CC BY
5ИНФОРМАЦИОННО-КОММУНИКАЦИОННЫЕ
ТЕХНОЛОГИИ INFORMATION-COMMUNICATION TECHNOLOGIES
Научная статья УДК 007.51, 303.732
doi:10.24151/1561-5405-2024-29-2-236-248 EDN: ЩККГС
Синтез иерархической многоуровневой модели параметров для оценки эффективности системы защиты информации в условиях неопределенных данных
А. В. Лубенцов
Воронежский институт Федеральной службы исполнения наказаний, г. Воронеж, Россия
Аннотация. Современные системы защиты информации являются сложными многоступенчатыми структурами. При их функционировании в режиме сложной адаптивной системы большинство базовых предположений, таких как устойчивые базовые состояния, стандартная размерность параметров, предсказуемость ответных действий, стабильность функционирования, не соответствуют текущим процессам. Для определения параметров функционирования таких сложных систем необходимо разрабатывать другие модели. В создаваемые методы, приемы и методики следует включать информацию о динамической природе, данные телеметрии сложных адаптивных систем защиты информации. В работе представлены методы и модели, на базе которых сформирована оригинальная методика оценки эффективности сложных адаптивных систем, одной из которых является комплексная система информационной безопасности. Предложен системный анализ исследований по выполнению задачи оценки эффективности сложной системы в общем. Рассмотрены практические примеры оценки эффективности нескольких вычислительных структур (контроллеров) как управляющих элементов комплексных адаптивных систем информационной безопасности. Анализ чувствительности, эффективности и веса критериев позволяет поддерживать эффективность работы каждой подсистемы или элемента, а также системы информационной безопасности в целом и определять основные факторы, влияющие на результаты ее оценки.
Ключевые слова: сложная адаптивная система информационной безопасности, оценка эффективности, контроллер
© А. В. Лубенцов, 2024
Для цитирования: Лубенцов А. В. Синтез иерархической многоуровневой модели параметров для оценки эффективности системы защиты информации в условиях неопределенных данных // Изв. вузов. Электроника. 2024. Т. 29. № 2. С. 236-248. https://doi.org/10.24151/1561-5405-2024-29-2-236-248. - EDN: IQKKTG.
Original article
Synthesis of a hierarchical multilevel parameter model for evaluating the effectiveness of an information security system under conditions of uncertain data
A. V. Lubentsov
Voronezh Institute of the Federal Penitentiary Service of Russia, Voronezh, Russia
Abstract. Contemporary information security systems are complex multi-stage structures. When these systems operate in the mode of a complex adaptive system, most of basic assumptions, such as stable basic states, standard dimension of parameters, response actions predictability, stable functioning, do not correspond to current processes. In order to determine these systems' operating parameters, it is necessary to create other models, including in methods, techniques and procedures being created the information about dynamic nature and telemetry data of complex adaptive information security systems. In this work, methods and models are presented, on the base of which an original methodology has been formed for complex adaptive system effectiveness evaluation, including but not limited to complex information security system. A systemic analysis of research on the task of evaluating the effectiveness of a complex system in general is proposed. Practical examples of evaluating the effectiveness of several computing structures (controllers) as control elements of complex adaptive information security systems are considered. The analysis of test sensitivity, test efficiency and criteria weight makes it possible to maintain the performance effectiveness of each subsystem or element, as well as of entire information security system, and to determine key factors affecting its evaluation results.
Keywords: complex adaptive information security system, effectiveness evaluation, controller
For citation. Lubentsov A. V. Synthesis of a hierarchical multilevel parameter model for evaluating the effectiveness of an information security system under conditions of uncertain data. Proc. Univ. Electronics, 2024, vol. 29, no. 2, pp. 236-248. https://doi.org/10.24151/1561-5405-2024-29-2-236-248. - EDN: IQKKTG.
Введение. Численная оценка эффективности сложных комплексных систем имеет особое значение для систем информационной безопасности. В перспективе эффективность работы на всех уровнях будут оценивать лица, принимающие решения, управляющие программы и эксплуатационные команды. Данные оценки - это основа для постоянного совершенствования и принятия обоснованных решений относительно дальнейшей эксплуатации сложных комплексных систем.
