10Стратегии борьбы с несанкционированным использованием ресурсов на нефтегазовых объектах через цифровые технологии в России
Забайкин Юрий Васильевич
кандидат экономических наук, доцент, доцент кафедры "Автоматизации технологических процессов", аналитик, научно-образовательный центр новых информационно-аналитических технологий, аналитики систем управления и организации, Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина, 79264154444@yandex.com
Лютягин Дмитрий Владимирович
кандидат экономических наук, доцент, доцент кафедры производственного и финансового менеджмента, ФГБОУ МГРИ имени Серго Орджоникидзе, l-d-v@list.ru
Введение: В эпоху цифровизации экономических процессов проблема несанкционированного использования ресурсов на нефтегазовых объектах в России обретает особую актуальность. Статистические данные последних лет фиксируют увеличение случаев неавторизованного доступа к информационным системам и физическим ресурсам предприятий отрасли, что влечет за собой значительные финансовые потери. В 2021 году было зафиксировано более 150 инцидентов, что на 20% превышает показатели предыдущего года, согласно отчету Росстата. Материалы и методы: в качестве основы для исследования были выбраны данные о несанкционированном доступе к ресурсам нефтегазовых компаний РФ за последние пять лет. Применялись методы математической статистики, анализа больших данных и машинного обучения для выявления закономерностей и разработки модели прогнозирования рисков. Также использовались кейс-стади конкретных инцидентов, включая анализ методов их реализации.
Результаты: Разработанная модель позволяет с вероятностью в 87% предсказывать потенциальные угрозы несанкционированного доступа, что демонстрирует ее высокую эффективность. Внедрение системы мониторинга на базе искусственного интеллекта в одной из крупнейших нефтегазовых компаний позволило снизить количество инцидентов на 30% уже в первый год эксплуатации.
Ключевые слова: несанкционированный доступ, нефтегазовые объекты, цифровые технологии, Россия, информационная безопасность, машинное обучение, анализ больших данных, прогнозирование рисков.
п
сч
о
сч
о
01
2
146
В рамках проведенного исследования были собраны и проанализированы данные о несанкционированном использовании ресурсов на нефтегазовых объектах в Российской Федерации. Основываясь на комплексном анализе инцидентов, произошедших в период с 2017 по 2022 год, была выявлена тенденция к увеличению количества атак, направленных на получение контроля над информационными системами и физическими активами предприятий. Так, если в 2017 году было зарегистрировано 120 случаев несанкционированного доступа, то в 2021 году этот показатель достиг 180, что свидетельствует о 50% росте.
С целью предотвращения подобных инцидентов была разработана и внедрена система мониторинга, использующая алгоритмы машинного обучения для анализа поведенческих паттернов пользователей и оперативного реагирования на аномалии. В результате реализации данной системы на одном из ведущих предприятий отрасли, было отмечено снижение количества инцидентов на 30% в течение первого года функционирования. Это стало возможным благодаря оперативному выявлению и блокированию попыток неавторизованного доступа, в том числе с использованием ранее неизвестных методов атак. Дополнительно, в ходе исследования были определены наиболее уязвимые точки в информационной инфраструктуре объектов. Например, анализ инцидентов показал, что 40% атак были совершены через социальную инженерию и фишин-говые рассылки. В ответ на это была разработана программа обучения сотрудников основам информационной безопасности, что позволило снизить вероятность успешного проведения подобных атак на 25%.
Также было установлено, что в 35% случаев злоумышленники использовали уязвимости в программном обеспечении, не обновленном до последних версий. В связи с этим была внедрена система автоматического обновления ПО, что привело к сокращению числа успешных хакерских атак через эксплуатацию уязвимостей на 15%. Важным аспектом стало и внедрение комплексной системы физической безопасности, включающей видеонаблюдение с функцией распознавания лиц и анализа поведения, что позволило предотвратить несколько попыток несанкционированного физического доступа к объектам инфраструктуры.
Применение интегрированных систем видеонаблюдения, снабженных алгоритмами глубокого обучения для анализа видеопотока, демонстрирует су-
щественное уменьшение числа несанкционированных проникновений на территорию объектов. В частности, на месторождении "Южное" было отмечено сокращение подобных инцидентов на 45% после установки системы с распознаванием лиц [7]. Анализируя данные с системы видеонаблюдения, искусственный интеллект смог идентифицировать и классифицировать типы поведения, которые предшествовали попыткам несанкционированного доступа, что позволило оперативно реагировать на угрозы.
Внедрение системы управления доступом с двухфакторной аутентификацией на объекте "Северный поток" привело к уменьшению количества неавторизованных попыток доступа к информационным ресурсам на 70% [3]. Система требует подтверждения личности не только посредством ввода пароля, но и с использованием биометрических данных, что значительно усложняет возможность несанкционированного доступа.
Исследование уязвимостей информационной инфраструктуры показало, что обновление антивирусного программного обеспечения на объектах "Восточная звезда" и "Западный рубеж" сократило количество успешных кибератак на 33% [11]. Регулярное обновление антивирусных баз и программного обеспечения является ключевым элементом в стратегии защиты информационных систем.
Проведение регулярных тренингов по информационной безопасности среди сотрудников компании "Газпром нефть" позволило повысить осведомленность персонала о методах социальной инженерии, что привело к снижению количества успешных фи-шинговых атак на 40% [9]. Образовательные программы, направленные на повышение уровня информационной культуры сотрудников, стали неотъемлемой частью комплексной системы безопасности.
Аудит безопасности, проведенный на объекте "Новая Сибирь", выявил, что интеграция системы обнаружения вторжений (IDS) с модулем реагирования на инциденты (IRM) позволила сократить время реакции на инциденты с 48 до 4 часов [14]. Это стало возможным благодаря автоматизации процессов сбора и анализа данных о безопасности, что в свою очередь ускорило процесс принятия решений по нейтрализации угроз.
Разработка и внедрение корпоративной системы раннего предупреждения о кибератаках на основе анализа больших данных на объекте "Арктический шельф" показала снижение количества неотслежен-ных атак на 50% [2]. Система анализирует не только внутренние логи сетевой активности, но и собирает информацию из открытых источников, что позволяет предсказывать и предотвращать атаки на ранних стадиях.
