CC BY
0
СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ
УДК 004:3:004.9:629.7
Б01: 10.24412/2071-6168-2024-2-7-8
СТРУКТУРНО-ПАРАМЕТРИЧЕСКИЙ СИНТЕЗ БЕСПИЛОТНЫХ СИСТЕМ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ НА ОСНОВЕ СТАТИСТИЧЕСКОГО АНАЛИЗА ЭКСПЕРИМЕНТАЛЬНЫХ
ДАННЫХ
А.К. Гришко, Чан Минь Хай, Н.К. Юрков
Представлена обобщенная постановка задачи структурно-параметрического синтеза сложных технических систем в условиях неопределенности по результатам экспериментальных данных, дополняющая методологию системного инжиниринга в управлении жизненным циклом и имеющая актуальное значение для экономики страны. Предложены подходы к решению задачи восстановления проектно-функциональных связей и уточнения проектных параметров и характеристик беспилотных систем, полученных по результатам полигонных испытаний. В качестве примера рассматривается прототип дозвуковой беспилотной системы с заданными проектными требованиями. Целью работы является разработка методики статистического анализа структурно-параметрических проектных связей и статистических оценок соответствия проектных параметров беспилотных систем в условиях неопределенности по экспериментально-статистическим данным. Методы. Методологической основой является теория структурно-параметрического синтеза и статистического анализа сложных систем, а также методы математической статистики и параметрической оптимизации. Результаты. Сформирована задача структурно-параметрического синтеза путем дополнения ее операторами раскрытия неконтролируемых факторов. С целью нахождения аналитического решения проведена декомпозиция задачи и показана необходимость решения совокупности взаимоувязанных задач по поиску соответствия проектных параметров и экспериментальным данным. Качество восстанавливаемых зависимостей оценивалось по критерию регулярности и несмещенности. Представлен программно-методический комплекс статистического синтеза беспилотной системы. Выводы. Решение поставленной задачи позволяет анализировать соответствие проектных параметров и характеристик беспилотных систем экспериментальным данным, что позволяет восстанавливать проектно-функциональные связи проектируемой беспилотной системы. Это позволит более эффективно использовать финансовые, производственные и временные ресурсы при проектировании беспилотных систем.
Ключевые слова: беспилотные системы, структурно-параметрический синтез, неопределённость, статистический анализ.
Введение. Проектирование сложных технических систем является нетривиальной задачей и предусматривает определенные этапы, в том числе, декомпозицию их на подсистемы, проектирование которых также может рассматриваться как самостоятельная конструкторская задача. Иногда эти процессы называют внешним и внутренним проектированием, которые определяют структуру системы, после чего для выбранного варианта проектного решения находятся оптимальные параметры ее функционирования [1-4].
Но внешняя среда, в которой функционирует система, как правило, обладает множеством неконтролируемых факторов, которые в процессе проектирования не сразу проявляется и которые необходимо уточнять по результатам анализа экспериментальных данных. То есть в задаче проектирования присутствует факторы неопределенности и на его начальных этапах приходится использовать нечеткие методы принятия решений и, так называемые «мягкие вычисления» [5-7].
Проблемам статистического синтеза проектных решений при разработке сложных систем и разработке методов оптимизации по экспериментально-статистическим данным посвящены работы [8,9], но одновременный учет многокритериальной, многопараметрической и многофакторной неопределенности или не представляется возможным или реализуется в достаточно узкоспециализированных задачах проектирования, что требует их дальнейшего методологического развития.
Основные подходы и методы процесса проектирования сложной технической системы в условиях неопределённости. Поскольку сложные системы, как правило, обладают свойством иерархичности, то есть, подчиненности систем низшего уровня системам высшего уровня, то логично процесс проектирования разбивать на определенные этапы. Требования к системам низшего ранга определяются параметрами систем высшего ранга [10,11]. Количество этих параметров и соответствующих критериев может быть достаточно большим, они могут быть разнородными по своей природе и противоречащими друг другу.