Для того чтобы быть качественной, программа оценки эффективности должна соответствовать динамике системы, к которой она применяется. Нередко приходится оперировать факторами с неопределенными параметрами или характеристиками. Поэтому новые модели и методики, разрабатываемые для оценки эффективности сложных систем, позволят исключить или уменьшить субъективные оценки при принятии управленческих решений.
В настоящей работе предлагается новый подход к использованию базовых правил (БП) с неопределенными параметрами. Неопределенность веса и достоверности может быть выражена в интервальной форме. Для достижения оптимизации параметров строится модель нелинейной оптимизации.
Обзор существующих моделей оценки сложных систем. Модели построения оценок эффективности сложных систем основаны на экспертных данных с большой долей субъективизма, что недопустимо при анализе сложных систем. В работе [1] обсуждены методы построения матрицы критериев для определения эффективности программных модулей. Однако в исследовании не объяснено, чем подход авторов принципиально отличается от метода анализа иерархий (МАИ) Т. Сати. Вместе с тем для отбора весов и критериев необходимо привлекать экспертов, что уже в базе закладывает субъективное влияние. В работе [2] предложено оптимизировать математическую модель вычислений МАИ для повышения скорости принятия решений. Однако представлен метод упрощения методики, а не повышения достоверности, уменьшения субъективности и перехода к численной оценке. В работах [3, 4] описан модифицированный каскадный МАИ, позволяющий значительно снизить влияние лица, принимающего решение.
Оригинальное математическое решение ускоренной оценки эффективности управляющих АСУ на базе третьей формулы Фишберна рассмотрено в [5]. Для этого применен заранее постулированный список параметров эффективности, который следует готовить для каждого класса задач АСУ. Вместе с тем в работах [3, 4] предложены модели автоматизации и распараллеливания МАИ, что значительно ускоряет и упрощает оценку.
В работе [6] оценена эффективность и результативность экспертных обучающих систем при определении результативности как степени достижения результата, эффективности как отношения результата к затратам. Это дает возможность оценить параметры сложной системы, но в относительных величинах. Модель не позволяет получить достоверных численных результатов.
Для анализа структуры сложных систем, как правило, используется общая модель сети Петри, позволяющая оценить структуру и взаимодействие элементов. Однако, если система достаточно сложная, масштаб модели сети Петри может быть большим, что затрудняет получение результата. Использование объединенной целевой функции помогает справиться с неопределенностью систем. В этом случае необходимо знать функцию плотности вероятности переменной, когда функция применяется для анализа системы, а функцию плотности вероятности переменной в инженерной практике сложно точно рассчитать. В работе [7] представлен метод оценки рисков безопасности строительства на основе бинарной диаграммы принятия решений. Дерево неисправностей преобразуется в структуру бинарной диаграммы принятия решений, и получаются ключевые факторы, влияющие на безопасность, что обеспечивает основу для формулирования мер контроля рисков. Когда сложность системы высока или масштаб системы велик, размеры построенной модели диаграммы принятия решений и вычислительная сложность значительно возрастают.
Подход построения БП предложен и применен к оценке характеристик сложной технической системы в работе [8], что позволяет эффективно устранить проблему принятия решений с несколькими атрибутами. Исходя из этого в работе [9] разработан расширенный алгоритм БП, который позволяет методу БП справиться с интервальной неопределенностью, такой как интервальные данные, и эквивалентно преобразовать интервальные данные в интервальные степени уверенности [10].
В настоящее время метод БП широко используется в зарубежных исследованиях в задачах принятия решений и оценки. В качестве ключевого параметра метода БП вес оценки указывает на относительную важность критерия, отражающего степень предпочтения лицами, принимающими решения. Лица, принимающие решения, имеют разные предпочтения в отношении критериев, что может привести к разным оценкам [11-14]. Достоверность критериев свидетельствует о способности источников предоставлять эффективную информацию. Разные виды шума и помех в критериях сложно устранить, что приводит к неопределенности в достоверности критериев [14]. По сравнению с точным числовым выражением интервальное выражение достоверности и веса больше подходит для инженерной практики.
