CC BY
256. Immoreev I. Ya. Sverkhshirokopolosnye radiosistemy. Obzor sostoyaniya i puti razvitiya [Ultra-wideband radio systems. Overview of the state and development paths]. USUIRKA 2005 [USUIRCA 2005]. Available at: http://uwbgroup.ru/ (accessed 08/31/2019).
7. Istoriya vnedreniya standarta svyazi CDMA [History of the implementation of the CDMA communication standard]. Available at: https://studfiles.net/preview/5153386/page:2/ (accessed 08.26.2019).
8. Kuzminov S. Sistema sotovoy podvizhnoy svyazi CDMA [Cellular mobile communication system CDMA]. Available at: https://www.ixbt.com/mobile/sys-cdma.html (accessed 08/26/2019).
9. Kunegin S. V. Sotovye seti standarta CDMA [CDMA standard cellular networks]. Available at: http://kunegin.com (accessed 08.28.2019).
10. Malygin I. Shirokopolosnye sistemy svyazi [Broadband communication systems]. Moscow, LAP LAMBERT Academic Publishing, 2012. 200 p.
11. Odinskiy A. L. Mobilnye shirokopolosnye sistemy peredachi tsifrovoy informatsii kompanii MOTOROLA [Mobile broadband digital information transmission systems - MOTOROLA companies]. Yevraziya Vesti [Eurasia Vesti], VII 2008. Available at: http://www.eav.ru/publs.php?nomber=2008-07 (accessed 08.29.2019).
12. Ericsson Mobility Report, June 2016. Available at: http://www.ericsson.com/res/docs.2016/ericsson-report-2016.pdf (accessed 29.08.2019).
13. Fazel K., Kaiser S. Multi-carrier and spread spectrum systems: from OFDM and MC-CDMA to LTE and WiMAX. 2nd ed. Wiley, 2008. 360 p.
14. Fortinet: prognoz sostoyaniya kiberugroz v blizhayshem budushchem [Fortinet: a prognosis of the status of cyber threats in the near future]. 20.12.2018. Available at: https://www.itweek.ru/iot/article/detail.php?ID=206001 (accessed 29.08.2019).
15. Ilavarasi T., Kumaratharan N., Rasadurai K. MC-CDMA based SDR for Next Generation Wireless Communications. International Journal of Computer Applications, 2013, vol. 73, no. 13, pp. 12-19.
16. Jain S., Taneja N. Evolution from SDR to Cognitive Radio. Indian Journal of Applied Research, 2014, no. 4, issue 8, pp. 248-253.
17. Regazzoni C. Course acquisition and tracking in DS/SS systems. ISIP40. Available at: http://www.isip40.it/resources/Dispense/Radio/05_PN_ACQUISITION.pdf (accessed 29.08.2019).
18. Wang H., Yao Y-D., Wang R., Shen L. Coordinated jamming and communications in an MC-CDMA system. Hoboken. Available at: http://www.personal.stevens.edu/~hwang38/paper/CJamCom.pdf (accessed 29.08.2019).
19. Yang L-L., Hanzo L. Serial acquisition performance of single-carrier and multi-carrier DS-CDMA over Nakagami-m fading channels. IEEE Transactions on wireless communications, 2002, vol. 1, no. 4, pp. 692-702.
DOI 10.21672/2074-1707.2019.48.4.042-051 УДК 004:89
РАЗРАБОТКА ЭФФЕКТИВНОЙ АРХИТЕКТУРЫ ИСКУССТВЕННОЙ ИММУННОЙ СИСТЕМЫ НА ОСНОВЕ ЕЁ ГИБРИДИЗАЦИИ С МОДИФИЦИРОВАННЫМ ГЕНЕТИЧЕСКИМ АЛГОРИТМОМ ДУЭЛЕЙ
Статья поступила в редакцию 17.11.2019, в окончательном варианте — 25.11.2019.
