Выпуск 25 (3), 2026: Информатика и автоматизация

Доктор технических наук, профессор Молдовян Александр Андреевич родился в селе Чок Майдан, Комратского района Молдавской ССР. В 1974 г. окончил Ленинградский электротехнический институт им. В.И. Ульянова (Ленина) по специальности «Автоматизированные системы управления». В период с 1974 г. по 1994 г. разрабатывал автоматизированные системы управления, из них 14 лет в ПКБ АСУ МИНПРИБОРА СССР. С 1995 г. главный конструктор НТЦ "СПЕКТР" НПК "Красная Заря". С 1996 г. перешел на работу в Специализированный центр программных систем «СПЕКТР», созданный по рекомендации ГОСКОМОБОРОНПРОМа для выполнения НИОКР в области защиты информации. С 2005 г. являлся директором Научного филиала ФГУП «НИИ» ВЕКТОР» – СЦПС «СПЕКТР». С марта 2009 г. работал заместителем директора СПИИРАН по информационной безопасности и научным руководителем научно-исследовательского отдела проблем информационной безопасности. С декабря 2016 г. руководил научно-исследовательским отделом проблем информационной безопасности СПИИРАН. Затем переведен на должность главного научного сотрудника лаборатории проблем компьютерной безопасности СПИИРАН – СПБ ФИЦ РАН.

Доктор технических наук, профессор Лебедев Илья Сергеевич, является выдающимся ученым в области самоорганизующихся систем искусственного интеллекта, интеллектуальных систем анализа и обработки слабоструктурированной информации. В 1998 г. с отличием окончил Санкт-Петербургское высшее училище радиоэлектроники противовоздушной обороны (СПВУРЭ ПВО), факультет математического и программного обеспечения автоматизированных систем специального назначения. В 2002 г. окончил очную адъюнктуру в филиале Военного университета противовоздушной обороны по специальности 20.02.12 «Системный анализ, моделирование боевых действий и систем военного назначения, компьютерные технологии в военном деле» и успешно защитил диссертацию на соискание ученой степени кандидата технических наук. За время прохождения службы в Вооруженных силах имеел награды МО РФ. Военную службу закончил в воинском звании подполковника.

Доктор технических наук, доцент Шилов Николай Германович, является выдающимся ученым в области производственных систем, управления знаниями, генеративного дизайна и интеллектуальных систем анализа психофизиологического состояния человека. В 1998 г. с отличием окончил Санкт-Петербургский государственный технический университет (н.в. СПбПУ Петра Великого), факультет экономики и менеджмента по специальности «Экономика и управление на машиностроительном предприятии». В 2001 г. окончил очную аспирантуру в Санкт-Петербургском институте информатики и автоматизации Российской академии наук по специальности 05.13.01 «Системный анализ, управление и обработка информации (технические системы)». В 2005 г. успешно защитил диссертацию на соискание ученой степени кандидата технических наук по теме «Разработка моделей для интеллектуальной поддержки принятия решений при конфигурировании виртуальных предприятий», специальность 05.13.01 «Системный анализ, управление и обработка информации (технические системы)» по техническим наукам. В 2025 г. успешно защитил докторскую диссертацию по теме «Контекстно-ориентированная поддержка принятия решений при конфигурировании производственных систем», специальность 05.13.01 «Системный анализ, управление и обработка информации (технические системы)». В настоящее время является ведущим научным сотрудником Санкт-Петербургского Федерального исследовательского центра Российской академии наук (СПб ФИЦ РАН).

