CC BY
13
10.36724/2409-5419-2020-12-5-46-52
УПРАВЛЕНИЕ СИСТЕМОЙ БЕЗОПАСНОСТИ ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ СПОРТИВНЫХ МЕРОПРИЯТИЙ НА ОСНОВЕ АЛГОРИТМОВ ФУНКЦИОНИРОВАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
КАРПОВ
Михаил Андреевич1
МИХАИЛ Иван Иванович2
РАКИЦКИЙ
Станислав Николаевич3
ДАНИЛОВА Елена Ивановна4
Сведения об авторах:
1адъюнкт Военной академии связи имени Маршала Советского Союза С.М. Буденного, г. Санкт-Петербург, Россия, karpuh.djan@mail.ru
2к.п.н., доцент, начальник кафедры Военной академии связи имени Маршала Советского Союза С.М. Буденного, г. Санкт-Петербург, Россия, nemo4ka74@gmail.com
3к.в.н., доцент, доцент Военной академи-исвязи имени Маршала Советского Союза С.М. Буденного, г. Санкт-Петербург, Россия, s15136@mail.ru
4преподаватель Военно-морского политехнического института, г. Пушкин, Россия, danilova-ei@mail.ru
АННОТАЦИЯ
Кибернетическое противоборство знаменует собой новый уровень противостояния. Насущным требованием времени, становится пересмотр принципов построения к управлению системой безопасности информационного обеспечения спортивных мероприятий методом прогнозирования, реализуемого искусственной нейронной сетью. Для управления системой информационного обеспечения безопасности информационно-телекоммуникационной сети необходимо применять высокоэффективные методы мониторинга и контроля состояния сети непосредственно в режиме реального времени. Основой этих методов должны быть данные от инструментов анализа и прогнозирования состояния рубежей контроля и всей системы в целом. Наиболее подходящим инструментом для прогнозирования являются искусственные нейронные сети. Нейронная сеть представляет собой высокопараллельную динамическую систему с топологией направленного графа, которая может получать выходную информацию посредством реакции её состояния на входные воздействия. Искусственные нейронные сети по своей сути являются формальным аппаратом описания ключевого алгоритма решения задачи прогнозирования состояния системы обеспечения безопасности информационно-телекоммуникационной сети по характерным временным сечениям. Благодаря своей обучаемости искусственные нейронные сети способны принимать решения, соответствующие динамичной смене состояний, что характерно для таких сложных систем, как система обеспечения безопасности информационно-телекоммуникационной сети. Тем самым обоснованы основные тенденции перспективного развития структуры систем защиты инфотелекоммуникационных систем. Даны рекомендации по возможности использования прогностической функции искусственной нейронной сети, подробно описана функциональная схема искусственной нейронной сети Хэмминга, рассмотрены ее преимущества относительно других нейронных сетей и представлен алгоритм функционирования.
КЛЮЧЕВЫЕ СЛОВА: искусственная нейронная сеть; информационно-телекоммуникационная сеть; система обеспечения; управление.
Для цитирования: Карпов М.А., Михаил И.И., Ракицкий С.Н., Данилова Е.И. Управление системой безопасности информационного обеспечения спортивных мероприятий на основе алгоритмов функционирования искусственной нейронной сети // Наукоемкие технологии в космических исследованиях Земли. 2020. Т. 12. № 5. С. 46-52. doi: 10.36724/2409-5419-2020-12-5-46-52
Введение
Для управления системой обеспечения безопасности информационного обеспечения спортивных мероприятий при использовании инфотелекоммуникационной сети (ИТКС) необходимо применять высокоэффективные методы мониторинга и контроля состояния сети непосредственно в режиме реального времени. Основой этих методов должны быть данные от инструментов анализа и прогнозирования состояния рубежей контроля и всей системы в целом [1].