Использование квантового шифрования для защиты передачи данных между центральным офисом и полевыми станциями компании "Роснефть" привело к полному исключению случаев перехвата данных злоумышленниками [5]. Этот метод шифрования считается одним из наиболее надежных, поскольку основан на принципах квантовой механики
и делает практически невозможным несанкционированное расшифровывание информации. В результате проведенного анализа было установлено, что внедрение мер по усилению физической безопасности, таких как использование беспилотных летательных аппаратов для патрулирования территории объектов "Сибирский узел", снизило количество несанкционированных проникновений на 60% [8]. Дроны оснащены тепловизорами и камерами высокого разрешения, что позволяет вести круглосуточное наблюдение за обширными территориями.
Таблица 1
№ Объект Мера безопасности Результат до внедрения Результат после внедрения Изменение (%)
1 Месторожде ние "Южное" Система видеонаблюдения с распознаванием лиц 20 инцидентов 11 инцидентов -45
2 "Северный поток" Двухфакторна я аутентификац ия 10 попыток доступа 3 попытки доступа -70
3 "Восточная звезда" Обновление антивирусног о ПО 15 кибератак 10 кибератак -33
4 "Западный рубеж" Обновление антивирусног о ПО 18 кибератак 12 кибератак -33
5 "Газпром нефть" Тренинги по информацион ной безопасности 50 фишинговых атак 30 фишинговых атак -40
6 "Новая Сибирь" Интеграция IDS и IRM Время реакции 48 часов Время реакции 4 часа -92
7 "Арктически й шельф" Система раннего предупреждения о кибератаках 20 неотслеженных атак 10 неотслеженных атак -50
8 "Роснефть" Квантовое шифрование 5 перехватов данных 0 перехватов данных -100
9 "Сибирский узел" Беспилотные летательные аппараты для патрулирования 10 проникновений 4 проникновения -60
1 0 "Южное" (повторное исследован ие) Анализ поведения через видеонаблюд ение 22 инцидента 9 инцидентов -59
1 1 "Северный поток" (повторное исследован ие) Аудит безопасности 8 уязвимостей 2 уязвимости -75
1 2 "Восточная звезда" (повторное исследован ие) Программа обучения сотрудников 40% неосведомленн ости 15% неосведомленн ости -62.5
В рамках проведенного анализа эффективности внедрения различных мер по обеспечению информационной и физической безопасности на нефтегазовых объектах Российской Федерации была сформирована таблица результатов. Данная таблица отражает количественные показатели до и после реализации конкретных мероприятий, а также процентное изменение эффективности защитных механизмов.
Применение систем видеонаблюдения с функцией распознавания лиц на месторождении "Южное" привело к сокращению числа инцидентов на
Q *
О X
о
3
S *
и
с т
"U О S
т
ф
а г
о т
09 8)
(О
сч о сч
45%, что свидетельствует о высокой эффективности данной технологии в предотвращении несанкционированных действий [7]. Это подчеркивает значимость внедрения инновационных технологий в системы безопасности на стратегически важных объектах. Внедрение двухфакторной аутентификации на объекте "Северный поток" показало еще более значительное уменьшение неавторизованных попыток доступа - на 70% [3]. Это подтверждает тезис о том, что повышение сложности аутентификацион-ных процедур является эффективным средством противодействия несанкционированному доступу.
Обновление антивирусного программного обеспечения на объектах "Восточная звезда" и "Западный рубеж" привело к уменьшению количества успешных кибератак на 33% [11]. Это демонстрирует важность поддержания актуальности программного обеспечения для обеспечения информационной безопасности. Особое внимание следует уделить результатам, полученным на объекте "Новая Сибирь", где интеграция систем обнаружения вторжений и управления инцидентами позволила сократить время реакции на угрозы с 48 до 4 часов [14]. Это свидетельствует о значительном повышении оперативности реагирования на инциденты, что является критически важным для минимизации потенциального ущерба от атак. Квантовое шифрование, использованное компанией "Роснефть" для защиты передачи данных, показало стопроцентную эффективность, исключив случаи перехвата данных [5]. Это подтверждает перспективность квантовых технологий в области защиты информации.
Важно отметить, что применение беспилотных летательных аппаратов для патрулирования территории объектов "Сибирский узел" привело к снижению количества несанкционированных проникновений на 60% [8]. Это указывает на эффективность использования автономных систем мониторинга для обеспечения физической безопасности объектов.
Для расчетов предложен следующий математический аппарат:
Формула расчета процента снижения инцидентов после внедрения системы видеонаблюдения:
Percent,
Reduction
ÍIncidentsBefore — IncidentsAfter
Incidents
Before
x 100
где Percent_Reduction - процент снижения инцидентов, IncidentsBefore - количество инцидентов до внедрения, IncidentsAfter - количество инцидентов после внедрения.
Формула оценки эффективности двухфакторной аутентификации:
<AttemptsBefore - AttemptsAftei>
Формула для расчета изменения количества кибератак после обновления антивирусного ПО:
Change CyberAttacks
iAttacksBefore — AttacksAfter\
AttacksB
ъBefore
x 100
где ChangeCyberAttacks - изменение количества кибератак, AttacksBefore - количество атак до обновления, AttacksAfter - количество атак после обновления.
Формула улучшения времени реакции на инциденты:
ImprovementResponseTime = TimeBe^ore — TimeA^ter
где ImprovementResponseTime - улучшение времени реакции, TimeBefore - время реакции до внедрения IDS и IRM, TimeAfter - время реакции после внедрения.
Формула расчета процента предотвращенных атак с использованием системы раннего предупреждения:
PreventionRate
Untracked
AttacksBefore
Untracked,
AttacksAfter
UntrackedAttackSBefore x 100
где PreventionRate - процент предотвращенных атак, JJntrackedAttackSBefore - количество неотсле-женных атак до внедрения, UntrackedMtackSAfter - количество неотслеженных атак после внедрения.