На практике процесс проектирования помимо поступательного развития имеет также и этапы итерации, когда после анализа и математического расчета некоторой подсистемы возвращаются на предыдущий уровень и производят коррекцию расчетов, используя метод последовательных приближений. Декомпозиция системы с целью упрощения также может негативно сказаться на этапах проектирования, так как межсистемные связи упрощаются, некоторые не учитываются, а какие-то вообще неизвестны проектировщикам. Зависимости между параметрами и характеристиками системы редко имеют линейный характер и могут проявлять себя не на всех режимах эксплуатации. То есть, проектировщику надо обладать полным набором параметров и характеристик, позволяющих получить адекватное описание системы и найти компромисс между сложностью реального явления и простотой его описания, позволяющей корректно применять математический аппарат для анализа ее функционирования [1-4, 5-7].
Завершающими этапами проектирования являются полигонные испытания, позволяющие получить данные, на основе которых проводится статистический анализ. Он позволяет уточнить полноту набора этих параметров и характеристик, а также характер межсистемных связей.
При этом среда, в которой будет функционировать проектируемая система, чаще всего, имеет недетерминированный характер, и в процессе функционирования продолжает динамично изменяться.
Иначе говоря, имеют место два вида неопределенности. Одна из них связана с принятием проектных решений и имеет многокритериальный характер, а другая характеризует многофакторность внешней среды [12].
Это значит, что все сказанное выше относится к классу задач многокритериальной многопараметрической многофакторной идентификации показателей и характеристик сложных технических систем и их структурно-параметрической оптимизации.
Аналитическое решение данной задачи достаточно сложное и требует ее декомпозицию на частные взаимоувязанные задачи. Далее предлагается рассмотреть решение этих задач как процесс проектирования сложной технической системы, в частности, дозвуковой (0,7-0,9 Мах) беспилотной системы (БС), функционирующей в неопределенных условиях внешней среды (погодные условия, искусственное противодействие и т.д.). Беспилотные системы этого класса имеют широкое распространение и являются многоцелевыми средствами двойного назначения.
Структурно-параметрический синтез сложных технических систем. Как уже говорилось выше, при выборе в некотором смысле лучшего проектного решения предпочтение отдается оптимальному варианту, что предполагает процедуру оптимизации проектных параметров системы [1-4]:
Г0 = тах тах 3 (а, г (г), Ъ), (11)
аеЛ ЪеВ 4 4 ' ' г (г )Е1
где 3 - выбранный критерий оптимальности, а- вектор проектных параметров, А- область допустимых проектных параметров, г(г)- вектор режимов движения системы, 1- область допустимых режимов движения системы, Ъ- вектор параметров, характеризующих структуру системы, В- область допустимых структурных вариантов.
Как уже говорилось выше, для проектируемой системы необходимо определить ее структуру на основе критерия таХ 3 (а г (г) Ъ) после чего провести процедуру параметрической оптимизации
max
aeA z (t )eZ
J ( a, z (t), b*)'
варьируя ее параметры.
Поскольку в задаче (1.1) присутствуют факторы неопределенности, то в нее надо включить операторы их раскрытия. Проектировщики рассматривают, как правило, два вида неопределенностей: многофакторную неопределенность внешней среды и многокритериальную неопределенность при принятии проектных решений.
Одновременное принятие во внимание всех заданных критериев оптимальности затрудняет формализацию задачи структурно-параметрического синтеза и в соответствии с источниками [2,4,13,14] будет представлена в виде:
Jopt = max max inf opt J(a,z(t),b,a).
aeA beB rneW v v ' '
z (t )eZ
где J(a,z(t),b,a) - векторный критерий, opt J(.) - оператор, реализующий оптимальные проектные параметры,
inf(.) - оператор, осуществляющий свертки факторов неопределенности, где w- вектор факторов неопределенности, W- область возможных состояний внешней среды.
Статистический анализ, позволяющий оценить достоверность и полноту экспериментальных характеристик, проводится по критериям регулярности (1.3) и несмещённости (1.4).
Na NB
A2(B) = £(Jm - Jt)2 /X(Jt)? ^ min, (13)
i=i i=i N N
псм =2 (Ja - Jb ),2 / 2 (JT ),2 ^ min, (14)
i=i i=i
здесь N - объем статистической выборки.
