№ 1 (2024)

Искусственный интеллект (ИИ) стал одним из наиболее прорывных подходов к обработке огромных объемов разнородных данных и выполнению фундаментальных задач кибербезопасности, таких как обнаружение вторжений, управление уязвимостями, мониторинг безопасности, приоритизация активов, контроль доступа. В статье представляется современное состояние использования методов ИИ (в первую очередь, методов машинного обучения) в кибербезопасности. Анализируются ключевые области внимания на стыке ИИ и кибербезопасности. Статья частично отражает содержание пленарного доклада, сделанного на XX Национальной конференции по искусственному интеллекту с международным участием (КИИ-2022).

В работе рассмотрены выразительные и формальные возможности теории системно-объектного моделирования с целью описания знаний о структуре, функционировании и состояниях компьютерной сети. Представлены способы описания распределённых информационных систем средствами исчисления систем как функциональных объектов. Показаны ограничения использования алфавита элементарных узловых объектов. Предложен механизм описания состояний узла компьютерной сети.

В работе описывается интеллектуальная рекомендательная система для восстановления и тренировки дыхательной системы человека с помощью индивидуально подобранных специальных упражнений и повышения мотивации при их выполнении. Персональные рекомендации по составу упражнений формируются на основе интерактивного интеллектуального анализа видео информации о физической активности человека с учетом его опыта. Для подбора упражнений и оценки эффективности их выполнения используются модели и методы машинного обучения. Приведены результаты апробации рекомендательной системы.

В статье представлен алгоритм обнаружения аномалий в рядах активности двустворчатых моллюсков с использованием ошибки между значением, прогнозируемым с помощью модели SARIMA, и фактическим значением. Для определения сезонной компоненты моделей проведена декомпозиция временных рядов. Проведен поиск оптимальной модели для всех времен осреднения данных активности пресноводных двустворчатых моллюсков. С помощью разработанного алгоритмически-программного обеспечения выполнен расчет среднеквадратической ошибки по всему набору данных, что позволило определить потенциальный порог для работы алгоритма, а также время реагирования алгоритма на аномалии при различных временах осреднения данных. Полученные результаты планируется включить в алгоритмически-программное обеспечение автоматизированного комплекса биомониторинга состояния качества вод на основе двустворчатых моллюсков, который уже функционирует и размещен в акватории Севастополя, что позволит быстрее и с большей вероятностью обнаруживать аномалии и генерировать сигнал тревоги.

В статье рассматриваются задача построения программы трассерных исследований в виде списка пар нагнетательных-добывающих скважин с использованием деревьев решений. Недостатком известных алгоритмов построения дерева решений является их склонность к переобучению, особенно в условиях малых объёмов выборки. В данной работе предлагается использовать оценки полного скользящего контроля и ожидаемой переобученности, разработанные в рамках комбинаторной теории переобучения, в качестве критериев разделения в узлах дерева решений для повышения обобщающей способности алгоритма. Подход апробирован на примере двух месторождений Западной Сибири. Показано, что использование критериев приводит к статистически значимому улучшению метрик качества дерева решений и снижению переобучения и, таким образом, позволяет более точно выбирать скважины-кандидаты при планировании трассерных исследований с целью оценки наличия гидродинамической связи между нагнетательными и добывающими скважинами. Применение оценок комбинаторной теории переобучения для построения деревьев решений открывает возможности для повышения эффективности трассерных исследований в нефтегазовой отрасли.

Представлены особенности и возможности нейросетевой архитектуры PointNet применительно к искусственно сгенерированным облакам точек лазерного отражения в информационной системе Terra_Maker. Проанализированы результаты обучения сети PointNet и оценена точность полученных моделей. Предложен подход к определению параметров, которые дают максимальную точность при выполнении экспериментов на примере облаков точек, полученных при помощи информационной системы Terra_Maker.

В работе представлен метод сокращения пространства поиска параметров кластеризации. Это достигается за счет выбора наиболее подходящих способов преобразования данных и мер различия на этапе, предваряющем выполнение непосредственно кластеризации. Для сравнения выбранных способов предлагается использовать коэффициент силуэта, который рассматривает метки классов из небольшого размеченного набора данных как метки кластеров. Приведены результаты экспериментальной проверки предложенного подхода для кластеризации текстов новостей.

XXI национальная конференция по искусственному интеллекту с международным участием (КИИ-2023) проходила в Смоленске с 16 по 20 октября 2023 г. Соорганизаторами конференции являлись Российская ассоциация искусственного интеллекта, Федеральный исследовательский центр «Информатика и управление» РАН, Филиал Национального исследовательского университета «МЭИ» (Смоленск). В пленарных докладах и на заседаниях секций были рассмотрены различные направления и приложения искусственного интеллекта.