- •ИННОВАЦИОННАЯ ОРГАНИЗАЦИОННАЯ КУЛЬТУРА КАК ФАКТОР ПОВЫШЕНИЯ ИННОВАЦИОННОЙ ВОСПРИИМЧИВОСТИ
- •ИНТЕГРАЦИЯ ПЕРИФЕРИЙНЫХ УСТРОЙСТВ В СЧПУ ДЛЯ ПОВЫШЕНИЯ ПРОИЗВОДИТЕЛЬНОСТИ
- •ИССЛЕДОВАНИЕ ПРОЦЕССОВ ТЕПЛОМАССООБМЕНА В РАЗНОТЕМПЕРАТУРНОМ КОНДЕНСАЦИОННОМ ФИЛЬТРЕ
- •КОММУТАЦИОННЫЙ АППАРАТ СЕНСОРНОГО (ЁМКОСТНОГО) УПРАВЛЕНИЯ С ФУНКЦИЕЙ РЕГУЛИРОВАНИЯ ПЕРЕМЕННОГО НАПРЯЖЕНИЯ НА НАГРУЗКЕ
- •КОМПЛЕКС МОДЕЛИРОВАНИЯ ИНФОРМАЦИОННЫХ ЭПИДЕМИЙ В БЕЗМАСШТАБНЫХ СЕТЯХ
- •МЕТОДИКА ИЗГОТОВЛЕНИЯ ТРЕХСЛОЙНЫХ СОТОВЫХ ПАНЕЛЕЙ
- •МНОГОМЕТОДНАЯ ПОДСИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ПАРАЛЛЕЛЬНЫХ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
- •МОДЕЛИРОВАНИЕ СИСТЕМЫ ПОЖАРНОЙ БЕЗОПАСНОСТИ ТЕХНОЛОГИЧЕСКОЙ ЛИНИИ ТЭП-50 НА ОАО «ВОРОНЕЖСИНТЕЗКАУЧУК»
- •НАНОТЕХНОЛОГИИ ДЛЯ ПОВЫШЕНИЯ ИЗНОСОСТОЙКОСТИ РАБОЧИХ ПОВЕРХНОСТЕЙ ИЗДЕЛИЙ
- •ОБЕСПЕЧЕНИЕ КАЧЕСТВА НАУКОЕМКОЙ ПРОДУКЦИИ И ИННОВАЦИОННАЯ ДЕЯТЕЛЬНОСТЬ
- •ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННОГО ПРОЦЕССА НА ОСНОВЕ ТЕХНОЛОГИЙ БЕРЕЖЛИВОГО ПРОИЗВОДСТВА
- •ОПТИМИЗАЦИЯ СОСТАВА КЕРАМИЧЕСКИХ ОБОЛОЧЕК ДЛЯ ЛИТЬЯ ПО ВЫПЛАВЛЯЕМЫМ МОДЕЛЯМ
- •ПЛАЗМЕННЫЕ РАКЕТНЫЕ ДВИГАТЕЛИ – РЕВОЛЮЦИЯ В КОСМИЧЕСКИХ ПОЛЕТАХ
- •ПОРТАТИВНОЕ ЦИФРОВОЕ УСТРОЙСТВО, ПРЕДНАЗНАЧЕННОЕ ДЛЯ ОТОБРАЖЕНИЯ ТЕКСТОВОЙ И ГРАФИЧЕСКОЙ ИНФОРМАЦИИ, ПРЕДСТАВЛЕННОЙ В ЭЛЕКТРОННОМ ВИДЕ
- •ПОСТРОЕНИЕ ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ РАСПРОСТРАНЕНИЯ НЕФТИ
- •ПРИМЕНЕНИЕ КЛАСТЕРНОГО АНАЛИЗА ДЛЯ ОБРАБОТКИ ОШИБОЧНЫХ СРАБАТЫВАНИЙ С УЧЁТОМ ПРИОРИТЕТОВ ПАРАМЕТРОВ
- •ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ СЕМАНТИЧЕСКОЙ ПАУТИНЫ ДЛЯ ПРОЕКТИРОВАНИЯ ОНТОЛОГИЙ И СИСТЕМ УПРАВЛЕНИЯ СОДЕРЖИМЫМ НА ИХ ОСНОВЕ
- •ПРОГРАММНЫЙ КОМПЛЕКС «NETEPIDEMIC» ДЛЯ РИСК-АНАЛИЗА ПРОЦЕССОВ РАСПРОСТРАНЕНИЯ ДЕСТРУКТИВНОГО КОНТЕНТА В НЕОДНОРОДНЫХ СЕТЕВЫХ СТРУКТУРАХ
- •ПРОГРАММНЫЙ КОМПЛЕКС РИСК-АНАЛИЗА РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
- •РАЗВИТИЕ СПОСОБОВ ТОЧНОЙ ШТАМПОВКИ
- •РАЗРАБОТКА ГИБРИДНЫХ ФУНКЦИОНАЛЬНЫХ МАТЕРИАЛОВ НА ОСНОВЕ НИКЕЛЯ