Формулировка проблемы. Системная структура и принцип работы комплексной системы безопасности многомерны и сложно структурированы. Использование метода БП для оценки ее эффективности дает возможность работать с неопределенной информацией, включая субъективные и объективные неопределенности. Это позволяет уменьшить влияние неопределенных факторов на результат оценки. Учитывая эффективность элементов внутренней структуры сложных систем, можно генерировать предложения по разработке стратегии технического обслуживания и модернизации. Следовательно, необходимо решить задачи неопределенности параметров и чувствительности результатов оценки.
Из-за субъективности, недостатка времени и компетенций лица, принимающие решения, часто не могут получить и интерпретировать точную информацию о некоторых атрибутах. В инженерной практике объективно существуют всевозможные неопределенные факторы. Ввиду нерепрезентативности выборки, точности и стабильности испытательного оборудования, а также объективного существования ошибок измерения форму точечных значений параметров нельзя определить методом статистического анализа, который не всегда полностью отражает такие сложные свойства, как изменчивость и неопределенность. Вследствие неопределенности в исходных данных и отсутствия статистических данных метод точной оценки часто затрудняет отражение характеристик оцениваемого параметра.
В инженерной практике входная информация и соответствующая выходная информация сложных систем в основном используются для создания модели оценки, когда внутренний механизм функционирования и состояние элементов системы игнорируются. На эффективность системы влияет подсистема или конкретное оборудование. Необходимо определить основные подсистемы, которые оказывают наибольшее влияние на результат оценки. На основе количественного анализа отсортировывается эффективность подсистем. Затем лица, принимающие решения, предпринимают соответствующие меры для повышения эффективности самых важных подсистем.
Модель нелинейной оптимизации базовых правил. В работе [10] показано, что если степени достоверности исходной входной информации содержат степени достоверности интервала, то метод вычисления значения интервала нельзя просто ввести в уравнения. Для того чтобы правильно агрегировать степень достоверности с несколькими интервалами, следует установить модель нелинейности для оптимизации степени
достоверности всего объекта оценки и получения степени достоверности с соответствующими оценочными баллами.
Определим, что ¡г и рг - это вес и оценка достоверности параметров кг среди нижних индексов. Степень достоверности Ьп, г получается путем преобразования входной информации в п-ю оценку (п = 1,2,..., И). Степень достоверности Ьп, 1(^1) промежуточного индекса г1 получается путем объединения к1 и к2. Аналогично к3 и к4 объединяются для получения результата оценки Ьп, 2(г2) промежуточного индекса г2. После получения Ъп, 1(г1) и Ьп, 2(г2) промежуточные индексы необходимо объединить для определения результата оценки объекта Ж. Результат оценки промежуточных индексов представлен в виде степени достоверности, далее следует рассчитать вес и достоверность.
Примем, что максимальное значение общего веса равно 1, а минимальное значение -это максимальное значение каждого критерия. Предположим, что есть две части независимых критериев к1 и к2, Н1 и Н2 - оценочные баллы. Критерии к1 и к2 соответствуют следующему описанию:
к. = [(НА,,), ^ п = 1,2, г =1,2],
где Ьп, г - степень уверенности п-й оценки Нп ¿-го критерия; р1 и р2 - достоверности критериев; ¡1 и ¡2 - их веса. Обозначим гибридный вес ¡', представленный как
1\ = I,/(1+1, -р,).
Основные значения промежуточных индексов или вероятностей могут быть получены в следующем виде:
г = I' Ь
'п, г 1пип, г'
ГН
H
' = 1-l' SNA,
Гн, i = 1 -1 \,
,=1: (1 -IN. к.),
где Гн,, - основные значения вероятностей, генерируемые относительной важностью критериев; т'н, г - основные значения вероятностей, вызванные неполнотой оценки;
гН, г - результирующие значения вероятностей после агрегирования; Гн, г + гн . Предлагается следующая модель оптимизации:
'н, i •
r
max/min b =—'—
1-Г
н
rn = m
E E
П Г' + rH''+н')-п он,' + rH,')
i=1
П (Гн ,' + rH,')-ПП (ГН ,')
П Г,')
n = 1,2,..., N
? * * * 9 ?
rH = m
гя = m
'=1
m =
N E
1П Г' + Г,' + rH,') - (N-1)П (Гн,' + rH,')
. n1 /=1 /=1
п г = г (н) = Ь,, н = ц(н)=1-¡', н , = Г(н)=грн, ,, %= ¡7(1+¡г - р,), ¡-< ¡г < ¡+,
РГ < Рг < Р+ .
