НАДЕЖНОСТЬ

Цель. Проведен анализ процессов деградации КМОП микросхем при воздействии ионизирующего излучения, в котором рассмотрены три процесса дефектообразования в МОП структуре на границе Si-SiO2. Методы. На примере тестовых логических элементов проанализирована зависимость времени условного отказа по быстродействию от мощности дозы гамма-излучения. Результаты. Определен критический дефект на границе Si-SiO2. Заключение. Предлагаемый в статье подход позволяет определить причины отказа КМОП микросхем. Представлен результат расчета времени отказа для трех значений мощности дозы.

Цель. Целью работы является повышение безопасности IoT-устройств путем применения алгоритмов машинного обучения для обнаружения атак в сетях IoT. Актуальность поставленной цели определяется постоянным ростом числа подобных атак в мире и широким распространением систем IoT. В статье приведены соответствующие статистические данные. Анализ имеющихся работ показал, что различные методы рассматривались без связи и сравнения друг с другом, поэтому цель данной работы – определить наиболее перспективный алгоритм машинного обучения для обнаружения атак в сетях IoT – актуальна. Методы. В статье для обнаружения атак в сетях IoT использовались следующие методы машинного обучения: логистическая регрессия, SVC, «случайный лес», метод K-ближайших соседей, метод k-средних, наивный байесовский классификатор и варианты градиентного бустинга (XGBoost, AdaBoost и CatBoost). Новым является сравнение результатов применения контролируемых алгоритмов с алгоритмом K-means, который является неконтролируемым алгоритмом, для обнаружения атак в сетях IoT. Для обучения создаваемых систем обнаружения атак использовался набор данных UNSWNB15, который содержит данные о девяти видах атак. Количество записей составляет более 80 тысяч. Более половины записей – это записи об атаках. Сравнение методов проводилось по нескольким метрикам. Результаты. Разработана структура и реализована
программно система обнаружения вторжений, включающая этапы от анализа исходных данных до вывода окончательных статистических данных. Результаты показывают, что алгоритм «случайный лес» является лучшим из рассмотренных. Одновременно метод имеет хорошие показатели по быстродействию обучения. Это означает, что данный алгоритм может быть развернут и применен с наибольшим успехом. Заключение. В этой статье представлены результаты сравнения различных алгоритмов машинного обучения для обнаружения вторжений в устройства IoT. Точность и кривая ROC-AUC используются для оценки эффективности используемых моделей. Сравнивая используемые модели алгоритмов, мы обнаружили, что модель RandomForestClassifier алгоритма Random Forest имеет хорошую точность, самый высокий AUC и быстрое время выполнения, а это означает, что этот алгоритм является наиболее эффективным при обнаружении вторжений в сети IoT. Продолжение исследований связано с различением типа атаки.

Целью статьи является исследование основных характеристик надежности восстанавливаемых систем k-из-n с произвольными распределениями времени безотказной работы и ремонта их компонентов, а также общим числом ремонтных единиц. Система k-из-n представляет собой систему, состоящую из n компонентов, которая отказывает при отказе ее k (k≤n) компонентов. Для восстановления отказавших компонентов имеется l ремонтных устройств. Такая система обозначается как <GIk≤n|GI|l>. Для исследования привлекаются методы маркированных марковских процессов и теории порядковых статистик. С использованием предложенного подхода построена математическая модель системы, приведены преобразования меток и аналитические выражения для вычисления их распределений. В следующей части статьи на основе предлагаемого метода сформулирован алгоритм имитационного моделирования для оценки основных характеристик надежности. Он не только позволит провести численное исследование таких систем, но и послужит инструментом анализа чувствительности характеристик надежности к исходным параметрам системы.