- •РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА КЛИЕНТСКИХ СРЕД НА ОСНОВЕ НЕЧЁТКИХ НЕЙРОННЫХ СЕТЕЙ
- •РАЗРАБОТКА СИСТЕМЫ ПЛАНИРОВАНИЯ СЕТИ И ОБЕСПЕЧЕНИЯ ДОСТУПА К ВЫСОКОСКОРОСТНОМУ СОЕДИНЕНИЮ КОНЕЧНОГО ПОЛЬЗОВАТЕЛЯ
- •РАЗРАБОТКА ЭЛЕМЕНТОВ ГИБРИДНОЙ СИСТЕМЫ ЛОКАЛЬНОЙ ТЕРМОСТАБИЛИЗАЦИИ ЭЛЕКТРОННЫХ МОДУЛЕЙ НА ОСНОВЕ МИКРОКАНАЛЬНЫХ ТЕПЛООБМЕННИКОВ И ТЕРМОЭЛЕКТРИЧЕСКИХ ПРЕОБРАЗОВАТЕЛЕЙ
- •СИСТЕМА АВТОМАТИЗИРОВАННОГО ПЛАНИРОВАНИЯ, ОПТИМИЗАЦИИ И УЧЕТА ШИРОКОПОЛОСНОГО РАДИОДОСТУПА И ЦИФРОВОГО ТВ
- •СОВРЕМЕННЫЕ ТЕХНОЛОГИИ, ИСПОЛЬЗУЮЩИЕСЯ В ПРОИЗВОДСТВЕ РАКЕТНО-КОСМИЧЕСКОЙ ТЕХНИКИ
- •СТРУКТУРА ЗОНДА СКАНЕРА БЛИЖНЕГО ПОЛЯ
- •ТЕХНИЧЕСКАЯ СИСТЕМА ОБЕСПЕЧЕНИЯ ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ НА ТЕПЛОВЫХ ЭНЕРГЕТИЧЕСКИХ УСТАНОВКАХ
- •ТЕХНОЛОГИИ 3D-ПЕЧАТИ В РАКЕТОСТРОЕНИИ
- •УСТРОЙСТВА ДЛЯ ОБРАБОТКИ ЗВУКА МУЗЫКАЛЬНЫХ ИНСТРУМЕНТОВ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ
- •ЭЛЕКТРИЧЕСКИЕ РАКЕТНЫЕ ДВИГАТЕЛИ – ДВИГАТЕЛИ БУДУЩЕГО
- •ЭНЕРГОСБЕРЕЖЕНИЕ В РАЗДЕЛИТЕЛЬНЫХ ОПЕРАЦИЯХ
УДК 544.6.018
РАЗРАБОТКА ГИБРИДНЫХ ФУНКЦИОНАЛЬНЫХ МАТЕРИАЛОВ НА ОСНОВЕ НИКЕЛЯ
Студент гр. ЗС-121 Артемьева А.О. Руководитель: канд. техн. наук, доцент А.В. Звягинцева
Основной целью и задачей научно-исследовательского проекта является исследование возможности аккумулирования водорода химическими элементами и их соединениями, разработка методики и технологии получения, безопасного хранения и транспортировки образцов с аккумулированным водородом (без температурного воздействия и давления и без свободного течения водорода)
Одной из важнейших проблем использования водорода в энергетике и в системах питания является его безопасное хранение и возможность использования при относительно малых затратах энергии. Разрабатываемый нами способ гидридного хранения отвечает всем этим требованиям, поэтому актуальность выбранной тематики несомненна. Химическое соединение водорода в форме металлических гидридов представляет привлекательную альтернативу традиционным способам хранения (криогенный и балонный), которые небезопасны и энергоемки.