С помощью программы МайаЬ можно получить оптимальные значения интервала в соответствии с ограничениями. На основе установленной модели нелинейной оптимизации результаты оптимизации - это диапазон степеней доверия для каждой оценки.
Этапы реализации метода базовых правил с неопределенными параметрами. Согласно приведенному анализу алгоритм реализации метода БП, учитывающий неопределенность веса и достоверность критериев, заключается в следующем.
Шаг 1. На основе анализа ошибок и относительной важности разных критериев с помощью данных тестирования и экспертных знаний определяются диапазоны значений достоверности и веса критериев.
Шаг 2. Входная информация преобразуется в степени достоверности и вычисляются интервальные значения основных вероятностных параметров.
Шаг 3. В соответствии с процессом обоснования метода БП все полученные оценки объединяются.
Шаг 4. Для оптимизации объединенных результатов создается модель нелинейной оптимизации и получаются степени достоверности для каждого оценочного балла.
Процедура предлагаемого способа моделирования с неопределенными параметрами показана на рис. 1. Таким образом, если исходные показатели достоверности, веса и степени уверенности являются точечными значениями, то приведенное рассуждение сводится к общему подходу и модель нелинейной оптимизации больше не нужна.
Рис. 1. Блок-схема моделирования с неопределенными параметрами Fig. 1. Block diagram of simulation with undefined parameters
Анализ достоверности и чувствительности веса критериев. Численный анализ отклика широко используется для оценки влияния параметров модели на результат оценки. При реализации данной модели количественный анализ влияния достоверности и весомости критериев оказывает большое влияние на результат оценки.
Рассмотрим процесс анализа отклика на примере комбинации двух критериев, где на выходе есть два оценочных параметра, с применением рекурсивного алгоритма:
Гп, (2) = М(2) ( Л, 2 + Гп, 1ГН, 2 + ГН, 1Гп, 2 ) ,
l(2)V ГН,(2)
= M(2)(ГНЛ)ГН,2) >
ГН ,(2)
M(2) (ГН,1 ^H, 2 + Н 1ГН, 2 + ^ЯЛ^H, 2 ) '
(2)
ГН, (2) _ ГН, (2) + , (2) ,
M(2) =
Л-1
2 2
Г
t = 1 / = 1 l ^ t
t, i'/, ]
= (I"
' Г1,1Г2,1 '
' Г2,1Г1, 2
)"1 -
В результате объединения критериев имеем
~Ъ1' _ 1 Г1,(2)
Ъ2_ 1 _ ГН, (2) А (2) _
На основе данных рассуждений разработан анализ чувствительности параметров к результату оценки.
Достоверность критериев тесно связана с возможностью получения данных с минимальными искажениями. Отдельно необходимо проанализировать отклонения достоверности. При сравнении среднего коэффициента отклонения F(p) каждого критерия получаем чувствительность (анализ отклонений) разных критериев к степени уверенности на выходе. Если F(pi) > F(pj), то надежность критерия к более чувствительна к результатам, чем надежность критерия к. Это означает, что изменение к оказывает большее влияние на результат. Если информация, содержащаяся в доказательстве кг-, недостаточно точна, отклонение результата будет больше, чем у других доказательств. Следовательно, в инженерной практике приоритет следует отдавать принятию мер по повышению надежности или точности измерения фактических данных кг-.
Используя описанный метод анализа чувствительности достоверности, можно получить влияние веса на результат. Сравнивая средний коэффициент чувствительности F(li) каждого критерия, можно получить чувствительность различных критериев к степени уверенности Ь на выходе. Если F(l¡) > F(lj), то вес критерия I более чувствителен к результату, чем вес критерия Это означает, что изменение I оказывает большее влияние на результат. Поскольку вес в основном зависит от экспертных знаний, к их точности предъявляются более высокие требования.