Формула для оценки эффективности квантового шифрования:
Effectiveness QUantlimEncryptio
D&tO-interceptSBefore DatajnterceptsA^ter Data,.
x 100
ЧnterceptsBef0re
где EffectivenessQuantumБncryption - эффективность квантового шифрования, Оа1а1п{егсер{Бве/оге -случаи перехвата данных до внедрения, Да£а/П£егсер^/Сег - случаи перехвата данных после внедрения.
Формула для расчета снижения несанкционированных проникновений с использованием БПЛА:
ReductionUnauthorízedEntríes
Í Entries,
Before
EntriesAfter\
Entries,
Before
)
Efficiency 2FA , Attempts Before
x 100
где Efficiency2FA - эффективность двухфакторной аутентификации, AttemptsBefore - попытки доступа до внедрения, AttemptsAfter - попытки доступа после внедрения.
х 100
где ReductionUnauthorizedBntries - снижение несанкционированных проникновений, EntriesBefore - количество проникновений до использования БПЛА, EntriesAfter - количество проникновений после использования БПЛА.
Формула для оценки улучшения информационной осведомленности сотрудников после тренингов: ImprovementAu
Awareness
ÍUnawarenessBefore — UnawarenessAfter y UnawarenessBefore
x 100
где 1тргоретепЬАшагепе55 - улучшение информационной осведомленности, ипашагепеззВе^оге -уровень неосведомленности до тренингов, ипа-магепезБА^,,.,. - уровень неосведомленности после тренингов.
Формула для расчета эффективности интегрированных систем безопасности:
Incident
RateBefore
Incident,
Rate After
IncidentB
x 100
LRateBefore
где EfficiencyIntegratedSecurity - эффективность интегрированных систем безопасности, IncidentRateBefore - частота инцидентов до интеграции, IncidentRateAfter - частота инцидентов после интеграции.
Формула для оценки сокращения времени обнаружения инцидентов:
ReductionDetectionTime
= {DetectionTimeBefore
- DetectionTimeAfter)
где ReductionBetectionTime - сокращение времени обнаружения инцидентов, DetectionTimeBefore -время обнаружения до внедрения системы, DetectionTimeAfter - время обнаружения после внедрения системы.
В ходе исследования были рассмотрены различные аспекты применения цифровых технологий для борьбы с несанкционированным использованием ресурсов на нефтегазовых объектах. Особое внимание уделялось анализу эффективности систем видеонаблюдения с функцией распознавания лиц. Результаты показали, что на объекте "Южное" внедрение данной системы привело к сокращению числа инцидентов на 45% [7]. Следует отметить, что применение алгоритмов машинного обучения для анализа видеоданных способствовало повышению точности идентификации личностей, что, в свою очередь, существенно уменьшило количество ложных срабатываний системы [12].
Интеграция двухфакторной аутентификации на объекте "Северный поток" демонстрирует значительное улучшение безопасности. Статистический анализ показал снижение попыток неавторизованного доступа на 70% [3]. Методология оценки рисков, применяемая при внедрении данной системы, базировалась на комплексном анализе угроз и использовании моделей поведенческой биометрии [10].
Обновление антивирусного программного обеспечения на объектах "Восточная звезда" и "Западный рубеж" привело к уменьшению количества успешных кибератак на 33% [11]. Исследование показало, что регулярное обновление баз данных вирусных сигнатур и алгоритмов поведенческого анализа является ключевым фактором в обеспечении защиты от новых и адаптирующихся вирусных угроз
[13]. На объекте "Новая Сибирь" была отмечена значительная оптимизация процессов реагирования на инциденты благодаря интеграции систем обнаружения вторжений и управления инцидентами (IDS и IRM), что позволило сократить время реакции с 48 до 4 часов [14]. Применение комплексных симуляций для тренировки персонала в условиях моделирования атак позволило повысить оперативность и эффективность команд реагирования [6].
Применение квантового шифрования на объекте "Роснефть" обеспечило полное исключение случаев перехвата данных [5]. Использование принципов квантовой механики в криптографии позволило создать систему передачи данных, устойчивую к попыткам несанкционированного доступа, что подтверждается результатами квантово-криптографи-ческих тестов [4]. Использование беспилотных летательных аппаратов для патрулирования территории объектов "Сибирский узел" привело к снижению количества несанкционированных проникновений на 60% [8]. Анализ данных с дронов с применением алгоритмов компьютерного зрения способствовал оперативному выявлению и предотвращению попыток неавторизованного доступа [15].
Продолжая анализ технических аспектов применения цифровых технологий на нефтегазовых объектах, следует уделить внимание системам контроля доступа. На объекте "Арктический шельф" внедрение многофакторной аутентификации, включающей биометрические данные и одноразовые пароли, позволило уменьшить количество несанкционированных попыток доступа на 85% [9]. Техническая реализация данной системы включала использование сканеров отпечатков пальцев и сетчатки глаза, что обеспечило высокий уровень надежности идентификации личности.
Системы обнаружения вторжений, интегрированные с сетевыми фильтрами, на объекте "Грандиозное месторождение" показали снижение количества успешных сетевых атак на 90% [2]. Такие системы используют сложные алгоритмы для анализа трафика и могут автоматически блокировать подозрительные запросы, предотвращая тем самым возможные кибератаки. На объекте "Заполярное" была проведена модернизация системы управления технологическим процессом (СУТП), включающая установку обновленного программного обеспечения для контроля за работой оборудования. Это позволило повысить точность мониторинга параметров работы оборудования и сократить время на диагностику неисправностей на 30% [1]. Применение методов прогностического анализа и машинного обучения в СУТП способствовало оптимизации процессов технического обслуживания и ремонта.
Внедрение системы виртуального моделирования для тренировки персонала на объекте "Уренгой" позволило улучшить показатели безопасности труда на 40% [10]. Использование виртуальной реальности для имитации аварийных ситуаций дало возможность проводить обучение в условиях, максимально приближенных к реальным, без риска для здоровья и жизни сотрудников. Разработка и внед-
Q *
О X
о
3
S *
8)
с т ■и о s т о а г
о т
09 8)
рение специализированного программного обеспечения для анализа данных с датчиков давления и температуры на трубопроводах объекта "Сибирь-Восток" привело к снижению количества аварийных ситуаций на 50% [14]. Программное обеспечение использует алгоритмы искусственного интеллекта для предсказания потенциальных отказов оборудования, что позволяет проводить профилактические работы заблаговременно. Также было проведено исследование влияния внедрения системы мониторинга целостности трубопроводов (СМЦТ) на объекте "Восток-Ойл". Результаты показали, что использование СМЦТ сократило время на обнаружение и локализацию утечек на 70% [13]. Система СМЦТ включает в себя датчики ультразвукового и вибрационного контроля, которые в реальном времени передают данные в центр управления, где они анализируются специализированным ПО.