Научная новизна нашего проекта заключается в том, что мы впервые проводили исследования возможности электрохимических систем к поглощению водорода по двум направлениям:
1.Формирование структуры металла и сплава с определенной степенью дефектности осуществлено электрохимическим методом с использованием в качестве нанообразующих добавок - бора. Показана возможность получения электрохимическим способом системы Ni-B-H, в которой, варьируя содержанием бора, можно увеличить содержание включаемого водорода. Получены электрохимическим методом системы NiхBуHz, где y = 0…0,5 и имеющие порядка 3 % вес. водорода. Это без допирования их изотопом водорода дейтерием.
2.Дополнительное введение изотопа водорода дейтерия в металлическую никелевую матрицу методом ионной имплантации. Синтезирована электрохимическая система, например, Ni-In
композиты с фазовым составом - Ni70In30 со структурой, способной удерживать допированный водород. Впервые рассмотрена возможность дополнительного введения изотопа водорода дейтерия
вэлектрохимическую систему с последующей термодесорбцией водорода. Получены образцы с содержанием водорода порядка 8-10 % вес [1, 2].
Подбирали состав электролита по данным исследования структуры формируемого покрытия. Структура анализировалась на сканирующем зондовом микроскопе Solver P47. Рентгеноструктурные исследования образцов проводили на дифрактометре HZG-4 в CuKα-излучении (β-фильтр). Содержание компонентов в системе Ni-In определялось рентгено-флюоресцентным методом.
На основании проведенных исследований подобран состав электролита с оптимальным содержанием сульфата индия Jn2(SO4)3 в электролите, который позволяет получать более мелкокристаллические и равнозернистые Ni-In композиты с фазовым составом - Ni70In30. При использовании концентрации In2(SO4)3 в электролите 4 г/л получились образцы со стехиометрией Ni70In30. Увеличение концентрации индия в композитах (более 30 мас. % In) сопровождается появлением и ростом интенсивности дополнительных линий на дифрактограммах. Это связано с образованием интерметаллидов Ni3In и In2Ni о возможности образования, которых свидетельствует фазовая диаграмма системы Ni-In. Далее в электрохимический композит методом ионной имплантации вводили изотоп водорода – дейтерий. Внедрение дейтерия в образцы производилось имплантацией ионов дейтерия энергии 12 кэВ дозами в пределах 3×1017–3×1018 ат.D/см2. Впервые возможность дополнительного введения водорода в электрохимическую систему рассмотрена в этом проекте. Как видно из рис. 1., структура спектра ТДС дейтерия является функцией имплантационной дозы. При низких дозах имплантированного дейтерия в спектре присутствует один пик с температурой максимума ~530 К. Повышение дозы приводит к появлению нового низкотемпературного пика с температурой максимума
~420 К.
