Разработка интеллектуального программного модуля на основе аппарата нейронных сетей для визуализации и автоматического анализа характеристик спектров информационного сигнала и деструктивных воздействий

   Предложен способ реализации интеллектуального программного модуля на основе аппарата нейронных сетей для визуализации и автоматического анализа характеристик спектров информационного сигнала и деструктивных воздействий. Приведена процедура выбора и создания модели машинного обучения, позволяющей выявлять наличие деструктивного воздействия и его признаков. Обучение модели нейронной сети происходит в облачной среде с использованием графического процессора. Для обучения модели нейронной сети использована специализированная библиотека. Обучение реализуется на параметрах нейронной сети, характеризующих количество прохода датасета через нейронную сеть в прямом и обратном направлении. В результате обучения получены графики, характеризующие зависимости ошибок от количества эпох обучения моделей. Разработаны алгоритм выделения характеристик мощности, ширины спектра деструктивного воздействия в спектре информационного сигнала и интеллектуальный программный модуль (скрипт) для их автоматического анализа. Механизм анализа ширины спектра и мощности деструктивного воздействия в спектре информационного сигнала включает в себя программное обеспечение и модели машинного обучения для распознавания текста на изображениях.

1. Хохлов, Н. С. Анализ некоторых уязвимостей информационной безопасности системы беспроводной связи стандарта DMR / Н. С. Хохлов, С. В. Канавин, И. В. Гилев // Вестник Воронежского института МВД России. – 2022. – № 1. – С. 9–17. – ISSN 2071-3584.

2. Хохлов, Н. С. Модель противодействия угрозам разрушения информации в системах связи специального назначения при деструктивных воздействиях / Н. С. Хохлов, С. В. Канавин, И. В. Гилев // Вестник Воронежского института МВД России. – 2023. – № 1. – С. 106–117. – ISSN 2071-3584.

3. Оптическое распознавание символов в Raspberry Pi с помощью Tesseract. – URL: https://microkontroller.ru/raspberrypiprojects/opticheskoe-raspoznavanie-simvolov-v-raspberry-pi-s-pomoshhyu-tesseract (дата обращения: 18. 10. 2023).

4. Сирота, А. А. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей / А. А. Сирота, Е. Ю. Митрофанова, А. И. Милованова // Вестник Воронежского государственного университета. Серия : Системный анализ и информационные технологии. – 2019. – № 3. – С. 123–137. – ISSN 1995-5499.

5. Чорбаа, Н. А. Сравнительный анализ методов детектирования объектов на радиолокационных изображениях при помощи нейронных сетей / Н. А. Чорбаа, А. Ту. Ле, И. М. Толстой // Научный результат. Информационные технологии. – 2020. – Т. 5, № 4. – С. 15–25. – ISSN 2518-1092.

6. Применение искусственных нейронных сетей для анализа мультиспектральных изображений / М. Ю. Альес, Е. А. Антонов, А. И. Калугин, М. Р. Зарипов // Оптический журнал. – 2021. – Т. 88, № 8. – С. 48–53. – ISSN 1023-5086.

7. Черниговский, А. В. Нейронные сети как инструмент анализа сетевого трафика / А. В. Черниговский, М. В. Кривов // Вестник Ангарского государственного технического университета. – 2019. – № 13. – С. 151–157. – DOI: 10.36629/2686-777x-2019-1-13-151-157.

8. К вопросу обеспечения защищенного доступа к информационным системам с применением биометрической аутентификации на основе нечеткого образа личности пользователя и нейросетевых преобразований. / О. И. Бокова, С. В. Канавин, Н. С. Хохлов [и др.] // Вестник Дагестанского государственного технического университета. Технические науки. – 2023. – № 50 (4). – С. 75–84. – DOI: 10.21822/2073-6185-2023-50-4-75-84.

9. Фисун, В. В. Искусственный интеллект управления информационной безопасностью объектов критической информационной инфраструктуры : монография / В. В. Фисун. – Москва : Русайнс, 2023. – 360 с. – ISBN 9785436597232.

10. Климов, С. М. Противодействие компьютерным атакам. Методические основы / С. М. Климов, М. П. Сычев, А. В. Астрахов. – Москва : МГТУ имени Н. Э. Баумана, 2013. – 108 с.

11. Шелухин, О. И. Сетевые аномалии. Обнаружение, локализация, прогнозирование : монография / О. И. Шелухин. – Москва : Горячая линия – Телеком, 2020. – 447 с. – ISBN 978-5-9912-0756-0.

12. Элбон, К. Машинное обучение с использованием Python. Сборник рецептов : перевод с английского / К. Элбон. – Санкт-Петербург : БХВ-Петербург, 2019. – 384 с. – ISBN 978-5-9775-4056-8.

13. FSH8 портативный анализатор спектра. – URL: https://www.samarapribor.ru/main/fsh8.html (дата обращения: 18. 10. 2023).

14. BL-YOLOv8 : An Improved Road Defect Detection Model Based on YOLOv8. – URL: https://www.mdpi.com/1424-8220/23/20/8361#B19-sensors-23-08361 (дата обращения: 18. 10. 2023).

15. Преснецов, А. М. Разработка программно-аппаратного комплекса для мониторинга производственной деятельности с использованием нейросети YOLOV8 / А. М. Преснецов, А. П. Тюрин // Интеллектуальные системы в производстве. – 2023. – Т. 21, № 2. – С. 140–151. – ISSN 1813-7911.

16. Свидетельство о государственной регистрации программы для ЭВМ RU, № 2023688381. Интеллектуальный программный модуль для автоматизированного анализа характеристик спектров информационного сигнала и деструктивных воздействий. / Р. В. Ртищев, И. В. Гилев, С. В. Канавин, Н. С. Хохлов. – № 2023687782 ; заявл. 08. 12. 2023 ; опубл. 21. 12. 2023, Бюл. № 1. – 1 с.

17. Постолит, А. В. Основы искусственного интеллекта в примерах на Python. Самоучитель / А. В. Постолит. – 2-е изд., перераб. и доп. – Санкт-Петербург : БХВ-Петербург, 2024. – 448 c. – ISBN 978-5-9775-1818-5.