Особую актуальность проблема обнаружения аномалий на обрабатываемых изображениях, получаемых с аппаратуры визуального контроля, приобретает в ходе экологического мониторинга акваторий мирового океана при поиске последствий техногенных катастроф, вызванных разливами нефтепродуктов. Под аномалиями в представленном исследовании рассматриваются фрагменты изображения, характеризующие разливы нефтепродуктов. В качестве предмета исследования определены элементы теории распознавания образов, в соответствии с которыми обрабатываемые изображения представляются в виде векторов признаков. Обоснован выбор гистограмм, характеризующих распределения битов яркости обрабатываемых изображений, которые используются в качестве первичных векторов признаков. Установлено, что высокая вариативность фона изображений водных поверхностей приводит к значительной дисперсии векторов признаков, формируемых на основе гистограмм распределения яркости даже для одного общего класса объектов распознавания. Поэтому предложено подвергать первичные векторы признаков декоррелирующей обработке на основе вейвлет-преобразований. Рассмотрены виды вейвлет-преобразования и различные типы формирующих функций, среди которых обоснован выбор вейвлета Гаусса 1-го порядка, позволившего обеспечить наименьшие различия между векторами признаков обрабатываемых изображений, характеризующих один и тот же класс. Предложен подход к формированию вторичных признаков распознавания путем усреднения компонентов матриц кратномасштабного преобразования гистограмм распределения яркости изображений вдоль оси их параметра сдвига. Обоснован переход к выбору избыточного числа масштабов декомпозиции в вейвлет-преобразованиях при формировании вторичных векторов признаков. Демонстрируются результаты проведенного эксперимента, подтверждающие правомерность такого перехода. Представлены тестовые и эталонные изображения, используемые в ходе эксперимента, а также формируемые на их основе первичные и вторичные векторы признаков. Приведены численные результаты, характеризующие полученную оценку различий векторов признаков как одного класса, так и альтернативных классов. Представлена вероятностная оценка результатов распознавания аномалий на обрабатываемых изображениях. Обосновано использование коэффициента оценки различий векторов признаков в разработанной формуле вероятности правильного обнаружения аномалий в обрабатываемых изображениях. Приведены графики, характеризующие значение вероятностной оценки в зависимости от соотношения размеров аномалии к общей площади кадра для различных значений коэффициента, повышающего различия векторов признаков.
В статье рассматривается задача комплексного анализа защищённости систем Интернета вещей. Актуальность работы обусловлена ростом сложности и гетерогенности систем Интернета вещей, а также необходимостью масштабируемой оценки их защищённости с учётом архитектурных и функциональных особенностей. На основе анализа архитектуры систем Интернета вещей разработана многоуровневая онтологическая модель, объединяющая предметную область Интернета вещей и информационной безопасности, дополненная учётом функциональной роли компонентов системы, типов передаваемых сообщений и целей системы, что позволяет отобразить зависимость критичности компонента от выполняемой функции и влияние угрозы на нарушение целевой функции системы. На основе модели предложен механизм вывода угроз, выявляющий каскадный эффект распространения деструктивного воздействия по топологическому вектору и функциональному вектору. В отличие от подходов, рассматривающих угрозу исключительно через факт первичной компрометации элемента, новизна заключается в том, что глубина и последствия угрозы определяются не начальной компрометацией, а структурно-семантическими характеристиками межкомпонентных связей, задающих развитие каскадного эффекта. Онтология интегрирована с внешними репозиториями знаний (CVE, RVD, CAPEC, CWE, БДУ ФСТЭК) посредством ETL-процесса, а вывод скрытых связей автоматизирован с помощью SWRL-правил в среде Protege. Практическая апробация модели выполнена на экспериментальном стенде «Умная лаборатория». Результатом работы является реализованная онтологическая модель, обеспечивающая автоматическое выявление угроз безопасности для систем Интернета вещей. Оценка качества модели по методике OntoMod показала расширение семантического покрытия предметной области в 3 раза и снижение структурной сложности в 1,5-2,4 раза по сравнению с рассмотренными аналогами. Сформулирован вывод о применимости предложенного онтологического подхода для оперативной поддержки принятия решений операторами и проектировщиками распределенных сетей Интернета вещей.
