CC BY
58
Управление инновациями и инновационной деятельностью
87
10. Попова И.П. Статусные рассогласования: методолгия анализа и практика исследований // Социологические исследования. - 2011. - № 4.
11. Федотова Ю.В. Проблема понимания кризиса семьи // Социологические исследования. - 2010. - № 11.
СОВРЕМЕННЫЕ СРЕДСТВА ОБРАБОТКИ И ЗАЩИТЫ ИНФОРМАЦИИ
© Никишова Ю.В.*, Перова М.В.*
Южно-Российский институт управления Российской академии народного хозяйства и государственной службы при Президенте РФ,
г. Ростов-на-Дону
Рассмотрены основные современные средства обработки и защиты информации. Выявлены задачи распознавания, классификации образов и управления. Проведен анализ инструментальных средств.
Ключевые слова нейросетевые инструментальные средства, защиты информации, систем защиты информации, нейропакет.
На рынке нейросетевых инструментальных средств создания интеллектуальных систем представлено большое количество различных программных средств, что объясняется многоплановостью задач интеллектуальной обработки информации в различных сферах деятельности, в том числе для защиты информации в информационно-телекоммуникационных система.
Актуальность проблемы выбора подходящих под решаемую задачу нейросетевых инструментальных средств в области защиты информации обусловлена большим разнообразием представляемых ими функций, возможностей настройки, характеристик и свойств, динамикой их развития, распределенной и разнородной структурой систем защиты информации (СЗИ) и множеством других факторов.
Внедрение перспективных систем защиты информации, использующих средства интеллектуальной обработки информации на базе нейронных сетей, позволяет наделить системы защиты такими качествами как избыточность, адаптивность, возможность эффективной классификации и кластеризации угроз и атак, выполнение вычислений в реальном времени, повышение достоверности результатов и др.
Средства создания нейронных сетей (НС), как правило, включают средства моделирования НС, называемые имитаторами или нейропакетами,
* Студент кафедры Государственного и муниципального управления.
* Доцент кафедры Информационных технологий в управлении, кандидат педагогических наук, доцент.
88 ЭКОНОМИКА И УПРАВЛЕНИЕ: АНАЛИЗ ТЕНДЕНЦИИ И ПЕРСПЕКТИВ РАЗВИТИЯ
средства обучения и графический пользовательский интерфейс. Подобное ПО реализует ряд обязательных функций, таких как формирование модели НС, обучение и тестирование НС.
В зависимости от структуры связей в нейропакетах обычно реализуются следующие топологии НС:
- НС многослойная (сеть из ряда слоев формальных нейронов);
- НС полносвязная (каждый формальный нейрон связан со всеми остальными ФН нейронной сети; в каждом такте на входы НС подаётся входной сигнал + значения выходов ФН, сформированные за предыдущий такт);
- НС с локальными связями (ФН располагаются в узлах прямоугольной или гексагональной решетки сети. Каждый нейрон связан с ближайшими соседними);
- НС неструктурированная (модель сети, не имеющая структуры, подходящей к описанным выше группам).
Для построения НС под конкретные задачи, применяются процедуры формирования нейронных сетей, и известные модели формальных нейронов, с различными вариантами нелинейных преобразований или функций активации: сигмоидальных, пороговых, кусочно-линейных, и др.
Группы моделей НС различимы по применению для решения конкретных задач:
- НС многослойные и полносвязные с сигмоидальными функциями активации (для распознавания образов, адаптивного управления);
- НС с локальными связями (при обработки изображений);
- НС многослойные с особыми функциями активации (для решения задач линейной алгебры).
Большинство задач распознавания, классификации образов и управления сводятся к построению многопараметрических отображений. НС двухслойные с сигмоидальными функциями активации, на которых можно реализовать произвольные функции отображения входных сигналов в выходные, имеют теоретическое обоснование. В большинстве нейропакетов используются стандартные процедуры обучения НС.
Зачастую в нейропакетах возможно задание различных типов данных и размерности входных и выходных сигналов в зависимости от решаемой задачи. Входными данными могут быть: изображения, числа, распределения значений, а типом входных данных - числа на заданном диапазоне: бинарные, биполярные, целые или действительные. Выходными сигналами НС являются: целые или действительные числа, или их вектора.
При решении практических задач обычно используются обучающие выборки. Среднеквадратичное отклонение используется, в большинстве случаев, в качестве функции ошибки и позволяет определить соответствие выходных сигналов НС желаемым выходным сигналам обучающей выбор-
Управление инновациями и инновационной деятельностью
89
ки. В ряде нейропакетов существует возможность выбора либо задания функции ошибки.
Реализуемые в нейропакетах алгоритмы обучения НС делятся на 3 группы:
- градиентные;
- стохастические;
- генетические.
В градиентных алгоритмах вычисления частных производных функции ошибки производятся по параметрам НС. В стохастических алгоритмах минимум функции ошибки ищется случайным образом.
В генетических алгоритмах сочетаются свойства градиентных и стохастических алгоритмов (перебор вариантов реализуется на основе операции наследования, градиентный спуск реализуется на основе операции отбора).
Наличие процедур инициализации НС перед обучением предусмотрено в нейроимитаторах (присваивание параметрам НС начальных значений).
Критерии остановки при обучении НС обычно используются следующие: когда значения функции ошибки достигают заданного; когда успешно решаются все примеры обучающей выборки, где обучение - итерационная процедура. Одна из самых важных характеристик ПО для моделирования НС - скорость сходимости алгоритма обучения. Нейронные сети могут использоваться для решения различных задач защиты информации.
В основном - это задачи классификации, распознавания и кластеризации при обнаружении атак, вторжений и вредоносных программных объектов.
