CC BY
23
10.36724/2409-5419-2020-12-5-83-91
ПОДХОД К АНАЛИЗУ СОСТОЯНИЯ УЗЛОВ «ИНДУСТРИИ 4.0» НА ОСНОВЕ ПОВЕДЕНЧЕСКИХ ПАТТЕРНОВ
СУХОПАРОВ Михаил Евгеньевич1
СЕМЕНОВ
Виктор Викторович2
ЛЕБЕДЕВ Илья Сергеевич3
ГАРАНИН
Антон Владимирович4
Сведения об авторах:
к.т.н., старший научный сотрудник Санкт-Петербургского филиала акционерного общества «НПК «ТРИСТАН», Санкт-Петербург, Россия, sukhoparovm@gmall.com 2младший научный сотрудник ларатории интеллектуальных систем Санкт-Петербургского Федерального исследовательского центра Российской академии наук, г. Санкт-Петербург, Россия, vksemenov@gmall.com
3д.т.н., профессор, заведующий лараторией интеллектуальных систем Санкт-Петербургского Федерального исследовательского центра Российской академии наук, Санкт-Петербург, Россия, lsl_box@mall.ru "технический директор ООО «Новые технологии», Санкт-Петербург, Россия, anton.v.garanln@yandex.ru
АННОТАЦИЯ
Несовершенство систем контроля и анализа состояния труднодоступных устройств и узлов, связанных с ними динамически протекающих технологических процессов, вызывает необходимость анализа не только «внутренних» данных, но и поступающих по сторонним и внешним каналам. В данной статье рассматривается один из эффективных путей решения данной проблемы при помощи использования оцифрованных последовательностей данных, группируемых в поведенческие паттерны. Анализируемое устройство, как правило, находится вне контролируемой зоны, и доступ к нему ограничен, вследствие чего все протекающие внутри устройств процессы должны быть под постоянным контролем. Изменение температуры, амплитуды и частоты вибраций, звуковых и электромагнитных спектров, снимаемых датчиками и сенсорами при производстве и функционировании отдельных компонент, может говорить о необходимости изменений технологического процесса с целью предотвращения износа, поломок, брака. Таким образом, анализ состояния труднодоступных узлов и устройств «Индустрии 4.0» на основе поступающих данных внешних побочных каналов является актуальной задачей. Суть предлагаемого подхода заключается в получении зависимо-стиколичественных показателей функционирования устройств, узлов инфраструктуры «Индустрии 4.0» для различных режимов работы и дальнейшем использовании полученных данных при решении задачи анализа состояния устройств и узлов инфраструктуры «Индустрии 4.0». Новизной данного исследования является разработка подхода к анализу устройств «Индустрии 4.0», предназначенного для идентификации состояния удаленных и труднодоступных устройств, сочетающего в себе технологии машинного обучения при анализе разнородных внешних данных оцифрованных трасс сигнальных последовательностей, поступающих от различных элементов и объединённых в поведенческие паттерны.
КЛЮЧЕВЫЕ СЛОВА: анализ состояния; оцифрованные последовательности данных; поведенческие паттерны; технологические процессы; узлы и устройства «Индустрии 4.0».
Для цитирования: Сухопаров М.Е., Семенов В.В., Лебедев И.С., Гаранин А.В. Подход к анализу состояния узлов «индустрии 4.0» на основе поведенческих паттернов // Наукоемкие технологии в космических исследованиях Земли. 2020. Т. 12. № 5. С. 83-91. doi: 10.36724/2409-5419-2020-12-5-83-91
Введение
Современные устройства «Индустрии 4.0» характеризуются лавинообразным ростом передаваемой информации от различных сенсоров и датчиков, а также повышением интеллектуальности автоматизированных систем управления технологического процесса.
