ri2014_materials

онтологии, и нефункциональные – относящиеся к характеристикам, качеству и общим аспектам, не связанным с содержимым онтологии.

Для успешной разработки онтологии такой сложной предметной области, как разграничение доступа в разнородном информационномпространстве, предлагается использования инструментов, относящихся к технологиям Web 2.0 (SemanticWeb) и предоставляющих возможность совместной работы над ней (SocialWeb). Совместное использование семантического и социального подходов способно оказать определяющий эффект при формализации предметной области. Инструментарий совместной работы способен обеспечить идентификацию требований к онтологии и ее целей. Требованиями к таким системам являются поддержка коммуникации и обсуждения между пользователями, решение проблем, связанных с параллельным редактированием, управлением доступом, а также направлением эволюции онтологии.

Полученная в результате выполнения этих операций онтология позволит реализовать метод семантического управления доступом к ресурсам разнородного информационного пространства, заключающийся в проведении логического вывода на онтологии. Для этого в онтологию добавляются экземпляры-описания удовлетворяющих ей ситуаций и отношений с составляющими их экземплярами-компонентами. При установлении факта принадлежности экземпляра-описания к некоторому классу политики доступа принимается решение о разрешении доступа. В противном случае делается вывод, что данная ситуация доступа не удовлетворяет заданной политике, и принимается решение о запрете доступа.

Кузнецов Е.Е., Васильченко В.С., Коваленко А.Н.

Россия, Санкт-Петербург, Северо-Западный институт печати Санкт-Петербургского государственного университета технологии и дизайна ИСПОЛЬЗОВАНИЕ ОБЛАЧНЫХ ТЕХНОЛОГИЙ В ОБСЛУЖИВАЮЩИХ ИНФОРМАЦИОННЫХ СИСТЕМАХ

Сутью обслуживающих информационных систем является дистанционное взаимодействие пользователя услуг с оказывающей услуги организацией. Таковы уплата налогов, покупка разнообразных билетов, плата за коммунальные услуги и многое другое.

Здесь, как и везде, важно ориентироваться на самые перспективные технологии.

Наиболее значимыми их них представляются технологии облачных систем. Они обеспечивают оперативный доступ к ресурсам, в том числе, серверам, устройствам хранения данных, сервисам и различным приложениям.

Облачные системы в разы уменьшают расходы отдельных организаций на обслуживание локальных сетей, администрировании рабочих мест, поддержание собственных серверов, при этом могут гибко реагировать на изменения потребностей рынка по созданию специализированных отчетов использую единую базу данных, открытию новых отделов и направлений, а также подключению к системам новых сотрудников.

На сегодняшний день развитие облачных технологий происходит в основном за рубежом. Можно утверждать, что в нашей стране это находится на начальной стадии.

Облачные системы позволяют облегчить решения общих проблем, которые стоят перед современными IT-системами таких как отсутствия истории действий пользователей системы, дублирование информации и ее потеря. Это повышает эффективное обеспечение работы компонентов сетей в облачных центрах, возможность мониторинга состояния оборудования и распределения ресурсов.

Сегодня, стоит задача бесперебойного и эффективного обеспечения населения услугами. Решение этой задачи имеет организационные и технические аспекты: всеобщее подключение к сети Интернет, создание резервных каналов связи на случай непредвиденных ситуаций, а так же создание глобальных дата-центров.

Возникают проблемы, которые трудно решаются старыми методами. Среди них можно выделить:

сложность обслуживания современных информационных систем; требование дополнительных финансовых затрат;

сложность расширения информационной системы, так как при увеличении системы вырастают затраты на поддержку и развитие, что делает проект нерентабельным;

требуется высокая скорость на изменения в информационной структуре.

Приведенные проблемы в значительной степени снимаются использованием стандартизированных облачных технологий. На глобальном уровне желательно создание единой обслуживающей системы с типовой структуризацией, обеспечивающей возможность развития. К таким системам использования облачных технологий обратится большое количество потребителей информационных систем разного типа.

http://spoisu.ru

Михайлова А.С.

Россия, Санкт-Петербург, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д.Ф. Устинова АВТОМАТИЗИРОВАННОЕ ПОСТРОЕНИЕ ТЕЗАУРУСА

Тезаурус – совокупность смысловыражающих единиц языка с описанием семантических отношений между ними.

В отличие от толкового словаря, тезаурус позволяет выявить смысл не только с помощью определения, но и посредством соотнесения слова с другими понятиями и их группами, благодаря чему может использоваться для наполнения баз знаний систем искусственного интеллекта.

Применение тезаурусов является классическим методом в задачах информационного поиска и началось до применения автоматизированных систем. В информационной системе тезаурус является самостоятельным информационным ресурсом, инструментом для классификации или индексации ресурсов.

С понятием тезаурус связаны понятия семантическая сеть и онтология.

Семантическая сеть - информационная модель предметной области, имеющая вид ориентированного графа, вершины которого соответствуют объектам предметной области, а дуги (рёбра) задают отношения между ними.

Онтология - это попытка всеобъемлющей и детальной формализации некоторой области знаний с помощью концептуальной схемы.

Связи между единицами языка в тезаурусе удобнее отобразить в виде семантической сети, а точнее сказать ориентированного графа, в котором все словами и устойчивыми словосочетаниями связаны определенной связью, имеют иерархию и вес.