Применение самообучения и самоорганизующихся моделей для задач классификации и прогнозирования при обработке временных рядов и информационных последовательностей сталкивается с рядом проблемных вопросов организации данных. Повышение показателей качества обработки таких систем вызывает необходимость совершенствования методов выбора объектов наблюдения для обучающих выборок данных. В статье предложен метод формирования и анализа выборок данных на основе определения патчей информационной последовательности, обладающих разными характеристиками длины и сдвига, отличающаяся использованием функционала качества моделей обработки. На основе эксперимента на модельных данных и выборках проведена оценка предлагаемого метода. Получены значения показателя качества accuracy для разных алгоритмов обработки при различных длинах и сдвигах последовательностей патча. Определены свойства полученных патчей с использованием метрик коэффициента силуэта и расстояния между центройдами. Проанализированы ошибки классифицирующих алгоритмов. Выделены доверительные интервалы ошибок. Определено, что на изменение длины и сдвига патча влияет на достигаемые значения accuracy классифицирующих алгоритмов. Предлагаемый метод дает возможность повысить показатель accuracy за счет выбора длины и сдвига при формировании патча и назначения моделей, которые имеют наилучшие показатели. Результаты показывают возможность увеличения на 6-10% для слабых моделей, в то время как для сильных моделей наблюдается улучшение на 1-5% в сценариях с ограниченными данными. Анализ предложенного решения показывает, что варьирование параметрами сдвига и длины последовательности при формирования обучающих выборок данных оказывает влияние на эффективность обработки данных.

В статье рассматривается задача проектирования высокоэффективных сверточных нейронных сетей для встраиваемых систем компьютерного зрения, функционирующих в режиме реального времени. Основное внимание уделяется дилемме между вычислительной эффективностью и качеством локализации объектов. Отмечается, что агрессивная оптимизация с помощью глубинных сепарабельных сверток, примененная к легковесной однопроходной архитектуре, хотя и обеспечивает высокую скорость, часто приводит к потере способности сети точно определять пространственные границы целевых объектов. Для преодоления данного компромисса предложена новая архитектурная стратегия – интеграция легковесных, динамически настраиваемых модулей канального внимания непосредственно в структуру сепарабельных сверточных блоков. Созданный гибридный блок выполняет селективное взвешивание каналов признакового пространства, что позволяет сети усиливать детализированные признаки, критичные для границ объектов. Экспериментальная валидация проведена на целевой платформе Raspberry Pi 5 с использованием квантованных до формата INT8 моделей. Модифицированная архитектура продемонстрировала незначительный рост сложности (до 4.4 GFLOPs и 2.05 млн параметров) по сравнению с базовой DSC-версией. Ключевым результатом стало существенное улучшение метрики локализации mAP 0.75 – прирост на 8.3 п.п. до уровня 66.5%, что превосходит показатели стандартной, неоптимизированной модели YOLOv8n (61.1% на RPi 5). При этом частота кадров (27.8 FPS) сохранилась значительно выше порогового требования реального времени (20 FPS). Таким образом, исследование доказывает, что целенаправленное внедрение компактных механизмов внимания в ультралегковесные архитектуры позволяет достичь качественного скачка в точности локализации, превосходящего исходные, более ресурсоемкие аналоги, без нарушения жестких ограничений по производительности. Предложенный подход открывает путь для разработки более надежных и точных систем детекции для автономных устройств, критичных к ресурсам.