Наиболее подходящим инструментом для прогнозирования являются искусственные нейронные сети (ИНС). Нейронная сеть представляет собой высокопараллельную динамическую систему с топологией направленного графа, которая может получать выходную информацию посредством реакции её состояния на входные воздействия. ИНС по своей сути являются формальным аппаратом описания ключевого алгоритма решения задачи прогнозирования состояния системы обеспечения безопасности ИТКС по характерным временным сечениям [2]. Благодаря своей обучаемости ИНС способны принимать решения, соответствующие динамичной смене состояний, что характерно для таких сложных систем, как система обеспечения безопасности ИТКС. В данном контексте нецелесообразно использовать прогностические методы, основанные на статистических данных. Отличительной характеристикой ИНС является то, что в них используются как запрограммированные последовательности работы, так и способности выполнять анализ потоковой информации, выявлять закономерности, обучаться, адаптироваться, осуществлять поддержку принятия решений [3].
Основная часть
Рассмотрим формулировку постановочной части и главные принципы проведения вычислений при решении такого рода задач. Система обеспечения безопасности ИТКС состоит из совокупности узлов контроля и управляющей подсистемы, при том, что необходимо обеспечение связности не только от узла до управляющей подсистемы, но и между самими узлами контроля. Допустим, что для группы независимых узлов системы обеспечения безопасности ИТКС (с известным расстоянием до управляющей подсистемы и между ними) требуется найти оптимальный маршрут связности. Узлы обозначим буквенными значениями А, В, С, D, Е а расстояния между ними dAB, dBC, dAC, то есть упорядоченное по заданному правилу множество состоящее из п узлов. В матрице размера п*п строки соответствуют узлам контроля, а столбцы номерам узлов заданной последовательности. Таким образом, для пяти узлов контроля системы обеспечения безопасности ИТКС А, В, С, D, Е последовательность обхода будет задана матрицей (2), где А (узел управляющей подсистемы) под-
ключается первым, узел С (произвольный узел контроля рубежа защиты) — вторым, узел Е—третьим и т.д. Длина маршрута связности узлов соответствует выражение (1):
(1)
(2)
dAC + dCE + dBD + dDA
Допускаем, что все узлы в системе равновесны.
1 2 3 4 5
A 1 0 0 0 0
B 0 0 0 1 0
C 0 10 0 0
D 0 0 0 0 1
E 0 0 10 0
В каждой строчке и в каждом столбце матрицы (2) есть только одно единственное значение 1, потому что это соответствует каждому отдельному моменту подключения узла (событию связности), то есть в отдельно взятый временной отсчёт узел подключается один раз. Таким образом
матрица (2), которая описывает состояние искусственной
~ 2 нейронной сети, состоящей из п нейронов, задаёт задачу,
п\/
в которой из /2 маршрутов необходимо выбрать один
оптимальный. Состояние отдельного нейрона ИНС описывается двойным индексом, который соответствует узлу и порядковому номеру очерёдности его подключения в системе. Например, М. = 1 показывает, что узел х был]-м по порядку узлом маршрута.
Для решения задачи оптимальной маршрутизации сформулируем функцию вычислительной энергии для системы обеспечения безопасности ИТКС:
E = -1У У 2
YY-Е jlY + Е TY
(3)
где Е — вычислительная энергия системы; V .. — вес показателя от выхода нейрона / на вход нейрона]; У. — выход нейрона I; I. — внешний вход нейрона /; Т. — порог нейрона I. Тем самым в (3) определено, что состояние системы с самым наименьшим уровнем энергии соответствует оптимальному маршруту. В таком случае, найдём изменение энергии системы, которое вызвано изменением состояния I -го нейрона:
^ = ((<*, (j)+Ij - T )
(4)
где 5 У. — изменения показателя на выходе / -го нейрона.
Каждому дискретному состоянию системы соответствует определённая величина вычислительной энергии системы, тем более, что устойчивое состояние характери-
зуется меньшими затратами энергии, чем неустойчивое. Развитие системы во времени—это смена состояний в поиске оптимума, другими словами, сведению энергозатрат к минимуму и фиксация в данной точке. Система должна удовлетворять следующим требованиям:
- состояния системы должны соответствовать матрице (2);
- решение задачи минимизации вычислительной энергии системы должно сводится к оптимальной маршрутизации связности элементов.