Для установления связей между словами и устойчивыми словосочетаниями текстовой информации используется корреляционный анализ. Каждой связи присваивается вес, чем он больше, тем связь ближе.

Предложенный метод автоматизированного построения тезауруса текстовой информации основан на онтологической модели представления текста, имеющей количественную характеристику связей между элементами и использует корреляционный анализ для установления связей между словами и устойчивыми словосочетаниями текстовой информации

Охтилев М.Ю., Соколов Б.В., Кожанов А.Н.

Россия, Санкт-Петербург, Санкт-Петербургский институт информатики и автоматизации РАН, ЗАО «СКБ ОРИОН» МЕТОДОЛОГИЯ И ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ МОНИТОРИНГА И

УПРАВЛЕНИЯ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

Центральная роль в обеспечении необходимого качества управления такими сложными объектами как космические средства, принадлежит интегрированным системам поддержки принятия решений (СППР) и их ядру – специальному программно-математическому обеспечению (СПМО) поддержки принятия решений. Целью внедрения СППР является повышение оперативности и эффективности деятельности органов управления за счет использования передовых ИТ, оперативного формирования на их основе комплексной аналитической информации, необходимой для выработки и принятия решений.

Для достижения этой цели в рамках СППР, внедряемых в отечественных АСУ КСр, должны быть решены следующие задачи: создание единого признакового пространства и показателей, характеризующих состояния объекта управления на базе централизованного информационного хранилища данных, обеспечивающего накопление, хранение и доступ к экспертным и историческим данным; интеграция существующих локальных баз данных в рамках централизованного информационного хранилища данных; сбор, накопление и применение знаний опытных экспертов в распределенных базах знаний для формирования выводов и рекомендаций; постоянный мониторинг (комплексный анализ) текущей ситуации; прогнозирование (сценарное и целевое) развития ситуации; повышение оперативности и качества управленческих решений на основе использования аналитических и прогнозных инструментальных средств; автоматизация процессов подготовки аналитической отчетности; визуализация данных с использованием средств когнитивной графики (в том числе с применением геоинформационных систем и пр.); инструментальная и информационная поддержка экспертно-аналитической деятельности ЛПР и экспертов. Предлагаемые в докладе технологии комплексной автоматизации и интеллектуализации процессов управления КСр к настоящему времени получили реализацию в виде программного комплекса состоящего из операционной среды и среды исполнения. Основной подсистемой операционной среды является программный комплекс (ПК) Автоматизированной Подготовки Исходных Данных и Знаний (АПИДЗ). Разработанная АПИДЗ предназначена для занесения необходимых исходных данных и знаний о составе используемых технологических параметров и алгоритмах манипуляции данными (знаниями)

– в целях оценивания состояния объектов мониторинга и управления, формирования и выдачи

http://spoisu.ru

управляющих воздействий на объект управления, визуализации в удобном для конечного пользователя виде результатов обработки технологической информации. Система АПИДЗ является средством разработки прикладного программного обеспечения (ППО), включающего в себя экранные формы отображения и алгоритмы (схемы) анализа состояния контролируемых объектов с учетом имеющихся в базах данных (БД) исходных данных и знаний об объекте анализа. В докладе приведены конкретные примеры реализации разработанной методологии и технологий применительно к задачам комплексной автоматизации процессов подготовки и пуска ракетносителей, интеллектуализации процессов наземно-космического мониторинга экологотехнологических объектов.

Вцелом в докладе представлены методологические и методические основы разрабатываемой

вприкладной теории проактивного мониторинга и управления структурной динамикой СлО

применительно к ракетно-космической отрасли знаний. Указанные основы включают в себя: полимодельные комплексы, комбинированные методы, алгоритмы, а также были предложены новая ИИТ, прикладные методики и инструментальные средства, её поддерживающие и предназначенные для автоматизированного проектирования систем наземно-космического мониторинга и управления СлО в различных условиях изменения обстановки, которые уже в настоящее время находят широкое применение на практике.

Конструктивность разработанного концептуального и модельно-алгоритмического обеспечения в докладе будет проиллюстрирована применительно к задачам автоматизированного оценивания и анализа измерительной информации, используемой при подготовке и пуске ракет-носителей космического назначения, а также при организации наземно-космического мониторинга и прогнозирования разлива рек в период весенних паводков.

Исследования, выполненные по данной тематике, проводились при финансовой поддержке ведущих университетов Российской Федерации: СПбГПУ (мероприятие 6.1.1), ИТМО (субсидия 074– U01), Программы НТС Союзного государства «Мониторинг СГ» (проект 1.4.1–1), грантов РНФ №№14– 21–00135, 14-11-00748, РФФИ №№12-07-00302, 13-07-00279, 13-08-00702, 13-08-01250, 13-07-12120, 13-06-0087, Программы фундаментальных исследований ОНИТ РАН (проект №2.11), проекта

ESTLATRUS 2.1/ELRI -184/2011/14, проекта ESTLATRUS/1.2./ELRI-121/2011/13 «Baltic ICT Platform».

Пелевин М.С.

Россия, Санкт-Петербург, Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина)

СЕГМЕНТИРОВАНИЕ ИЗОБРАЖЕНИЯ С ПРИМЕНЕНИЕМ АЛГОРИТМА КРУСКАЛА И СИСТЕМЫ НЕПЕРЕСЕКАЮЩИХСЯ МНОЖЕСТВ

Рассматривается вариант быстрой сегментации с использованием алгоритма Крускала с поиском минимального остовного дерева и сохранением результатов в виде персистентной системы непересекающихся множеств.