В связи с этим возникает определенное противоречие, где традиционные узко ориентированные системы, использующие протоколы Modbus, Profibus и Industrial Ethernet, не могут угнаться за ростом объема и качества передаваемой сенсорами и датчиками первичной информации, а широко применяемые решения, например на базе Ethernet, не обладают достаточным функционалом, обеспечивающим эффективную поддержку сервисам управления реального времени, что вызывает ряд проблемных вопросов обеспечения безопасности, связанных с анализом состояния отдельных устройств.
Увеличение служебных пакетов, появление задержек передачи сообщений между устройствами могут критично влиять на безопасность узлов и протекающих в них процессов «Индустрии 4.0», что обусловливает необходимость анализа состояния устройств [1].
В то же время принятие решения из-за большого числа источников первичной информации усложняется динамически протекающими во времени процессами [2].
Однако большие объемы анализируемой и обрабатываемой информации, предаваемой в таких системах, характеризуются достаточно хорошо формализуемыми данными, что позволяет применять различные методы оценки состояния устройств.
Формальная постановка задачи
В большинстве случаев анализируемое устройство находится вне контролируемой зоны или труднодоступно [3], протекающие процессы устройств и узлов «Индустрии 4.0» должны быть подвержены постоянному контролю и мониторингу [4]. Изменение температуры, амплитуды и частоты вибраций, звуковых и электромагнитных спектров, снимаемых датчиками и сенсорами при производстве и функционировании отдельных компонент, может говорить о необходимости изменений технологического процесса с целью предотвращения износа, поломок, брака [5].
Предполагается, что система получает информацию от ряда источников D (датчиков, сенсоров, внутренних контролирующих элементов):
D = {dn | n = 1, ..., N}. (1)
От каждого источника поступают кортежи характеристик Н, определяющие выполнение дальнейших действий:
H = {hm | m = 1, ...,M}. (2)
Тогда текущее состояние системы описывается функциональной сетью Z, идентифицирующей набор кортежей от источников:
Z = {h, I l = 1, ..., К}, (3)
где K — число возможных состояний, которые должны быть проанализированы с целью выявления аномалий.
Пусть Z множество состояний системы, определяемых источниками D и поступающими от них значениями характеристик H. C — множество классов состояний (например, «нормальное» или «аномальное»). Выбрана функция расстояния между объектами r(z,z'). Имеется конечная обучающая выборка известных состояний. Zk = |zj,..., zm} е Z. Необходимо разбить выборку на подмножества, состоящие из состояний, близких по метрике r, т.е. найти функцию a:Z^-C.
На основе функциональной сети определяется текущее состояние, происходит анализ, является ли оно «нормальным» или «аномальным».
Возникает необходимость анализа состояния не только устройств, но протекающих процессов. В большинстве случаев внутренние состояния как устройства, так и процесса недоступны, в связи с этим анализ можно производить на основе внешних характеристик.
Таким образом, анализ состояния труднодоступных мехатронных узлов и устройств «Индустрии 4.0» на основе поступающих данных внешних побочных каналов является актуальной задачей.
Предлагаемый подход
«Индустрия 4.0» — это глобальная сфера в информационном пространстве, представляющая собой взаимосвязанную совокупность инфраструктур и информационных технологий, включая Интернет, телекоммуникационные сети, компьютерные системы, встроенные процессоры и контроллеры, мехатронные элементы [6].
В рамках «Индустрии 4.0» рассматриваются различные устройства, такие как датчики систем управления производством (АСУ ТП, SCADA-системы), программно-аппаратные узлы, элементы, входящие в интернет вещей (Intemet of Things), умные дома, вещи, робототехнические системы критического назначения [7] и т. д.
Несмотря на свою разнородность, типовые устройства «Индустрии 4.0» можно рассмотреть в виде отдельных составных частей:
• Прикладное программное обеспечение.
• Операционная система.
• Аппаратная часть.
• Мехатронная часть.