Цель. При решении задач компьютерного зрения для определения границ детектируемого объекта, как правило, используются методы семантической сегментации, которые требуют высокого вычислительного ресурса. Их использование повышает сложность реализации и увеличивает стоимость решений для внедряемых аппаратно-программных комплексов. В настоящей работе предлагается альтернативный метод определения границы сегментируемого объекта, в виде железнодорожного пути, для комплекса фиксации исполненного движения. Методы. Так как железнодорожный путь на изображении можно представить линией полинома n-порядка, то для решения задачи детектирования границы пути предлагается использовать приближения в виде прямых линий. В качестве метода детектирования прямых линий предлагается использовать преобразование Хафа, параметрическое пространство которого будет скомпоновано в соответствии с решаемой задачей. Заключение. Предложенная аппроксимация позволит отказаться от семантической сегментации и снизит вычислительную сложность нагрузки на аппаратуру.

Постановка задачи. Многие системы искусственного интеллекта по существу являются системами классификации событий. Они широко используются в предиктивной аналитике. Их роль непрерывно растет при прогнозировании опасных событий на транспорте. Эффективность применения методов искусственного интеллекта в значительной мере зависит от результатов неправильной классификации. Поэтому актуальна задача вычисления или оценки в статистическом смысле вероятности неправильной классификации и определения ее граничных значений. Цель. Оценить границы для комбинированной вероятности неправильной классификации из-за двух различных категорий ошибок: собственно ошибок неправильной классификации и статистических ошибок, возникающих вследствие неправильной классификации. Результаты. Выполнена статистическая оценка порогового значения, которое используется для классификации. Установлены граничные условия для комбинированной вероятности неправильной классификации. Представлено обобщение на N-мерные пространства и на произвольные распределения и формы пороговых поверхностей. Теоретические результаты проиллюстрированы примером практического применения.

В статье предлагается метод формирования выделенного операционного кон- текста при разработке и внедрении автономных систем управления корпорациями на примере автономных систем для совета директоров. Значительную часть операционного контекста для автономных систем управления компаниями составляет регуляторная и правовая среда, в рамках которой корпорации осуществляют свою деятельность. С целью создания специального операционного контекста для автономных систем искусственного интеллекта формулировки локальных нормативных документов могут быть одновременно представлены в двух вариантах: для использования людьми и для использования автономными системами. В таком случае система искусственного интеллекта получает четко очерченный операционный контекст, который позволяет такой системе выполнять функции в рамках необходимых эксплуатационных качеств. Локальные нормативные акты, которые предусматривают специфику совместной работы физических лиц и автономных систем искусственного интеллекта, могут стать базой для формирования основ соответствующего законодательства, регулирующего разработку и внедрение ав- тономных систем.

Цель. В настоящее время сеть магистральных железных дорог не в полной мере обеспечивает потребностей рынка в пропускной и провозной способности, из-за чего ОАО «РЖД» вынуждено ежедневно отклонять 2-4% заявок на перевозку грузов, маршрут которых проходит по ограничивающим объектам железнодорожной инфраструктуры. Процесс увеличения пропускной и провозной способности железнодорожных направлений путем строительства дополнительных путей на станциях и перегонах неприемлемо длительный и требует колоссальных капитальных вложений. Методы. Предлагается решение данной проблемы за счет увеличения интенсивности использования железнодорожной инфраструктуры путем сокращения межпоездных и станционных интервалов в графике движения при внедрении технологий интервального регулирования движения поездов с подвижными блок-участками и технологией «виртуальная сцепка». Данный подход позволяет сократить капитальные вложения до 32 раз, сроки реализации проектов – до 8 раз при сопоставимых значениях увеличения пропускной и провозной способности. В статье подробно показаны функциональность средств интервального регулирования и их технические параметры. Выводы. Технология интервального регулирования движения поездов внедрена и используются на Дальневосточной, Забайкальской, Восточно-Сибирской и Красноярской железных дорогах – филиалах ОАО «РЖД», входящих в состав Восточного полигона сети железных дорог ОАО «РЖД». Общая протяженность участков внедрения технологии интервального регулирования составила к концу 2023 г. 5734 км. Заключение. В 2023 году по участкам Восточного полигона проведено почти 36 тысяч пар поездов с сокращенным межпоездным интервалом. Средства интервального регулирования движения поездов также позволяют повысить безопасность и уровень цифровизации перевозочного процесса.