Публикация научных работ

ПРОГНОЗИРОВАНИЕ СТАТИСТИЧЕСКИХ ДАННЫХ АВТОМОБИЛЬНЫХ ДОРОЖНО-ТРАНСПОРТНЫХ ПРОИСШЕСТВИЙ

Ларионов К.О.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Ларионов Константин Олегович – аспирант, кафедра вычислительной техники и защиты информации, Оренбургский государственный университет, г. Оренбург

Аннотация: в статье анализируется статистика автомобильных дорожно-транспортных происшествий. Актуальность разработки и внедрения метода прогнозирования статистики автомобильных дорожно-транспортных происшествий обуславливается тем, что применяемый метод прогнозирования позволяет достаточно точно определить прогнозное значение с максимальной погрешностью меньше 15%. Автоматизированные методы прогнозирования на сегодняшний день помогают быстрому принятию решений в конкретной предметной области за счет быстрой обработки большого количества статистических данных.

Ключевые слова: защита, система, информация, программное обеспечение, дорожно-транспортные происшествия, прогноз, статистика, автомобиль.

FORECASTING STATISTICAL DATA OF ROAD TRANSPORTATION ACCIDENTS

Larionov K.O.

Larionov Konstantin Olegovich – Postgraduate, DEPARTMENT OF COMPUTING AND INFORMATION SECURITY, ORENBURG STATE UNIVERSITY, ORENBURG

Abstract: The article analyzes the statistics of road traffic accidents. The relevance of the development and implementation of a method for predicting statistics of road traffic accidents is due to the fact that the applied forecasting method allows you to accurately determine the predicted value with a maximum error of less than 15%. Automated forecasting methods today help rapid decision-making in a specific subject area due to the rapid processing of a large amount of statistical data.

Keywords: protection, system, information, software, road traffic accidents, forecast, statistics, car.0

Список литературы / References

• Аралбаев Т.З. Построение адаптивных систем мониторинга и диагностирования сложных промышленных объектов на основе принципов самоорганизации; Т.З. Аралбаев; Уфа: Гилем, 2003. 247 с.: ил.
• Аралбаев Т.З. Проектирование вычислительных систем: лабораторные работы и методические указания / Т.З. Аралбаев, Р.Р. Галимов, Р.И. Хасанов; Оренбургский гос. ун-т. Оренбург: ОГУ, 2012. 64 с.
• Атаманова М.В. Прогнозирование показателей производственной безопасности / М.В. Атаманова. [Электронный ресурсhttps://cyberleninka.ru/article/n/prognozirovanie-v-korotkih-vremennyh-ryadah-metodologicheskie-i-metodicheskie-aspekty/ (дата обращения: 09.04.2020).
• Барбашова Е.В. Прогнозирование в коротких временных рядах: методологические и методические аспекты / Е.В. Барбашова, И.В. Гайдамакина, Н.В. Польшакова. [Электронный ресурс]. Режим доступа: https:// cyberleninka.ru/article/n/prognozirovanie-v-korotkih-vremennyh-ryadah-metodologic heskie-i-metodicheskie-aspekty/ (дата обращения: 09.04.2020).
• Александров Н.Н. Прогнозирование количества транспортных средств, вовлеченных в ДТП на двухполосных внегородских автомобильных дорогах / Александров Н.Н. Владимир: Издательство: ФАУ РОСДОРНИИ (Москва), 2012. С. 173-189.
• Луценко Е.В. Адаптивная семантическая информационная модель прогнозирования рисков совершения ДТП / Луценко Е.В., Коржаков В.Е. Майкоп: Издательство: Адыгейский государственный университет (Майкоп), 2008. С. 55-59.
• Скоробогатченко Д.А. Нечеткая нейросетевая модель для прогнозирования числа ДТП региона в условиях ограниченной информации / Скоробогатченко Д.А., Ерохин А.В. Волгоград: Издательство: Волгоградский государственный технический университет (Волгоград), 2014. С. 174-181.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ларионов К.О. ПРОГНОЗИРОВАНИЕ СТАТИСТИЧЕСКИХ ДАННЫХ АВТОМОБИЛЬНЫХ ДОРОЖНО-ТРАНСПОРТНЫХ ПРОИСШЕСТВИЙ // Проблемы современной науки и образования  № 6 (163), 2021. - С. {см. журнал}.