Проведем анализ чувствительности, чтобы определить, какой параметр оказывает большее влияние на результат. Влияние веса и достоверности на гибридный вес рассчитаем методом частных производных:
дГ_= 1- р д1г " (1+1 - р )2
дТ_ I др1
(1) (2)
(1+1 - Р )2 '
Определить, какой параметр оказывает большее влияние на результат, можно из уравнений (1) и (2), сравнив (1-рг) и 1г-. Если вес и достоверность одинаковые, то вес оказывает большее влияние на результат. Поэтому лицам, принимающим решения, следует уделять больше внимания относительной важности критериев или точности экспертных знаний. В противном случае точности определения критериев необходимо уделять приоритетное внимание.
Таким образом, отклонения в надежности или весомости критериев влияют на результат оценки. Для того чтобы предотвратить подобные случаи в инженерной практике, интервальная достоверность и вес используются для выражения неопределенности критериев, которые оказывают поддержку лицам, принимающим решения, в условиях неопределенности.
В процессе оценки и оптимизации могут быть решены такие проблемы неопределенности, как ненадежные данные и неточность экспертных знаний, и получен диапазон результатов оценки.
Результаты практического моделирования. Для практического моделирования выбраны промышленные контроллеры компании «Сегнетикс» (г. Санкт-Петербург, Россия), широко применяемые в различных сферах, в том числе в системах информационной безопасности. Получены характеристики быстродействия четырех контроллеров (таблица). Для эффективной визуализации результатов выбраны контроллеры разных поколений. Общая схема модели показана на рис. 2.
Характеристики быстродействия контроллеров компании «Сегнетикс», мс Performance characteristics of the controllers of the company Segnetix, ms
Контроллер
TRIM5, SMH4, Matrix, 1000 FBD
Тестовые задачи SMH2010, SMH2G, SMH2G(i),
1000 FBD 1000 FBD 1000 FBD
Сложение и вычитание 30 28 0,5 0,4
(тип INTEGER)
Умножение 33 30 0,4 0,4
(тип INTEGER)
Деление (тип INTEGER) 50 48 0,7 0,4
Сложение и вычитание 32 30 0,5 0,4
(тип LONG)
Умножение (тип LONG) 37 35 0,4 0,3
Деление (тип LONG) 85 83 0,9 0,4
Сложение и вычитание 36 35 0,9 0,4
(тип REAL)
Умножение (тип REAL) 36 34 1,2 0,4
Деление (тип REAL) 35 35 1,6 0,4
Тестовая программа
из 1000 блоков AND, OR, XOR 20 20 0,4 0,3
и NOT в равных долях
Тестовая программа 33 35 0,6 0,2
из 1000 блоков MIN/MAX(int)
Тестовая программа 37 39 0,6 0,2
из 1000 блоков MIN/MAX(long)
Тестовая программа 40 53 1,3 0,5
из 1000 блоков MIN/MAX(real)
Первым шагом оценки является анализ данных тестирования. Оценочная информация может быть преобразована в степени достоверности. На основе разброса рассчитывают достоверность каждого индекса. Для расчета веса каждого индекса используют метод коэффициента вариации. Чтобы уменьшить ошибку, вызванную случайными
Оценка сложной системы Контроллер r\ Оценочные индексы к\к2кт,к4к5
Контроллер >~2 Оценочные индексы к\к2к3к4к5
Контроллер гт, Оценочные индексы к1к2к}к4к5
Контроллер /"4 Оценочные индексы к{к2к3к4к5
Рис. 2. Общая схема модели расчета эффективности сложной системы Fig. 2. General scheme of the model for calculating the efficiency of a complex system
Рис. 3. Интервалы веса (а) и достоверности (б) для критериев контроллеров: 1 - SMH2010; 2 - SMH2010; 3 - SMH2G; 4 - SMH2G; 5 - SMH2G(I); 6 - SMH2G(II); 7 - TRIM5, SMH4, Matrix;
8 - TRIM5, SMH4, Matrix Fig. 3. The interval of weight (a) and confidence (b) for criteria of controllers: 1 - SMH2010; 2 - SMH2010; 3 - SMH2G; 4 - SMH2G; 5 - SMH2G(I); 6 - SMH2G(II); 7 - TRIM5, SMH4, Matrix;
8 - TRIM5, SMH4, Matrix
факторами, тестовый процесс вычисления средних параметров быстродействия повторяют 1000 раз, затем получают среднее значение групп данных. Перед вычислением общего результата оценки необходимо определить достоверность и вес тринадцати критериев. После анализа определяют пороговые значения интервалов веса и достоверности. Диапазон значений веса и достоверности показан на рис. 3.