Рис. 1. Спектры термодесорбции дейтерия, имплантированного в образцы композита Ni70In30:
(1) - 3×1017 D/cм2; (2) – 7.5×1017 D/cм2;
(3)– 1.3×1018 D/cм2; (4) - 2×1018 D/cм2;
(5)- 3×1018 D/cм2
113
Рост концентрации дейтерия приводит к образованию как твердого раствора дейтерия в композите Ni70In30 температура распада которого в вакууме ~530 К, так и гидрида температура распада которого ~350 К. При насыщении композита состава 45.6 мас. % In дейтерием с помощью ионной имплантации предельно достижимая концентрация дейтерия 2 ат.D/ат.Мет. Увеличение концентрации индия приводит к росту количества удерживаемого дейтерия в композите. В настоящее время получено порядка 8-10 % вес.
Рассмотрено влияние структуры на окклюдирующую способность металла. Эта способность оценивается с возможностью изменения дефектности структуры металла. Для гипотетического металла при переходе от чистого монокристалла к аморфной структуре увеличивается степень дефектности структуры и повышается вероятность к поглощению водорода (рис. 2, кр. 1). Закономерность изменения способности окклюзии водорода для электрохимической системы Ni-B-H отражена на рис. 3 (кр. 2). При введении от 2 до 10 ат. % бора в никель происходит переход от кристаллической структуры (до 5 ат. %) к неявно выраженной кристаллической структуре (6-9 ат. %) с переходом к аморфной, что сопровождается увеличением экстрагируемого водорода из образца, определяемое методом вакуумной экстракции. В отличие от чистого никеля особенностью формирования систем никель-бор является то, что скорость возникновения зародышей превалирует над скоростью их роста, и это свидетельствует о возможности формирования структур с наибольшим числом дефектов в единицу объема металла за счет наличия в них структурных и примесных ловушек.
Таким образом, повышение концентрации бора в системе Ni-B вызывает увеличение содержания водорода, по сравнению с никелем.
Рис. 2. Закономерность изменения способности окклюзии водорода для электрохимических систем (металлов и сплавов): 1 - гипотетический металл, 2 - электрохимическая система (Ni-B-H)
Разработанные системы позволяют в широком интервале температур регулировать величину энергетических затрат на экстракцию водорода и обеспечивают экстракцию водорода при малых энергетических затратах и различных скоростях экстракции для дальнейшего его использования по назначению. Основой нашего проекта является ме-
таллогидридное хранение, основными достоинствами которого являются: высокая объемная плотность водорода, приемлемый интервал рабочих давлений и температур, постоянство давления при гидрировании и дегидрировании, возможность регулирования давления и скорости выделения водорода, высокая чистота выделяемого водорода, компактность и безопасность в работе
Получены экспериментальные образцы и разработаны технологии получения образцов – электрохимические системы, с высокой способностью к аккумулированию водорода и последующим его хранением в виде гидридов металлов.
Рис. 3. Пример внешнего вида аккумулятора. Размеры образца, насыщенного водородом, электрохимическим методом
Характеристика опытных образцов: Площадь 0,24 дм2 , толщина слоя электрохимической системы никель-индий-водород 8 мкм (10-6 м) в этом образце порядка 8-10 % вес. водорода, в образце системы никель-бор-водород толщиной слоя 8 мкм и той же площади порядка 3 % вес. Температура экстракции водорода от 150 до 450 оС. Геометрическая форма – лента.
Возможны различные варианты комбинаций элементов по химическому составу, что расширит спектр используемых материалов для хранения водорода. Кроме этого возможны различные геометрические формы образцов: лента, стержень, шар.
Необходимо дальше исследовать такие водородоаккумулирующие свойства сплавов: закономерности поглощения, накопления и термоактивированного выделения водорода, термодинамические параметры (температурные диапазоны удержания, энергия активации термодесорбции, порядок реакции) в зависимости от природы и концентрации нанообразующей добавки в синтезированных материалах. Полученные результаты исследований внесут важный вклад в понимание процессов структурообразования наноматериалов, позволят сформировать стратегию получения новых многофункциональных наноматериалов. Второе направление исследований – введение дополнительного количества водорода в электрохимическую систему методом ионной имплантации открывает новые возможности и перспективы развития альтернативных источников энергии.