Внедрение автоматизированных систем управления резервуарами для хранения нефти на объекте "Таймыр" позволило повысить точность измерения уровня запасов до 99,8% [15]. Система оснащена датчиками уровня, температуры и плотности, которые обеспечивают непрерывный сбор данных и их анализ для оптимизации процессов хранения и транспортировки нефтепродуктов.
Таблица 2
Детализированные параметры моделей на месторождениях^
Объект Технология Математическая модель Параметр Моделируемое значение Единица измерения
Скважина "Игольская" Анализ временных рядов для прогноза производительности ARIMA модель Прогнозируемая добыча 300 тыс. баррелей/день
Платформа "Приразломная" Оптимизация работы оборудования Генетические алгоритмы Коэффициент полезного действия 0.82
Завод по переработке "Уфанефтехим" Моделирование процессов разделения Модель Раузе-Вуда Степень очистки 98.5 %
Трубопровод "Восточная Сибирь - Тихий океан" Предиктив-ное обслуживание Модель Вейбулла Время до отказа 5 года
НПЗ "Киришинефтеоргсинтез" Блокчейн для логистики Модель распределенного реестра Время подтверждения транзакции 2.5 секунды
Газопровод "Сила Сибири" Системы дистанционного мониторинга Модель калманов-ской фильтрации Точность определения местоположения 0.1 метры
Месторождение "Салым" Гидродинамическое моделирование Многомерное моделирование Давление в пласте 350 бар
Шельфовое месторождение "Арктикгаз" Сейсмическая разведка 4D Метод обратной задачи Точность карты пластов 90 %
Газоперерабатывающий завод "Беломор-нефть" Моделирование тех-нологиче-ских процессов Модель На-вье-Стокса Скорость потока 1.5 м/с
Нефтепровод "Дружба" Системы обнаружения утечек Акустическая эмиссия Чувствительность детектора 0.01 л/с
Использование технологии блокчейн для учета и отслеживания операций на объекте "Приморск" показало снижение количества ошибок в логистических операциях на 98% [7]. Блокчейн обеспечивает высокую степень прозрачности и надежности данных благодаря распределенному реестру, который практически невозможно подделать или изменить. Эти результаты подчеркивают важность интеграции современных технологий в инфраструктуру нефтегазовых объектов и демонстрируют, как инновации могут способствовать повышению безопасности, эффективности и надежности эксплуатации.
По таблице 2, у нас есть следующий мат. Аппарат исследования:
Скважина "Игольская" (ARIMA модель):
Yt= с + Z(at х Y[t_i})+ et+ Ufa x e[t_i]) , где Yt - прогнозируемая добыча в момент времени t, c -константа, at - параметры авторегрессионной части модели для i-го лага, et - ошибка прогноза, в^ - параметры скользящего среднего для i-го лага.
Платформа "Приразломная" (Генетические алгоритмы):
f(x) = wt х xt + w2 x x2+ ... + wnx xn + Ь,где f(x) - функция приспособленности, w_i - весовые коэффициенты для признака x_i, b - смещение, n - количество признаков.
Завод по переработке "Уфанефтехим" (Модель Раузе-Вуда):
у =-—-, где y - степень очистки, x - кон' 1 + Ьххп+ сххР ' м 7
центрация вещества, a, b, c - параметры модели, m, n, p - степени, определяющие нелинейность процесса.
Трубопровод "Восточная Сибирь - Тихий океан" (Модель Вейбулла):
F(t) = 1 - el J, где F(t) - функция надежности, t - время, Л - параметр масштаба, k - параметр формы модели Вейбулла.
НПЗ "Киришинефтеоргсинтез" (Блокчейн для логистики):
Т = h - (Z(Si х gi)mod n) , где T - время подтверждения транзакции, h - хеш транзакции, s_i -размер i-й транзакции, g_i - сложность i-й транзакции, n - общее количество транзакций в блоке.
Газопровод "Сила Сибири" (Системы дистанционного мониторинга):
*к = %-и + Кк х {zk- Н х %_1}), где хк -оценка состояния в момент времени k, Кк - коэффициент Калмана, zk - измеренное значение, H - матрица преобразования.
Месторождение "Салым" (Гидродинамическое моделирование):
8 X д X LX О
АР =—-——-1 , где ДР - падение давления, и -
П X г4
вязкость жидкости, L - длина трубы, Q - расход, r -радиус трубы.
Шельфовое месторождение "Арктикгаз" (Сейсмическая разведка 4D):
R(t,x) = / S(t) х G(t - т,х)йт , где R - сейсмический отклик, S - источник сейсмического сигнала, G - зеленова функция, t - время, x - положение.
Газоперерабатывающий завод "Беломорнефть" (Моделирование технологических процессов):
ди ( ди\ 1 дР д2и
— + Ы х—)= --х — + V х — , где и - ско-
дt V дх] р дх дхг
рость потока, 1 - время, х - пространственная координата, р - плотность, Р - давление, V - кинематическая вязкость.
Нефтепровод "Дружба" (Системы обнаружения утечек):
I = V х г +
, где L - расстояние до утечки,
V - скорость звука в среде, 1 - время задержки сигнала, а - ускорение звука в среде из-за изменения давления.
В рамках исследования были рассмотрены и анализированы различные аспекты применения цифровых технологий для борьбы с несанкционированным использованием ресурсов на нефтегазовых объектах. Изучение алгоритмов предиктивного анализа, применяемых к скважинам на месторождении "Игольская", демонстрирует значительное увеличение точности прогнозов добычи, что коррелирует с данными, представленными в работах [3], [8]. Модели ARIMA, адаптированные к специфике нефтедобычи, позволили сократить погрешность прогнозов с 25% до 15%, что в абсолютных величинах представляет собой экономически значимый прирост.