Этим требованиям отвечает функция энергии вида:
*=- A zzz f ш yy + (5)
2 I i i*j 2 i x k*x (5)
+C fZE Yi- n T + f ZEE dkJx^^+j
V x i J ^ i x k *x
При этом, Y. =0,1. В функции (5) первые три члена выражения показывают соответствие матрице (2), четвёртый член выражения соответствует минимизации вычислительной энергии системы. A, B, C, D — положительные множители. Первый член равен нулю, при том условии, что каждая строка x содержит не более одной единицы. Второй член равен нулю, если каждый столбец содержит не более одной единицы. Третий член равен нулю, если в матрице имеется n единиц. Без учёта четвёртого члена функция энергии имеет минимумы (E = 0) во всех состояниях, представленных матрицей (2). Все другие состояния характеризуются более высокими показателями энергии (E > 0). Оптимальные маршруты характеризует четвёртый член выражения (5). Индексы i, четвёртого члена, берутся по mod n, показывая, что -й узел находится по соседству с узлом (n-1) и также первым узлом, т.е. Y, n = Ykj. Длинна маршрута, таким образом равняется четвёртому члену. Приравнивая коэффициенты при квадратичных и линейных членах в общей формуле энергии (1), а также раскрывая скобки в выражении (5) можем определить порядок внешних взаимодействий и матрицу связности узлов системы:
= ASzt (1 -8j) -BS?(1 - 8xk) - С -Ddlk j + ) (6)
где Ъ . =1, если i=j, в противном случае, если i t j, тогда Ъ. =0. Кроме того, каждый нейрон имеет свой смещающий вес Ix=Cn. Таким образом, в выражении (6) первый член задаёт связность нейронов в каждой строке матрицы, второй — внутри каждого столбца, третий и четвёртый внешнюю связность. Но и в (5) и в (6) первые три члена отвечают за общие ограничения для любой частной задачи маршрутизации и приводят систему к конечному состоянию матрицы (2). Оставшийся четвёртый член
управляет тем, какое из n возможных финальных состояний системы соответствует оптимальному маршруту. Выходные напряжения нейронов сети (состояния) приближаются к двоичным значениям по мере перехода в состояние устойчивого равновесия с минимальным показателем энергии. Связность нейронов i и j характеризуется весом Т, который имеет положительное значение, при возбуждающем соединении и отрицательное значение, при тормозящем соединении.
Реализация такого устойчивого равновесия сложной системы, функционирующей под воздействием множества внутренних и сторонних факторов [4], возможна с использованием алгоритмов работы искусственной нейронной сети по модели Хэмминга (рис. 1). В отличие от ИНС Хопфилда и Элмона ИНС Хэмминга имеет наименьшие энергетические затраты на вычисления и на объёмы затраты памяти, а также способна минимизировать энергозатраты и стабилизироваться в глобальном минимуме. Также одним из важных преимуществ данной сети является то, что её ёмкость не зависит от размерности входного сигнала и равна числу рабочего слоя [4,5,6]. Необходимо отметить, что все модели прогнозирования на основе алгоритмов ИНС Хэмминга проверяются на соответствующую адекватность решаемой задачи:
1) на независимость (т. е. отсутствие автокорреляции);
2) на случайность;
3) на нормальность распределения.