Литература
1. Zvyagintseva A.V., Shalimov Yu.N. On the Stability of Defects in the Structure of Electrochemical Coatings. Surface Engineering and Applied Electrochemistry, 2014.- Vol. 50. -No. 6. - PP. 466–477.
114
УДК 681.3
РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА КЛИЕНТСКИХ СРЕД НА ОСНОВЕ НЕЧЁТКИХ НЕЙРОННЫХ СЕТЕЙ
Студент группы ИСм-141 Поскрёбышева М.М. Руководитель: д-р техн. наук, профессор С.Ю. Белецкая
Методы интеллектуального анализа - наиболее эффективный инструмент для анализа покупательского поведения потребителя.В работе рассматриваются модели и алгоритмы интеллектуального анализа клиентских сред, а также особенности и методология проведения анализа, предлагаются методы решения данной проблемы с помощью методовна основе нечетких нейронных сетей
Сбор соответствующей информации, связанной с клиентами, из различных каналов – недостаточное условие для понимания сути поведения клиентов. Для этого необходимо особым образом проанализировать полученные данные.
Под клиентской аналитикой можно понимать применение передовых аналитических методов к информации о клиентах компании для выявления, привлечения и удержания лучших и самых выгодных заказчиков. Это понятие объединяет в себе людей, процессы, данные и технологии, необходимые для анализа информации о клиентах для того, чтобы понять клиента лучше. Организация может использовать эти аналитические результаты для прогнозирования и оценки поведения клиентов.
Технология анализа клиентских сред (АКС) — это набор процедур обработки данных, содержащий процедуры от исходного протокола действий клиентов до решения большого набора различных задач маркетинга и управления взаимоотношениями с клиентами
(CustomerRelationshipManagement, CRM). К числу этих задач относятся:
−выявление, интерпретация типов клиентского поведения;
−сегментация базы клиентов;
−выявление целевых групп клиентов;
−структуризация ассортимента в соответствии с объективными предпочтениями клиентов;
−персонализация предложений;
−прогнозирование возможного уменьшения количества клиентов;
−выявление необычного или потенциально опасного для компании клиентского поведения.
Итоговой целью данной деятельности является улучшение качества оказываемых услуг, более эффективное привлечение и удержание клиентов.
Основная методология АКС складывается из следующих шагов:
1) Подготовка частотной матрицы.
2) Построение метрик.
3) Вычисление профилей поведения клиен-
тов.
4) Сегментация клиентской базы.
5) Позиционирование услуг (позиций ассортимента).
6)Поиск схожих услуг и клиентов.
7)Направленный маркетинг.
8)Персонализация.
Многообразие задач сегментирования и условий формирования рынков породили множество методов сегментирования. В настоящее время в практике исследования рынков получили широкое распространение следующие методы сегментирования:
–метод многомерной классификации;
–метод корреляционного сегментирования
–«К-сегментирование»;
–методы архетиповой сегментации;
–метод сегментации по выгодам;
–метод построения сетки сегментации;
–метод группировок;
–метод функциональных карт;
–метод сегментации на основе матриц
Абеля;
–метод сегментации потребителей по степени их лояльности;
–метод сегментации по выгодам.
Среди методов сегментирования, которые появились достаточно недавно, можно назвать следующие методы:
–метод коллаборативной фильтрации;
–метод латентных моделей;
–метод гибкого (flexible) сегментирования;
–метод компонентного (componential) сегментирования[1].
Среди методов сегментирования наиболее мощным инструментом являются методы многомерной классификации данных. Применение метода многомерной классификации называют кластерным анализом.
Кластерный анализ - это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором исходных переменных. Целью кластерного анализа является образование групп сходных между собой объектов, которые принято называть кластерами.
В кластерном анализе используется большое разнообразие способов измерения расстояний (метрик). Примером одной из наиболее распространенные метрик сходства является евклидово расстояние.