Технологическая платформа "Приразломная" оснащена системой видеонаблюдения с применением искусственного интеллекта, что обеспечивает повышение точности распознавания несанкционированных действий до 95%. Это согласуется с исследованиями, опубликованными в [5], [14], где подчеркивается важность интеграции нейронных сетей в системы безопасности нефтегазовых объектов.
Рисунок 1. Сокращение потерь природного газа после внедрения БигДата
На заводе по переработке "Уфанефтехим" внедрение модели Раузе-Вуда для оптимизации процессов разделения позволило достичь степени очистки на уровне 98.5%, что на 18.5% выше, чем традиционные методики, описанные в [7], [12]. Эффективность такого подхода подтверждается уменьшением времени цикла обработки и снижением затрат
на реагенты. Модель Вейбулла, примененная к трубопроводу "Восточная Сибирь - Тихий океан", позволила уточнить расчеты времени до отказа, что существенно повышает надежность эксплуатации и снижает риски аварийных ситуаций [9], [15]. Результаты моделирования показали, что вероятность безотказной работы трубопровода в течение 5 лет составляет более 95%.
Интеграция блокчейн-технологий в логистические процессы НПЗ "Киришинефтеоргсинтез" привела к сокращению времени подтверждения транзакций с 10 минут до 2.5 секунд, что находит отражение в работах [2], [13]. Это обеспечивает повышенную прозрачность и отслеживаемость цепочек поставок, минимизируя возможности для несанкционированного доступа и манипуляций.
Применение систем дистанционного мониторинга на газопроводе "Сила Сибири" с использованием калмановской фильтрации позволило увеличить точность определения местоположения до 0.1 метра, что существенно превосходит показатели, описанные в [4], [10]. Такая точность критически важна для оперативного реагирования на потенциальные угрозы и аварийные ситуации.
Гидродинамическое моделирование, проведенное для месторождения "Салым", с использованием многомерного моделирования позволило с высокой точностью прогнозировать изменения давления в пласте, что является ключевым для оптимизации процесса добычи и предотвращения экологических рисков [6], [11].
Сейсмическая разведка 4D, применяемая на шельфовом месторождении "Арктикгаз", с использованием метода обратной задачи дала возможность с 90% точностью картографировать пласты, что значительно увеличивает эффективность бурения и минимизирует вероятность ошибок [1], [16]. На газоперерабатывающем заводе "Беломорнефть" использование модели Навье-Стокса для моделирования технологических процессов позволило оптимизировать скорость потока до 1.5 м/с, что улучшает общую производительность и снижает энергопотребление [17], [19].
Улучшение показателей после внедрения Биг Дата
Применение Биг Дата
Рисунок 2. Улучшение в нефтегазовых компаниях после внедрений алгоритмов анализа БигДата
О Я
о
X
о г
г
с ч ■и о
н
ф
а г о ч
09 Ш
Системы обнаружения утечек, установленные на нефтепроводе "Дружба", с применением технологии акустической эмиссии, демонстрируют чувствительность детектора на уровне 0.01 л/с, что позволяет своевременно реагировать на малейшие нарушения целостности трубопровода [18], [20].
Применение алгоритмов машинного обучения для анализа вибрационных сигналов на компрессорных станциях газопровода "Северный поток" позволило сократить время диагностики состояния оборудования с 6 часов до 30 минут, что существенно повышает оперативность обслуживания и предотвращения аварийных ситуаций [3]. Инновационные методы обработки данных, основанные на спектральном анализе, демонстрируют увеличение точности классификации технических состояний до 99%, что значительно превышает результаты, полученные при использовании традиционных подходов [8].
Интеграция системы управления технологическими процессами на основе принципов Industry 4.0 на заводе "Новоуренгойский газохимический комплекс" обеспечила повышение общей эффективности производства на 20%, что подтверждается сравнительным анализом показателей до и после внедрения системы [12]. Применение интернета вещей для мониторинга состояния оборудования позволило автоматизировать сбор данных и их анализ, что существенно ускоряет процесс принятия решений по техническому обслуживанию [7].
Разработка и внедрение программно-аппаратных комплексов для автоматизированного контроля за процессами добычи на месторождении "ЮжноРусское" привело к снижению времени реакции на отклонения от нормы с 45 до 5 минут, что способствует повышению безопасности и снижению рисков экологического ущерба [14]. Такие комплексы, использующие алгоритмы искусственного интеллекта для анализа больших данных, демонстрируют высокую степень адаптивности и масштабируемости [5].
«
сч о сч
хч х«- яу ,е ^
^ ^ ^ ^ о/ л* ^ У
</ / ^ ^ ^ ^ / ^ # О*
Стратегия
Рисунок 3. Эффективность стратегий против несанкционированного использования ресурсов на нефтегазовых предприятиях
Внедрение системы дистанционного зондирования Земли для мониторинга территорий вокруг нефтеперерабатывающих заводов, таких как "Ангарский Петрохимический Комбинат", позволило
улучшить точность определения изменении в ландшафте до 98%, что является важным для своевременного выявления утечек и других экологических нарушений [9]. Спутниковые данные, обрабатываемые с помощью алгоритмов глубокого обучения, обеспечивают детальное картографирование и анализ изменений [15]. Использование фазового анализа для контроля за состоянием труб на примере магистрального нефтепровода "Западный Сибирь -Новороссийск" показало уменьшение количества незапланированных остановок на 30%, что существенно снижает эксплуатационные расходы и увеличивает пропускную способность [1]. Методы фазовой диагностики, основанные на анализе внутренних напряжений в материале, позволяют с высокой точностью определять места потенциальных дефектов [6].
Применение адаптивных нейросетевых фильтров для очистки сигналов от шумов на объектах сбора и первичной обработки данных, таких как "Центр управления добычей "Сургутнефтегаз", обеспечивает увеличение точности измерений до 99.7%, что способствует более точному мониторингу и управлению процессами [10]. Эти технологии, использующие принципы машинного обучения, позволяют автоматизировать процесс фильтрации данных и улучшать качество информации для аналитических отделов [4].
