2. На выходе функция

BL _ L (/{„, v[i], v[j], dr, at,, r) ' Mass _ BL) должна возвращать U

если поданное на её вход ребро /,л v[i] v[j аг mt ^ имеется в

массиве Mass _ BL , и 0 - в противном случае.

Примечание: Массив Mass_BL предлагается использовать в качестве аналога Эпизодического Буфера [6], так как в нем содержаться все «пройденные» ассоциативным сигналом семантические звенья [4] (семантическое звено -два концепта, связанных ролью). Умозаключения же могут осуществляться только над данными, находящимися в Фокусе Внимания киберсистемы. Исходя из этого, функция осуществления умозаключений на вход должна получать всё то, что находится в Фокусе Внимания, а в ФВ находятся данные, соответствующие данным из Mass _ BL . Каждое добавление данных в Mass _ BL должно сопровождаться проверкой на предмет возможности осуществления умозаключения.

ILogic (Mass _ BL) - функция осуществления умозаключений над данными, находящимися в Фокусе Внимания.

Видится целесообразным дополнительно ввести коэффициент «натренированности» памяти mem, сказывающийся на способности системы держать в Фокусе Внимания большое количество информации - возбуждённых концептов. Пусть:

M (mem, k^ v[j) ) = mem + k^ v[j) (1 - mem), (6) где mem e [0,1].

Несложно проверить, что если mem = 1 (что соответствует абсолютной памяти, т. е. максимально возможному её «усилению» до абсолютной памяти), то

M (mem, k^ j ) = 1, а это приводит к переходу к следующей вершине АРС без потерь. Такой же результат достижим только в том случае, если две вершины АРС соединены ребром, пропускная способность которого равна количеству ресурса, находящемуся в инициированной запросом вершине (т.е. при BV(v[i]) = RL (/((/,v[],v[j],dir,c„i,^ ) ).

Данное утверждение вполне обосновано, так как в случае

BV (v[i ]) = RL (/(H,v[),v[j],ciir,ct^i,^ ) K0HЦеПT, связанный с вершиной v[i], однозначно сопоставляется (ассоциирован) с

концептом, соответствующим вершине v[ j], а поэтому возбуждение вершины v [ j ] происходит без потерь.

Таким образом, изменяя значение коэффициента mem, ЦПП может управлять глубиной распространения ассоциативного возбуждения, а точнее - увеличивать её.

Учитывая введённые отношения (4), (2) и (6):

RL (I,

k

Н4Ф]]

(tl, v[i], v[j], dir, ent,

,) R (

(.tl, v[i], v[j], dir, ent, ,

BV

((i, tv,trl) )

Sum

Sum k ,= Sum k ,

- v[] - vl

'(v[i].vLi) '

M (mem, k^ v[j) ) = mem + k^ v[) (1 - mem )

отношение расчёта коэффициента ослабления распространения ассоциативного сигнала по конкретному ребру

(tl, v[/],v[j], dir, ent,

вить в следующем виде (7)

Sum _ kv[j ]

: Sum k I

АРС для вершины v [ j] можно предста-v [i], Sum _ kv[], mem, ^

= SUM KI

I l(tl, v[i],v[], dir, ent, r) RL ((

Sum _ r

[[], dir, ent, rj) )

RL

BV ) ((l, v[[], v[],dir, ent, r) ) ^

Sum _ r

(7)

Следует отметить, что любое обращение к онтологии сводится к обращению к определённому концепту (или к группе концептов), либо к его (их) добавлению в онтологию с соответствующими ролями. Обращение к концептам онтологии может провоцироваться Внешним Миром, т.е. в результате наблюдения, обучения (общения с другими системами, в том числе с Учителем), получения практического опыта и т.п., а может стать результатом интеллектуальной деятельности самой системы, т.е. обращение к концепту может быть осуществлено в ходе навигации по онтологии и манипулирования знаниями, представленными в ней. При этом следует помнить о том, что (Аксиома 2): любое обращение к онтологии ведёт к изменению параметров однозначно связанной с ней ассоциативной ресурсной сети.

Модель процессов «забывания» знаний. Процедура «забывания» может инициироваться в нескольких случаях:

- при достижении суммарной пропускной способности

ребер АРС (Гит), поднятых из долговременной памяти в эпизодический буфер, определённого порогового значения

ГМАХ ;

- при достижении суммарной яркости вершин графа АРС (Ьг^Цт ), перенесённых в Эпизодический Буфер, определённого порогового значения ЬНМАХ.

Результат выбора того или иного решающего правила непринципиален и сказывается в большей мере лишь на реализации правила в конкретной системе.