Предложен метод синтеза полностью самопроверяемых цифровых устройств с улучшенными показателями контролепригодности. Решение основано на использовании принципа логической коррекции сигналов и свойств композиции равновесных кодов «1 из 4» и «3 из 4». Описаны особенности организации схемы встроенного контроля по двум диагностическим признакам: принадлежности формируемых кодовых слов композиции равновесных кодов «1 из 4» и «3 из 4», а также каждой функции, описывающей разряды кодовых слов в схеме встроенного контроля классу самодвойственных булевых функций. Приведена структура самопроверяемого цифрового устройства с контролем вычислений по двум диагностическим признакам. Разработаны алгоритмы синтеза схемы встроенного контроля на основе логической коррекции сигналов и композиции равновесных кодов «1 из 4» и «3 из 4», учитывающие требования по тестируемости ее компонентов в процессе эксплуатации. Предложен метод выделения подмножеств контролепригодных четверок выходов на множестве выходов объекта диагностирования, позволяющий гарантированно покрывать ошибки с помощью выбранной композиции равновесных кодов с учетом ее диагностических свойств. Даны некоторые результаты экспериментов с тестовыми схемами, демонстрирующие преимущества разработанного авторами метода синтеза самопроверяемых цифровых устройств по сравнению с известными: дублированием с контролем самодвойственности и с использованием кода «2 из 4» с дополнительным контролем самодвойственности. Разработанный метод может эффективно применяться при синтезе самопроверяемых цифровых устройств как на современной микроэлектронной базе, так и может рассматриваться в будущем при реализации устройств на новых физических принципах.
Современный уровень развития информационных технологий характеризуется широким использованием методов искусственного интеллекта (ИИ), особенно глубокого машинного обучения, в таких важных областях, как здравоохранение, транспорт, финансовые услуги, системы биометрической аутентификации и национальная безопасность. Модели нейронных сетей все чаще используются для принятия решений, которые напрямую влияют на безопасность, здоровье и финансовые интересы отдельных лиц и организаций. Однако по мере повышения функциональной значимости систем искусственного интеллекта растет и их уязвимость к целенаправленным атакам. Существующие подходы к противодействию, такие как состязательное обучение или входная фильтрация, обладают существенными ограничениями: они либо снижают точность модели на легитимных данных, либо эффективны лишь против заранее известных типов атак, не обеспечивая обнаружения новых угроз. В этих условиях возрастает потребность в механизмах детекции, способных определить сам факт атаки независимо от ее реализации. При этом различные исследования показывают, что состязательные примеры вызывают аномальные паттерны активаций в скрытых слоях нейронной сети, качественно отличающиеся от тех, что наблюдаются при обработке легитимных данных. Это открывает возможность применения методов обнаружения аномалий, таких как изоляционный лес или расстояние Махаланобиса – для выявления подозрительных запросов без модификации исходной модели. Особую значимость приобретает также влияние архитектурных и обучающих гиперпараметров на внутренние представления модели и, как следствие, на ее уязвимость и обнаружение атак. Целью данной работы является экспериментальное исследование метода обнаружения состязательных атак на основе анализа аномалий в активациях скрытых слоев нейронной сети.
В условиях повсеместной цифровизации и учащения случаев компрометации конфиденциальной информации актуальность разработки надежных систем аутентификации, выступающих в качестве первоочередного защитного рубежа, становится критически важной. Перспективным решением проблем, связанных с утратой, кражей или несанкционированным использованием статических идентификаторов, представляются биометрические системы поведенческого типа. В частности, методы, основанные на анализе клавиатурного почерка (динамики работы с клавиатурой), позволяют осуществлять непрерывную и скрытую аутентификацию пользователя на протяжении всего сеанса работы, анализируя его уникальные и трудно подделываемые поведенческие паттерны. Данное направление характеризуется сочетанием высокого уровня безопасности с относительно умеренными затратами на внедрение и высоким удобством для конечного пользователя. Целью настоящего исследования является проведение сравнительного анализа различных подходов к проектированию и построению архитектур сверточных нейронных сетей, оптимизированных для обработки разреженных данных, описывающих динамику нажатий клавиш. В ходе экспериментальной работы было установлено, что сверточные нейронные сети демонстрируют исключительно высокую точность верификации, достигающую 99%, несмотря на то, что входные данные, сформированные в результате предобработки, обладают сильной разреженностью. Наилучшие результаты в рамках исследования были достигнуты при использовании архитектуры, основанной на механизме разделенной свертки, которая показала свою эффективность для работы с указанным специфическим типом данных.