Такое представление позволяет осуществлять анализ групп различных получаемых по внешним каналам
данных [8-12]. Функционирование отдельно взятой части устройства связано с возникновением побочных звуков, вибраций, излучений. В зависимости от выполняемых команд взаимодействия узлов между собой, воздействия внешней среды будут происходить изменения данных, которые можно определить как по внешним, так и по побочным каналам [13; 14]. Для решения различных задач группировка каналов по типам и источникам дает возможность рассмотреть различные поведенческие паттерны, характеризующие, например, состояние, поведение устройства или внешнюю среду [15].
На рис. 1 приведено типовое устройство инфраструктуры.
Мехатронные устройства инфраструктуры «Индустрии 4.0», находящиеся вне контролируемой зоны, подвержены различным внешним и внутренним воздействиям, управляющим командам, технологическим процессам, что будет вызывать изменения данных, получаемых по внешним каналам [16].
В целях анализа предлагается рассмотреть модель признакового пространства внешней идентификации работоспособного состояния устройств инфраструктуры «Индустрии 4.0»:
Mp =< Hn, Hout, Hside
(4)
где:
• Нп — внутренние характеристики, определяемые встроенными модулями устройств сетевой инфраструктуры (интенсивность трафика, вероятности потери пакетов, температура и т.д.);
• ЕоиЛ — внешние характеристики, определяемые датчиками и связанные с механическими действиями (вибрации, координаты устройства и т.д.);
• — характеристики, получаемые на основе сигналов побочных каналов при осуществлении функционирования и вычислительного процесса (электромагнитные излучения, акустические излучения, изменения по мощности, напряжения).
Для определения состояния узлов инфраструктуры «Индустрии 4.0» используются разнообразные показатели оценки состояния объекта. В них в качестве характеристик может использоваться амплитуда, частота, энергия и многие другие параметры сигнала [17].
Подход основывается на следующих действиях:
• выбор анализируемых элементов;
• расстановка датчиков на поверхности устройства;
• выбор режима работы, регистрация получаемого сигнала создание обучающей выборки;
• анализ параметров и характеристик сигналов;
• определение состояний информационной системы.
Цель состоит в получении зависимости количественных показателей функционирования устройств, узлов инфраструктуры «Индустрии 4.0» для различных режимов работы. Для этого выполнялся ряд действий:
• перевод системы в требуемый режим работы путем запуска соответствующей программы;
• анализ и оцифровка получаемых данных;
• анализ накопленных статистических данных, перевод системы и ее удаленных устройств в различные режимы с целью накопления статистики.
В дальнейшем используется информация, содержащаяся в структурах получаемых сигналов, сгруппированных в поведенческие паттерны.
В отличие от представленных работ, данное исследование направлено на разработку подхода к анализу устройств
Рис. 1. Концептуальная схема устройства инфраструктуры «Индустрии 4.0» с побочными каналами условных поведенческих паттернов
>
«Индустрии 4.0», предназначенного для идентификации состояния удалённых и труднодоступных устройств, сочетающего в себе технологии машинного обучения при анализе разнородных внешних данных оцифрованных трасс сигнальных последовательностей, поступающих от различных элементов и объединённых в поведенческие паттерны.
Эксперимент
Для проведения эксперимента был выбран акустический побочный канал и внешний канал, регистрирующий звуковые параметры и параметры ускорения манипулятора.
Данные акустического канала снимались с микрофонов, один из которых находился на устройстве, другой — вне его. Анализ параметров ускорения и движения происходило с помощью акселерометра, закрепленного на подвижной части манипулятора.
Схема эксперимента представлена на рис. 2.
Цифровые последовательности анализировались для различных состояний:
• ^ — состояние покоя;
• S2 — движение манипулятора вперед;
• S3 — движение вперед влево;
• S4 — движение вперед вправо.
Продолжительность состояний различалась и составляла от 3,0 до 3,5 секунды.
Синхронизированные цифровые последовательности от акселерометра и микрофонов составляют условный поведенческий паттерн состояния устройств. На рисунке 3 в качестве примера показан внешний вид сигналов для состояния S2. Сверху представлен сигнал с микрофона, статично расположенного в зоне проведения эксперимента, а снизу — с расположенного непосредственно на исследуемом объекте. Как видно из рис. 3, сигналы сверху характеризуются меньшей амплитудой и затухают по мере удаления объекта от микрофона.