Частикова Вера Аркадьевна, Кубанский государственный технологический университет, 350072, Российская Федерация, г. Краснодар, ул. Московская, 2
кандидат технических наук, доцент, e-mail: chastikova_va@mail.ru
Митюгов Алексей Игоревич, Кубанский государственный технологический университет, 350072, Российская Федерация, г. Краснодар, ул. Московская, 2 студент, e-mail: mitugov_alexey@mail.ru
В данной статье представлены результаты разработки гибридной искусственной иммунной системы. Осуществлён анализ существующих алгоритмов искусственных иммунных систем и нового, разработанного на предыдущих этапах исследования и показавшего свою эффективность эвристического алгоритма - модифицированного генетического алгоритма дуэлей. Рассмотрены потенциальные способы комбинации искусственных иммунных систем и модифицированного генетического алгоритма дуэлей для повышения эффективности первых. Проведена оценка эффективности полученных гибридов в разрезе классической задачи оптимизации на примере поиска экстремумов таких целевых функций: функции Михалевича, Растригина, Де Джонга, Янга, кубической, Швефеля и Розенброка. В качестве критериев эффективности были приняты скорость и точность поиска глобального оптимума целевых функций. В результате исследования был найден наиболее эффективный способ гибридизации алгоритмов, заключающийся во включении стадий модифицированного генетического алгоритма дуэлей от этапа предварительной квалификации и до шага ликвидации в классический алгоритм клонального отбора искусственной иммунной системы после созревания аффинности. На базе выбранной эффективной архитектуры гибридной искусственной иммунной системы предложена модель системы обнаружения вторжений.
Ключевые слова: искусственная иммунная система, модифицированный генетический алгоритм дуэлей, глобальная оптимизация, система обнаружения вторжений
Графическая аннотация (Graphical annotation)
DEVELOPMENT OF AN EFFECTIVE ARCHITECTURE OF AN ARTIFICIAL IMMUNE SYSTEM BASED ON ITS HYBRIDIZATION WITH THE MODIFIED GENETIC ALGORITHM OF DUELS
Chastikova Vera A., Kuban State Technological University, 2 Moskovskaya St., Krasnodar, 350072, Russian Federation
Cand. Sci. (Engineering), Associate Professor, e-mail: chastikova_va@mail.ru Mityugov Aleksej I., Kuban State Technological University, 2 Moskovskaya St., Krasnodar, 350072, Russian Federation
student, e-mail: mitugov_alexey@mail.ru
This article presents the results of the development of a hybrid artificial system, achieved by analyzing existing algorithms of artificial immune systems and a new one, developed at the previous stages of the study and shown to be effective, a heuristic algorithm - a modified genetic method of duels. The authors are considered potential methods of combining artificial immune systems and the modified genetic method of duels to increase the effectiveness of the former, assessed the effectiveness of the obtained hybrids in the context of the classical optimization problem by searching for extrema of such objective functions as: Mikhalevich, Rastrigin, De Jong, Young, cubic, Schweffel and Rosen-brock. The speed and accuracy of the search for the global optimum of objective functions are criteria for the effectiveness of the algorithm. Based on the results of the assessment, the authors determined the most effective way of hybridizing the algorithmic stages of the immune system and the modified genetic method of duels. At the end of the work, the article proposes a model of an intrusion detection system based on the developed hybrid artificial immune system.
Key words: artificial immune system, modified genetic algorithm of duels, global optimization, intrusion detection system
Введение. В настоящее время повсеместно проектируются сложные динамические информационные системы (ИС), развивающиеся и разрастающиеся по объемам быстрыми темпами, что сопровождается рядом проблем. Одной из них является проблема поиска оптимальных значений различных комбинаций параметров таких систем, удовлетворяющих тем или иным наборам условий с наибольшей эффективностью. Однако это связано с преодолением таких трудностей, как многопараметричность, нелинейность и мультимодальность целевых функций [9]. В то же время с развитием информационной среды, повышением ёмкости ИС возрастают риски, связанные с нарушением их функционирования, которое может возникать под воздействием атак злоумыш-
ленников. Это, в свою очередь, делает актуальной проблему обеспечения информационной безопасности систем, поиска методов их защиты, обеспечения гарантии безопасности сетевых соединений. Для решения подобных задач существует целый ряд методов, среди которых выделяются подходы глубокого обучения. Например, это свёрточные нейронные сети, а также менее распространённые, однако показавшие свою эффективность при решении ряда практических задач ИИС, являющиеся объектом исследования в данной работе [7].
В рамках решения задачи информационной безопасности по анализу качества сетевого трафика отмечается, что современные схемы построения сетевых атак характеризуются большой сложностью и запутанностью. В процессе распознавания этих схем требуется выявлять сложные комбинации сетевых транзакций и смежных фактов. В свою очередь, это делает контроль за состоянием сети трудоемким или вовсе невозможным без использования специализированных автоматизированных средств, в частности систем обнаружения вторжений (СОВ) [1]. Одним из способов построения СОВ являются ИИС, особенностью которых является высокая гибкость, возможность настройки под специфику решаемой проблемы, мультизадачность и эффективность [11].
