Представлены результаты исследований, целью которых была разработка алгоритма выявления угроз информационной безопасности в распределенных мультисервисных сетях, обеспечивающих информационное взаимодействие региональных органов государственного управления, а также их коммуникацию с населением региона. Актуальность темы исследований обусловлена значительным ростом кибератак различных видов на вычислительные сети органов государственной власти и необходимостью повышать уровень защищенности этих сетей за счет интеллектуализации методов борьбы с угрозами информационной безопасности. В основе алгоритма лежит применение методов машинного обучения для анализа входящего трафика с целью выявления событий, влияющих на состояние информационной безопасности органов государственной власти. Алгоритм предусматривает препроцессинг входного трафика, в результате которого формируется набор изображений (сигнатур), получаемых на основе бинарных файлов Wasm, а затем запускается классификатор изображений. Он содержит последовательное включение глубоких нейронных сетей – сверточной нейронной сети для классификации сигнатур и рекуррентной сети, которая обрабатывает последовательности, получаемые на выходе сверточной сети. Особенности формирования сигнатур в предлагаемом алгоритме, а также последовательностей на входе в рекуррентную сеть дают возможность получать результирующую оценку информационной безопасности с учетом предыстории текущего ее состояния. Выход рекуррентной сети агрегируется с результатом сравнения актуальных сигнатур с имеющимися в базе данных. Агрегация выполняется системой нечеткого вывода второго типа, использующей импликацию по алгоритму Мамдани, которая и вырабатывает итоговую оценку угроз информационной безопасности. Разработано программное обеспечение, реализующее предложенный алгоритм, проведены эксперименты на синтетическом наборе данных, которые показали работоспособность алгоритма, подтвердили целесообразность его дальнейшего совершенствования.

К одной из наиболее важных составляющих сети Интернет относятся системы контроля и управления трафиком. С целью достижения бесперебойного информационно-коммуникационного взаимодействия организация процесса непрерывно видоизменяется, охватывая не только отдельные подсети, но и сетевые архитектуры вида p2p. В число доминирующих направлений совершенствования сетевой структуры входят технологии 5G, IoT и сети ­SDN, однако их внедрение в практику оставляет без удовлетворительного решения вопрос обеспечения информационной безопасности сетей, построенных на их основе. Существующие топологии развертки виртуального туннеля и компоненты интеллектуального распределения трафика обеспечивают лишь частичное решение, в частности в виде задач управления доступом на основе трафика пользователя и обеспечения безопасности за счет выделенных пользовательских сертификатов. Особое значение развертка туннеля имеет в тех случаях, когда необходимо обеспечить согласованность и координацию работы сложных социально-экономических систем, примером которых может служить информационно-коммуникационный обмен между участниками научно-промышленных кластеров, формируемых для реализации проектов создания инновационных продуктов. Однако существующим решениям сопутствуют недостатки в виде необходимости приобретения лицензии для полнофункционального доступа к программному продукту и специализированной настройки клиент-серверной аутентификации, обеспечивающей безопасный доступ к удаленному сетевому маршруту. Предлагаемый авторами подход на основе нейросетевого распределения трафика между клиентами частной выделенной сети позволяет отмеченные недостатки устранить. На этом принципе создана и проверена посредством модульного тестирования многомодульная система интеллектуальной маршрутизации пакетов. Представлен анализ эффективности применения обученной модели распределения сетевых адресов в сравнении с использованием ­DHCP-сервера на основе пакета isc-dhcp-server, распространяемого в качестве службы dhcpd.

Представлены результаты исследования, целью которого являлось создание интеллектуальной системы машинного обучения для моделирования процессов агломерации шихты при обработке фосфатного рудного сырья. Актуальность исследования обоснована необходимостью совершенствования информационного обеспечения процессов управления технологическими системами в условиях цифровой трансформации производственной среды, проводимой в рамках четвертой промышленной революции и характеризуемой массовым внедрением индустриального Интернета вещей, что приводит к лавинообразному увеличению объемов технологических данных. Их обработка современными методами анализа, в том числе методами искусственного интеллекта, способна повысить качество принимаемых решений и обеспечить конкурентные преимущества. Научную новизну результатов исследования составляет структура предложенной гибридной интеллектуальной системы машинного обучения для моделирования процессов обработки фосфатного рудного сырья, в основе которой лежит совместное применение динамической модели агломерационного процесса в среде Simulink и глубокой нейронной сети. Архитектура нейронной сети разработана с учетом специфики математического описания процесса агломерации и включает входные полносвязные слои, принимающие результаты измерений переменных технологического процесса, а также рекуррентный слой, обрабатывающий объеденную последовательность с выходов полносвязных слоев. Интеграция Simulink-модели и глубокой нейронной сети делает возможным быструю адаптацию интеллектуальной системы под конкретную агломерационную машину за счет применения двухэтапной процедуры машинного обучения: сначала на имитационной модели Simulink, а затем на реальном объекте. Учитывая значительную инерционность процессов, сопровождающих агломерацию, такой подход обеспечивает оперативное изменение настройки гибридной интеллектуальной системы машинного обучения под новый состав сырья и технологические параметры. Разработана программа, предоставляющая удобный графический интерфейс для подготовки и применения интеллектуальной системы, а проведенные имитационные эксперименты показали, что процесс ее дообучения под новые технологические параметры проходит значительно быстрее первичного обучения при сохранении высокой точности получаемых результатов моделирования.

В статье рассматриваются задачи фигурного раскроя и упаковки объектов нерегулярной формы, заключающиеся в поиске наиболее компактного способа размещения заданного набора объектов произвольной геометрии внутри некоторого ограниченного пространства. Эти задачи относятся к классу ­NP-трудных задач дискретной оптимизации, для которых отсутствуют методы полиномиальной сложности для получения точных решений, поэтому на практике наиболее часто они решаются приближенно с помощью эвристических и метаэвристических методов оптимизации. При компоновке объектов нерегулярной формы дополнительно необходимо учитывать их геометрию для определения корректности размещения объектов относительно друг друга. Существующие методы анализа геометрии объектов и формируемой упаковки, основанные на применении phi-функций и построении годографа вектор-функции плотного размещения, теоретически обеспечивают возможность получения точного решения, однако требуют применения трудоемких методов нелинейной оптимизации. Поэтому с целью повышения скорости компоновки большого числа объектов нерегулярной формы реализовано преобразование их формы посредством вокселизации с последующим объединением полученного набора вокселов в ортогональные многогранники. Для повышения качества получаемых решений в работе предлагается жадная эвристика размещения ортогональных многогранников, реализующая выбор наилучшего варианта ориентации размещаемого объекта, при котором формируемая компоновка будет наиболее плотной в сравнении с прочими доступными вариантами ориентации этого объекта. Проведен анализ эффективности жадной эвристики размещения на задачах плоского фигурного раскроя и упаковки трехмерных объектов нерегулярной формы. Вычислительные эксперименты показали, что предложенная жадная эвристика обеспечивает очень быстрое получение решений высокого качества. Дополнительно представлены результаты тестирования жадной эвристики размещения при использовании генетического алгоритма для оптимизации решений задачи компоновки.