Рис. 2. Схема эксперимента
Рис. 3. Внешний вид акустических сигналов для состояния S2
Второй набор оцифрованных последовательностей паттерна получен на основе акселерометра, измеряющего проекцию кажущегося ускорения (разность между истинным ускорением объекта и ускорением под действием силы тяжести). Измерения линейного ускорения выполнены при помощи цифрового трехосевого акселерометра. Поскольку ось 2 направлена вертикально вверх, а эксперимент в целях упрощения проводился на горизонтальной плоскости (без изменения уровня высоты), то на проекцию аг ускорения на ось 2 самое большое влияние всегда будет оказывать величина ускорения свободного падения g (рис. 4).
Различные состояния также отличаются между собой частотным спектром. На рис. 5 приведен график спектра ускорения для состояния S2, полученный с использованием алгоритма быстрого преобразования Фурье. Преимуществом использования спектральной информации при классификации является отсутствие необходимости совмещения портретов сигналов по времени.
Массив классифицируемых данных описывал каждое состояние в дискретный момент времени при помощи пяти характеристик:
н (t) = {A (t), A (t), ax (t), ar (t), az (t)},
(5)
где Н(^ — кортеж значений сигналов от различных датчиков D по времени. В приводимом случае А(), А() — значения амплитуд сигналов с двух микрофонов (характеристики, получаемые на основе побочных каналов), а((), а (Г), а(() — значения величин проекций ускорения по осям х, у и г соответственно (внешние характеристики).
В качестве классификатора был использован метод ^-ближайших соседей k — ЫЫ, реализованный в среде ЫайаЬ R2018b. Достоинствами метода определения состояния с использованием алгоритма k — ЫЫ являются простота и отсутствие фазы обучения, классификация производится непосредственно в процессе применения модели над обучающим множеством и исследуемым процессом. Из этого вытекает невозможность «отделения» модели от данных: для классификации нового набора значений нужно использовать примеры всех известных состояний.
Для каждой точки спектральных данных неизвестного состояния вычислялись евклидовы расстояния до других доступных точек, выбирались ближайшие k соседей и для каждого класса вычислялись условные вероятности. Точка спектра будет принадлежать классу с наибольшей условной вероятностью. На рис. 6 графически показано отнесение неизвестной точки спектра к одному из известных состояний.
Рис. 5. График спектра частот ускорения (а) для состояния S.
Рис. 6. Отнесение неизвестной точки спектра при к = 3
к
у = arg min ^PQ | x)C(y | j), (6)
у = 1.....KJ=1
где y — предсказанный класс, K — количество классов, P(j | x) апостериорная вероятность класса j для наблюдения х, C(y j) — коэффициент классификации класса как у, когда его истинным классом является j. C (i j) = 1, если i ~=j и C (i j)=0, если i= j.
Совокупность точек спектра неизвестного состояния будет относиться к тому классу, к которому на предыдущем этапе [выражение (6)] отнесено большинство классифицируемых точек.
Таким образом, алгоритм k - NN [18; 19] позволяет классифицировать все доступные точки временного ряда или спектра функционирования устройства по показателям их сходства. Результаты классификации приведены в таблице. Сумма значений диагональных элементов показывает общее количество правильно классифицированных состояний, а отношение этого количества к общему количеству состояний называется общей точностью классификации. Общая точность выбранного классификатора для случая полной классификации составила 0,93.
Для определения точности классификатора по проверочным данным необходимо разделить количество правильно классифицированных состояний этого класса на общее количество состояний в этом классе согласно проверочным данным [20]. Этот показатель показывает, насколько хорошо результат классификации для этого класса совпадает с проверочными данными. Похожий показатель вычисляется для реального класса, путём деления количества правильно классифицированных состояний на общее количество состояний в этом классе согласно проверяемым данным. На рис. 7 приведены результаты классификации в виде точности отнесения по классам по проверяемым и проверочным данным.