В разрезе решения задач оптимизации классические методы поиска экстремумов нередко оказываются неприменимыми вследствие накладываемых ограничений на оптимизируемые целевые функции или же по причине необходимости существенных временных затрат на поиск. Однако существует ряд подходов, позволяющих достичь высокой эффективности в решении данной проблемы. Среди них наиболее распространёнными и результативными являются различные эвристические алгоритмы, а также непосредственно ИИС [5].
Целью данной работы является разработка эффективной гибридной ИИС на базе классического алгоритма клонального отбора иммунной системы и модифицированного генетического алгоритма дуэлей (МГАД) путём объединения, комбинации их ключевых этапов. После определения наиболее эффективной схемы гибридизации предлагается архитектура системы обнаружения вторжений на базе разработанной гибридной ИИС, которая может быть применена для решения задачи анализа сетевого трафика на наличие сетевых атак.
Материалы и методы исследования. Модифицированный генетический алгоритм дуэлей (МГАД) - это метаэвристический алгоритм роевого интеллекта, разработанный на предыдущих этапах исследований [10] и показавший свою достаточно высокую эффективность. Данный метод представляет собой развитие эвристического алгоритма дуэлей, полученное посредством внедрения в него операторов, применяемых в классическом генетическом алгоритме, а именно: изначально отсутствующего этапа селекции и применение генетических операторов мутации и крос-синговера [13]. Важной особенностью модифицированного алгоритма является то, что в качестве поисковых агентов выступают дуэлянты, соперничающие между собой случайными парами. При этом использование генетических операторов скрещивания и мутации сопровождается ограничением на класс дуэлянтов: класс дуэлянтов-победителей подвергается только оператору мутации, а класс проигравших - кроссинговеру. На рисунке 1 представлен алгоритм работы модифицированного генетического метода дуэлей.
Рисунок 1 - Алгоритм модифицированного генетического метода дуэлей
Также важным признаком данного эвристического метода является то, что в нём применяются такие генетические операторы: метод плотности для мутации (с вероятностью 0,5), перетасовочный метод для кроссинговера и метод отбора усечением (со степенью 0,7) для селекции. Общая вероятность мутации в алгоритме равна 0,1. По результатам предыдущих исследований [10] именно при данных показателях достигается наиболее высокая вычислительная эффективность алгоритма.
Искусственная иммунная система. ИИС представляет собой адаптивную систему, основой которой являются достижения теории иммунологии. В общем случае она характеризуется наличием лимфоцитов, продуцирующих на «своём теле» антитела - детекторы аномальных элементов (антигенов), способные к связыванию с представляющими опасность антигенами [3]. Кроме того, среди ключевых элементов системы выделяют собственные антигены, которые выступают как несвойственные, но полезные для системы объекты. Например, это могут быть подаваемые для обучения на вход системы образы опасного сетевого трафика или, наоборот, полезного трафика.
Существует несколько основных алгоритмов использования ИИС, а именно: метод клональной селекции, метод отрицательного отбора, иммунные сетевые алгоритмы и дендритные алгоритмы [2].
В методе отрицательного отбора во время обучения на вход модели поступают собственные антигены. Затем генерируются случайным образом клетки, которые становятся детекторами (антителами) лишь в том случае, если они не реагируют ни на один из этих антигенов, а также и на уже существующие иммунные клетки (антитела). Таким образом, осуществляется генерация детекторов, соответствующих аномальному, неописанному поведению исследуемого объекта [4].
Метод клональной селекции как представитель положительного отбора схож со схемой отрицательного метода селекции, но антитела-детекторы генерируются таким образом, чтобы они реагировали на собственные антигены из обучающей выборки. Подобный подход позволяет применять построенную на нём ИИС для решения задачи обнаружения вторжений. Именно поэтому в представленном исследовании для получения модифицированной, более эффективной ИИС был рассмотрен в качестве основы данный алгоритм [12]. На рисунке 2 представлен алгоритм кло-нальной селекции.
Рисунок 2 - Алгоритм клональной селекции
Алгоритм клональной селекции включает в себя следующие этапы:
1. Создание популяции антител в виде случайно сгенерированных детекторов, представляющих собой двоичные массивы признаков.