Применение алгоритма Крускала при простых видах сегментирования (некумулятивные) позволяет ускорить расчёт вида сегментированного изображения при различных значениях параметра сегментации.

В докладе рассматривается применение алгоритма на примере работы алгоритма закраски. Алгоритм закрашивания используется для закрашивания фигур, имеющих границы.

Изображаемый геометрический объект состоит из линий контура и точек внутри него, линий контура может быть несколько (при наличии внутри объекта пустот), вывод контура производится на основе алгоритмов вывода линий. В зависимости от сложности контура это могут быть отрезки прямых, кривых или их произвольная последовательность.

Алгоритм закрашивания произвольного контура, который является представителем класса некумулятивных сегментаторов, имеет несколько разрешенных методов, разделяющихся в зависимости от использования методов математического описания контура. Алгоритм Крускала изначально помещает каждую вершину в своё дерево, а затем постепенно объединяет эти деревья, объединяя на каждой итерации два некоторых дерева некоторым ребром. Затем начинается процесс объединения: перебираются все рёбра от первого до последнего, и если у текущего ребра его концы принадлежат разным поддеревьям, то эти поддеревья объединяются, а ребро добавляется к просмотру. По окончании перебора всех рёбер все вершины окажутся принадлежащими одному дереву.

По аналогии с конструкцией объединения вершин и дуг производится объединение сегментов изображения, предварительно сегментированных по определенным правилам. Используется персистентная система непересекающихся множеств с сохранением всех промежуточных результатов, при переходе от множества тривиальных множеств (1 точка изображения — 1 множество) до единственного множества, включающие в себя все точки. Такая структура данных позволяет сохранить полную картину процесса поиска различных сегментов изображения для последующего анализа, обеспечивая компактность самой структуры. В ходе работы алгоритма

http://spoisu.ru

осуществляется построение т.н. иерархии изображений, где каждый сегмент изображения более высокого уровня является объединением 1 или более сегментов более низкого уровня.

Сапожников В.В., Сапожников В.В., Ефанов Д.В., Дмитриев В.В.

Россия, Санкт-Петербург, Петербургский государственный университет путей сообщения НОВЫЕ КОДЫ С СУММИРОВАНИЕМ ДЛЯ СИСТЕМ ТЕХНИЧЕСКОГО ДИАГНОСТИРОВАНИЯ

При построении надежных устройств автоматики и вычислительной техники часто используются принципы помехоустойчивого кодирования. Различные варианты кодирования применяются как при выборе архитектуры систем, так и при создании программного обеспечения. Большое значение имеет кодирование и при организации систем технического диагностирования – одного из способов достижения высокого уровня надежности технических объектов. Например, при организации систем функционального контроля применяются коды с минимальной избыточностью, так как, во-первых, не требуется исправление ошибок в разрядах кода, и, во-вторых, число контрольных разрядов существенно влияет на технические характеристики контрольного оборудования.

Часто при построении систем функционального контроля используются классические, модульные и модифицированные коды с суммированием, имеющие различные характеристики по обнаружению ошибок в разрядах информационных векторов. Разряды информационных векторов ставятся в соответствие рабочим выходам контролируемого логического устройства, а разряды контрольных векторов – выходам блока контрольной логики в системе функционального контроля. В произвольный момент времени на выходах обоих блоков формируются кодовые слова заданного кода с суммированием. Соответствие между информационными и контрольными векторами устанавливается самопроверяемым тестером. При появлении некодового слова или при наличии внутренних ошибок в структуре самого тестера нарушается парафазность его выхода.

Общим недостатком известных кодов с суммированием является большое число необнаруживаемых ошибок малых кратностей. Приведем алгоритм построения нового класса кодов с суммированием, пригодного для синтеза систем функционального контроля устройств автоматики и вычислительной техники и обладающего улучшенными характеристиками по обнаружению ошибок в информационных векторах в сравнении с известными способами построения кодов.

Алгоритм построения кода с суммированием взвешенных переходов.

1.Рассматриваются соседние разряды xi и xi+1 в информационном векторе.

2.Каждой паре соседних разрядов в информационном векторе присваивается натуральное число (вес wi,i+1=i), характеризующее положение этих разрядов в информационном векторе (для пары старших информационных разрядов w1,2=1).

3.Определяются так называемые активные переходы между информационными разрядами; для активных переходов xi≠xi+1.

4.Подсчитывается число W – суммарный вес активных переходов.

5.Число W представляется в двоичном виде и записывается в разряды контрольного вектора.

Кпримеру, для получения контрольного вектора для информационного вектора <10100> необходимо суммировать веса w1,2=1, w2,3=2 и w3,4=3, так как переходы между ними активны. Таким образом, число W=6, а контрольный вектор будет заполнен следующим образом: <110>.

Коды с суммированием, получаемые по предложенному алгоритму, обладают рядом особенностей, учет которых может оказаться полезным на практике. Приведем некоторые из них:

1.Вне зависимости от длины информационного вектора (величины m) код с суммированием взвешенных переходов обнаруживает 100% ошибок кратности d=m–1 в информационных векторах.

2.Любой код с суммированием взвешенных переходов не обнаруживает все возможные ошибки максимальной кратности d=m в информационных векторах.

3.Коды с четными значениями длин информационных векторов обнаруживают все ошибки нечетных кратностей d.