115
Для удовлетворения потребностей клиентов и повышения их удовлетворенности, предприятия должны иметь возможности сегментации клиентов. Различные клиенты имеют различные характеристики, такие как предпочтения, ценность и прибыль.
Предложенный метод для анализа транзакций – алгоритм контроля транзакций, состоящий из трех ступеней: сбор данных, создание профиля клиента и контроль транзакций.
На этапе сбора данных данные о транзакциях о клиентском поведении rkсобираются в базу данных. Если размер Trkдостигает определенного уровня, достаточного для построения пофиля, процесс мониторинга переходит к следующему шагу.
На этапе создания профиля, создается профиль клиента Wrkиз набора данных Prkс использованием функцииφ; происходит обучение нейронной сети на основе набора данных Prk; построение профиля на основе результата обучения.
После этапа создания профиля следует этап контроля транзакции, на котором строится вектор pn+1 и применение функции φ к каждой новой транзакции клиентского поведения tn+1; расчет отклонения данной транзакции клиентского поведения от значений профиля Wrk; сравнений значения δ0 со значением предела ε1 обозначенного в профиле Wrk и оценка данной транзакции с точки зрения пригодности для последующего анализа.
Решение задач классификации на основе нечётких нейронных сетей состоит в отнесении объекта, заданного вектором информативных при-
знаков X = (x1 , x2 ,…, xn ) к одному из |
заранее |
||
определенных классов d1, d2,…,dm ,т.е., состоит |
|||
в |
выполнении |
отображения |
вида: |
X = (x1, x2 ,…,xn ) y {d1,d2,…,dm}[2].
Рассмотрим подход к организации нейронечеткого классификатора, использующего механизм нечеткого логического вывода при решении задачи классификации нечетких входных векторов нейронной сетью с нечеткими связями.
Трехслойная нечеткая нейронная сеть
Нейро-нечеткий классификатор m-мерных
нормализованных векторов X нечеткими коорди-
~ ~
наторами ( x1 ,...,xm )будем представлять в виде
116
трехслойной нечеткой нейронной сети (рисунок), в которой:
− первый слой содержит m, по числу координат входного вектора, нечетких нейронов с комплементарными нечеткими связями, формирующих m пар нечетких высказываний (НВ) вида:
xi есть S
L , i 1, ,m ;
−средний слой содержит до 2m нечетких нейронов с комплементарными нечетким связями, выполняющих операцию логического вывода (например, min) над сочетаниями нечетких высказываний первого слоя нейронной сети с целью формирования системы нечетких классификационных заключений;
−выходной слой содержит n, по числу координат выходного вектора, нечетких нейронов с комплементарными нечетким связями, выполняющих операцию композиции (например, max) над нечеткими классификационными заключениями второго слоя нейронной сети для формирования n-
мерных векторов Y выходных нечетких заключе-
~ ~
ний ( y1 ,...,yn )
Последующее обучение нейро-нечеткого классификатора может производиться с использованием алгоритмов адаптации нейро-нечетких сетей, в частности с использованием механизма нечеткой межнейронной связи. Обучение нейронечеткого классификатора на наборе векторов обучающей выборки позволит выявить возможную противоречивость исходной системы нечетких предикатных правил и устранить из структуры нейронной сети незначащие связи (неточные заключения из исходной системы нечетких предикатных правил) [3].
Литература
1.Технология анализа клиентских сред. – Электрон.дан. – Режим доступа: http://www.forecsys.ru/ru/site/tech/cea/ .
2.Штовба С.Д. Проектирование нечетких систем средствами MATLAB /С.Д. Штовба. – М.: Горячая линия – Телеком, 2007 – 288 с.
3.Нестерук Г.Ф., Куприянов М.С., Елизаров С.И. К решению задачи нейро-нечеткой классификации/Г.Ф. Нестерук, М.С. Куприянов, С.И. Елизаров. SCM’2003 – СПб.: СПГЭТУ, 2003.