2. Вычисление аффинности. Аффинность - целевая функция, величина, описывающая степень схожести двух генетических наборов: антигена (элемента обучающей выборки) и антитела из текущей популяции. Значение степеней аффинности определяется между всеми возможными парами «антитело - антиген». Так как генетические наборы признаков представляются в виде бинарных векторов, то степени схожести антигена и антитела вычисляются на основе расстояния Хэмминга. Расстоянием Хэмминга называется число отличающихся битов в двух бинарных векторах. Общий показатель аффинности для антитела складывается из его частных показателей аффинности. Значение частного показателя антитела обратно пропорционально расстоянию Хэм-минга между ним и отдельным антигеном из обучающего набора. Соответственно, наибольшим показателем аффинности будет обладать то антитело, которое суммарно относительно каждого собственного антигена имеет наименьшее количество отличных бит.
3. Клональная селекция, сопровождающаяся генерацией для антител их клонов, количество которых пропорционально соответствующим степеням аффинности. Здесь и на следующем этапе пропорция определяется за счёт общей степени аффинности всей популяции, где количество клонов антитела равно произведению некоторого целочисленного коэффициента и отношения аффинности антитела к аффинности всей популяции. Целочисленный коэффициент, применяемый в данной работе, равен исходному размеру популяции.
4. Созревание аффинности, где сначала все имеющиеся клоны с вероятностью, обратно пропорциональной степеням аффинности, подвергаются двухточечной мутации. Двухточечная мутация соответствует замене двух бит бинарного признака из генетического набора антитела на противоположные значения (0 на 1, 1 на 0). Положение бит определяется путём разбиения бинарной строки признака на три равные части, где точки разбиения строки и будут соответствовать подвергающимся мутации битам. Далее для получившихся новых антител вычисляются показатели аффинности, по результатам которых в новую популяцию выбираются лучшие антитела в количестве, равном исходному размеру набора антител-детекторов (размеру популяции).
5. Метадинамика. На данном заключительном этапе осуществляется генерация нескольких новых случайных антител для последующей замены ими худших детекторов получившейся популяции.
Этапы алгоритма выполняются до удовлетворения заданным критериям останова. Критерием останова может служить заданное количество итераций алгоритма или достижение требуемой степени обучения набора антител. В данной работе критерием останова является требование достижения двадцатипроцентного значения аффинности антител к каждому антигену [8].
Разработка гибридной искусственной иммунной системы. Для получения модифицированной модели ИИС был осуществлён поиск наиболее эффективного метода комбинации схемы клональной селекции и МГАД.
В ходе исследования были выявлены следующие три ключевых способа комбинирования алгоритмов:
1. В первом варианте предлагается объединение этапа вычисления аффинности клональной селекции и предварительной квалификации МГАД, что приведёт к получению общего показателя степеней схожести антител-дуэлянтов с антигенами. После этого происходит определение чемпионов (антител-дуэлянтов с лучшими показателями степеней аффинности). Затем осуществляется этап клональной селекции с генерацией клонов антител-дуэлянтов. После этого к полученной популяции из оригиналов и клонов применяется этап составления расписания дуэлей, где и проводятся сражения между парами антител-дуэлянтов в соответствии с их показателями приспособленности. Далее происходит тренировка антител по схеме МГАД и затем ко всем агентам применяется этап созревания аффинности. После чего реализуется объединение этапов метадинамики и ликвидации следующим образом: клоны-ученики, созданные прежними отобранными чемпионами, сравниваются с новыми сгенерированными случайными антителами, в результате сравнения выбираются лучшие агенты для замены худших детекторов. При этом можно заметить, что отсутствует этап селекции, так как в процессе выполнения этапа созревания аффинности уже осуществляется непосредственное усечение всей получившейся популяции ровно до первоначальных размеров.
2. Во втором варианте схема МГАД включается в начало алгоритма клонального отбора. Аналогично первой комбинации этапы метадинамики и ликвидации объединяются, обеспечивая в конце алгоритма обновление худших антител, их замену на новые сгенерированные случайные антитела или клонов-учеников, обученных чемпионами.
3. Третья ключевая комбинация заключается во включении этапов МГАД, начиная от предварительной квалификации и заканчивая ликвидацией антител-дуэлянтов с худшими показателями приспособленности, в схему алгоритма клонального отбора ИИС непосредственно после этапа созревания аффинности. Так как после созревания аффинности популяция обладает исходным размером, то этапы МГАД выполняются классическим методом в прямой последовательности. После этого на стадии метадинамики генерируются новые случайные образы антител для условной замены нескольких худших дуэлянтов.