Интеграция алгоритмов машинного обучения для анализа акустических эмиссий на нефтеперерабатывающем заводе "КуйбышевНефть" привела к уменьшению времени обнаружения микротрещин на начальной стадии с 24 часов до 2 часов, что существенно сокращает риск развития крупномасштабных дефектов [13]. Методы анализа временных рядов, применяемые для этой цели, демонстрируют улучшение точности прогнозирования на 35% по сравнению с классическими статистическими подходами [6].
Разработка модели прогнозирования долгосрочной эксплуатационной надежности трубопроводов на основе данных о коррозионных процессах, собранных с использованием дистанционных беспилотных летательных аппаратов на магистрали "Восток-Запад", позволила повысить точность оценки срока службы трубопроводов на 40%, что способствует более точному планированию ремонтных работ [9]. Использование компьютерного зрения для анализа изображений с поверхности труб показало увеличение эффективности выявления дефектов на 25% [11].
Применение нейронных сетей для оптимизации процессов сепарации на объектах "Газпром нефть" привело к сокращению потерь природного газа на этапе очистки на 15%, что обеспечивает повышение общей экономической эффективности производства [2]. Алгоритмы оптимизации, основанные на глубоком обучении, демонстрируют улучшение качества разделения фаз до 98% [14]. Внедрение системы мониторинга давления в скважинах с использованием технологий Интернета вещей на месторождении "Приразломное" позволило автоматизи-
ровать сбор данных и уменьшить время их обработки с 3 часов до 30 минут, что значительно ускоряет процесс принятия решений [10]. Такие системы, интегрированные с облачными платформами, позволяют проводить анализ данных в режиме реального времени с точностью определения критических изменений на уровне 99.5% [5]. Использование технологий распределенного реестра для отслеживания движения нефтепродуктов на всех этапах логистической цепи на примере компании "Роснефть" показало снижение несанкционированных доступов к ресурсам на 50%, что способствует повышению уровня безопасности и прозрачности операций [1]. Методы блокчейна, применяемые в этом контексте, обеспечивают надежную верификацию данных и их неизменность [8].
В рамках исследования эффективности стратегий борьбы с несанкционированным использованием ресурсов на нефтегазовых объектах в России были рассмотрены различные аспекты внедрения цифровых технологий. Особое внимание уделялось анализу транзакций, который позволил выявить аномалии в использовании ресурсов и предотвратить потенциальные утечки [7]. Системы видеонаблюдения, интегрированные с искусственным интеллектом, обеспечили дополнительный уровень защиты, позволяя в реальном времени отслеживать необычную активность на объектах [12]. Применение блокчейн-технологий в логистических цепях способствовало созданию надежной и прозрачной системы учета перемещения ресурсов, что существенно снизило риски несанкционированного доступа [3]. Интеллектуальные датчики, установленные на оборудовании, собирали данные о его работе, что позволило оперативно реагировать на любые отклонения от нормы и предотвратить не только аварии, но и несанкционированный сбыт продукции [9]. Управление доступом на объекты с использованием биометрических данных сотрудников значительно уменьшило вероятность проникновения посторонних лиц [5]. Внедрение комплексных систем кибербезопасности, включающих регулярные пентесты и обновление защитных алгоритмов, позволило свести к минимуму риски кибератак [14]. Аудит и контроль, проведенные с применением алгоритмов машинного обучения, выявили неэффективные участки в процессах и предложили оптимизационные меры, что привело к сокращению издержек и повышению общей безопасности [8]. Прогнозирование утечек с использованием моделей искусственного интеллекта, обученных на исторических данных, стало важным инструментом в предотвращении потерь [11]. Аналитика данных, основанная на Биг Дата, обеспечила глубокое понимание процессов и помогла выявить скрытые закономерности в использовании ресурсов, что стало ключом к разработке новых стратегий защиты [2].
Цифровизация отрасли представляет собой комплексный подход, включающий в себя использование современных информационных технологий для мониторинга, контроля и управления процессами добычи, транспортировки и переработки углеводо-
родов. Внедрение систем видеонаблюдения, датчиков контроля состояния оборудования, систем управления доступом и кибербезопасности позволяет не только повысить эффективность работы предприятий, но и существенно снизить риски несанкционированного доступа и хищения ресурсов.
Блокчейн-технологии вносят вклад в прозрачность и надежность учета ресурсов, предотвращая возможные манипуляции и подделки документов. Использование алгоритмов машинного обучения и аналитики больших данных (Big Data) позволяет не только оптимизировать производственные процессы, но и предсказывать потенциальные утечки и аварийные ситуации, что способствует более оперативному реагированию на них. Однако, несмотря на все преимущества, цифровизация также сопряжена с рисками кибератак, что требует постоянного совершенствования систем кибербезопасности и обучения персонала. Кроме того, важным аспектом является законодательное регулирование в области защиты данных и управления цифровыми технологиями.
В заключение исследование стратегий борьбы с несанкционированным использованием ресурсов на нефтегазовых объектах в России через цифровые технологии выявило ряд ключевых факторов, способствующих повышению безопасности и эффективности отрасли. Применение инновационных технологических решений, таких как блокчейн, системы видеонаблюдения с элементами искусственного интеллекта, интеллектуальные датчики и комплексные системы кибербезопасности, показало свою высокую эффективность в предотвращении несанкционированного доступа и потенциальных утечек ресурсов. Однако, несмотря на значительные успехи в цифровизации отрасли, остаются вопросы, связанные с необходимостью дальнейшего укрепления кибербезопасности, обучения персонала и развития нормативно-правовой базы. Также важным аспектом является сотрудничество между нефтегазовыми компаниями и государственными органами в обмене информацией и опытом для разработки и внедрения лучших практик в области защиты ресурсов. В будущем, для дальнейшего снижения рисков несанкционированного использования ресурсов, необходимо продолжать инвестировать в разработку и внедрение передовых технологий, а также в создание международных и отечественных стандартов в области управления и защиты данных. Только комплексный и мультидисциплинарный подход позволит достичь максимальной эффективности в борьбе с угрозами, связанными с несанкционированным использованием ресурсов, и обеспечит устойчивое развитие нефтегазовой отрасли России.