■ ] Ш2
Рис. 7. Точность отнесения по классам (1 — по проверяемым данным, 2 — по проверочным данным)
Таким образом, распознавание по четырем состояниям демонстрирует принципиальную возможность применения предложенной модели, при этом происходит обнаружение с приемлемыми значениями точности идентификации.
Таблица
Результаты классификации состояния ИБ алгоритмом к - NN (к =3)
Прогнозируемое состояние
Si S2 S3 S4
Щ Si 421 10 5 1
N о о с S2 5 471 17 0
е о К S3 1 11 473 13
<Ц См S4 7 12 55 419
Заключение
Развитие направлений, связанных с «Индустрией 4.0», ведет к появлению автономных устройств, беспилотных транспортных средств, производств «без участия человека», что обусловливает необходимость контроля технологических процессов, связанных с мехатронными устройствами. Основными ограничениями являются высокая сложность обработки поступающих данных и труднореализуемые требования к входным данным.
Применяемые в настоящее время методы идентификации требуют существенных ресурсов, повышения точности и достоверности. С учетом особенностей наблюдаемых объектов, постоянных изменений поведенческих характеристик во времени и пространстве состояний необходимо группирование наблюдаемых признаков для анализа и синтеза.
Предложенный подход основан на использовании группировки характеристик, получаемых от автономного устройства в поведенческие «паттерны». Комбинирование характеристик дает возможность увеличить точность оценки состояния устройства.
Эффективность анализа состояния устройства зависит от способа обработки полученных сигналов, чувствительна к обучающей выборке и исследуемой программно-аппаратной платформе.
Литература
1. Chopra A. Paradigm shift and challenges in IoT security // Journal of Physics: Conference Series. 2020. Vol. 1432. doi: 10.1088/1742-6596/1432/1/012083.
2. Горбачев И. Е., Глухов А. П. Моделирование процессов нарушения информационной безопасности критической инфраструктуры // Труды СПИИРАН. 2015. № 38 (1). С. 112-135. doi: 10.15622/sp.38.7.
3. Семенов В. В., Лебедев И. С. Обработка сигнальной информации в задачах мониторинга информационной безопасности автономных объектов беспилотных систем // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 3. С. 492-498. doi: 10.17586/2226-1494-2019-19-3-492-498.
4. Тейланс А. А., Романов А.В., Меркурьев Ю. А., Дорогов П. П., Клейнс А. Я., Потрясаев С. А. Оценка рисков киберфизических систем с использованием моделирования доменов и имитационного моделирования // Труды СПИИРАН. 2018. № 59 (4). С. 115-139. doi: 10.15622/ sp.59.5.
5. Сухопаров М. Е., Семенов В. В., Лебедев И. С. Мониторинг информационной безопасности элементов киберфизических систем с использованием искусственных нейронных сетей // Методы и технические средства обеспечения безопасности информации. 2018. № 27. С. 59-60.
6. GhobakhlooM. Industry 4.0, digitization, and opportunities for sus-tainability // Journal of Cleaner Production. 2020. Vol. 252. doi: 10.1016/j. jclepro.2019.119869.
7. DeveshM., Kant A.K., Suchit Y.R., Tanuja P., Kumar S.N. Fruition of CPS and IoT in Context of Industry 4.0 // Intelligent Communication, Control and Devices / Choudhury S., Mishra R., Mishra R., Kumar A. (eds). Singapore: Springer, 2020. Pp. 367-375. (Advances in Intelligent Systems and Computing (AISC). Vol. 989). doi: 10.1007/978-981-13-8618-3_39.
8. Buldakova T. I., MikovD. A. Matlab application for information security risk analysis // AIP Conference Proceedings. 2019. Vol. 2195 (1): 020004. doi: 10.1063/1.5140104.