Для ясности понимания физики процесса рассмотрим алгоритм действия нейросети двухслойной структуры Хэмминга (рис. 1) более подробно. Нейроны первого слоя включают в себя n синапсов, которые имеют связность с входами сети это, так называемый, «фиктивный нуль-слой». Нейроны второго слоя имеют отрицательную обратную связность синапсов. Единственный синапс с положительной обратной связью от каждого нейрона соединён с его же аксоном. Роль входящего слоя заключается в том, что сеть использует на первом этапе показатели его весовых коэффициентов и в дальнейшем алгоритм исключает обращение к нему (ГОСТ Р 50922-2006. «Защита информации. Основные термины и определения»).
k /
w = % i = 0...(n -1),k = 0...(m -1) (7)
Tk = , k = o...(m -1) (8)
Значения (7) и (8) присваиваются весовым коэффициентам первого слоя сети и порогу активационной функции на стадии инициализации. В выражении (7) xk — i-й элемент j-го образца. Весовые коэффициенты тормозящих синапсов принимаются со значениями некоторой величи-
Jl Ja
ВА-ЦД 1 ело* 2 и\<ш Оьюа
Рис. 1. Функциональная схема искусственной нейронной сети Хэмминга
ны 0 < е < у . Синапс нейрона, связанный с его же аксо-
/ т
ном имеет вес, равный +1. На входы сети подается вектор
X = {;I = 0...(и-1)}, исходя из значения которого рассчитываются состояния нейронов первого слоя (верхний индекс в скобках означает номер слоя):
у(1) = у = £-1 у + Т , у = о...(т -1) (9)
Затем, аксоны второго слоя инициализируются значениями (9), которые мы получили на входе ИНС:
У?= У? , 1 = 0...(т -1) (10)
Происходит определение значений новых состояний нейронов второго слоя:
т—1
(Р +1) = У] (Р)Ук'(Р), к * Ь 3 = 0...(т -1). (11)
определение значений новых состояний аксонов второго слоя:
у?(р +1) = !|_^2)(р +1)], } = 0...(т -1), (12)
где f активационная функция, которая определяет пороговые значения. Величина порога F должна иметь достаточно большое значение, для того чтобы аргумент (каким бы большим не был) не приводил к насыщению. После этого происходит проверка, изменились ли выходы нейронов второго слоя за последнюю итерацию.
Таким образом, если иметь прогностические данные об изменении состояния датчиков-анализаторов системы обеспечения безопасности, то можно управлять системой в зависимости от типа воздействия, локализовать уязвимости, перенаправлять потоки трафика реального времени, прогнозировать поведение системы безопасности, предотвратить потери данных [7]. ИНС Хэмминга вполне справится с подобного рода задачей, если провести обучение сети, на вход подавать данные анализа состояния датчиков системы обеспечения безопасности ИТКС. Исходными данными для обучения прогнозированию сети будут являться эталонные значения состояния датчиков рубежей обеспечения безопасности в виде отклика на деструктивное воздействие: программно-вирусная активность; избыточность входного трафика, характерная для DOS-атаки, нарушение прав разграничения доступа на объекте информатизации ИТКС; не декларируемые режимы работы сетевого оборудования и т.д. [8,9].
Блок-схема алгоритма, реализующего прогностическую функцию и запускающего протоколы управления сложной сетью представлена на рис. 2.
поток данных, о состоянии п
НЫВ [ ОНИРОБАНИИ ПТЫ
ОЕРАЕ О ГЬЛ ДАННЬК 1
МОНИТОРИНГ СОСТОЯНИЯ НТК с
ПРОГНОЗНА ОСНОВЕ МОДЕЛЕЙ ИНС
ЯДК СЕТИ ПР]ИЯ1][Е РЕШЕ1ШЯПО ШЦЕНЕНШО КОН4С[ГТРЛЦ1[П С ПСТЕ11Ы БЕЗОПАСНОСТИ
Рис. 2. Алгоритм функционирования системы защиты на основе ИНС
Заключение
На основе данных от анализаторов состояния системы (датчиков) происходит положительное обратное воздействие — активация протоколов управления конфигурацией сети, изменение структуры, резервная маршрутизация критичных для системы потоков информации. Перезапрос на обучение нейросети происходит в случае ошибки (неудачного решения). Через систему обратной связи осуществляется переобучение и формирование нового эталонного образа, что позволяет наиболее корректно сформулировать решение на выходе ИНС, сделать прогнозирование наиболее точным.