Накопление небиоразлагаемых твердых отходов в густонаселенных городских районах представляет собой серьезную экологическую проблему. Хотя компьютерное зрение предлагает перспективное решение, современные подходы часто ограничены зависимостью от ограниченных синтетических данных и неспособностью охватить всю сложность реальных условий. Для решения этих ограничений в данной статье представлена система обнаружения объектов в реальном времени для городских неразлагаемых отходов, построенная на оптимизированной архитектуре YOLOv9. В основе работы лежит специально созданный гетерогенный набор данных, состоящий из 6340 аннотированных изображений, который охватывает восемь категорий отходов, включая пластиковые бутылки, банки и блистерные упаковки, в различных городских ландшафтах. Основное архитектурное улучшение заключается в замене исходного бэкбона на новый EfficientViT, который сочетает в себе преимущества многомасштабного извлечения признаков сверточных нейронных сетей с глобальным контекстным пониманием визуальных трансформеров. Такая гибридная архитектура особенно эффективна для обнаружения объектов отходов различных размеров в загроможденных городских средах. Дополнительные улучшения включают использование функции активации SiLU, масштабируемой функции потерь SIoU для точной регрессии ограничивающих рамок и фокальной функции потерь для противодействия дисбалансу классов. Модель, обученная с расширенной аугментацией данных, достигает mAP@0.5 95,1% и F1-меры 0,95 на отложенном тестовом наборе, превосходя все существующие детекторы отходов на основе YOLO. Все восемь классов достигают F1-меры выше 0,93, что свидетельствует о стабильной устойчивости системы даже в загроможденных средах. При работе со скоростью 38 кадров в секунду разработанная система подтверждает свою пригодность для практических применений в реальном времени. Используя передовые возможности YOLOv9 с современным бэкбоном EfficientViT и реалистичным набором данных, предлагаемая сеть устанавливает новый эталон точности и скорости в обнаружении отходов, демонстрируя большой потенциал для интеграции в автоматизированные системы сортировки и переработки.

Статья посвящена разработке нейросетевой модели для автоматизированного анализа медицинских данных в области электрофизиологии на основе методов глубокого обучения. Актуальность работы обусловлена растущей потребностью в повышении объективности, скорости и точности обработки сложных пространственно-временных сигналов, таких как ЭКГ или ЭЭГ. В качестве инструмента анализа были использованы сверточные нейронные сети (CNN), позволяющие извлекать пространственные особенности, и временные сверточные нейронные сети (TCN), специализирующиеся на выявлении временных зависимостей. Интеграция этих архитектур позволила выявить и обобщить сложные паттерны в сигналах и, впоследствии, классифицировать их с высокой точностью. В работе представлена архитектура предложенной гибридной нейросетевой модели, разработанной для обработки временных рядов, и приведено обоснование выбора ключевых гиперпараметров. Для оптимизации модели реализована стратегия адаптивного изменения скорости обучения на основе значения функции потерь на валидационном наборе данных. Реализован механизм ранней остановки обучения для предотвращения избыточных вычислений и осуществления контроля переобучения в случае отсутствия уменьшения значения ошибки на валидационных данных в течение заданного количества эпох. При обучении после каждой эпохи фиксировались параметры модели, включая номер эпохи, значение функции потерь и параметры оптимизатора, что позволяет восстанавливать обучение с любой эпохи, а также детально проанализировать поведение модели на различных стадиях обучения. Применение разработанной модели анализа дает возможность произвести более глубокие исследования электрофизиологических данных, что повышает объективность диагностики. Представленные в работе методы могут быть масштабированы на другие типы биомедицинских данных. Практическая значимость работы заключается в возможности интеграции предложенной модели в биомедицинские системы в качестве инструмента поддержки врачебных решений для автоматизированного выявления патологий и снижения нагрузки на персонал.

Предлагается система сбора, предварительной обработки и анализа данных для идентификации личности по походке с использованием методов машинного обучения и анализа изображений. Система включает механизм предварительной обработки для нормализации биометрических данных движения человека и этап постобработки для выделения признаков, инвариантных относительно ортогональных преобразований пространства и изменения положения камеры, к перспективе. Реализован вычислительно эффективный метод распознавания походки с использованием одной стереокамеры. Проведен анализ пространства признаков для определения значимых характеристик, а также сравнительный анализ используемого набора признаков. Протестированы несколько архитектур машинного обучения, включая модели глубокого обучения, с анализом их точности и вычислительной эффективности. Экспериментально исследована производительность системы на различных вычислительных устройствах, измерены временные характеристики обработки данных. Результаты позволяют сравнить применимость и эффективность в зависимости от доступных вычислительных мощностей. Исходные данные формируются как временные ряды 3D-координат ключевых точек, реконструируемых по глубине на основе 2D-детекций позы (COCO, 17 точек), при этом пропуски детекций кодируются нулевым вектором. Для идентификации по походке точки головы исключаются как неинформативные, а пропуски восстанавливаются с последующим сглаживанием координат. Инвариантное признаковое пространство строится по геометрии скелета (длины сегментов, углы и их производные). Далее признаки агрегируются в единый вектор по скользящему окну, то есть каждый вектор описывает движение на интервале из нескольких последовательных кадров. На этапе идентификации личности используется фильтрация по порогу и агрегирование предсказаний на уровне кадров. Показано, что качество и скорость работы зависят от выбранной модели машинного обучения и доступных вычислительных ресурсов.