9. Kocher P., Jaffe J., Jun B. Introduction to differential power analysis and related attacks // Journal of Cryptographic Engineering. 2011. Vol. 1. Pp. 5-27.
10. Kuhn M. G., Anderson R. J. Soft tempest: hidden data transmission using electromagnetic emanations // Information Hiding. 1998. Pp. 124-142. (Lecture Notes in Computer Science book series (LNCS). Vol. 1525).
11. Gandolfi K., Mourte C., Olivier F. Electromagnetic Analysis: Concrete Result // Cryptographic Hardware and Embedded Systems — CHES. 2001. Pp. 251-261. (Lecture Notes in Computer Science book series (LNCS). Vol. 2162).
12. Zajic A., Prvulovic M. Experimental Demonstration of Electromagnetic Information Leakage From Modern Processor-Memory Systems // IEEE Transactions on Electromagnetic Compatibility. 2014. Vol. 56. No. 4. Pp. 885-893. doi: 10.1109/TEMC.2014.2300139.
13. Buldakova T. I. Cybersecurity Risks Analyses at Remote Monitoring of Object's State // Cyber-Physical Systems: Industry 4.0 Challenges / Kravets A., Bolshakov A., Shcherbakov M. (eds). Cham: Springer, 2020. Pp. 187-196. doi:10.1007/978-3-030-32648-7_15. (Studies in Systems, Decision and Control (SSDC). Vol. 260.
14. Wang M., Huang K., Wang Y., Wu Z., Du Z. A novel side-channel analysis for physical-domain security in cyber-physical systems // International Journal of Distributed Sensor Networks. 2019. Vol. 15. No. 8. doi: 10.1177/1550147719867866.
15. Lakshmanarao A., Shashi M. A survey on machine learning for cyber security // International Journal of Scientific and Technology Research. 2020. Vol. 9. No. 1. Pp. 499-502.
16. Spatz D., Smarra D., Ternovskiy I. A review of anomaly detection techniques leveraging side-channel emissions // Proceedings of SPIE — The International Society for Optical Engineering. 2019. Vol. 11011. doi: 10.1117/12.2521450.
17. Семенов В. В., Лебедев И. С., Сухопаров М. Е. Идентификация состояния информационной безопасности беспилотных транспортных средств с использованием искусственных нейронных сетей // Методы и технические средства обеспечения безопасности информации. 2019. № 28. С. 46-47.
18. Bishop C. M. Pattern Recognition and Machine Learning. New York, USA: Springer, 2006. 738 p. (Information Science and Statistics).
19. Лебедев И. С. Способ формализации связей в конструкциях текста при создании естественно-языковых интерфейсов // Информационно-управляющие системы. 2007. № 3 (28). С. 23-26.
20. Tamrakar P., Roy S. S., Satapathy B., Ibrahim S. P.S. Integration of lazy learning associative classification with kNN algorithm // International Conference on Vision Towards Emerging Trends in Communication and Networking (ViTECoN) (Vellore, India. March 2019). Pp. 1-4. doi: 10.1109/ ViTECoN.2019.8899415-
AN APPROACH TO ANALYZING THE STATE OF INDUSTRY 4.0 NODES BASED ON BEHAVIORAL PATTERNS
MIHAIL E. SUKHOPAROV
St. Petersburg, Russia, sukhoparovm@gmail.com
VIKTOR V. SEMENOV
St. Petersburg, Russia, vksemenov@gmail.com
IL'YA S. LEBEDEV
St. Petersburg, Russia, isl_box@mail.ru
ANTON V. GARANIN
St. Petersburg, Russia, anton.v.garanin@yandex.ru
KEYWORDS: condition analysis; digitized data sequences; behavioural patterns; technological processes; nodes and devices "Industry 4.0".