РАЗРАБОТКА МОДЕЛИ УГРОЗ ПРИКЛАДНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

Ларионов К.О.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Ларионов Константин Олегович – аспирант, кафедра вычислительной техники и защиты информации, Оренбургский государственный университет, г. Оренбург

Аннотация: в статье рассматривается типовая модель угроз прикладного программного обеспечения. По статистике чаще всего угрозы информационной безопасности направлены на веб-приложения. Актуальность разработки типовой модели угроз обуславливается тем, что специфика данной предметной области не позволяет разглашать частные модели угроз для прикладного программного обеспечения, а общих моделей угроз в общедоступных источниках не имеется. В большинстве случаев угрозы, реализующиеся через подмену программного обеспечения или подмену подписей, являются более актуальными.

Ключевые слова: программное обеспечение, модель угроз, защита программного обеспечения, система, модель, нарушитель, угроза.

DEVELOPMENT OF THE APPLIED SOFTWARE THREAT MODEL

Larionov K.O.

Larionov Konstantin Olegovich – Postgraduate, DEPARTMENT OF COMPUTING AND INFORMATION SECURITY, ORENBURG STATE UNIVERSITY, ORENBURG

Abstract: the article discusses a typical model of applied software threats. According to statistics, most often information security threats are directed at web applications. The relevance of developing a typical threat model is due to the fact that the specificity of this subject area does not allow disclosing private threat models for applied software, and there are no general threat models in public sources. In most cases, threats implemented through software substitution or signature substitution are more relevant.

Keywords: software, threat model, software protection, system, model, intruder, threat.

Список литературы / References

• Угрозы информационной безопасности в 2017 году: шифровальщики, ICO, IoT-ботнеты – исследование. [Электронный ресурсhttp://d-russia.ru/ugrozy-informatsionnoj-bezopasnosti-v-2017-godu-shifrovalshhiki- ico-iot-botnety-issledovanie.html/ (дата обращения: 01.11.2019).
• Модель угроз безопасности персональных данных. [Электронный ресурсhttps://searchinform.ru/resheniya/biznes-zadachi/zaschita-personalnykh-dannykh/model-ugroz-bezopasnosti-personalnyh-dannyh/ (дата обращения: 01.11.2019).
• Банк данных угроз безопасности информации [Электронный ресурсhttps://bdu.fstec.ru/threat/ (дата обращения: 01.11.2019).
• Петин А.Ф. Защита программного обеспечения базовой системы ввода-ввывода в целях обеспечения доверенной загрузки / Петин А.Ф., Мирошников П.В. Воронеж: Издательство: Санкт-Петербургский политехнический университет Петра Великого (Санкт-Петербург), 2008. С. 101-105.
• Савельев И.Е. Защита прав на программное обеспечение. Москва: Издательство: Московский университет МВД РФ им. В.Я. Кикотя (Москва), 2008. С. 88-90.
• Лебедев С.С. Разработка методов и средств комплексной оценки качества систем защиты программного обеспечения. Москва: Издательство: Московский автомобильно-дорожный государственный технический университет (МАДИ) (Москва), 2007. С. 84-89.
• Десницкий В.А. Модель защиты программного обеспечения на основе механизма "удаленного доверия" / Десницкий В.А., Котенко И.В. Санкт- Петербург: Издательство: Министерство науки и высшего образования РФ (Санкт-Петербург), 2008. С. 26-31.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ларионов К.О. РАЗРАБОТКА МОДЕЛИ УГРОЗ ПРИКЛАДНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ // Проблемы современной науки и образования  № 6 (163), 2021. - С. {см. журнал}.