Отметим также, что новые коды имеют важную с практической точки зрения особенность: в их информационных векторах возможно возникновение сравнительно небольшого количества двукратных необнаруживаемых ошибок. Например, для кодов с малой длиной информационного вектора (m≤12) в среднем не обнаруживается 8,22% двукратных ошибок в информационных векторах. Для сравнения, кодами Бергера при тех же значениях m не обнаруживается 50% двукратных ошибок.

Кроме того, простой алгоритм построения кода с суммированием взвешенных переходов позволяет строить простые кодирующие устройства, что может быть эффективно использовано при построении тестеров в системах функционального контроля.

Использование кодов с суммированием взвешенных переходов на практике позволяет расширить число вариантов кодирования при организации систем функционального контроля и производить обоснованный выбор кода с учетом структуры контролируемых логических устройств автоматики и вычислительной техники.

http://spoisu.ru

Харинов М.B.

Россия, Санкт-Петербург, Санкт-Петербургский институт информатики и автоматизации РАН КОНЦЕПЦИЯ КВАЗИОПТИМАЛЬНОГО МАШИННОГО ЗРЕНИЯ

Вдокладе обсуждается решение проблемы выделения объектов на цифровом изображении посредством иерархической последовательности кусочно-постоянных приближений, минимально отличающихся от изображения по среднеквадратичному отклонению. Приближения порождаются иерархией кластеров, которые состоят из несмежных сегментов изображения и анализируются в качестве объектов.

Вближайшие годы за рубежом, а также в России ожидается создание унифицированных программно-алгоритмических решений проблемы выделения объектов на цифровых изображениях, именуемой «проблемой сегментации». Проблема возникает при распознавании цифровых изображений на первоначальной стадии «приведения данных к удобному для распознавания виду» (И.Б. Гуревич, 1985), «локализации объектов» (Ю.В. Визильтер и др., 2011), извлечения и упорядочения «глобально-локальной информации» (С.В. Абламейко и др., 2009), «квазиоптимальной разметки» изображения (П.А. Мельников и др., 2012). Суть проблемы состоит в недостаточной формализации понятия «объектов», которые «видит» или выделяет на изображении компьютер для последующего анализа признаков и идентификации.

Впредлагаемой модели понятия «изображение», «объект» и «кластер сегментов» формально не разграничиваются между собой. Сегментация трактуется как разделение изображения на вложенные изображения и допускается, что изображение, в общем случае, состоит из нескольких сегментов. В результате сегментации рассчитывается квазиоптимальная бинарная иерархия кластеров связных сегментов, которая отражает неоднозначную классификацию пикселей изображения. Тривиальные кластеры, состоящие из одинаковых пикселей, считаются элементарными изображениями, которые полагаются неделимыми. Особенностью модели квазиоптимального машинного зрения является то, что в дополнение к выделению объектов, для них автоматически генерируются инвариантные целочисленные обозначения, которые получаются в алгоритме изотонного преобразования средних по кластерам яркостей пикселей изображения, составляют инвариантные представления квазиоптимальных приближений и не меняются при предусмотренных преобразованиях или искажениях изображения. При этом инвариантные представления визуально воспроизводят квазиоптимальные приближения, задают иерархию последних и конвертируются одно

вдругое арифметическими преобразованиями значений своих пикселей.

Понятие инвариантного представления сигнала разработано в СПИИРАН для решения проблемы формализации понятия информации, кодированной в цифровом сигнале, и целочисленного количества бит информации в элементе сигнала (Р.М. Юсупов, 1973 г.). В 2008 г. оно запатентовано в приложении к задачам стеганографии (патенты РФ №№ 2006119273 и 2006119146). В модели машинного зрения интерпретация цифровой информации развивается в приложении к обратной задаче автоматического выделения объектов на цифровом изображении. При этом основу модели составляют: а) формальное определение целочисленного количества информации в пикселе изображения; б) иерархия целочисленных инвариантных представлений изображения; в) система формул для трех операций с кластерами пикселей, обеспечивающих генерацию иерархии квазиоптимальных приближений и аппарат скоростных вычислений в терминах динамических деревьев Слэйтора-Тарьяна.

Предложенный вариант формализации компьютерного зрения посредством аппроксимации цифрового изображения иерархической последовательностью квазиоптимальных приближений в задачах распознавания полезен для создания унифицированных алгоритмов автоматического выделения объектов. Помимо автоматизации распознавания цифровых изображений, обсуждаемые решения полезны также для: а) развития стеганографических приложений; б) автоматической обработки оцифрованных звуковых и пр. сигналов; в) фильтрации и подавления шумов; г) минимизации потерь в задачах сжатия сигналов; д) оптимизации порядка передачи информации и др.

Еще 35-40 лет назад типичной задачей при расчетах на ЭВМ являлось сжатие данных без потерь, которой занималось множество программистов для решения конкретных проблем хранения и передачи информации. В настоящее время, этой задачей продолжает заниматься узкий круг профессионалов, а остальные специалисты пользуются готовыми программами. Вполне вероятно, что автоматическое выделение объектов на цифровых изображениях окажется следующей проблемой, для которой будут найдены общеупотребительные решения, превосходящие известные по установленным критериям качества. В нашем варианте аппроксимации изображения иерархической последовательностью квазиоптимальных приближений требуемым критерием является максимальная близость приближений к изображению по суммарной квадратичной ошибке, эффект минимизации которой планируется продемонстрировать в докладе и наглядно проиллюстрировать возможности модели квазиоптимального машинного зрения на примерах изображений различного размера.

http://spoisu.ru

Хомоненко А.Д., Старобинец Д.Ю., Уваров В.А.