В результате исследований при сравнении эффективности (результаты сравнения представлены далее в разделе «Сравнительный анализ схем ИИС» данной работы) каждой из представленных выше комбинаций было установлено, что оптимальными свойствами обладает именно третий вариант гибридизации алгоритмов. Ниже, на рисунке 3, представлен итоговый алгоритм гибридной ИИС, соответствующий последнему (третьему) способу гибридизации.
Рисунок 3 - Алгоритм гибридной искусственной иммунной системы
Сравнительный анализ схем ИИС. Для исследования эффективности архитектур гибридных ИИС на языке программирования C# в интегрированной среде разработки Microsoft Visual Studio 2017 был разработан программный комплекс, позволяющий осуществлять тестирование ИИС на задаче глобальной оптимизации (в разрезе поиска минимумов целевых функций). Для проведения исследований были выбраны такие целевые функции, как: Михалевича, Растригина, Де Джонга, Янга, кубическая, Швефеля, Розенброка [6].
Для рассмотрения эффективности трёх схем гибридизации осуществлялось их тестирование на поиск минимума перечисленных выше функций для размерностей задач (количества параметров) 5, 10 и 20.
В таблице 1 представлены результаты поиска в виде минимального, требуемого для одного из методов комбинирования, количества итераций (строка) и соответствующие полученные для них средние величины ошибок схем относительно экстремумов. Величина ошибки соответствует отклонению найденного глобального минимума от известного действительного значения минимума целевой функции. Размерность задачи - число переменных в оптимизируемой целевой функции.
Таблица 1 - Сравнительный анализ эффективности использования комбинационных схем для гибридной ИИС
Целевая Размерность Кол-во Схема № 1 Схема № 2 Схема № 3
функция задачи итераций Величина ошибки
Де Джонга [-5; 5] 5 70 0,18 0,05 0
10 145 0,58 0,15 0
20 320 0,94 0,3 0
Кубическая [-5; 5] 5 70 6,7 2,5 0
10 165 13,5 5,4 0
20 500 21 17 0
Розенброка [-5; 5] 5 5750 5,4 1,3 0
10 13500 12,5 3,2 0
20 44000 21,5 8,5 0
Швефеля [-500; 500] 5 220 8,5 4,3 0
10 910 12,9 8,7 0
20 5400 23,7 14,5 0
Растригина [-5; 5] 5 310 14,2 5,8 0
10 1350 19,7 12 0
20 19500 32,4 13,9 0
Янга [-7; 7] 5 100 0,68 0,45 0
10 370 1,1 0,24 0
20 650 2,5 1,6 0
На рисунке 4 изображён сравнительный график скорости поиска оптимумов функций для трёх рассматриваемых схем гибридизации. За величину критерия скорости принято количество итераций, осуществлённых алгоритмом, до момента удовлетворения критерию останова.
Рисунок 4 - График скорости поиска оптимумов функций для схем гибридизации
По данным таблицы, можно отметить, что лучшие показатели возвращает третья схема, наиболее же отстающей является гибридная схема под номером один. На рисунке 4 представлен график, отражающий среднее количество итераций, затрачиваемое каждой из схем комбинирования клонального алгоритма и МГАД для поиска оптимумов целевых функций при размерности задач, равной 30. Из рисунка видно, что в случае схемы под номером 3 на нахождение экстремумов требуется меньшее количество итераций работы алгоритма. Таким образом, при решении задачи оптимизации было установлено, что гибридная искусственная иммунная система достигает наибольшей эффективности в случае применения третьей схемы работы алгоритма, базирующейся на включении этапов МГАД, начиная от предварительной квалификации и заканчивая шагом ликвидации, в схему классического алгоритма клонального отбора ИИС непосредственно после этапа созревания аффинности.
В таблице 2 демонстрируются результаты сравнения эффективности работы полученной гибридной иммунной системы и МГАД для задачи глобальной оптимизации функций. Среднее значение соответствует среднему арифметическому вычисленных оптимумов, количество тестов на каждую из целевых функций равняется 40. В скобках указывается величина ошибки - отклонения найденного экстремума от известного глобального экстремума функции.