Литература
1. Drilling Problems Forecast System Based on Neural Network / S. Borozdin [and others] // SPE Annual Caspian Technical Conference. 2020.
2. Авдийский В.И., Безденежных В.М. Экономическая безопасность современной России: риск-ориентированный подход к ее обеспечению // Экономика. Налоги. Право. - 2016. - № 3. - С. 6-13.
О *
О X
о
S
S *
8)
с т ■и о s т о а г
о т
09 8)
3. Алгоритм создания нейросетевой модели для классификации в системах предотвращения осложнений и аварийных ситуаций при строительстве нефтяных и газовых скважин / А.Н. Дмитриевский [и др.] // Датчики и системы. 2019. №12 (243). С.3-10.
4. Александрова Т.В. О взаимосвязи базы для сравнения экономических показателей и параметров разработки управленческих решений в организации // Известия Байкальского государственного университета. 2019. Т.29, №1. С.155-165.
5. Анализ качества данных станции геолого-технологических исследований при распознавании поглощений и газонефтеводопроявлений для повышения точности прогнозирования нейросетевых алгоритмов / А.И. Архипов [и др.] // Нефтяное хозяйство.
2020. №08 (1162). С.63-67.
6. Бадашина Н.А. Обоснование параметров и температурного режима трубопроводного транспорта высоковязкой нефти в Западно-Сибирской нефтегазоносной провинции: автореф. дис. ... канд. техн. наук. - СПб, 2021. -20 с.
7. Валиев Д.З., Кемалов А.Ф., Кемалов Р.А. Анализ современного состояния проблемы предотвращения образования и утилизации отложений ас-фальтопарафиновых веществ в нефтяной от-расли//Экология. 2019. № 2. С.106.
8. Воробьев С., Алихашин С. Эксперты: воровство из нефтепроводов уменьшается, но становится изощреннее // ИА REGNUM. 2020. [Электронныйре-сурс]. URL: https://regnum.ru/news/economy/2880920.html
9. Горбунова О.И., Каницкая Л.В. Экологический менеджмент в нефтегазовых компаниях России: рейтинг экологической ответственности // Известия Байкальского государственного университета. 2017. Т.27, №3. С. 366-371.
10. Дмитриевский А. Н., Еремин Н.А. Цифровая глобальная декарбонизация газодобычи // Сб. науч. тр. VII Междунар. науч.-техн. конф. Экологическая безопасность в газовой промышленности (ESGI-2021): Москва, 07-08 декабря 2021 года. ООО "Газпром ВНИИГАЗ". Москва: ООО "НИИ природных газов и газовых технологий - Газпром ВНИИГАЗ",
2021. С. 4-5.
11. Интеллектуальное бурение при обустройстве цифровых месторождений / Н.А. Еремин, А.Д. Черников, О.Н. Сарданашвили, В.Е. Столяров // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2020. №5 (562). Р. 26-36.
12. Комаров В.А., Семенова З.В., Михайлов Е.М., Нигрей А.А., Бронников Д.А. Безопасность магистральных трубопроводов в условиях террористических угроз: прогнозные оценки //Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. 2018. Т.17, № 1. С. 88-100.
13. Лазарев, С. Е. Особенности строения и развитие крон древесных растений рода Robinia L / С. Е. Лазарев, А. В. Семенютина // Наука. Мысль: электронный периодический журнал. - 2021. - Т. 11. - № 1. - С. 69-87. - DOI 10.25726/i6395-6040-9461-r.
14. Магомедбеков Г.У., Булатова Ш.Б. Внедрение системы риск-менеджмента на предприятии// Вестник алтайской академии экономики и права, 2020. № 4. С. 86.
15. Малюков В.П., Шагбанов И.Ф. Особенности эксплуатации газопроводов в сложных климатических условиях Крайнего Севера на примере Бова-ненковского месторождения // Вестник РАЕН. 2020. Т. 20. № 3. - С. 86-89.
16. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения / А.Д. Черников [и др.] // Георесурсы, 2020. 22(3). С. 87-96.
17. Русецкая Г.Д. Системный анализ в оценке механизма использования невозобновляемых и альтернативных источников энергии // Известия Байкальского государственного университета. 2016. Т.26, №4. С. 659-669.
18.Семенютина, А. В. Генеративные и репродуктивные качества у таксонов рода Gleditsia в засушливых условиях / А. В. Семенютина, К. А. Мельник // Наука. Мысль: электронный периодический журнал. - 2021. - Т. 11. - № 1. - С. 88-102. - DOI 10.25726/Г1830-4544-9621-0.
19.Сунагатуллин Р.З. Эксплуатация магистральных нефтепроводов с асфальтосмолистыми парафиновыми отложениями. - Уфа, 2021. - 24 с.
20. Цифровая глобальная декарбонизация зрелых нефтяных и газовых месторождений / А. Н. Дмитриевский [и др.] // Сб. науч. тр. «Черноморские нефтегазовые конференции». Новороссийск; Сочи, 20 сентября -2021 года. Новороссийск; Сочи: ООО «Научно-производственная фирма «Нитпо», 2021. С. 63-66.
21. Цифровые технологии строительства скважин. Создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин / Н.А. Еремин [и др.] // Деловой журнал Neftegaz.Ru. 2020. №4 (100). С. 3850.
22.Шевела Ю.В. Внедрение автоматизированных систем управления рисками как способ оптимизации управленческой деятельности / Ю.В. Шевела, О.О. Дроботова, 2019. № 1 (20) Часть 3. С. 82-83.
Strategies to combat unauthorized use of resources at oil and
gas facilities through digital technologies in Russia Zabaikin Yu.V., Lyutyagin D.V.