Пусть процедура «забывания» инициируется в случае Ьг^щт = Ь^мдх и состоит в пересчёте пропускных способностей всех рёбер АРС и яркостей её вершин. Для её реализации необходимо:

1. Рассчитать суммарную пропускную способность рёбер АРС:

N N

TLrl (

i=1 j=1

(tl, v[i],v[j], dir, cnt, r"j j

2. Рассчитать суммарную яркость вершин АРС:

brt =7 BV (v [id])

sum / j \ L J/

(8)

(9)

3. Пересчитать пропускную способность для каждого из рёбер:

r = RL (ltl, v[i], v[j], dг п ^ x10[lg(,.M^ )]_1 (10) r

sum

где [lg(rMAX)] - обозначает округление результата до

большего целочисленного значения.

4. Пересчитать яркость каждой из вершин:

BV ( v iZ'd ])^10[lg( )]-1

brt = -

brt u

, 10[lg(brtMMAX )]-

(11)

С помощью предложенной перенормировки в сети происходит естественное забывание, что в свою очередь способствует выполнению требования Т.10 к памяти проектируемой системы [6].

Исходя из приведённых формул следует, что в случае, если за период между двумя последовательными перенормировками определённые концепты и роли их связывающие ни разу не затрагивались в ходе интеллектуальной деятельности системы, то пропускная способность рёбер и яркость вершин АРС, однозначно связанной с онтологией, уменьшается в 10 раз. Если некая связь между концептами была скорее случайной, чем закономерной, сила ассоциации между такими концептами со временем станет исчезающе малой, но сама связь не исчезнет вовсе (см. Аксиома 1). Очевидно, что те концепты и связи (роли) между ними, которые всё время подкрепляются, будут обладать наибольшими яркостями и пропускными способностями, а соответственно будут наиболее доступными при интеллектуальном поиске.

Выводы. Разработанная модель ассоциативной ресурсной сети, функционирующей параллельно с онтологией,

позволяет формализовать механизм направленного извлечения фрагментов ассоциативно связанных знаний из долговременной памяти интеллектуальной системы, призванной порождать спецификации процессов по нейтрализации деструктивных воздействий на объекты критической информационной инфраструктуры. Предложенная модель распространения ассоциативного сигнала по АРС способствует учёту контекстов при извлечении и интерпретации знаний, представленных в памяти киберсистемы, а также позволяет описать процесс «забывания» редко используемых и ложных знаний, путём снижения уровня их доступности. Полученные результаты в совокупности позволяют реализовать процедуру направленной обработки знаний интеллектуальной системой.

Литература

1. Жилякова Л.Ю. Модель ассоциативной памяти, основанная на динамической ресурсной сети // Материалы конференции «Управление в технических, эргатических, организационных и сетевых системах (УТЭОСС-2012)». СПб.: ГНЦ РФ ОАО «Концерн «ЦНИИ «Электроприбор».

2012. С. 1160-1163.

2. Hebb D. Intelligence, brain and the theory of mind. Brain. 1959.Vol. 82. Pp. 138-145.

3. Жилякова Л.Ю. Поиск в ассоциативной модели памяти // IX Международная конференция имени Т.А.Таран ИАИ-2009. Киев: Просвгга. 2009. С. 124-130.

4. Бирюков Д.Н., Ломако А. Г. Подход к построению систем информационной безопасности, способных синтезировать сценарии упреждающего поведения в информационном конфликте // Защита информации. INSIDE. 2014. № 6. С. 42-50.

5. Бирюков Д.Н., Ломако А.Г. Формализация семантики для представления знаний о поведении конфликтующих сторон // Материалы 22-й научно-практической конференции «Методы и технические средства обеспечения безопасности информации». СПб.: Изд-во Политехн. ун-та.

2013. С. 8-11.

6. Бирюков Д. Н. Когнитивно-функциональная спецификация памяти для моделирования целенаправленного поведения киберсистем // Труды СПИИРАН. 2015. № 3(40). С. 55-76.

7. Кузнецов О.П., Жилякова Л.Ю. Двусторонние ресурсные сети - новая потоковая модель // Доклады Академии Наук. 2010. Т. 433. № 5. С. 609-612.

8. Cowan N. Working memory capacity. Cognition & Emotion. 2005. Vol. 2. No. 2. Pp.145-154.

id=1

Для цитирования:

Бирюков Д.Н., Глухов А.П., Сабиров Т.Р., Пилькевич С.В. Модель изменения доступности знаний, представленных в памяти киберсистемы, обеспечивающей нейтрализацию деструктивных воздействий на объекты критической информационной инфраструктуры // Наукоемкие технологии в космических исследованиях Земли. 2016. Т. 8. № 4. С. 56-63.