На рис. 4, а приведены степени достоверности всех тестовых операций (критериев) для каждого контроллера. На рис. 4, б показано эффективное быстродействие каждого контроллера в процессе тестов. Полученные данные принципиально отличаются от исходных внесением в результат экспертного веса и степени достоверности измерений. В данном случае быстродействие контроллера является оценкой его эффективности.
Рис. 4. Степень достоверности (а) и эффективное быстродействие (б) для критериев контроллеров: 1 - SMH2010; 2 - SMH2G; 3 - SMH2G(I); 4 - TRIM5, SMH4, Matrix Fig. 4. Degrees of confidence (a) and effective performance (b) for the criteria of controllers: 1 - SMH2010; 2 - SMH2G; 3 - SMH2G(I); 4 - TRIM5, SMH4, Matrix
Заключение. Представленные методы и модели сложных информационных систем позволяют уменьшить влияние ошибок и помех в данных или неточности экспертных оценок. Для этого достоверность и вес критериев определяются пороговыми значениями интервала. В результате строится модель нелинейной оптимизации и дается оценка эффективности системы.
Анализ чувствительности, эффективности и веса критериев позволяет получить оценку эффективности каждой подсистемы или элемента. Кроме того, он используется для определения основных факторов, влияющих на результат оценки. Это дает возможность предусмотреть стратегию технического совершенствования системы и обслуживания для поддержания эффективности работы системы.
Литература
1. Исакова А. И., Кориков А. М., Левин С. М. Многокритериальный выбор на основе матрицы критериев при оценке эффективности программного обеспечения информационных систем // Доклады ТУСУР. 2020. Т. 23. № 4. С. 40-44. https://doi.org/10.21293/1818-0442-2020-23-4-40-44. - EDN: YKPCIO.
2. Жилин Р. А., Мельников А. В., Гарусов Ю. Н. Обоснование критерия корректности исходных данных при моделировании оценки эффективности слабоструктурированных альтернатив систем безопасности объектов органов внутренних дел // Вестник Воронежского института МВД России. 2022. № 2. С. 28-36. EDN: UYVYUI.
3. Lubentsov A. V., Bobrov V. N., Desytov D. B., Noev A. N. The advantage of the method of hierarchy analysis, the statistical methods of decision support // J. Phys.: Conf. Ser. 2019. Vol. 1203. Art. No. 012079. https://doi.org/10.1088/1742-6596/1203/1/012079
4. Лубенцов А. В. Использование каскадного метода анализа иерархий для оценки эффективности комплексной системы безопасности // Вестник Воронежского института ФСИН России. 2022. № 4. C. 123-136. EDN: OCNMJX.
5. Грачев В. Л. Особенности экспресс-оценки эффективности автоматизированных систем оперативного управления в условиях неопределенности // Технологии гражданской безопасности. 2022. Т. 19. № 1 (71). С. 41-44. https://doi.org/10.54234/CST.19968493.2022.19.1.71.9.41. - EDN: ERDWQX.
6. Большедворская Л. Г., Корягин Н. Д. Разработка механизма оценки результативности и эффективности применения экспертных систем // Crede Experto: транспорт, общество, образование, язык. 2021. № 3. С. 6-13. https://doi.org/10.51955/2312-1327_2021_3_6. - EDN: UPFMUI.
7. Пузырев А. М., Козырева Л. В. Разработка методики оценки профессиональных рисков в строительстве // Безопасность техногенных и природных систем. 2022. № 1. С. 9-17. https://doi.org/10.23947/ 2541-9129-2022-1-9-17. - EDN: MHEALH.
8. Соловьянова Д. В. Обзор процесса принятия решений в стандартных условиях, в условиях риска и неопределенности // Многополярный мир в фокусе новой действительности: материалы XIII Евраз. экон. форума молодежи (Екатеринбург, 24-28 апреля 2023 г.). Т. 2. Екатеринбург: Урал. гос. экон. ун-т, 2023. С. 183-186. EDN: UFENLZ.