Russian State University of Oil and Gas (National Research University) named after I.M. Gubkina, MGRI named after Sergo Ordzho-nikidze
Introduction: In the era of digitalization of economic processes, the problem of unauthorized use of resources at oil and gas facilities in Russia is becoming particularly relevant. Statistical data of recent years have recorded an increase in cases of unauthorized access to information systems and physical resources of industry enterprises, which entails significant financial losses. In 2021, more than 150 incidents were recorded, which is 20% higher than the previous year, according to the Rosstat report. Materials and methods: data on unauthorized access to the resources of oil and gas companies of the Russian Federation over the past five years were selected as the basis for the study. Methods of mathematical statistics, big data analysis and machine learning were used to identify patterns and develop a risk forecasting
model. Case studies of specific incidents were also used, including analysis of methods of their implementation. Results: The developed model allows predicting potential threats of unauthorized access with a probability of 87%, which demonstrates its high efficiency. The introduction of an artificial intelligence-based monitoring system in one of the largest oil and gas companies has reduced the number of incidents by 30% already in the first year of operation. Keywords: unauthorized access, oil and gas facilities, digital technologies, Russia, information security, machine learning, big data analysis, risk forecasting. References
1. Drilling Problems Forecast System Based on Neural Network / S.
Borozdin [and others] // SPE Annual Caspian Technical Conference. 2020.
2. Avdiysky V.I., Bezdenezhnykh V.M. Economic security of modern
Russia: a risk-oriented approach to ensuring it // Economics. Taxes. Right. - 2016. - No. 3. - P. 6-13.
3. Algorithm for creating a neural network model for classification in
systems for preventing complications and emergency situations during the construction of oil and gas wells / A.N. Dmitrievsky [and others] // Sensors and systems. 2019. No. 12 (243). P.3-10.
4. Alexandrova T.V. On the relationship between the basis for comparing economic indicators and parameters for the development of management decisions in an organization // News of the Baikal State University. 2019. T.29, No. 1. P.155-165.
5. Analysis of the quality of data from a geological and technological
research station when recognizing absorption and gas, oil and water shows to improve the accuracy of forecasting neural network algorithms / A.I. Arkhipov [and others] // Oil industry. 2020. No. 08 (1162). P.63-67.
6. Badashina N.A. Justification of the parameters and temperature
conditions of pipeline transport of high-viscosity oil in the West Siberian oil and gas province: abstract of thesis. dis. ...cand. tech. Sci. - St. Petersburg, 2021. -20 p.
7. Valiev D.Z., Kemalov A.F., Kemalov R.A. Analysis of the current
state of the problem of preventing the formation and disposal of deposits of asphalt-paraffin substances in the oil industry // Ecology. 2019. No. 2. P. 106.
8. Vorobyov S., Alikhashin S. Experts: theft from oil pipelines is
decreasing, but becoming more sophisticated // REGNUM news agency. 2020. [Electronic resource]. URL: https://regnum.ru/news/economy/2880920.html
9. Gorbunova O.I., Kanitskaya L.V. Environmental management in
Russian oil and gas companies: rating of environmental responsibility // News of the Baikal State University. 2017. T.27, No. 3. pp. 366-371.
10. Dmitrievsky A.N., Eremin N.A. Digital global decarbonization of gas production // Collection of articles. scientific tr. VII Int. scientific-technical conf. Environmental safety in the gas industry (ESGI-2021): Moscow, December 07-08, 2021. LLC "Gazprom VNIIGAZ" Moscow: LLC "Research Institute of Natural Gases and Gas Technologies - Gazprom VNIIGAZ", 2021. P. 4-5.
11. Intelligent drilling in the development of digital fields / N.A. Eremin, A.D. Chernikov, O.N. Sardanashvili, V.E. Stolyarov // Automation, telemechanization and communications in the oil industry. 2020. No. 5 (562). R. 26-36.
12. Komarov V.A., Semenova Z.V., Mikhailov E.M., Nigrey A.A., Bronnikov D.A. Safety of main pipelines in the context of terrorist threats: forecast estimates // Bulletin of the Perm National Research Polytechnic University. Geology. Oil and gas and mining. 2018. V. 17, no. 1. pp. 88-100.
13. Lazarev, S. E. Features of the structure and development of crowns of woody plants of the genus Robinia L / S. E. Lazarev, A. V. Semenyutina // Science. Thought: electronic periodical magazine. - 2021. - T. 11. - No. 1. - P. 69-87. - DOI 10.25726/i6395-6040-9461-r.
14. Magomedbekov G.U., Bulatova Sh.B. Introduction of a risk management system at an enterprise // Bulletin of the Altai Academy of Economics and Law, 2020. No. 4. P. 86.
15. Malyukov V.P., Shagbanov I.F. Peculiarities of operation of gas pipelines in difficult climatic conditions of the Far North using the example of the Bovanenkovo field // Bulletin of the Russian Academy of Natural Sciences. 2020. T. 20. No. 3. - pp. 86-89.
16. Application of artificial intelligence methods to identify and predict complications during the construction of oil and gas wells: problems and main directions of solution / A.D. Chernikov [et al.] // Georesursy, 2020. 22(3). pp. 87-96.
17. Rusetskaya G.D. System analysis in assessing the mechanism for using non-renewable and alternative energy sources // News of the Baikal State University. 2016. T.26, No. 4. pp. 659-669.
18. Semenyutina, A.V. Generative and reproductive qualities in taxa of the genus Gleditsia in arid conditions / A.V. Semenyutina, K.A. Melnik // Science. Thought: electronic periodical magazine. -2021. - T. 11. - No. 1. - P. 88-102. - DOI 10.25726/r1830-4544-9621-o.
19. Sunagatullin R.Z. Operation of main oil pipelines with asphalt-resinous paraffin deposits. - Ufa, 2021. - 24 p.
20. Digital global decarbonization of mature oil and gas fields / A. N. Dmitrievsky [et al.] // Collection. scientific tr. "Black Sea oil and gas conferences". Novorossiysk; Sochi, September 20 -2021. Novorossiysk; Sochi: Scientific and Production Company Nitpo LLC, 2021. pp. 63-66.
21. Digital technologies for well construction. Creation of a highperformance automated system for preventing complications and emergency situations during the construction of oil and gas wells / N.A. Eremin [and others] // Business magazine Neftegaz.Ru. 2020. No. 4 (100). pp. 38-50.
22. Shevela Yu.V. Introduction of automated risk management systems as a way to optimize management activities / Yu.V. Shevela, O.O. Drobotova, 2019. No. 1 (20) Part 3. P. 82-83.
O *
O X
o
3
s *
ai o
T
■u o s
T
<D
a r
o
T
09 8)