ABSTRACT
The imperfection of systems for monitoring and analysing the state of hard-to-reach devices and nodes, dynamically flowing technological processes associated with them necessitates the analysis of not only "internal" data, but also those arriving through external and external channels. This article discusses one of the most effective ways to solve this problem by using digitized data sequences grouped into behavioural patterns. The analysed device, as a rule, is outside the controlled area, and access to it is limited, as a result, all processes occurring inside the devices must be under constant control. Changes in temperature, amplitude and frequency of vibrations, sound, and electromagnetic spectra taken by sensors and sensors during the production and operation of individual components may indicate the need for changes in the technological process in order to prevent wear, breakdowns, and rejects. Thus, the analysis of the state of hard-to-reach nodes and devices of Industry 4.0 based on incoming data from external side channels is an urgent task. The essence of the proposed approach is to obtain the dependence of the quantitative indicators of the functioning of devices, infrastructure nodes of "Industry 4.0" for various modes of operation and further use of the obtained data when solving the problem of analysing the state of devices and infrastructure nodes of "Industry 4.0". The novelty of this study is the development of an approach to the analysis of Industry 4.0 devices designed to identify the state of remote and hard-to-reach devices, which combines machine-learning technologies in the analysis of heterogeneous external data of digitized traces of signal sequences coming from various elements and combined into behavioural patterns.
REFERENCES
1. Chopra A. Paradigm shift and challenges in IoT security. Journal of Physics: Conference Series. 2020. Vol. 1432. doi: 10.1088/17426596/1432/1/012083
2. Gorbachev I. E., Glukhov A. P. Modeling of Processes of Information Security Violations of Critical Infrastructure. SPIIRAS Proceedings. 2015. No. 38 (1). Pp. 112-135. (In Rus). doi: 10.15622/sp.38.7
3. Semenov V. V., Lebedev I. S. Processing of signal information in problems of monitoring information security of unmanned autonomous objects. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2019. Vol. 19. No. 3. Pp. 492-498. (In Rus). doi: 10.17586/2226-1494-2019-19-3-492-498
4. Teilans A.A., Romanovs A.V., Merkuryev Y.A., Dorogovs P.P., Kleins A. Y., Potryasaev S. A. Assessment of Cyber Physical System Risks with Domain Specific Modelling and Simulation. SPIIRAS Proceedings. 2018. No. 59 (4). Pp. 115-139. (In Russian). doi: 10.15622/sp.59.5
5. Sukhoparov M. E., Semenov V. V., Lebedev I. S. Monitoring infor-macionnoj bezopasnosti elementov kiberfizicheskih sistem s is-pol'zovaniem iskusstvennyh nejronnyh setej [Information security monitoring of elements of cyberphysical systems using artificial neural networks]. Metody i tekhnicheskie sredstva obespecheniya bezopasnosti informacii [Methods and technical means of ensuring information security]. 2018. No. 27. Pp. 59-60. (In Rus)
6. Ghobakhloo M. Industry 4.0, digitization, and opportunities for sustainability. Journal of Cleaner Production. 2020. Vol. 252. doi: 10.1016/j.jclepro.2019.119869.
7. Devesh M., Kant A. K., Suchit Y. R., Tanuja P., Kumar S. N. Fruition of CPS and IoT in Context of Industry 4.0. Intelligent Communication, Control and Devices / Choudhury S., Mishra R., Mishra R., Kumar A. (eds). Singapore: Springer, 2020. Pp. 367-375. (Advances in Intelligent Systems and Computing (AISC). Vol. 989). doi: 10.1007/978-981-13-8618-3_39.
8. Buldakova T. I., Mikov D. A. Matlab application for information security risk analysis. AIP Conference Proceedings. 2019. 2195 (1): 020004.. doi: 10.1063/1.5140104
9. Kocher P., Jaffe J., Jun B. Introduction to differential power analysis
and related attacks.JournalofCryptographicEngineering. 2011 .Vol. 1. Pp. 5-27.
10. Kuhn M. G., Anderson R. J. Soft tempest: hidden data transmission using electromagnetic emanations. Information Hiding. 1998. Pp. 124-142. (Lecture Notes in Computer Science book series (LNCS). Vol. 1525.