Таблица 2 - Сравнительный анализ эффективности использования гибридной ИИС и модифици-юванного генетического алгоритма дуэлей
Целевая функция Размерность задачи Кол-во итераций Гибридная ИИС Модифицированный генетический алгоритм дуэлей
Среднее значение (ошибка)
Де Джонга [-5; 5] 5 60 0 (0) 0,1 (0,1)
10 130 0 (0) 0,1 (0,1)
20 300 0 (0) 0,2 (0,2)
Кубическая [-5; 5] 5 70 -625 (0) -619 (6)
10 150 -1250 (0) -1213 (37)
20 480 -2500 (0) -2387 (113)
Розенброка [-5; 5] 5 5600 0 (0) 1,4 (1,4)
10 13000 0 (0) 5,3 (5,3)
20 42500 0 (0) 32 (32)
Швефеля [-500; 500] 5 200 -2094 (0) -2089,5 (4,5)
10 850 -4189,8 (0) -4123,5 (66,3)
20 5000 -8379,6 (0) -8014,2 (365,4)
Растригина [-5; 5] 5 300 0 (0) 13,2 (13,2)
10 1200 0 (0) 29 (29)
20 19000 0 (0) 84 (84)
Янга [-7; 7] 5 90 0 (0) 0,1 (0.1)
10 340 0 (0) 0,36 (0,36)
20 600 0 (0) 2,1 (2,1)
Далее в рамках решения задачи построения модели системы обнаружения вторжений на базе разработанной эффективной архитектуры гибридной ИИС предлагается показанная на рисунке 5 архитектура СОВ.
Рисунок 5 - Архитектура системы обнаружения вторжений на основе гибридной искусственной иммунной системы
Первый блок представляет собой генератор детекторов. В нем реализуется первичная работа алгоритма гибридной ИИС для генерации антител и их обучения на подготовленном наборе данных, описывающем опасный сетевой трафик. После чего обученные детекторы применяются в блоке анализа трафика, на который поступает вектор образа сетевого потока. Вектор образа сетевого потока представляет набор ключевых признаков сетевого соединения (например, выделенные характеристики сетевого пакета TCP/IP в двоичном виде), унифицированных данных. Конкретные анализируемые признаки (параметры) сетевых соединений, формирующие вектор, могут быть различными, определяются специалистами таким образом, чтобы добиться наиболее эффективного анализа трафика системой обнаружения вторжений в рамках ИС. СОВ осуществляет сравнение признаков трафика и набора антител, в результате чего делаются выводы об их схожести, определяется характер поступившего сетевого трафика (безопасен или является вероятной сетевой атакой).
В блоке отклика специалистом-оператором или специальной системой, его заменяющей, обрабатываются результаты анализа трафика, при наличии дополнительных средств защиты информации осуществляется сравнение с событиями ИБ в ИС. Так, в случае определения СОВ трафика как представляющего опасность специалистом проводится расследование данного события, по результатам которого формируется итоговая оценка трафика, утверждение о наличии/отсутствии вторжения. На основе этого предполагается введение обратной связи, которая будет вызывать переобучение, корректировку детекторов на основании верности результатов анализа реального трафика.
Заключение. Таким образом, в рамках исследования была разработана гибридная ИИС путём «скрещивания» схем клонального алгоритма и эвристического МГАД. Установлено, что гибридная модель обладает высокой эффективностью по сравнению с образующими её методами, что подтверждается повышением как точности поиска оптимальных значений целевых функций, так и скоростью их нахождения. Повышение точности и скорости работы алгоритма подтверждается проведёнными в рамках задачи глобальной оптимизации вычислительными экспериментами. Предложенная схема гибридизации обеспечивает наиболее результативное рассеивание алгоритма
по пространству поиска посредством последовательного осуществления модификаций признаков агентов-антител, приводящего к большей вариативности популяции, поддержанию тенденции продвижения её к оптимуму, что позволяет решить проблему частого зацикливания в локальных экстремумах и обеспечивает быстрый отбор эффективных решений. Предложена архитектура системы обнаружения вторжений, функционирующая на основе разработанной ИИС, для решения задачи обнаружения опасной активности в наблюдаемом сетевом трафике.
Библиографический список
1. Власенко А. В. Разработка алгоритмов и программ выбора оптимального набора компонент нейтрализации актуальных угроз на основе описания модели и интеграции их в WEB-приложение / А. В. Власенко, П. И. Дзьобан // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. - 2014. - № 3 (142). - С. 189-193.
2. Дасгупта Д. Искусственные иммунные системы и их применение / Д. Дасгупта // ФИЗМАТЛИТ. -2006. - С. 344-347.
3. Карпенко А. П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой : учебное пособие / А. П. Карпенко. - 2-е изд. - Москва : МГГУ им. Н. Э. Баумана, 2017. - С. 195-203.