Россия, Санкт-Петербург, Петербургский государственный университет путей сообщения ПОДХОД К ОБОСНОВАНИЮ ПАРАМЕТРОВ СЖАТИЯ ИЗОБРАЖЕНИЙ С ПОТЕРЯМИ НА ОСНОВЕ ОЦЕНКИ ЕГО СТАТИСТИЧЕСКИХ ХАРАКТЕРИСТИК

Алгоритмы сжатия изображений с потерями, такие как дискретное косинусное преобразование, вейвлет-преобразование, позволяют обеспечить существенно более высокую степень сжатия по сравнению с алгоритмами сжатия без потерь, например, кодирования длин серий, арифметического сжатия и Хаффмана. Однако существенным ограничением использования алгоритмов сжатия изображений с потерями может быть недопустимость снижения качества изображений ниже определенного уровня при решении ряда практических задач.

К числу таких практических задач можно отнести, например, задачи распознавания объектов изображения при проведении воздушного или космического мониторинга и разведки местности, наблюдения за объектами железнодорожного, водного и автомобильного транспорта и т.п. При решении перечисленных задач проводится фотографирование (или видеосъемка) местности, полученные при этом изображения требуется сжать и передать на землю для последующей обработки. В такой ситуации, на наш взгляд, целесообразно выполнить автоматическое определение параметров сжатия изображений, чтобы добиться наилучшего соотношения качества и степени сжатия изображения.

Рассмотрим алгоритм определения параметров сжатия изображения с потерями на основе оценки статистических свойств изображения.

Предварительно для заданного класса изображений (фотографий, получаемых при воздушном или космическом мониторинге и разведке местности) выполняется построение таблицы соответствия значений среднего коэффициента разности яркости смежных пикселей изображения значениям требуемого коэффициента сжатия. Значение требуемого коэффициента сжатия при конкретном значении характеристик изображения определяется экспертным путем из условий обеспечения требуемого качества изображения при сжатии.

После съемки очередного изображения для определения параметров сжатия изображения выполняются следующие шаги:

Выполняется расчет значения коэффициентов разности яркости смежных пикселей для изображения.

По вычисленному значению коэффициентов разности яркости смежных пикселей изображения с помощью построенной на предварительном этапе таблицы определяется значение требуемого коэффициента сжатия изображения.

Далее производится сжатие изображения и передача его для последующей обработки и распознавания контролируемых объектов.

Пусть имеется изображение, которое представлено матрицей размерностью mxn пикселей. Для выполнения первого этапа производится расчет усредненных показателей яркости для соседних пикселей. Под «соседними» или смежными пикселями будем понимать пиксели находящиеся сверху, снизу, слева и справа от исходного в матрице изображения. В случае представления изображения в формате RGB, каждый пиксель имеет три составляющие: красную, зеленую и синюю. Поочередно сравниваются (вычитаются) каждые из них. Из трех полученных чисел берется среднее значение, что и принимается за усредненный показатель яркости между двумя пикселями.

После вычисления усредненного показателя яркости для выбора параметров степени сжатия изображения необходимо рассчитать коэффициент разности яркости смежных пикселей изображения.

Расчет коэффициента выполняется также для четырех соседних пикселей, для чего вычисляется среднее значение показателей яркости между ними. Операция повторяется для каждого пикселя изображения. Из рассчитанных коэффициентов строится матрица.

На основании данной матрицы вычисляется средний и максимальный коэффициенты межпиксельной взаимосвязи для изображения.

В качестве эксперимента были рассчитаны коэффициенты межпиксельной взаимосвязи для различных изображений, характеризующих статистические свойства данных изображений, и выполнено их преобразование в стандарт JPEG с различными коэффициентами сжатия. В ходе эксперимента установлена зависимость между статистическими характеристиками исходного изображения, степенью его сжатия и качеством полученного изображения.

Таким образом, экспериментально показано, что для изображений различной природы имеется возможность на основании расчета коэффициентов межпиксельной взаимосвязи автоматически подбирать оптимальную степень сжатия такую, что при максимально возможной степени сжатия искомый объект на изображении будет гарантированно обнаружен с использованием стандартных методов.

http://spoisu.ru

ТЕЛЕКОММУНИКАЦИОННЫЕ СЕТИ И ТЕХНОЛОГИИ

Абазина Е.С., Ерунов А.А Россия, Санкт-Петербург, Военно-космическая академия имени А.Ф. Можайского

ВЫБОР СИГНАЛЬНЫХ КОНСТРУКЦИЙ ДЛЯ ФОРМИРОВАНИЯ СКРЫТОГО КАНАЛА ПЕРЕДАЧИ ИНФОРМАЦИИ С КОДОВЫМ УПЛОТНЕНИЕМ В СТРУКТУРЕ ВИДЕОДАННЫХ

Анализ публикаций, находящихся в открытом доступе, показал, что вопросы формирования скрытых каналов в структуре видеопотока в основном посвящены методам передачи данных только между одной парой абонентов. Вопросы же множественного доступа к скрытому информационному обмену в известной литературе не рассматривались. Таким образом, решение задачи формирования скрытого канала передачи информации с кодовым уплотнением в структуре видеоданных представляется актуальной. Однако данная задача требует решения следующих частных задач: задачи выбора контейнера для встраивания данных скрытого канала; задачи выбора системы сигналов для организации канала с кодовым уплотнением, оптимального для встраивания в видеоданные; задачи выбора способа извлечения данных скрытого канала на приемной стороне.