11. Gandolfi K., Mourte C., Olivier F. Electromagnetic Analysis: Concrete Result. Cryptographic Hardware and Embedded Systems -CHES. 2001. Pp. 251-261. (Lecture Notes in Computer Science book series (LNCS). Vol. 2162).
12. Zajic A., Prvulovic M. Experimental Demonstration of Electromagnetic Information Leakage From Modern Processor-Memory Systems. IEEE Transactions on Electromagnetic Compatibility. 2014. Vol. 56. No. 4. Pp. 885-893. doi: 10.1109/TEMC.2014.2300139.
13. Buldakova T. I . Cybersecurity Risks Analyses at Remote Monitoring of Object's State. Cyber-Physical Systems: Industry 4.0 Challenges / Kravets A., Bolshakov A., Shcherbakov M. (eds). Cham: Springer, 2020. (Studies in Systems, Decision and Control. Vol 260). doi:10.1007/978-3-030-32648-7_15
14. Wang M., Huang K., Wang Y., Wu Z., Du Z. A novel side-channel analysis for physical-domain security in cyber-physical systems. International Journal of Distributed Sensor Networks. 2019. Vol. 15. No. 8. doi: 10.1177/1550147719867866
15. Lakshmanarao A., Shashi M. A survey on machine learning for cyber security. International Journal of Scientific and Technology Research. Vol. 9. No. 1. Pp. 499-502.
16. Spatz D., Smarra D., Ternovskiy I. A review of anomaly detection techniques leveraging side-channel emissions. Proceedings of SPIE - The International Society for Optical Engineering. 2019. Vol. 11011. doi: 10.1117/12.2521450.
17. Semenov V. V., Lebedev I. S., Sukhoparov M. E. Identifikaciya sos-toyaniya informacionnoj bezopasnosti bespilotnyh transportnyh sred-stv s ispol'zovaniem iskusstvennyh nejronnyh setej [Identification of information security state of unmanned vehicles using artificial neural networks]. Metody i tekhnicheskie sredstva obespecheniya bezopasnosti informacii [Methods and technical means of ensuring information security]. 2019. No. 28. Pp. 46-47. (In Rus)
18. Bishop C. M. Pattern Recognition and Machine Learning. New York, USA: Springer, 2006. 738 p. (Information Science and Statistics).
19. Lebedev I. S. Sposob formalizacii svyazej v konstrukciyah teksta pri sozdanii estestvenno-yazykovyh interfejsov [Method for formalizing relationships in text structures when creating natural language interfaces]. Informatsionno-upravliaiushchie sistemy [Information and Control Systems]. 2007. № 3 (28). Pp. 23-26. (In Rus)
20. Tamrakar P., Roy S. S., Satapathy B., Ibrahim S. P.S. Integration of lazy learning associative classification with kNN algorithm. International Conference on Vision Towards Emerging Trends in Communication and Networking (ViTECoN), Vellore, India, 2019. Pp. 1-4. doi: 10.1109/ViTECoN.2019.8899415-
INFORMATION ABOUT AUTHORS:
Sukhoparov M.E., PhD, Senior Research Officer of the Saint-Petersburg branch Joint Stock Company «NPK «TRISTAN»; Semenov V.V., Junior researcher at the laboratory of intelligent systems of the Saint-Petersburg Institute of Informatics and automation of the Russian Academy of Sciences;
Lebedev I.S., PhD, Full Professor, Head of the intelligent systems laboratory of the Saint-Petersburg Institute of Informatics and Automation of the Russian Academy of Sciences;
Garanin A.V., Technical Director of the NEW TECHNOLOGES LLC.
For citation: Sukhoparov M.E., Lebedev I.S., Garanin A.V. An approach to analyzing the state of Industry 4.0 nodes based on behavioral patterns. H&ES Research. 2020. Vol. 12. No. 5. Pp. 83-91. doi: 10.36724/2409-5419-2020-12-5-83-91 (In Rus)
M
w ii