4. Коромыслов Н. А. О применении искусственных иммунных систем для обнаружения инцидентов информационной безопасности в системах со многими параметрами / Н. А. Коромыслов // Решетневские чтения. - 2013. - Т. 2, № 17. - С. 299-301.
5. Матвеев М. Г. Модели и методы искусственного интеллекта. Применение в экономике / М. Г. Матвеев, А. С. Свиридов, Н. А. Алейникова. - Москва : Издательский дом «ИНФРА-М», 2014. - С. 316-324.
6. Панченко Т. В. Генетические алгоритмы : учебно-методическое пособие / Т. В. Панченко ; под ред. Ю. Ю. Тарасевича. - Астрахань : Издательский дом «Астраханский университет», 2007. - С. 60-65.
7. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пи-линьский, Л. Рутковский. - Москва : Горячая линия-Телеком, 2013. - С. 157-168.
8. Частикова В. А. Определение оптимальных параметров функционирования искусственной иммунной системы для решения задачи обнаружения полиморфных вирусов / В. А. Частикова, М. Ю. Берёзов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2017. - № 128. - С. 430-440.
9. Частикова В. А. Исследование эффективности алгоритма поиска косяком рыб в задаче глобальной оптимизации / В. А. Частикова, М. А. Дружинина, А. С. Кекало // Современные проблемы науки и образования. - 2014. - № 4.
10. Частикова В. А. Разработка и исследование модифицированного генетического алгоритма дуэлей / В. А. Частикова, А. И. Митюгов // Современные наукоемкие технологии. - 2018. - № 8. - С. 144-149.
11. Komar M. Intelligent cyber defense system using artificial neural network and immune system techniques / M. Komar, A. Sachenko, S. Bezobrazov, V. Golovko // Communications in computer and information science. -2017. - P. 36-38.
12. Mahalakshmi, Murugesan R. Optimization algorithm for minimizing the earliness/tardiness of automated guided vehicles using artificial immune system / Mahalakshmi, Murugesan R. // International Journal of Applied Engineering Research. - 2017. - Vol. 12, no. 22. - P. 11913-11919.
13. Totok Ruki Biyanto. Duelist Algorithm: An Algorithm Inspired by How Duelist Improve Their Capabilities in a Duel / Totok Ruki Biyanto, Henokh Yernias Fibriantoa, Gunawan Nugrohoa, Erny Listijorinib, Titik Budiatic, Hairul Hudad // Advances in Swarm Intelligence : 7th International Conference. - 2016. - P. 39-47.
References
1. Vlasenko A. V., Dzoban P. I. Razrabotka algoritmov i programm vybora optimalnogo nabora komponent neytralizatsii aktualnykh ugroz na osnove opisaniya modeli i integratsii ikh v WEB-prilozhenie [Development of algorithms and programs for selecting the optimal set of components for neutralizing current threats based on the description of the model and integrating them into a WEB application]. Vestnik Adygeyskogo gosudarstvennogo uni-versiteta. Seriya 4: Estestvenno-matematicheskie i tekhnicheskie nauki [Bulletin of the Adygea State University. Series 4: Natural-mathematical and technical sciences], 2014, no. 3 (142), pp. 189-193.
2. Dasgupta D. Iskusstvennye immunnye sistemy i ikh primenenie [Artificial immune systems and their use]. FIZMATLIT [PHYSMATLITIS], 2006, pp. 344-347.
3. Karpenko A. P. Sovremennye algoritmy poiskovoy optimizatsii. Algoritmy, vdokhnovlennye prirodoy: uchebnoe posobie [Modern search engine optimization algorithms. Nature-inspired Algorithms: A Tutorial]. 2nd ed. Moscow, Bauman Moscow State University, 2017, pp. 195-203.
4. Koromyslov N. A. O primenenii iskusstvennykh immunnykh sistem dlya obnaruzheniya intsidentov infor-matsionnoy bezopasnosti v sistemakh so mnogimi parametrami [On the use of artificial immune systems to detect information security incidents in systems with many parameters]. Reshetnevskie chteniya [Reshetnev Readings], 2013, vol. 2, no. 17, pp. 299-301.
5. Matveev M. G., Sviridov A. S., Aleynikova N. A. Modeli i metody iskusstvennogo intellekta. Primenenie v ekonomike [Models and methods of artificial intelligence. Application in economics]. Moscow, Publishing House "INFRA-M", 2014, pp. 316-324.
6. Panchenko T. V Geneticheskie algoritmy: uchebno-metodicheskoeposobie [Genetic algorithms: a teaching tool]. Astrakhan, Publishing House "Astrakhan University", 2007, pp. 60-65.