Результат решения задачи выбора контейнера для встраивания данных скрытого каналаканала с кодовым уплотнением, оптимального для встраивания в видеоданные, во многом влияет на решение остальных задач и накладывает на них ряд ограничений.

Подход к решению задачи выбора системы сигналов для формирования скрытого канала с кодовым уплотнением в структуре сжатых видеоданных предполагает выполнение ряда условий:

1.Простота реализации кодера передатчика, т.е. существование возможности формирования системы сигналов из одного;

2.Возможность разделения каналов на приемной стороне, требующая выполнения необходимых и достаточных условий линейной независимости (в частном случае – ортогональности сигналов);

3.Обеспечение скрытности встраивания, которое может быть достигнуто за счет свойств сигналов, применяемых в качестве основы для стегоканалов;

4.Возможность реализации декодера приемника, предполагающая существование быстрых преобразований для выбранной системы сигналов;

5.Возможность извлечения данных скрытого канала на приемной стороне при заданных ограничениях по достоверности предаваемой информации.

В ходе диссертационных исследований проводилось компьютерное моделирование в среде MathLab, в результате которого было установлено, что наилучшими по показателю Ипатова γ являются двумерные сигналы Франка-Уолша (Ф-У), в паре с примененным к ним диадным сдвигом, и двумерные сигналы Франка-Крестонсона (Ф-К), в паре с диадным и n-сдвигом. Показатель γ может принимать максимальное значение равное 1 и достижим лишь для дельта-коррелированных сигналов.

Скрытность встраивания данных в видеоинформацию может быть достигнута применением систем широкополосных сигналов, одновременно обладающих большой эквивалентной линейной сложностью, исключающей возможность идентификации структуры применяемых сигналов за время, не превышающее допустимое. Исследования в данной области позволили установить обратную взаимозависимость между показателем γ и эквивалентной линейной сложностью. Таким образом, наибольшая скрытность достижима применением двумерных сигналов Ф-У, в паре с диадным сдвигом, и двумерных сигналов Ф-К - в паре с диадным и n-сдвигом. Проводя дальнейшие исследования указанных сигнальных конструкций, было установлено, что для них существуют быстрые алгоритмы вычисления прямого и обратного преобразований Уолша и ВиленкинаКрестенсона, решающие задачу цифровой обработки сигналов. Применение быстрых преобразований Виленкина-Крестенсона и Уолша позволяют значительно сократить число операций

в процессе выработки решения о принятом сигнале при корреляционном декодировании помехоустойчивых кодов. Немалое значение имеет и цикличность исследуемых систем сигналов. Диадный и n-сдвиги, определяющие закон формирования ортогональных базисов, обеспечивают выполнение требования простоты реализации кодера, поскольку для создания бесконечного базиса достаточно иметь информацию о формирующем полиноме и правиле формирования.

Таким образом, наилучшими сигналами для задачи формирования скрытого канала передачи информации с кодовым уплотнением в структуре видеоданных являются сигналы Ф-К, Ф-У, т.к. их формирование требует хранения лишь обобщённого сигнала Франка; использование быстрых преобразований Виленкина-Крестенсона и Уолша в базисах Ф-К, Ф-У позволяет существенно

http://spoisu.ru

сократить число операций обработки корреляционного приема, причем с увеличением периода сигнала эффект от применения указанных быстрых преобразований растет в геометрической прогрессии.

Аверьянов Е.Г., Паращук И.Б.

Россия, Санкт-Петербург, Военная академия связи ОСОБЕННОСТИ ПОКАЗАТЕЛЕЙ ОЦЕНКИ КАЧЕСТВА УСЛУГ ПЕРЕДАЧИ ДАННЫХ В РЕГИОНАЛЬНЫХ ТЕЛЕКОММУНИКАЦИОННЫХ СЕТЯХ

переноса информации; услугу передача данных по выделенным цифровым каналам передачи, предоставляемым на постоянной основе; услугу передача данных по цифровым каналам передачи РТКС, коммутируемым в течение одного сеанса связи; услугу обмена файлами между локальными

между интерфейсами «пользователь-сеть» без какого-либо анализа или обработки ее содержания. Она обеспечивает приоритетность абонентов, доставку пакетных данных с использованием профиля протоколов РТКС и использует единую адресацию сетевого уровня. К показателям оценки качества услуг передачи данных (ПД) можно отнести показатели своевременности, достоверности и скрытности.

Своевременность услуг ПД характеризует способность РТКС осуществлять прохождение трафика ПД и доступа к услугам подсистемы ПД в установленные сроки. Показателями своевременности могут выступать: время доведения сообщений различной категории срочности и различного объема (в байтах); время переключения на резервные маршруты после обнаружения неисправности ресурсов связи; время доставки пакета (для трафика передачи данных); время доставки пакета (для трафика реального времени); вариация времени (джиттер) доставки пакета (для трафика реального времени); время предоставления доступа к услугам службы передачи данных.