9. Смирнов Е. Е., Поздняков А. А., Паршин М. С. Модель классификации объектов наблюдения в условиях пересечения их траекторий движения на основе совместного анализа траекторной и поляризационной информации // Информационно-измерительные и управляющие системы. 2021. Т. 19. № 4. С. 14-26. https://doi.org/10.18127/j20700814-202104-02. - EDN: LONNYA.
10. Згуральская Е. Н. Повышение эффективности поиска скрытых закономерностей в базах данных применением интервальных методов на примерах в промышленности и других областях: дис. ... канд. техн. наук. Ульяновск, 2021. 124 с. EDN: VHGNND.
11. Мурзинов А. В. Многокритериальный метод принятия управленческих решений // Записки декана [Электронный ресурс]. 19.03.2023. https://www.dekanblog.ru/2023/03/gimnastika-uma/mnogokriterialnyj-metod-prinyatiya-upravlencheskix-reshenij (дата обращения: 05.02.2024).
12. Штовба С. Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в системе MATLAB // Exponenta Pro: Математика в приложениях. 2023. № 2. С. 9-14.
13. Алпеев Е. В., Стадник А. Н., Скрыль С. В. Методика прогнозирования компьютерных атак на основе определения весов атрибутов компьютерной атаки с применением метода деревьев решений // Электронный сетевой политематический журнал «Научные труды КубГТУ». 2021. № 6. С. 82-92. EDN: AHGTHG.
14. Шихалёв А. М., Хафизов И. И. Многокритериальные задачи принятия решений в управлении качеством: учеб. пособие. Казань: Изд-во Казанского ун-та, 2020. 91 с.
Статья поступила в редакцию 28.09.2023 г.; одобрена после рецензирования 04.12.2023 г.;
принята к публикации 12.02.2024 г.
Информация об авторе
Лубенцов Александр Витальевич - кандидат географических наук, доцент кафедры основ радиотехники и электроники Воронежского института Федеральной службы исполнения наказаний России (Россия, 394072, г. Воронеж, ул. Иркутская, 1А), lubencov@mail .ru
References
1. Isakova A. I., Korikov A. M., Levin S. M. Multicriteria choice based on a matrix of criteria in assessing the software efficiency of information systems. Doklady TUSUR = Proceedings of the TUSUR University, 2020, vol. 23, no. 4, pp. 40-44. (In Russian). https://doi.org/10.21293/1818-0442-2020-23-4-40-44. - EDN: YKPCIO.
2. Zhilin R. A., Melnikov A. V., Garusov Yu. N. Substantiation of the criterion of correctness of initial data when modeling the evaluation of the efficiency of weakly structured alternatives of security systems of internal affairs objects. Vestnik Voronezhskogo instituta MVD Rossii = Vestnik of Voronezh Institute of the Ministry of Interior of Russia, 2022, no. 2, pp. 28-36. (In Russian). EDN: UYVYUI.
3. Lubentsov A. V., Bobrov V. N., Desytov D. B., Noev A. N. The advantage of the method of hierarchy analysis, the statistical methods of decision support. J. Phys.: Conf. Ser., 2019, vol. 1203, art. no. 012079. https://doi.org/10.1088/1742-6596/1203/1/012079
4. Lubentsov A. V. Using the cascade hierarchy analysis method to evaluate the effectiveness of an integrated security system. Vestnik Voronezhskogo instituta FSIN Rossii = Vestnik of Voronezh Institute of the Russian Federal Penitentiary Service, 2022, no. 4, pp. 123-136. (In Russian). EDN: OCNMJX.
5. Grachev V. L. Express evaluation features of the automated operational management systems effectiveness in conditions of uncertainty. Tekhnologii grazhdanskoy bezopasnosti, 2022, vol. 19, no. 1 (71), pp. 41-44. (In Russian). https://doi.org/10.54234/CST.19968493.2022.19.1.71.9.41. - EDN: ERDWQX.
6. Bolshedvorskaya L. G., Koryagin N. D. Development of a mechanism for assessing the performance and efficiency of application of expert systems. Crede Experto: transport, obshchestvo, obrazovanie, yazyk = Crede Experto: Transport, Society, Education, Language, 2021, no. 3, pp. 6-13. (In Russian). https://doi.org/10.51955/ 2312-1327_2021_3_6. - EDN: UPFMUI.