Задача информационного поиска заключается в нахождении информации, наилучшим образом удовлетворяющей информационную потребность пользователя. В условиях социальных медиа информационный поиск осложняется высокой динамичностью контента, тематической разнородностью и разнообразием ментальных моделей пользователей. В данной работе предлагается подход к решению задачи информационного поиска в таких условиях путем построения мультидоменной динамической системы знаний. Ее новизна заключается в объединении трех уровней семантики: проблемно-ориентированной, представленной онтологией метазадачи (описывающей цели поиска); доменно-специфической, реализованной через динамический многослойный граф знаний, построенный на основе пользовательского контента социальных медиа; и доменно-независимой, основанной на лексической базе данных и большой языковой модели. Граф знаний позволяет отразить различные контексты употребления понятий, соответствующие тематическим кластерам в коллекции документов. Такая интеграция позволяет учитывать эволюцию понятий, особенности дискурса и ментальные стереотипы участников коммуникации. Для оценки эффективности предложенной системы проведен эксперимент с использованием датасета публикаций из социальной сети “ВКонтакте” по проблемно-ориентированному мониторингу публикаций, где требуется отбор релевантных публикаций из нетематизированных источников. Для решения данной задачи предложена технология, основанная на использовании метрики расстояния между терминами запроса и терминами публикации в многослойном графе знаний. Результаты эксперимента с применением данной технологии подтверждают эффективность предложенной модели для задач информационного поиска по сравнению со стандартным поиском по ключевым словам и эмбеддинговыми моделями. В продолжении данного исследования планируется сформировать лексическую базу данных, а также рассмотреть возможность расширения модели за счет применения меры точечной совместной информации и методов векторного представления графов.

В работе рассматривается задача параметризации метаэвристического алгоритма размещения компонентов сверхбольших интегральных схем (СБИС) в условиях усложняющихся топологий и ограничений современных технологических норм. Актуальность исследования обусловлена ростом размерности проектируемых схем, увеличением плотности межсоединений и усложнением структуры пространства проектных решений, что ограничивает эффективность применяемых алгоритмов со статическими параметрами. Постановка задачи включает формирование комплекса проектных метрик, таких как длина соединений, плотность, площадь размещения, индекс пересечений и другие. Фиксированная параметризация метаэвристических алгоритмов не в полной мере учитывает динамику пространства поиска, что ограничивает качество принимаемых проектных решений. На основе анализа комплекса проектных метрик предложена динамическая модель, отражающая текущее состояние поискового процесса, включая уровень структурного разнообразия популяции и признаки стагнации. С учетом предложенной модели разработана структура адаптивного метаэвристического алгоритма с замкнутым контуром параметрического управления, где выполняется корректировка параметров для согласования интенсивности глобального и локального поиска. Научная новизна заключается в оригинальной конфигурации набора метрик (скорость улучшения целевой функции δt, разнообразие популяции Dt, локальная неоднородность ландшафта поиска Ht, индикатор стагнации St) и способе их интеграции в контур параметрического управления. В отличие от ресурсоёмких нейросетевых архитектур, требующих значительных вычислительных затрат и обучающих выборок, предложенная аналитическая модель обеспечивает интерпретируемость процесса адаптации и высокую вычислительную эффективность. Для подтверждения эффективности подхода построена программная подсистема, реализующая процесс моделирования и вычислительного эксперимента. Результаты экспериментов на тестовых топологиях различной размерности и плотности связей показали, что по сравнению с алгоритмами с фиксированной многоэтапной настройкой применение разработанного алгоритма позволило повысить интегральный показатель качества размещения на 8-15 % для структур с низкой плотностью связей и на 12-25 % для структур с высокой плотностью связей, уменьшить дисперсию результатов при множественных итерациях в 1,3-2,2 раза, сократить число циклов стагнации и снизить чувствительность к начальному состоянию популяции. Полученные результаты подтверждают повышение качества и эффективности проектных решений, устойчивость разработанного алгоритма размещения и свидетельствуют о практической применимости предложенного подхода. Статья будет полезна специалистам, занимающимся автоматизацией проектирования и интеллектуальным анализом при разработке.