Литература
1. Лаута О. С., Нечепуренко А. П., Муртазин И. Р., Суетин А. И. Модели интеллектуальных воздействий // Информационная безопасность регионов России. 2017. С. 144-145.
2. Муртазин И. Р., Коцыняк М. А., Мамай А. В., Лаута О. С. Функциональная модель комплекса информационного воздействия на беспроводные сети передачи данных // Актуальные
проблемы защиты и безопасности: Труды XXII Всероссийской научно-практической конференции РАРАН. 2019. С. 188-189.
3. Ракицкий С.Н., Ракицкий Д. С., Жбанова В. В., Лепешкин О. М. Подход к формированию требований контроля защиты информационно-телекоммуникационных сетей в условиях деструктивных воздействий // Нейрокомпьютеры и их применение: XVII Всероссийская научная конференция. 2019.
4. Ракицкий С.Н., Ракицкий Д. С., Лаута О. С., Данилова Е. И. Подход к обоснованию структуры воздействия целевой кибернетической атаки // Нейрокомпьютеры и их применение. XVII Всероссийская научная конференция. 2019.
5. Гудков М.А., Муртазин И. Р., Гагарин Ю. А., Крибель А.М., Соловьёв Д. В. Применение методов захвата и анализа пакетов, передаваемых по информационно-телекоммуникационным сетям, для аудита сетевой безопасности сетей // Современные информационные технологии. Теория и практика: Материалы IV Всероссийской научно-практической конференции. Отв. ред. Т. О. Петрова. 2018. С. 158-162.
6. Муртазин И. Р., Коцыняк М. А., Бесков А. В., Лаута О. С., Мамай А. В. Архитектура сети подвижной радио-
связи на основе эталонной модели взаимодействия открытых систем // Радиолокация, навигация, связь: Сборник трудов XXV Международной научно-технической конференции. В 6-ти томах. Воронежский государственный университет, АО «Концерн «Созвездие», 2019. С. 173-182.
7. Берзин Е. А. Оптимальное распределение ресурсов и элементы синтеза систем. М.: Советское радио, 1974. 303 с.
8. Радько Н.М., Скобелев И. О. Риск-модели информационно-телекоммуникационных систем при реализации угроз удаленного и непосредственного доступа. М.: РадиоСофт, 2011. 229 с.
9. Корсунский А. С., Лепешкин О. М. Подход к формализации автоматизированной информационной системы для оценки функциональной безопасности // Вопросы радиоэлектроники. 2012. Т. 3. № 1. С. 75-82.
MANAGEMENT OF THE SECURITY SYSTEM FOR INFORMATION SUPPORT OF SPORTS EVENTS BASED ON ALGORITHMS FOR THE FUNCTIONING OF AN ARTIFICIAL NEURAL NETWORK
MIKHAIL A. KARPOV KEYWORDS: artificial neural network; information and telecommu-
St. Petersburg, Russia, karpuh.djan@mail.ru nications network; software system; management.
IVAN I. MICHAEL
St. Petersburg, Russia, nemo4ka74@gma¡l.com
STANISLAV N. RAKITSKY
St. Petersburg, Russia, s15136@mail.ru
ELENA I. DANILOVА
Pushkin, Russia, danilova-ei@mail.ru
ABSTRACT
Cybernetic confrontation marks a new level of confrontation. An urgent requirement of the time is the revision of the principles of construction for managing the security system of information support for sports events by the method of forecasting implemented by an artificial neural network. To manage the information security system of an information and telecommunications network, it is necessary to apply highly effective methods of monitoring and controlling the network state directly in real time. The basis of these methods should be data from tools for analyzing and predicting the state of control boundaries and the entire system as a whole. Artificial neural networks are the most suitable tool for forecasting. A neural network is a highly parallel dynamic system with a directed graph topology that can receive output information by reacting its state to input influences. Artificial neural networks are essentially a formal device for describing the key algorithm for solving the problem of predicting the state of the information and telecommunications network security system based on characteristic time sections. Due to their trainability, artificial neural networks are able to make decisions that correspond to the
dynamic change of States, which is typical for such complex systems as the information and telecommunications network security system. Thus, the main trends in the long-term development of the structure of protection systems for infotelecommunication systems are justified. Recommendations are given on the possibility of using the predictive function of an artificial neural network, the functional scheme of an artificial Hamming neural network is described in detail, its advantages relative to other neural networks are considered, and the algorithm of functioning is presented.