Достоверность ПД характеризует способность подсистемы ПД РТКС доставить сообщение (пакет) абоненту по конкретному адресу, без ошибок, без потерь и без трансформации (искажения). Показателем достоверности услуг ПД может выступать коэффициент потерь пакета. Физический смысл данного коэффициента – отношение количества потерянных пакетов к общему числу переданных пакетов, причем, данный коэффициент должен быть минимальным. Показателями достоверности услуг ПД также могут выступать: коэффициент потерь сообщений (квитанций); количество необнаруженных ошибок при доставке пакета; количество не доведенных сообщений (сигналов) за время, двукратно превышающее нормативное время их доставки; количество доведенных сообщений не по адресу.

Кроме того, показатель достоверности ПД может характеризовать способность РТКС противостоять модификации или разрушению передаваемых данных и может быть представлен в виде коэффициента трансформации (искажения) передаваемых сообщений. Физический смысл данного коэффициента – отношение количества трансформированных (искаженных) сообщений к общему числу сообщений, переданных службой ПД.

Скрытность (конфиденциальность) услуг ПД характеризует способности службы ПД по обеспечению секретности и защищенности данных, передаваемых, обрабатываемых и принимаемых в ходе обслуживания пользователей подсистемы ПД РТКС. Реализация этих свойств осуществляется с использованием механизмов шифрования и имитозащиты данных. Показателем может служить коэффициент скрытности (засекречивания) трафика ПД, имеющий смысл обратный риску компрометации данных.

Аверьянов Е.Г., Сазонов В.В., Лопатин В.В. Россия, Санкт-Петербург, Военная академия связи

О НЕОБХОДИМОСТИ РАЗРАБОТКИ МЕТОДИКИ ПЛАНИРОВАНИЯ И ПОДГОТОВКИ К ФУНКЦИОНИРОВАНИЮ ЗАЩИЩЕННОЙ СИСТЕМЫ ОБМЕНА ДАННЫМИ

Известно, что среди мер обеспечения обороноспособности государства приоритетными являются развитие и совершенствование системы военного управления и ее технической основы - системы обмена данными (СОД) Вооруженных сил Российской Федерации (ВС РФ) и автоматизированных систем управления (АСУ), без которых невозможно устойчивое управление Вооруженными силами. Особенностью современных АСУ является то, что все большее значение приобретают современные информационные и телекоммуникационные технологии, служащие залогом динамичного развития СОД всех уровней. Базой для развития СОД служит максимальная

http://spoisu.ru

автоматизация сбора разведданных, обработки, анализа и распределения информации, поступающей от управляемых объектов, в том числе оружия, при всестороннем учете человеческого фактора.

С другой стороны, использование разнообразных информационных и телекоммуникационных технологий может негативно сказаться на показателях качества СОД. Особенно остро они будут проявляться в оперативно-тактическом звене управления (ОТЗУ) при динамичном пространственновременном изменении СОД. Поскольку, для достижения своевременности передачи информации в наступлении (контрнаступлении) темп наращивания (развертывания) СОД должен быть не ниже темпа перемещения войск и пунктов управления (ПУ), а иногда и превышать его.

Возможность быстро организовать межсетевое взаимодействие, подключать (восстанавливать) ПУ, изменять собственную структуру особенно важно при разработке сетей передачи данных (СПД), функционирующих в рамках СОД специального назначения. Построение таких сетей практически всегда использует ресурс сторонних сетей, т.е. сетей региональных и федеральных операторов связи, таких как Ростелеком, Воентелеком. При организации взаимодействия с узлами доступа единой сети электросвязи необходимо согласовать следующие вопросы сопряжения оборудования:

Сопряжение по интерфейсам на физическом уровне.

Сопряжение по технологиям канального уровня.

Сопряжение на сетевом уровне, в том числе вопросы маршрутизации и адресования.

Сопряжение по отдельным технологиям и протоколам.

Сопряжение по механизмам безопасности (виртуальные сети, туннели).

Сопряжение на уровне транспортного протокола.

Сопряжение по механизмам качества обслуживания.

Решить все перечисленные вопросы сопряжения средств доступа возможно при реализации в них однотипных протоколов, технологий, интерфейсов и рекомендаций (механизмов). При этом все механизмы, обязательные к реализации в аппаратуре специального назначения, должны быть определены в методике планирования и подготовки к функционированию защищенной системы обмена данными. Данная методика должна определить порядок использования технологий, протоколов, форматов данных рекомендуемые к применению в аппаратуре специального назначения.

Разработка методики планирования и подготовки к функционированию защищенной системы обмена и доведение её до всех организаций разработчиков и ПУ ОТЗУ является необходимым условием создания средств построения защищённых СОД, полностью сопрягаемых друг с другом, не зависимо от ведомственной принадлежности.

Авраменко В. С.

Россия, Санкт-Петербург, Военная академия связи АВТОМАТИЗАЦИЯ КОНТРОЛЯ ЛОЯЛЬНОСТИ ПОЛЬЗОВАТЕЛЕЙ В ИНФОКОММУНИКАЦИОННОЙ СИСТЕМЕ

В настоящее время активно развиваются технологии защиты информации в инфокоммуникационных системах, в том числе и направленные на предотвращение внутренних угроз. Тем не менее, проблема защиты от внутренних угроз остается актуальной. Основной причиной данной проблемы является сложность предотвращения ряда нарушений безопасности, реализуемых доверенными субъектами доступа в рамках имеющихся полномочий. На основе известных методов и

обнаружения злоумышленных намерений у пользователей в реальном масштабе времени.