Цифровая трансформация энергетического сектора, сопровождающаяся повсеместным внедрением интеллектуальных сетей, расширяет поверхность кибератак и повышает уязвимость критически важной инфраструктуры. Традиционные системы безопасности, основанные на сигнатурах, статических правилах, а также на текущих реализациях методов машинного обучения, демонстрируют ограниченную эффективность против новых типов угроз, а их верификация на реальных объектах сопряжена с неприемлемыми рисками. В статье представлен и экспериментально апробирован интегрированный адаптивный фреймворк на основе цифрового двойника (ЦД), направленный на повышение результативности обнаружения киберугроз в системах управления интеллектуальными энергосетями. Фреймворк включает формализованную математическую постановку задачи обнаружения с учетом трех ключевых показателей: полноты (Recall), доли ложных срабатываний (FPR) и совокупного времени реакции (TTR), а также целевую функцию для их совместной оптимизации. Ключевым элементом фреймворка является контур адаптации с обратной связью по метрикам качества, управляемый трехуровневым механизмом (оперативный, тактический, стратегический режимы): результаты работы системы обнаружения угроз на реальном объекте используются для автоматического запуска процедур дообучения, оптимизации или генерации новых сценариев в безопасной виртуальной среде ЦД. Цифровой двойник формализован как кортеж взаимосвязанных моделей физических процессов, коммуникационной инфраструктуры, логики управления и базы знаний об угрозах, что позволяет учитывать многоуровневую архитектуру интеллектуальных энергосетей и специфические протоколы (МЭК 61850, Modbus). Экспериментальная валидация на синтетическом наборе данных, имитирующем работу АСУ ТП, подтвердила применимость концепции: использование синтетических данных, генерируемых в среде ЦД, позволило снизить частоту ложных срабатываний на 6,4% по сравнению с обучением на статичных данных, а активация адаптационного механизма способствовала сокращению совокупного модельного времени реакции на инциденты на 3,82%. Расчет комплексной целевой функции показал снижение обобщенного показателя качества на 16,8% после адаптации. Предложенный подход вносит вклад в решение проблем дефицита представительных данных и ограничений безопасного тестирования и может рассматриваться как шаг к реализации парадигмы «безопасность через проектирование» в энергетике. Полученные результаты представляют собой доказательство реализуемости концепции и обосновывают необходимость дальнейших исследований для промышленного внедрения, включая проверку на реальных промышленных сценариях.

Современные системы управления технологическими процессами на~критически важных объектах инфраструктуры, включая очистные сооружения, всё чаще становятся мишенью сложных кибератак, способных нарушить экологическую безопасность и устойчивость работы. Особенность задачи управления рисками в промышленных киберфизических системах (КФС) заключается в необходимости учитывать высокий уровень разнородности устройств, наличие данных об уязвимостях в программно-аппаратном обеспечении промышленного оборудования. Возникает необходимость в определении подхода, который учитывает поведение сложных КФС, особенности атакующих воздействий на КФС и последствия нарушения технологических процессов КФС. В статье предлагается подход к моделированию киберугроз КФС на примере очистных сооружений, в основе которого лежит онтологическая модель, ориентированная на оценку киберугроз для КФС. Модель связывает данные об уязвимостях и атаках со спецификой технологических процессов, включая экологические последствия нарушения целостности процесса очистки воды. Ее применение позволяет анализировать киберриски путем определения возможных информационные угроз с учетом последствий их реализации. Применение разработанной онтологии демонстрируется путем исследования атак, определенных для макета системы управления очистки воды флотационным методом.