УДК 681.3
РАЗРАБОТКА МОДЕЛИ УГРОЗ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ УПРАВЛЕНИЯ ЗДАНИЕМ
Аспирант кафедры САПРИС Лукин В.В. Руководитель: д-р техн. наук, профессор Н.И. Баранников
В работе рассмотрены вопросы оценки рисков информационной безопасности АСУЗ, для чего была разработана структура подсистем АСУЗ, затембыл представлен способ моделирования угроз ИБ и вариантов противодействия им согласно каждой подсистеме в рамках АСУЗ
В современном мире все большое распространение и большую популярность приобретают автоматизированные системы управления зданием, или как их еще называют, системы «Умного дома», позволяющие значительно облегчить и автоматизировать процесс использования оборудования инженерных, мультимедийных, охранных и других систем зданий и сооружений, а так же значительно повысить эффективность их работы.
Такие системы еще называют понятием АСУЗ - Автоматизированная Система Управления Зданием.
Однако, существует проблема, связанная с не достаточной проработкой и исследованием угроз информационной безопасности пользователей АСУЗ и, соответственно, недостаточными механизмами им противодействия.
Для оценки рисков угроз информационной безопасности возможно сделать анализ для каждой из подсистем АСУЗ и получить причинно-следственную модель угроз, а также провести оценку приемлемости результатов противодействия им.
На большинстве объектов, где применяться АСУЗ, существуют инженерные системы зданий, сервисные системы для обеспечения комфорта человека, и системы управления описанными выше элементами. Рассмотрим их подробнее:
1) Комплекс инженерных систем зданий - это комплекс элементов, с помощью которых в зданиях поддерживаются параметры среды, необходимые для жизнедеятельности человека или нормальной работы технологического оборудования (температура, влажность и т.д.), удовлетворяются потребности в ресурсах (вода, приточный воздух), и осуществляется автоматический дистанционный контроль над работой всех систем.
2) Сервисные системы зданий – это системы, обеспечивающие сервисные функции для использования человеком в целях развлечения и получения дополнительных удобств, не связанных с инженерными системами здания. Это доступ к информационным ресурсам, использование бытовых приборов и т.д.
3) Система управления «Умного дома» – то, что позволяет интегрировать различные системы в единое целое и осуществлять политику управления в соответствии с заданными критериями.
Угрозами информационной безопасности для АСУЗ являются классические угрозы - нарушения конфиденциальности, целостности и доступности информации, используемой в процессе работы АСУЗ.
Конфиденциальность – это отсутствие возможности утечки информации закрытого или личного характера у лиц, использующих систему «Умного дома», через его компоненты.
Доступность – возможность авторизованным пользователям и самой системе «Умного дома» выполнять различные действия, прописанные в сценариях работы системы «Умного дома». В противном случае возникает проблема невозможности реагировать на события и осуществлять действия, предусматриваемые программной составляющей системы «Умного дома».
Целостность в контексте «Умного дома» - это достоверность информации, получаемой от датчиков или иных источников, включая пользователя [2].
Для оценки рисков угроз ИБ и выявления способов противодействия данным угрозам необходимо создать модель подобных угроз.
Таким образом, становятся очевидны риски: конфиденциальности – утечка персональных данных, включающих, например, данные о банковских счетах и т.д., доступности – отсутствие возможности реакции на внешние факторы – например, не включение системы пожаротушения при возгорании или не вызова экстренных служб при необходимости, целостности – ложные срабатывания системы безопасности.
Так же сюда следует добавить еще один – риск неэффективного использования информации, который следует из нарушения целостности и доступности данных, а так же неправильной работы элементов «Умного дома» и/или неправильной эксплуатации пользователями систем. Отсюда – неэффективное
117
использование ресурсов и неэффективная работа систем «Умного дома».
Очевидно, что данные риски достаточно существенны и могут привести к серьезным последствиям. Рассмотрим на примере SWOTанализа угрозы информационной безопасности системы “Умного дома” относительно ее структуры и компонентов.