Другими очень важными задачами являются защищённое избыточное хранение информации, поиск скрытых закономерностей в массивах данных, биометрическая идентификация и аутентификация, шифрование данных и др.
Например, при биометрической идентификации может осуществляться преобразование совокупности экземпляров биометрических образов человека, (в виде математического ожидания и дисперсий контролируемых параметров или в виде параметров обученной сети искусственных нейронов). При преобразовании «биометрия-код» заранее обученная искусственная нейронная сеть осуществляет трансформацию вектора входных биометрических параметров «свой» в код криптографического ключа или преобразует любой другой случайный вектор входных данных в случайный выходной код.
Нейропакет SNNS (Stuttgart Neural Network Simulator) разработан в Институте параллельных и распределенных высокопроизводительных систем (IPVR) Университета Штутгарта (University of Stuttgart) и поддерживается университетом Тюбингена (University of Tubingen). Он изначально представлял собой программный имитатор для нейронных сетей на рабочих станциях Unix. В данный момент доступны версии под MS Windows. Целью
90 ЭКОНОМИКА И УПРАВЛЕНИЕ: АНАЛИЗ ТЕНДЕНЦИИ И ПЕРСПЕКТИВ РАЗВИТИЯ
проекта SNNS является создание эффективной и гибкой среды моделирования для исследования и применения нейронных сетей. SNNS включает два основных компонента: эмулятор ядра, написанный на C, и графический интерфейс пользователя. Эмулятор ядра работает с внутренними сетями структур данных нейронных сетей и выполняет операции обучения и переобучения. Он может быть использован как программа на C, встроенная в пользовательские приложения. SNNS может расширяться с помощью определенных пользователем функций активации, выходных функций, функций сайта и процедур обучения, которые записываются в виде простых программ на C. Нейропакет JavaNNS: Java Neural Network Simulator, разработанный в университете Тюбингена (University of Tubingen), является преемником SNNS. Он основан на собственном вычислительном ядре, обладает вновь разработанным графическим интерфейсом пользователя на Java, который совместим с нейропакетом SNNS и позволяет увеличить платформенную независимость.
Нейропакет Neural Lab, реализованный Серджио Ладесма (Sergio Ledesma) из University of Guanajuato, предоставляет визуальную среду для разработки и тестирования искусственных нейронных сетей, интегрируется с Microsoft Visual Studio, с C ++, включает искусственные нейронные сети (ИНС) в пользовательские приложения, научно-исследовательское моделирование, интерфейсы конечных пользователей. Neural Lab выполняет проверку на наличие ошибок наборы данных, прежде чем использовать их для обучения. Интерфейс активации позволяет тестировать ИНС в режиме реального времени, что делает возможным сравнить визуально фактический выход нейронной сети с желаемым.
Нейропакет NEURON, разработанный в Йельском университете и университете Дьюка (США), представляет собой среду моделирования отдельных нейронов и сетей нейронов.
Приведенные характеристики нейропакетов и их сравнение с точки зрения простоты использования и спектра предоставляемых услуг для моделирования НС дают возможность из большого числа существующих инструментальных средств выбрать подходящее для решения конкретных практических задач защиты информации.
Анализ инструментальных средств показал, что каждое специализированное средство по своему уникально и способно решить заданную частную задачу, но такие средства, как MATLAB и RapidMiner имеют больший набор функций и возможности по технической поддержке. Отметим, что появляются новые интересные проекты и программы, подлежащие исследованию, в концепции которых заложен открытый исходный код. Это, например, программное средство Sage, распространяемое на условиях лицензии GPL и сочетающее функциональные возможности существующих пакетов с открытым кодом.
Управление инновациями и инновационной деятельностью
91
Список литературы:
1. Возможные угрозы информационной безопасности в комплексах технических средств защиты / А.А. Никитин, С.В. Зарубин // Вестник Воронежского института МВД России. - 2013. - № 2. - С. 68-72.
2. Добыкин В.Д., Куприянов А.И., Пономарев В.Г., Шустов Л.Н. Радиоэлектронная борьба. Цифровое запоминание и воспроизведение радиосигналов и электромагнитных волн. - М.: Вузовская книга, 2009.
3. Меньшаков Ю.К. Защита объектов информации от технических средств разведки. - М. Российский гос. гум. ун-т, 2012.
4. Цифровые способы защиты объектов информатизации от утечек информации по каналам паразитного электромагнитного излучения / Ю.Т. Карманов // Вестник УрФО. Безопасность в информационной сфере. - 2012. -№ 1. - С. 62-65.
ГОСУДАРСТВЕННАЯ ПОДДЕРЖКА ВНЕДРЕНИЯ НОВЫХ ТЕХНОЛОГИЙ
© Парвицкий С.А.*
Российский государственный аграрный университет -
Московская сельскохозяйственная академия им. К.А. Тимирязева,
г. Москва
В статье рассмотрены меры, приоритетные направления и механизм устойчивого развития АПК региона на основании государственной поддержки внедрения инноваций.
Ключевые слова: устойчивое развитие, инновации, региональная инновационная система.
Многолетние исследования, в том числе периода всемирного экономического кризиса конца 20-х - начала 30-х годов прошлого столетия, позволили ученым установить вероятностную повторяемость этапов развития экономики: депрессия - спад - кризис - оживление - стабилизация - подъем. Из этого, однако, не следует, что посткризисный период непременно сопровождается последующими названными этапами.
Для оживления и стабилизации экономики требуется осуществление комплексных программ на основе выработки концепции развития. Помимо этого сельское хозяйство России является основой продовольственной безопасности страны, а в условиях вступления в ВТО возникают дополнительные риски по ее обеспечению [1]. Безотносительно направления исследова-
* Ассистент кафедры «Организация производства и предпринимательство в АПК».