REFERENCES
1. Lauta O. S., Nechepurenko A. P., Murtazin I. R., Suetin A. I. Models of intellectual influences. Collection, 2017. Information security of Russian regions. Pp. 144-145. (In Rus)
2. Murtazin I. R., Kotsynyak M. A., Mamay A. V., Lauta O. S. Functional model of complex information impact on wireless data transmission networks. In the collection: Actual problems of protection and security Proceedings of the XXII all-Russian scientific and practical confer-
ence raran. 2019. Pp. 188-189. (In Rus)
3. Rakitsky S. N., Rakitsky D. S., zhbanova V. V., Lepeshkin O. M. Approach to the formation of requirements for the protection of information and telecommunications networks under destructive influences. In the book: Neurocomputers and their applications. XVII all-Russian scientific conference. 2019. (In Rus)
4. Rakitsky S. N., Rakitsky D. S., Lauta O. S., Danilova E. I. Approach to substantiating the structure of the impact of a targeted cybernetic attack. In the book: Neurocomputers and their applications. XVII all-Russian scientific conference. 2019. (In Rus)
5. Gudkov M. A., Murtazin I. R., Gagarin Yu. a., Kribel a.m., Solo-viev D. V. Application of methods for capturing and analyzing packets transmitted over information and telecommunications networks for network security audit. In the collection: Modern information technology. Theory and practice Materials of the IV all-Russian scientific and practical conference. Ed. by T. O. Petrov. 2018. Pp. 158-162. (In Rus)
6. Murtazin I. R., Kotsynyak M. A., Beskov A. V., Lauta O. S., Mamay A. V. Architecture of mobile radio communication network based on the reference model of interaction of open systems. In the collection: Radar, navigation, communication Proceedings of the XXV International scientific and technical conference. In 6 vol. Voronezh state University, JSC "Concern " Constellation". 2019. Pp. 173-182. (In Rus)
7. Berzin E. A. Optimal'noe raspredelenie resursov i elementy sinteza sistem [Optimal distribution of resources and elements of systems synthesis]. Moscow: Sovetskoe radio, 1974. 303 p. (In Rus)
8. Radko N. M., Skobelev I. O. Risk-modeli informatsionno-telekommunikatsionnykh sistem pri realizatsii ugroz udalennogo i neposredstvennogo dostupa [Risk models of information and telecommunications systems in the implementation of threats of remote and direct access]. Moscow: Radiosoft, 2011. 229 p. (In Rus)
9. Korsunsky A. S., Lepeshkin O. M. Approach to formalization of an automated information system for functional safety Assessment. Questions of radio electronics. 2012. Vol. 3. No. 1. Pp. 75-82. (In Rus)
INFORMATION ABOUT AUTHORS:
Karpov M. A., postgraduate student of the military Academy of communications named after Marshal of the Soviet Union S. M. Budyonny; Michael I. I., PhD, Associate Professor, head of the Department of the military Academy of communications named after Marshal of the Soviet Union S. M. Budennogo;
Rakitsky S. N., PhD, Associate Professor, associate Professor Of the military Academy of communications named after Marshal of the Soviet Union S. M. Budennogo;
Danilova E. I., Lecturer of the Naval Polytechnic Institute.
For citation: Karpov M.A., Michael I.I., Rakitsky S.N., Danilova E.I. Management of the security system for information support of sports events based on algorithms for the functioning of an artificial neural network. H&ES Research. 2020. Vol. 12. No. 5. Pp. 46-52. doi: 10.36724/24095419-2020-12-5-46-52 (In Rus)
M
w и