Характеристики и перекрёстные связи аэродинамической модели беспилотной системы определяются в соответствии с источниками [13-15]:
сМ = ^ + К«2 + Р2) + г2(81 + 8$) + гД2 + г4(адв + рд$) +г,(а2 + р2) + ^(ар2),
сМ = саа + с8дв + с10а3 + спар2 + с12а280 + с13р2дв + с14ард$
(1.6)
+с20а8+ ,
сМ = -сар - сдД - с10р - с11рс(2 - с12р1Д - с13а2Д - сиарде
Г>
+с20ав + с/™у,
тМ = т1, в + т8д$ + Ьр + Ьира2 + Ь12р28$ + Ь13а2дч, + Ь14ардв +b20ав,
тМ = т^в + тД8$ + Ь10а3 + Ь11ар2 + Ь12а28в + Ь13р28е + Ь14ардц, +Ь20 Р8Ъ,
здесь: сМ, сМ, сМ, тМ, тМ, тМ - аэродинамические коэффициента: математической модели беспилотной системы, а - угол атаки, р - угол скольжения беспилотной системы; д = 1 (8 +8 ) - угол отклонения рулей БС в вертикальной плоскости; д = 1(8+8)- угол отклонения рулей БС в горизонтальной плоскости;
8 = .1(8 — 8 +8 —8 )- угол отклонения рулей БС по крену, 81,82,83,84 - углы отклонения рулей БС по траекториям движения (Рис. 1).
в
53 ' ~
Рис. 1. Углы отклонения рулей беспилотной системы по траекториям движения
Линейные параметры с са с8 та т8 г г г г г г сссссЬЬЬЬЬ определяются из условия минимума критерия регулярности, что соответствует процессу выбора структуры беспилотной
системы [13], поскольку аэродинамические коэффициенты с са с8 та т8 определяют аэродинамическую схему
х0' у'у' 2 ' 2
беспилотной системы и режимы ее движения.
Идентификация параметров и характеристик беспилотной системы в условиях неопределенности.
Совокупность требований, ограничений и критериев проектируемой беспилотной системы формирует
векторный критерий [2,13-15], в состав которого входят: J = р (¡ —П) у Д2(В)) гдерпром -величина прома-
ха беспилотной системы, рпром ^ min, (^ _ _)2 - требование по углу подлета к цели, _ _)2 ^ min, V- скорость
подлета к цели, V^ max, Д2 (B) статистический критерий регулярности Д2 (B) ^ min.
Идентификации проектных параметров и характеристик беспилотной системы состоит в выборе такого проектного решения d, которое удовлетворяет системе функциональных ограничений:
р ( d )<р' ' пром V / ' про
пром V / ' пром ?{d )>§ _е>
V(d)> V*, Д2 (ех )<Д2 ( с, )*,
д2 (с, )<Д2 С )\
Д2 (с, )<Д2 ( с,)',
Д2 (my )<Д2 (my )*,
Д2 (m, )<Д2 (m,)', 9
(1.7)
где р* ,у*, д2 (с )*, д2 (с ) , д2 (с )*, д2 (т ) , д2 (т )* - заданные уровни критериальных ограничений,
обеспечивающих безопасность режимов полета. Здесь д2 (•) есть критерии регулярности, рассчитываемые для всех
аэродинамических коэффициентов.
Система функциональных ограничений содержит девять частных критериев оптимальности:
•>0,, = (Рпром , д2(с), д2(с), д2(с), д2(ту), д2(тг), д2(шу)
При этом возникает проблема многокритериальной оптимизации, а, значит, необходимость определения правил преобразования (свертки) частных критериев в один обобщенный (векторный) критерий. На основании вышесказанного векторный критерий будет иметь следующий вид:
ч 2
> = тт
Ыу.Ргр.ои +а2^-7Л ^ +аз (V ) + а4.д 2 (В )
(1.8)
где а - весовые коэффициенты, а > 0 1 = 17' ^ 4 а = 1' ^ - вектор проектного решения; Б - область допустимых
1 ,'5 5 '/_Ц=1 ' '
решений.