7. Puzyrev A. M., Kozyreva L. V. Development of a methodology for assessing professional risks in construction. Bezopasnost' tekhnogennykh i prirodnykh system = Safety of Technogenic and Natural Systems, 2022, no. 1, pp. 9-17. (In Russian). https://doi.org/10.23947/2541-9129-2022-1-9-17. - EDN: MHEALH.
8. Solov'yanova D. V. A review of decision-making process under standard conditions, under risk and uncertainty. Mnogopolyarnyy mir v fokuse novoy deystvitel'nosti, proceedings of 13th Eurasian econ. forum of youth (Ekaterinburg, 24-28 Apr. 2023). Vol. 2. Ekaterinburg, Ural State Econ. Univ. Publ., 2023, pp. 183-186. (In Russian). EDN: UFENLZ.
9. Smirnov E. E., Pozdniakov A. A., Parshin M. S. Model of classification of observation objects under conditions of intersection of their motion paths based on joint analysis of trajectory and polarization information. Informatsionno-izmeritel'nye i upravlyayushchie sistemy = Information-Measuring and Control Systems, 2021, vol. 19, no. 4, pp. 14-26. (In Russian). https://doi.org/10.18127/j20700814-202104-02. - EDN: LONNYA.
10. Zgural'skaya E. N. Improvement of efficiency of data mining by using interval methods via examples of industry and other domains, diss. for the Cand. Sci. (Eng.). Ulyanovsk, 2021. 124 p. (In Russian). EDN: VHGNND.
11. Murzinov A. V. Multi-criteria method of managerial decision making. Zapiski dekana. (In Russian). 19.03.2023. Available at: https://www.dekanblog.ru/2023/03/gimnastika-uma/mnogokriterialnyj-metod-prinyatiya-upravlencheskix-reshenij (accessed: 05.02.2024).
12. Shtovba S. D. Identification of nonlinear dependences using fuzzy interference in MATLAB system. Exponenta Pro: Matematika vprilozheniyakh, 2023, no. 2, pp. 9-14. (In Russian).
13. Alpeyev E. V., Stadnik A. N., Skryl S. V. A method of predicting computer attacks based on determining the weights of attributes of a computer attack using the decision tree method. Elektronnyy setevoy politematicheskiy zhurnal "Nauchnyye trudy KubGTU" = Electronic network polythematic journal "Scientific Works of the Kuban State Technological University", 2021, no. 6, pp. 82-92. (In Russian). EDN: AHGTHG.
14. Shikhalyov A. M., Khafizov I. I. Multi-objective problems of decision making in quality management, study guide. Kazan, Kazan State Univ. Publ., 2020. 91 p. (In Russian).
The article was submitted 28.09.2023; approved after reviewing 04.12.2023;
accepted for publication 12.02.2024.
Information about the author
Alexander V. Lubentsov - Cand. Sci. (Geog.), Assoc. Prof. of the Fundamentals of Radio Engineering and Electronics Department, Voronezh Institute of the Federal Penitentiary Service of Russia (Russia, 394072, Voronezh, Irkutskaya st., 1A), [email protected]
/-\
Вниманию читателей журнала
«Известия высших учебных заведений. Электроника»
Подписку на печатную версию журнала можно оформить:
• по каталогу «Периодические издания. Газеты и журналы» ООО «Урал-Пресс Округ» (подписной индекс 47570): https://www.ural-press.ru/catalog
• по объединенному каталогу «Пресса России» ООО «Агентство «Книга-Сервис» (подписной индекс 38934): https://www.akc.ru
• через Агентство «ПРЕССИНФОРМ»: http://presskiosk.ru/catalog
• через редакцию - с любого номера и до конца года: http://ivuz-e.ru
Подписку на электронную версию журнала можно оформить на сайтах:
• Научной электронной библиотеки: https://www.elibrary.ru
• ООО «Агентство «Книга-Сервис»: https://www.rucont.ru; www.akc.ru;
https://www.pressa-rf.ru
• ООО «Урал-Пресс Округ»: https://www.delpress.ru
• ООО «ИВИС»: https://www.ivis.ru
\_/