В настоящее время технологии биометрической аутентификации такие как распознавание лица, отпечатков пальцев, радужной оболочки глаза и вен ладони, активно применяются в банковских приложениях, медицинских системах, комплексах контроля доступа и государственных информационных ресурсах. Использование таких технологий должно сопровождаться защитой биометрической информации при обработке и хранении особенно в условиях растущего количества целевых атак на персональные данные. Одним из перспективных подходов к обеспечению безопасности биометрической информации является использование гомоморфного шифрования. В работе рассматривается система автономной защищенной биометрической аутентификации по рисунку вен ладони пользователя в ближнем инфракрасном спектре для встроенных систем, реализуемых с использованием технологии обеспечения конфиденциальности для защиты биометрических данных. Проведенные исследования показали практическую реализуемость системы биометрической аутентификации с применением легковесной сиамской нейронной сети для выделения вектора признаков и гомоморфного шифрования, обеспечивающего конфиденциальность во встраиваемых системах на процессорах с ограниченными вычислительными ресурсами на основе одноплатных компьютеров, таких как Raspberry Pi. Подтверждена устойчивость к искажениям, включая повороты, шум, смещения и варьирование параметров шифрования. Показатели эффективности разработанной системы оценивались на сборном датасете, состоящем из изображений датасетов CASIA-MS-PalmprintV1 и Tongji Contactless Palmvein Dataset и составляют: точность классификации – 98,2%, EER – 0,73 %, AUC – 0,96, время – 1,2 секунды, что соответствует уровню требований к подобным системам. Анализ результатов показывает, что разработанная система уступает по точности клиент-серверным решениям, построенным на тяжеловесных сверточных нейронных сетях из-за ограниченности в вычислительных ресурсах и как следствие необходимости применения легковесной нейронной сети, но при этом обеспечена защищенная обработка биометрических данных с сохранением допустимого времени отклика. Сокращение времени обработки при реализации на одноплатных компьютерах может быть реализовано как использованием специализированных вычислительных ускорителей, так и применением других библиотек, поддерживающих гомоморфные вычисления, менее требовательных к вычислительным ресурсам.

Вычислительная сложность нахождения решений больших систем нелинейных уравнений (БСНУ) лежит в основе ряда постквантовых двухключевых криптосхем, включая алгебраические алгоритмы цифровой подписи с использованием матриц в качестве элементов секретного ключа. Такие алгоритмы относятся к вероятностным криптосхемам и характеризуются использованием некоторой матрицы S в качестве подгоночного элемента подписи. Последнее обусловливает актуальность рассмотрения стойкости к атакам, использующим известные подписи. При этом лобовой (прямой) атакой является атака на основе решения БСНУ. В известных алгебраических алгоритмах цифровой подписи в рамках лобовой атаки возникают недоопределенные БСНУ с большим числом решений, что создает предпосылки к атакам на основе эквивалентных ключей. В статье рассматривается построение постквантового алгоритма на конечных алгебрах квадратных матриц, при прямой атаке на который возникают близкие к сбалансированным (с равным числом уравнений и неизвестных) и переопределенные БСНУ (с числом уравнений, превышающим число неизвестных). Особенностью предложенного алгоритма является использование вспомогательных скрытых групп, вспомогательного параметра рандомизации ЭЦП, вычисляемого как значение сжимающей односторонней функции от значения S . Приводится оценка стойкости к лобовой атаке и нескольким вариантам атак на основе известных подписей.