7. Rutkovskaya D., Pilinskiy M., Rutkovskiy L. Neyronnye seti, geneticheskie algoritmy i nechetkie sistemy [Neural networks, genetic algorithms and fuzzy systems]. Moscow, Goryachaya liniya-Telekom Publ., 2013, pp. 157-168.
8. Chastikova V. A., Berezov M. Yu. Opredelenie optimalnykh parametrov funktsionirovaniya iskusstvennoy immunnoy sistemy dlya resheniya zadachi obnaruzheniya polimorfnykh virusov [Determining the optimal functioning parameters of an artificial immune system to solve the problems of detecting polymorphic viruses]. Politematich-eskiy setevoy elektronnyy nauchnyy zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta [Polythematic Network Electronic Scientific Journal of the Kuban State Agrarian University], 2017, no. 128, pp. 430-440.
9. Chastikova V. A., Druzhinina M. A., Kekalo A. S. Issledovanie effektivnosti algoritma poiska kosyakom ryb v zadache globalnoy optimizatsii [A study of the effectiveness of a school of fish search algorithm in the global optimization problem]. Sovremennye problemy nauki i obrazovaniya [Modern Problems of Science and Education], 2014, no. 4.
10. Chastikova V. A., Mityugov A. I. Razrabotka i issledovanie modifitsirovannogo geneticheskogo algoritma dueley [Development and research of a modified genetic algorithm of duels]. Sovremennye naukoemkie tekhnologii [Modern Scientific Technologies], Penza, no. 8, 2018, pp. 144-149.
11. Komar M., Sachenko A., Bezobrazov S., Golovko V. Intelligent cyber defense system using artificial neural network and immune system techniques. Communications in Computer and Information Science, 2017, pp. 36-38.
12. Mahalakshmi, Murugesan R. Optimization algorithm for minimizing the earliness/tardiness of automated guided vehicles using artificial immune system. International Journal of Applied Engineering Research, 2017, vol. 12, no. 22, pp. 11913-11919.
13. Totok Ruki Biyanto, Henokh Yernias Fibriantoa, Gunawan Nugrohoa, Erny Listijorinib, Titik Budiatic, Hairul Hudad Duelist Algorithm: An Algorithm Inspired by How Duelist Improve Their Capabilities in a Duel. Advances in Swarm Intelligence: 7th International Conference, 2016, pp. 39-47.
УДК 004.852
ПРОГНОЗИРОВАНИЕ СРОКОВ ПРИМЕНЕНИЯ ЛЕКАРСТВЕННЫХ ПРЕПАРАТОВ ДЛЯ ДОСТИЖЕНИЯ ПАЦИЕНТОМ СТАБИЛЬНОГО СОСТОЯНИЯ1
Статья поступила в редакцию 10.12.2019, в окончательном варианте — 24.12.2019.
Лошманов Вадим Игоревич, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,
аспирант, e-mail: loshmanov.vadim17@gmail.com
Кравец Алла Григорьевна, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,
доктор технических наук, профессор, e-mail: agk@gde.ru
В настоящее время существует огромное количество аналогов лекарственных препаратов. В связи с этим необходимо совершенствовать методы проведения фармакоэкономического анализа. В статье приведено обоснование необходимости автоматизации фармакоэкономического анализа и применения разработанной системы поддержки принятия решений при назначении врачом лекарственных средств, в процессе лечения пациентов. Целью настоящей статьи является верификация и оценка точности моделей прогнозирования, построенных с помощью системы поддержки принятия решений в процессе проведения фармакоэкономического анализа назначенных врачом лекарственных препаратов. В статье представлен алгоритм работы системы поддержки принятия решений проведения фармакоэкономического анализа, который основан на скорости достижения пациентом стабильного состояния в процессе лечения патологии. Расчет затрат на применение лекарств для достижения пациентом стабильного состояния позволит без проведения каких-либо исследований, лишь на основе существующей статистики, получить еще один критерий для сравнения препаратов-аналогов. В результате проведенного исследования получено сравнение показателей фармакоэкономического анализа, проведенного традиционным методом и с применением системы поддержки принятия решений проведения фармакоэкономического анализа.
Ключевые слова: фармакоэкономический анализ, прогнозирование, статистика, поддержка принятия решений, статистический анализ данных
Исследование выполнено при поддержке Фонда содействия инновациям (УМНИК договор № 14254ГУ/2019) и РФФИ (грант № 19-07-01200).