Таким образом, аэродинамическая модель беспилотной системы восстанавливается по найденным производным:
дс дс п дс дс дс , дс , дс ., с = с +—- а+—- в + —- а +—- а +—- 8 +—- 82 +—-М;
- -0 да дв да2 г дау у д81 1 дд2 2 дМ
дс дс дс дс дс дс дс
с = -у-а+---в + — а + а + 8.+-у-8, + ^М;
у ^ п ' ^ г ^ У о 1 ^ с* 2 г ?
^ /уу ///5) ^ 1 ^ -------------II» /»
да дв
да
д81 д82
дМ
дс дс 0 дс дс дс _ дс _ дс , ж с2 =—- а +—- р+—- а2 +—— а +—- 81 +—- 82 +—-М; да дв да2 да д81 д82 дМ
Му =■
у да
дМ дМ„
а +-
дв
-в +
дМ-да
дМ,,
дМ,,
-а, +
—-а +-^
да дд1
■8! +
дМ--д8
-8 +-
дМ-дМ
М;
,, дМ дМ дМ дМ дМ с дМ с дМ „
М =-^ а +-- в +-^ а +-- а +-- 8+-- 8, +--М;
г да дв да дау у д81 1 д82 2 дМ Векторный критерий оценки качества беспилотной системы представлен в форме:
>2 = ар + а2 (р-п/2) + а3[д2 (В)с + д2 (В)с + д2 (В)с +
(1.9)
(1.10)
+ д2(В)т- +д2(В)тг ] + а4^ где р - промах, ф- угол тангажа, а,- весовые коэффициенты, сумма которых равняется 1, мера области достижимости.
Программно-методический комплекс статистического синтеза беспилотной системы представлен
на рис. 2.
Рис. 2. Программно-методический комплекс статистического синтеза беспилотной системы
10
Заключение. Сформирована задача структурно-параметрического синтеза путем дополнения ее операторами раскрытия неконтролируемых факторов. С целью нахождения аналитического решения проведена декомпозиция задачи и показана необходимость решения совокупности взаимоувязанных задач по поиску соответствия проектных параметров и экспериментальным данным. Качество восстанавливаемых зависимостей оценивалось по критериям регулярности и несмещенности.
Решение поставленной задачи позволяет:
- разработать методику статистического анализа структурно-параметрических проектных связей проектируемой беспилотной системы, которая позволяет восстановить проектно-функциональные связи между проектными параметрами и критериальными оценками аэродинамической модели беспилотной системы.
- разработать метод статистической оценки полноты аэродинамических характеристик беспилотной системы по экспериментальным данным, позволящий оценить полноту экспериментальной модели разработанной беспилотной системы по критериям регулярности и несмещенности, отличающийся от известных тем, что данный метод обобщает аналитические процедуры метода в пространстве обратных функций, которые показывают насколько построенная аппроксимирующая модель объясняет закономерности, содержащиеся в статистической выборке.
- разработать математические модели и алгоритмы синтеза аэродинамических характеристик беспилотных систем по экспериментальным данным [16-18], которые позволяют сократить финансовые и временные затраты на аэродинамическую продувку в сверхзвуковой аэродинамической трубе и полигонные испытания при проектировании и разработке беспилотных систем.
Список литературы
1. Control System Design. Goodwin G., Graebe S., Salgado M. Prentice Hall, 2001. 908 p.
2. Practical Optimization. Gill P., Murray W., Wright М. Academic Press Inc. (London) Ltd., 1981. 509 p.
3. Черноруцкий, И.Г. Методы оптимизации и принятия решений. Спб.: Изд-во «Лань», 2001. 384 с.
4. Дубов Ю.А. Многокритериальные модели формирования и выбора вариантов систем. М.: Наука, 1986
г. С. 296. 203 с.
5. Орловский, С. А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука. 1981.
6. Zadeh L. A. Fuzzy sets // Information and Control. 1965. Т. 8. № 3. р. 338-353
7. Grishko A., Goryachev N., Yurkov N. Adaptive Control of Functional Elements of Complex Radio Electronic Systems. International Journal of Applied Engineering Research. Volume 10, Number 23 (2015), pp. 43842-43845.
8. Балык В.М. Статистический синтез проектных решений при разработке сложных систем. М.: МАИ. 2011. 278 с.