Одним из подходов к решению данной проблемы является применение в системах защиты от несанкционированного доступа средств автоматизированного контроля лояльности субъектов доступа, направленного на предотвращение нарушений безопасности за счет своевременного выявления перехода пользователя в состояние готовности к нарушению.

Под лояльностью пользователя понимается свойство пользователя добровольно соблюдать установленные правила поведения в инфокоммуникационной системе, в том числе и правила работы на средствах автоматизации, установленные политикой информационной безопасности. Уровень лояльности пользователя определяет уровень его опасности, как возможности осуществления им злоумышленных действий.

В качестве признаков лояльности пользователя, доступных для наблюдения и измерения в инфокоммуникационной системе, могут использоваться частота и критичность нарушений политики безопасности (в том числе информационной) и правил работы со средствами автоматизации. Также при оценке уровня лояльности могут использоваться характеристики служебной деятельности (количество и интенсивность упущений в работе, ошибок, взысканий и др.), психофизиологические характеристики пользователя.

Метод контроля лояльности пользователя заключается в постоянном сборе информации о состоянии лояльности пользователя из различных источников, расчете значений частных

http://spoisu.ru

показателей лояльности и оценке текущего уровня лояльности. При снижении уровня лояльности ниже допустимого осуществляется реагирование. В зависимости от требований к защищенности и возможностей защиты контроль лояльности и реагирование может выполняться как в автоматическом, так и в автоматизированном режиме.

Реализация контроля лояльности пользователей возможна как в виде отдельного механизма защиты, так и совместно или в составе других (например, в системе разграничения доступа или обнаружения атак), позволяет обеспечить упреждающую защиту информации от внутренних угроз в инфокоммуникационных системах.

Авраменко В.С., Маликов А.В.

Россия, Санкт-Петербург, Военная академия связи ПРИМЕНЕНИЕ СИСТЕМ УПРАВЛЕНИЯ СОБЫТИЯМИ И ИНЦИДЕНТАМИ

ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ

Развитие теории и практики в области информационной безопасности привело к появлению большого числа разнообразных технологий и средств защиты информации (ЗИ) в автоматизированных системах (АС), в том числе и АС специального назначения (СН). Являясь самостоятельными программно-аппаратными продуктами, средства ЗИ имеют свой формат хранения и обработки полученных данных об инцидентах и событиях информационной безопасности, что осложняет задачу сбора данных о функционировании средств ЗИ и автоматизации и их анализа с целью обнаружения событий или инцидентов информационной безопасности (ИБ). Для решения проблем управления информационной безопасностью в сложных системах в 2005 году компания

Gartner (США), создала SIEM (Security Information Event Management) - систему управления событиями и инцидентами информационной безопасности, обеспечивающую сбор, хранение и анализ данных из журналов событий, выявление и реагирование на инциденты безопасности.

В настоящее время на российском рынке представлен ряд SIEM-систем иностранного производства(HP ArcSight, McAfee Nitro и др.), также существуют и бесплатные системы, примером таких SIEM решений является Open Source SIEM. На базе SIEM-решений с открытым кодом российской компанией «НПО «Эшелон» создана система «КОМРАД».

Успешный опыт внедрения SIEM-систем во многих критических инфокоммуникационных системах указывает на целесообразность применения их в автоматизированных системах специального назначения, являющихся первоочередными объектами воздействия в условиях информационной войны, когда требуется в близком к реальному масштабу времени обнаруживать, анализировать и нейтрализовать массовые разнородные ранее неизвестные компьютерные атаки.

Зарубежные SIEM-решения в АС СН напрямую не применимы, так как, во-первых, они не учитывают специфики отечественных АС СН, во-вторых –программный код большинства SIEMсистем закрыт, в-третьих – возможности существующих SIEM-систем по автоматизированному анализу инцидентов безопасности не в полной мере соответствуют современным требованиям по ЗИ, предъявляемым к АС СН, в частности, требованиям по оперативности анализа (диагностирования) нарушений безопасности и полноте диагностической информации. Комплекс «КОМРАД» также не в полной мере соответствуют современным требованиям. Наиболее перспективным путем решения проблемы управления событиями и инцидентами ИБ в АС СН является не адаптация существующих решений к специфике АС СН, а разработка опережающей комплексной технологии автоматического сбора и обработки первичной информации, обнаружения нарушений безопасности информации, их анализа (диагностирования) и адекватного реагирования.

Алфёров С.В.

Россия, Санкт-Петербург, Военная академия связи ПРИМЕНЕНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИИ В ОБЛАСТИ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ АВИАЦИЕЙ

Информация представляет собой один из основных, решающих факторов, который определяет развитие технологии и ресурсов в целом. В связи с этим, очень важно понимание не только взаимосвязи развития индустрии информации, компьютеризации, информационных технологий с процессом информатизации, но и определение уровня и степени влияния процесса информатизации на сферу управления и интеллектуальную деятельность человека. Внедрение информационных технологий позволило снять ряд проблем и облегчить физический и интеллектуальный труд органов управления.

Для поддержания интеллектуального и физического труда должностных лиц управления авиацией остро поставлен вопрос автоматизации процессов управления. И в настоящее время с использованием новых технологий совершенствуются системы автоматизированного управления (САУ), создаются новые САУ на базе более новых комплексов и средств автоматизации (КСА).

http://spoisu.ru