MODEL OF CHANGE ACCESSIBLE KNOWLEDGE, IN-MEMORY REPRESENTATION CYBERSYSTEMS TO NEUTRALIZE THE DESTRUCTIVE EFFECTS ON CRITICAL INFORMATION INFRASTRUCTURE OBJECTS

Biryukov Denis Nikolaevich,

St. Petersburg, Russia, biryukov.d.n@yandex.ru

Gluhov Aleksandr Petrovich,

St. Petersburg, Russia, gie76@yandex.ru

Sabirov Timur Rimovich,

St. Petersburg, Russia, rowing-team@mail.ru

Pilkevich Sergey Vladimirovich,

St. Petersburg, Russia, ambers@list.ru

Abstract

The article is devoted to the issue date of expediting the processing of large data array. The data is presented in memory of cyber systems that are intelligent and involved in the process to ensure the information security of critical facilities. Operation data mining mechanisms based on the use of knowledge bases, accumulating knowledge about the subject area of interest within the framework of tasks. The explosive nature of the growth in knowledge raises the problem of limiting the amount of data, at the same time the in-processing. Thus, the updated task of changing the availability of knowledge, presented in memory cybersystems providing information security of critical information infrastructure. Attention is drawn to the dynamic nature of the problem, and the fact that similar processes associated with information processing characteristic of the functioning of a constructive mindset and cognitive abilities. It is assumed that the knowledge represented in memory as a set cybersystems partially ordered concepts incorporated within the domain ontology. At the same time updating the knowledge base possible, but by heterogeneous hardware and software modules (sensors) that monitor the outside world, and a team of operators, raising critical information for tasks manually. To change the access to knowledge stored in memory cybersystems providing information security of critical information infrastructure, it is proposed to use the model developed by the association's resource network operates in parallel with the ontology model and spread it on the associative signal. Described model allows to take into account the intensity of the receipt and processing of information (requests), as well as processes of "forgetting" knowledge. The proposed distribution model associative signal associative resource network contributes accounting context when retrieving and interpreting the

knowledge presented in memory cybersystems. The totality of these approaches make it possible to realize the knowledge ranking procedure in the memory system according to their level of availability is directly dependent on their relevance, testing and confirmed.

Keywords: associative network resource; associative signal; intelligent system; memory; ontology.

References

1. Zhilyakova L.Yu. Model' associativnoj pamyati, osno-vannaya na dinamicheskoj resursnoj seti [The model of associative memory based on a dynamic resource network]. St. Petersburg, SSC RF JSC "Concern "CRI "Electropribor", 2012. Pp. 1160-1163. (In Russian).

2. Hebb D. Intelligence, brain and the theory of mind. Brain. 1959. Vol. 82. Pp. 138-145.

3. Zhilyakova L.Yu. Poisk v associativnoj modeli pamyati [Search in associative memory models]. Kiev, Education, 2009. Pp. 124-130. (In Russian).

4. Biryukov D.N., Lomako A.G. The approach to construction of information security systems that are capable of synthesizing scenarios of anticipatory behavior in information conflict. Information security. INSIDE. 2014. No. 6. Pp. 42-50. (In Russian).

5. Biryukov D.N., Lomako A.G. Formalizaciya semantiki dlya predstavleniya znanij o povedenii konfliktuyushchih storon [Formalization of semantics for representation of knowledge about the behavior of the conflicting parties]. St. Petersburg, Polytechnic University Publ., 2013. Pp. 8-11. (In Russian).

6. Biryukov D.N. Cognitive-functional specification memory for modeling the purposeful behavior of cyber systems. Proceedings of SPIIRAS. 2015. No. 3(40). Pp. 55-76. (In Russian).

7. Kuznetsov O.P., Zhilyakova L.Yu. Dvustoronnie resursnye seti - novaya potokovaya model' [Bidirectional resource networks: a new flow model]. Reports Of Academy Of Sciences. 2010. Vol. 433. No 5. Pp. 609-612. (In Russian).

8. Cowan N. Working memory capacity. Cognition & Emotion. 2005. Vol. 2. No. 2. Pp.145-154.

Information about authors:

Biryukov D.N., Ph.D, professor in Department of Systems for collecting and processing information, Military Space Academy; Gluhov A.P., Ph.D., head of Department of Information security, JSC «RZhD»;

Sabirov T.R., postgraduate student of Department of Systems for collecting and processing information, Military Space Academy; Pilkevich S.V., Ph.D., doctoral student, Military Space Academy.

For citation:

Biryukov D.N., Gluhov A.P., Sabirov T.R., Pilkevich S.V. Model of change accessible knowledge, in-memory representation cybersystems to neutralize the destructive effects on critical information infrastructure objects. H&ES Research. 2016. Vol. 8. No. 4. Pp. 56-63. (In Russian).