9. Вощинин А.П. Разработка и внедрение методов оптимизации объектов управления по экспериментально-статистическим моделям: дис. ... док. тех. наук: 05.13.01. МЭИ, Москва, 1984. 416 с.
10. Grishko, A., Adnreev, P., Goryachev, N., Trusov, V., Danilova, E. Reliability control of complex systems at different stages of their life cycle. 2018 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology, USBEREIT 2018; Yekaterinburg; Russian Federation; 7-8 May 2018. Pages 220-223. DOI: 10.1109/USBEREIT.2018.8384589.
11. Grishko A., Kochegarov I., Yurkov N. Structural and Parameter Optimization of the System of Interconnected Processes of Building Complex Radio-Electronic Devices. 2017 14th International Conference The Experience of Designing and Application of CAD Systems in Microelectronics (CADSM). Polyana, Svalyava, (Zakarpattya), Ukraine, February 21 - 25, 2017, pp. 192-194. DOI: 10.1109/CADSM.2017.7916112.
12. Нгуен К. Т., Назаров А. Н., Чан М. Х. Многофакторная и многокритериальная неопределенность при аэродинамическом моделировании БЛА по летным данным / Электромагнитные волны и электронные системы. 2017. № 1. С. 59-68.
13. Корянов В. В., Нгуен В. Т. Математическая модель информационного статистического синтеза беспилотных летательных аппаратов по экспериментальным данным / Инженерный журнал: наука и инновации. 2016. № 2.
14. Куприков М. Ю. Структурно-параметрический синтез геометрического облика самолета при "жестких" ограничениях. М.: МАИ, 2003. с. 64.
15. Нгуен К. Т., Назаров А. Н., Чан М. Х. Статистический подход к задаче идентификации аэродинамических характеристик беспилотного летательного аппарата по экспериментальным данным / Успехи современной радиоэлектроники. 2017. № 1. С. 10-16.
16. Grishko, A. Control algorithm for decision making in multi-criteria optimization problems. Journal of Physics: Conference Series. 2022. 2388(1), 012035.
17. Nguyen Quang Thuong, Tran Minh Hai, Nguyen Xuan Tien, Pham Tuan Anh, On the Statically Method Selection of Unmanned Aerial Vehicle Characteristic Stable to Multifactor Uncertainty// 11th IEEE International Conference Application of information and communication technologies. Moscow, Russian, 2017, р. 80-84, Vol 1.
18. Tran Minh Hai, N.Q. Thuong, Pashchenko F.F. A statistical approach to correct the projective solutions for development of unmanned aerial vehicles based on stable mathematical models under uncertainty conditions// 11th International Conference «Management of Large-scale System Development. Moscow, Russian, 2018, р. 38-46.
Гришко Алексей Константинович, канд. тех. наук, доцент, alexey-grishko@rambler. ru, Россия, Пенза, Пензенский государственный университет,
Чан Минь Хай, соискатель степени канд. тех. наук, Россия, Пенза, Пензенский государственный университет,
Юрков Николай Кондратьевич, д-р техн. наук, профессор, заведующий кафедрой, yurkov_nk@mail. ru, Россия, Пенза, Пензенский государственный университет
11
STRUCTURAL-PARAMETRIC SYNTHESIS OF UNMANNED SYSTEMS UNDER CONDITIONS OF UNCERTAINTY BASED ON STATISTICAL ANALYSIS OF EXPERIMENTAL DATA
A.K. Grishko, N.K. Yurkov, M.H. Tran А.К. Гришко, Чан Минь Хай, Н.К. Юрков
A generalized formulation of the problem of structural-parametric synthesis of complex technical systems under conditions of uncertainty based on the results of experimental data is presented, which complements the methodology of systems engineering in life cycle management and is of current importance for the country's economy. Approaches to solving the problem of restoring design-functional connections and clarifying the design parameters and characteristics of unmanned systems obtained from the results offield tests are proposed. As an example, a prototype of a subsonic unmanned system with specified design requirements is considered. The goal of the work is to develop a methodology for statistical analysis of structural-parametric design connections and statistical assessments of the compliance of design parameters of unmanned systems under conditions of uncertainty based on experimental data. Methods. The methodological basis is the theory of structural-parametric synthesis and statistical analysis of complex systems, as well as methods of mathematical statistics and parametric optimization. Results. The problem of structural-parametric synthesis is formed by supplementing it with operators for disclosing uncontrollable factors. In order to find an analytical solution, a decomposition of the problem was carried out and the need to solve a set of interrelated problems to find a correspondence between design parameters and experimental data was shown. The quality of the reconstructed dependencies was assessed according to the criterion of regularity and unbiasedness. Conclusions. The solution to this problem allows us to analyze the compliance of the design parameters and characteristics of unmanned systems with experimental data, which makes it possible to restore the design and functional connections of the designed unmanned system. This will make it possible to more efficiently use financial, production and time resources when designing unmanned systems.
