Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 0.17586/2226-1494-2020-20-5-770-772
УДК 004.021
ВЫЯВЛЕНИЕ РИСКОВ НАРУШЕНИЙ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ КИБЕРФИЗИЧЕСКИХ СИСТЕМ НА ОСНОВЕ АНАЛИЗА ЦИФРОВЫХ СИГНАЛОВ
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Семенов В.В., Арустамов С.А. Выявление рисков нарушений информационной безопасности киберфизических систем на основе анализа цифровых сигналов // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 5. С. 770–772. doi: 10.17586/2226-1494-2020-20-5-770-772
Аннотация
Предмет исследования. В работе предложен подход к анализу цифровых последовательностей сигналов, харак- теризующих функционирование киберфизических систем. Предлагаемое решение сочетает в себе совокупность методов машинного обучения при анализе разнородных внешних данных цифровых сигналов, поступающих от различных датчиков системы. Метод. Для анализа цифровых сигналов исследованы методы на основе ис- кусственных нейронных сетей и алгоритма k-ближайших соседей. Основные результаты. Проверка предла- гаемого подхода произведена c использованием полученных в эксперименте сигналов цифрового трехосевого акселерометра, расположенного на прототипе беспилотного транспортного средства. Обработка цифровых сигналов исследуемыми методами произведена в среде MATLAB R2020a. При проведении сравнения точности исследованных методов алгоритм k-ближайших соседей достиг значения 96,1 %, в то время как искусственные нейронные сети показали результат 95,0 %. Практическая значимость. Предложенный подход позволяет с приемлемой точностью обнаруживать риски нарушений информационной безопасности киберфизических систем и может использоваться в системах мониторинга состояния объектов.
Ключевые слова: информационная безопасность, киберфизические системы, выявление рисков, анализ сигналов, системы мониторинга
Благодарности. Статья подготовлена при финансовой поддержке Министерства науки и высшего образования Российской Федерации по соглашению 075-15-2019-1707 от 22.11.2019 (идентификатор RFMEFI60519X0189, внутренний номер 05.605.21.0189)
Список литературы
Благодарности. Статья подготовлена при финансовой поддержке Министерства науки и высшего образования Российской Федерации по соглашению 075-15-2019-1707 от 22.11.2019 (идентификатор RFMEFI60519X0189, внутренний номер 05.605.21.0189)
Список литературы
1. Зегжда Д.П., Павленко Е.Ю. Гомеостатическая стратегия безопасности киберфизических систем // Проблемы информационной безопасности. Компьютерные системы. 2017. № 3. С. 9–23.
2. Викснин И.И., Комаров И.И., Масленников О.С., Мурадов А.Р., Пантюхин И.С., Юрьева Р.А. Подход к обнаружению новых кибератак на киберфизические системы на основании метода обнаружения аномалий // Автоматизация в промышленности. 2018. № 2. С. 58–62.
3. Peng Y., Lu T., Liu J., Gao Y., Guo X., Xie F. Cyber-physical system risk assessment // Proc. 9th International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP 2013). Beijing, China. 2013. P. 442–447. doi: 10.1109/IIH-MSP.2013.116
4. Semenov V.V., Lebedev I.S., Sukhoparov M.E., Salakhutdinova K.I. Application of an autonomous object behavior model to classify the cybersecurity state // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2019. V. 11660. P. 104–112. doi: 10.1007/978-3-030-30859-9_9
5. Jones A., Kong Z., Belta C. Anomaly detection in cyber-physical systems: A formal methods approach // Proc. 53rd IEEE Annual Conference on Decision and Control (CDC 2014). 2014. P. 848–853. doi: 10.1109/CDC.2014.7039487
6. Семенов В.В., Салахутдинова К.И., Лебедев И.С., Сухопаров М.Е. Выявление аномальных отклонений при функционировании устройств киберфизических систем // Прикладная информатика. 2019. Т. 14. № 6(84). С. 114–122. doi: 10.24411/1993-8314-2019-10053
7. Narang P., Sikdar B. Anomaly detection in diurnal CPS monitoring data using a local density approach // Proc. 24th IEEE International Conference on Network Protocols, (ICNP 2016). 2016. P. 7785323. doi: 10.1109/ICNP.2016.7785323
8. Meleshko A.V., Desnitsky V.A., Kotenko I.V. Machine learning based approach to detection of anomalous data from sensors in cyber-physical water supply systems // IOP Conference Series: Materials Science and Engineering. 2020. V. 709. N 3. P. 033034. doi: 10.1088/1757-899X/709/3/033034