Найти

Результаты поиска

• ПРИМЕНЕНИЕ МЕТОДА СМЕШАННОГО ОЦЕНИВАНИЯ ПАРАМЕТРОВ ПРИ ПОСТРОЕНИИ ОДНОРОДНОЙ ВЛОЖЕННОЙ КУСОЧНО-ЛИНЕЙНОЙ РЕГРЕССИИ ПЕРВОГО ТИПА

  С.И. Носков , А. П. Медведев , И. Д. Кириллов

  102-109

  2026-09-10

  Аннотация ▼

  Статья посвящена разработке алгоритма идентификации параметров однородной вложенной кусочно-линейной регрессии первого типа – модели, востребованной при анализе сложных систем, поведение которых не удаётся адекватно описать гладкими функциями. В обзорной части работы систематизированы современные публикации, иллюстрирующие применение кусочно-линейных форм в самых разных предметных областях: от моделирования энергопотребления и нелинейных систем управления до задач обработки изображений, восстановления генетических сетей и фильтрации геофизических данных. Новизна исследования заключается в том, что впервые для данного класса моделей предложен алгоритм идентификации, основанный на методе смешанного оценивания (МСО), позволяющий гибко комбинировать два различных критерия качества. Показано, что благодаря введению дополнительных булевых переменных и вспомогательных ограничений исходная оптимизационная задача сводится к стандартной задаче линейно-булева программирования, что позволяет применять для её решения доступные численные методы. Эффективность разработанного алгоритма продемонстрирована на реальных данных горно-металлургической компании «Норникель» за 2010–2024 годы. В качестве зависимой переменной используется выручка, в качестве предикторов – объёмы добычи никеля, палладия, меди и платины. Построены две альтернативные модели – классическим методом наименьших модулей и предлагаемым методом смешанного оценивания. Сравнительный анализ показывает, что вторая модель имеет несколько более высокую среднюю процентную ошибку, однако существенно выигрывает в величине максимальной ошибки на контрольной подвыборке, что делает её предпочтительной в условиях, где критичны выбросы. Полученные результаты подтверждают практическую ценность МСО для построения интерпретируемых и устойчивых регрессионных зависимостей

• ДЕМОДУЛЯЦИЯ СИГНАЛА С ПОМОЩЬЮ КЛАССИЧЕСКИХ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ МОДЕЛИ ВАТТЕРСОНА

  А.С. Кириллов

  97-105

  2026-07-07

  Аннотация ▼

  Исследуется возможность применения классических алгоритмов машинного обучения для демодуляции сигналов в коротковолновом канале связи, описываемом моделью Ваттерсона. Актуальность задачи обусловлена необходимостью повышения помехоустойчивости при широкополосной передаче данных в условиях многолучевого распространения и доплеровских искажений. В качестве классификаторов используются алгоритмы Random Forest, Decision Tree и KNN
  (k-ближайших соседей). Обучение моделей производится на синтезированных данных, полученных в среде MATLAB Simulink, где варьировались временные задержки лучей (0–4 мс) и доплеровский сдвиг (0–10 Гц). Входными признаками служат координаты сигнальных созвездий, а также предыстория принимаемых символов, поскольку межсимвольная интерференция оказывает существенное влияние на положение текущей точки. Проведенные эксперименты выявили критическую особенность: алгоритмы демодуляции обладают высокой чувствительностью к изменениям доплеровского сдвига. Отклонение параметра всего на 0.1 Гц от обучающей выборки приводит к изменению структуры сигнального созвездия и росту вероятности ошибки (BER) до 0.5. При совпадении доплеровских параметров с обучающей сеткой наилучшие результаты показывает алгоритм Random Forest, обеспечивая BER <0.01 на полном объеме данных. Для решения проблемы чувствительности предложен метод локального обучения с уменьшенным шагом дискретизации доплеровского сдвига (до 0.1 Гц), что позволяет добиться BER ≤0.01 для Random Forest. В связи с экспоненциальным ростом объема обучающей выборки (до 1000 Гб) разработаны методы её сокращения: исключение временных параметров и семплирование данных с учетом возможных комбинаций предшествующих битов. Это позволило уменьшить объем данных в 31.5 раза, сохранив BER <10% для Random Forest при шаге обучения 0.2 Гц. В работе делается вывод о целесообразности использования Random Forest Classifier для демодуляции в КВ-каналах и необходимости адаптации шага обучения под требуемую точность доплеровского сдвига.

• РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОБНАРУЖЕНИЯ ВРЕДОНОСНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

  Л.К. Бабенко , А.С. Кириллов

  153-167

  2021-10-05

  Аннотация ▼

  При проведении исследований в области обнаружения вредоносного программного обеспечения основной фокус делается именно на методах, игнорируя то, как эти методы практически могли бы быть реализованы. С другой стороны, есть работы, которые раскрывают некоторые технические подробности реализации или оптимизации процесса анализа исследуемого образца и сбора данных о его работе. Однако, необходимо соединять результаты концепций экспериментальных систем и те возможности реализации, которые имеются. Целью работы является описание реализации автоматизированной системы обнаружения вредоносного программного обеспечения на основе предложенного ранее авторами метода, таким образом, дополняя результаты прошлых исследований и реализуя на практике предложенный метод обнаружения и кластеризации вредоносного программного обеспечения. В результате, раскрыты технические требования к проектируемой системе обнаружения вредоносного программного обеспечения, обусловленные предложенным ранее методом обнаружения и кластеризации. Произведено сравнение существующих средств поведенческого анализа, в качестве наиболее подходящей выбрана Сuckoo Sandbox, основным ее достоинством является открытость исходных текстов, что обеспечило возможность доработки как ее клиентской части, так и серверной части. В частности выполнено расширение списка контролируемых системных функций, определение модуля-источника вызова, определение контекста вызова. Так же, на основе Сuckoo Sandbox было разработано расширение, которое реализует предложенный авторами метод. Далее в статье раскрывается возможность портирования описанной системы для работы с образцами вредоносного программного обеспечения, разработанными под различные плат-формы. В частности, показано, что предложенные методы, могут быть адаптированы под такие платформы как .NET или Android, при этом доработки носят технический, а не принципиальных характер. С практический точки зрения, система представляет из себя программный комплекс для специалиста по безопасности и позволяет осуществлять оперативное обнаружение неизвестных ранее угроз и вместе с тем, за счет проведения кластеризации, идентифицировать конкретную угрозу для реализации наиболее подходящих мер защиты от этой угрозы. В предложенном виде, может быть использована как часть инфраструктуры предприятия для обеспечения антивирусной безопасности