ВЕСТНИК АСТРАХАНСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА. СЕРИЯ: УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА

Рассмотрено текущее состояние проблемы киберпреступности и выделены наиболее распространенные виды кибермошенничества. Описано понятие кибервиктимности как сочетание черт личности, характеризующее повышенный уровень склонности к тому, чтобы стать жертвой киберпреступления. Предложена процедура выявления личностных характеристик, присущих лицам с повышенной кибервиктимностью. Изучены подходы к исследованию взаимосвязи степени выраженности определенных черт характера с проявлением кибервиктимности. Рассмотрены методы психологической диагностики с целью выявления личностных качеств. Для определения количественных характеристик степени проявления черт характера с помощью 16-факторного личностного опросника Р. Кеттелла проведено тестирование выборки респондентов, в отношении которых были применены мошеннические действия в киберпространстве. Респонденты разбиты на две контрольные группы - поддавшихся действиям кибермошенников и сумевших им противостоять. Для каждого респондента получен набор стенов, описывающих степень проявления соответствующих черт характера. Поставлена задача выявления особенностей личности, наиболее характерных для респондентов каждой из контрольных групп, путем нахождения наибольшей вариации значений стенов по каждой из черт характера в разрезе рассматриваемых видов кибермошенничества. С помощью критерия Манна - Уитни проведена оценка различий в соответствующих выборках стенов, переведенных в ранговую шкалу. С помощью анализа асимптотической значимости различий в средних рангах выбраны черты характера, по которым достоверность различий максимальна, и получена матрица, позволяющая охарактеризовать склонность к подверженности определенному виду кибермошенничества наиболее выраженным проявлением именно этих черт характера. Проведено сравнение полученных результатов с опубликованными результатами исследований в данной области, выявлено их качественное соответствие. Сформировано множество личностных характеристик, значимых с точки зрения подверженности кибермошенничеству. Задано направление развития исследуемой темы.

В последние годы технологии искусственного интеллекта продемонстрировали значительный успех в решении проблемы анализа и прогнозирования трафика в различных телекоммуникационных системах. Прогнозирование позволяет оператору связи знать о будущем поведении сети, своевременно предпринимать необходимые меры для повышения качества обслуживания абонентов, принимать решение о необходимости установки или модернизации оборудования. На примере данных, собранных с мобильных устройств IoT, представлены обзор и анализ различных моделей прогнозирования временных рядов, описывающих поведение трафика телекоммуникационных систем. Обсуждаются такие модели прогнозирования, как метод экспоненциального сглаживания, линейная регрессия, метод авторегрессионного интегрированного скользящего среднего (ARIMA), метод регрессии машины опорных векторов, метод N-BEATS, использующий полносвязные слои нейронной сети для прогнозирования одномерных временных рядов. Кратко изложены особенности некоторых из них. Для конкретного массива данных описаны операции по подготовке данных: удаление неиспользуемых столбцов, замена отсутствующих данных о длительности транзакций на их медианные значения. Описаны основные статистические характеристики массива данных. Представлен предварительный анализ данных, заключающийся в применении методов сглаживания: скользящего среднего и экспоненциального сглаживания. Описан процесс обучения моделей и сравнительный анализ качества их обучения. Для исследуемого массива данных сделаны выводы о том, что для протокола UDP лучшее качество обучения имеет модель ARIMA, для протокола TCP - линейная регрессия и модель Theta, для протокола HTTPS - линейная регрессия, ARIMA и N-BEATS.

Рассмотрена задача управления гальванической ванной по двум критериям: брака с точки зрения неравномерности и микротвердости. Управляющим воздействием является размещение деталей-катодов разной формы и размеров на подвесочном устройстве гальванической ванны. Предложен комбинированный метод, который заключается в многократном решении задачи векторной оптимизации с разными отношениями порядка и с различными свертками критериев, а также методом анализа иерархий и построения области Парето. Разработанная система поддержки принятия решений предоставляет лицу, принимающему решение, разностороннюю информацию о режимах работы объекта и получаемых при этом значениях критериев, величинах взаимных изменений критериев и т. д., что позволяет находить наилучшее, с точки зрения пользователя, компромиссное решение задачи векторной оптимизации.