Key words: unmanned systems, structural-parametric synthesis, uncertainty, statistical analysis.
Grishko Alexey Konstantinovich, candidate of technical sciences, docent, alexey-grishko@rambler. ru, Russia, Penza, Penza State University,
Tran Minh Hai, candidate degree candidate those. sciences, Russia, Penza, Penza State University,
Yurkov Nikolay Kondratievich, doctor of technical sciences, professor, head of the department, yurkov_nk@mail. ru, Russia, Penza, Penza State University
УДК 004.056.57
DOI: 10.24412/2071-6168-2024-2-12-13
СТАТИЧЕСКИЙ АНАЛИЗ МЕТОДОВ ИНФИЦИРОВАНИЯ ФАЙЛОВ PE-ФОРМАТА ОПЕРАЦИОННЫХ
СИСТЕМ WINDOWS
Е.В. Егоров
В представленной статье осуществляется обширный анализ формата файла операционной системы (ОС) Windows, известного как Portable Executable (PE). Обсуждаются ключевые методы внедрения вредоносного программного обеспечения (ВПО) в структуру исполняемого файла, а также способы обнаружения таких вредоносных вмешательств. В рамках исследования проводится анализ информативных параметров PE-формата, пригодных для создания высокоэффективных моделей искусственного интеллекта (ИИ). Особое внимание уделяется их применимости в контексте обнаружения вредоносного кода (ВК) в файлах PE. Результаты анализа представляют собой ценный вклад в развитие методов качественного обучения ИИ, направленных на анализ и выявление вредоносных аспектов в программном обеспечении (ПО) ОС Windows.
Ключевые слова: PE-формат, вредоносное программное обеспечение, вредоносный код, искусственный интеллект, отбор признаков.
В настоящее время с постоянным ростом цифровых технологий происходит и параллельная эволюция угроз в сфере кибербезопасности. Внедрение вредоносного программного обеспечения и модификация исполняемых файлов ОС Windows PE формата являются темами, требующими серьезного внимания и интенсивного исследования.
Существующие средства обнаружения угроз, основанные на традиционных методах, в том числе и на сопоставлении сигнатур [1], сталкиваются с усилением сложности атак и их постоянным технологическим совершенствованием. В контексте данной проблемы, особенностями которой являются внедрение вредоносного программного обеспечения и трансформация файлов PE-формата, вопрос об эффективности традиционных методов становится актуальным.
Обнаружение измененных вредоносных файлов PE-формата с использованием стандартных механизмов статического анализа файлов становится задачей нетривиальной, из-за сложности скрытия вредоносного программного обеспечения различными способами и интеллектуального прироста методов маскировки. В свете этой сложности на передний план выходит потребность в реинжиниринге средств обнаружения с использованием передовых технологий, в частности, искусственного интеллекта. Исследование роли искусственного интеллекта в области кибербезопасности открывает новые перспективы для эффективного обнаружения модифицированных вредоносных файлов.
Определение наиболее уязвимых точек, подвергающихся потенциальной модификации со стороны нарушителей, предоставит более точные критерии для идентификации вредоносных файлов при обучении моделей искусственного интеллекта. Это позволит повысить уровень детализации и точности анализа, обеспечивая моделям искусственного интеллекта более глубокое восприятие угроз и повышая их способность выявлять даже самые запутанные и тонкие формы внедрения вредоносного программного обеспечения в различные файлы PE-формата.
12