Воспользуемся методом SWOT-анализа для создания модели угроз.
SWOT (СВОТ)-анализ (первые буквы англ.
слов strengths — сильные стороны, weaknesses —
слабые стороны, opportunities — возможности и threats — опасности, угрозы) – это анализ сильных и слабых сторон выбранной предметной области, а так же установка взаимосвязи между ними. Для контекста информационной безопасности это означает взаимосвязь между характеристиками подсистем АСУЗ и угрозами их безопасности[3].
Порядок проведения анализа:
-Необходимо отобразить категории, которые будут использованы для SWOT-анализа (таблица 1);
-создание SWOT-матрицы (таблица 2);
-создание матриц оценки критериев (таблицы 3, 4).
Итак, после создания SWOT-матрицы образованно четыре поля:
-сильные стороны и возможности (СИВ);
-сильные стороны и угрозы (СИУ);
-слабые стороны и возможности (СЛВ);
-слабые стороны и угрозы (СЛУ).
Важно рассматривать все возможные парные комбинации данных полей.
Таблица 1 Списки перечисленных категорий SWOT-анализа
Сильные стороны (1..n) |
Сильные стороны (1..n) |
|
||
Сильные стороны (1..n) |
Угрозы (1..n) |
|
||
|
|
|
Таблица 2 |
|
|
Матрица SWOT |
|
|
|
|
Возможности |
Угрозы (1..n) |
|
|
|
(1..n) |
|
|
|
Сильные |
СИВ |
|
СИУ |
|
стороны (1..n) |
|
|
||
|
|
|
|
|
Сильные |
СЛВ |
|
СЛУ |
|
стороны (1..n) |
|
|
||
|
|
|
|
Для оценки критерия «Возможности» создаться матрица, которая позиционирует каждую отдельно взятую возможность (таблица
3).
Таблица 3 Матрица оценки критерия «Возможности»
|
Сильное |
Умеренное |
Малое |
|
|
влияние |
влияние |
влияние |
|
Высокая |
ВС |
ВУ |
ВМ |
|
вероятность |
||||
|
|
|
||
Средняя |
СС |
СУ |
СМ |
|
вероятность |
||||
|
|
|
||
Малая |
МС |
МУ |
ММ |
|
вероятность |
||||
|
|
|
Таким же образом создаться матрица для оценки угроз (таблица 4).
Таблица 4 Матрица оценки критерия «Угрозы»
|
Критические |
Умеренные |
Незначительные |
|||
|
угрозы |
|
угрозы |
|
угрозы |
|
Высокая |
ВК |
|
ВУ |
|
ВН |
|
вероятность |
|
|
||||
|
|
|
|
|
|
|
Средняя |
СК |
|
СУ |
|
СН |
|
вероятность |
|
|
||||
|
|
|
|
|
|
|
Малая |
МК |
|
МУ |
|
МН |
|
вероятность |
|
|
||||
|
|
|
|
|
|
|
Таблица 4. Матрица |
оценки |
критерия |
||||
«Угрозы» |
|
|
|
|
|
|
В данном SWOT-анализе сильные и слабые |
||||||
стороны являются |
внутренними |
факторами |
оцениваемой предметной области или объекта, а возможности и угрозывнешними.
Для получения полной картины угроз ИБ для различных категорий АСУЗ выполняться матрицы SWOT-анализа для всех подсистем.
|
|
Литература |
|
|
|
1. |
Литвак |
Б.Г. |
Экспертные |
оценки |
|
принятия решений. – М. |
: Патентн, 1996. |
||||
2. |
Домарев |
В. |
В. |
Безопасность |
|
информационных |
технологий. |
Системный |
|||
подход. К.: ООО «ТИД ДС», 2004. – 992 с. |
|
||||
3. |
Герасименко В. |
А. Основы |
защиты |
информации. М.: Изд-во МИФИ, 1997. – 53
118