ПРОГНОЗИРОВАНИЕ СТАТИСТИЧЕСКИХ ДАННЫХ АТАК НА ПРИКЛАДНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ

Ларионов К.О.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Ларионов Константин Олегович – аспирант,  кафедра вычислительной техники и защиты информации, Оренбургский государственный университет, г. Оренбург

Аннотация: в статье описывается метод прогнозирования статистических данных атак на прикладное программное обеспечение. Актуальность разработки метода обуславливается тем, что в работе применяется метод прогнозирования сезонных рядов количества атак на прикладное программное обеспечение. В качестве достоинств работы стоит отметить использование метода прогнозирования полигармоническим полиномом узкоспециализированных сезонных рядов, возможность гибко настраивать модель под конкретный ряд в зависимости от внешних условий, где находятся собранные статистические данные, ошибка при построении прогноза составила 12.33%.

Ключевые слова: защита, система, информация, программное обеспечение, нефтегазовое оборудование, анализ, методы защиты, прогнозирование, метод, полигармонический полином, сезонность.

FORECASTING ATTACK STATISTICS ON APPLIED SOFTWARE

Larionov K.O.

Larionov Konstantin Olegovich – Postgraduate, DEPARTMENT OF COMPUTING AND INFORMATION SECURITY, ORENBURG STATE UNIVERSITY, ORENBURG

Abstract: the article describes a method for predicting statistical data of attacks on applied software. The relevance of the development of the method is due to the fact that the method for predicting the seasonal series of the number of attacks on applied software is used in the work. As the advantages of the work, it is worth noting the use of the polyharmonic polynomial forecasting method for highly specialized seasonal series, the ability to flexibly adjust the model for a specific series, depending on the external conditions where the collected statistical data are located, the error in forecasting was 12.33%.

Keywords: protection, system, information, software, oil and gas equipment, analysis, protection methods, forecasting, method, polyharmonic polynomial, seasonality.

Список литературы / References

• Гулов В.П. Алгоритм прогнозирования вероятности реализации угроз несанкционированного доступа к информации технологических медицинских информационных систем / Гулов Владимир Павлович, Скрыпников А.В., Хвостов В.А., Пелешенко Е.И. Воронеж: Издательство: Printing house "Maestro", С. 31-35.
• Десницкий В.А. Модель защиты программного обеспечения на основе механизма "удаленного доверия" / Десницкий В.А., Котенко И.В. Санкт-Петербург: Издательство: Министерство науки и высшего образования РФ (Санкт-Петербург), 2008. С. 26-31.
• Жигулин Г.П. Мониторинг ресурсов и прогнозирования поля угроз системы защиты информации. Санкт-Петербург: Издательство: Федеральное государственное казенное военное образовательное учреждение высшего образования "Краснодарское высшее военное училище имени генерала армии С.М. Штеменко" Министерства обороны Российской Федерации (Краснодар), 2010. С. 78-87.
• Лебедев С.С. Разработка методов и средств комплексной оценки качества систем защиты программного обеспечения. Москва: Издательство: Московский автомобильно-дорожный государственный технический университет (МАДИ) (Москва), 2007. С. 84-89.
• Соловьев С.В. Применение экспертных методов при прогнозировании угроз безопасности информации с использованием баз данных уязвимостей / Соловьев С.В., Мамута В.В. Воронеж. Издательство: Воронежский государственный технический университет (Воронеж), 2014. С. 460-463.
• Mlynarczyk M. Аnalysis and si promien - comparison of the functionality of the software for the assessment of contamination / Mlynarczyk M., Maciejewski P., Szerszen M. Варшава: Издательство: Centrum Naukowo-Badawcze Ochrony Przeciwpozarowej im. Jozefa Tuliszkowskiego - Panstwowy Instytut Badawczy (Юзефув), С. 133-138.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ларионов К.О. ПРОГНОЗИРОВАНИЕ СТАТИСТИЧЕСКИХ ДАННЫХ АТАК НА ПРИКЛАДНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ // Проблемы современной науки и образования  № 6 (163), 2021. - С. {см. журнал}.

КОМПЛЕКСНЫЕ АЛГОРИТМЫ КЛАССИФИКАЦИИ ВИЗУАЛЬНЫХ ОБЪЕКТОВ НА БАЗЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Мостовщиков Д.Н., Могилатов Р.К., Бабкин О.В.

Email: MostovshchikovАдрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Мостовщиков Дмитрий Николаевич – старший системный архитектор,

Li9, Inc., г. Феникс;

Могилатов Роман Константинович - технический руководитель,

Python SoftServe Inc., г. Роли;

Бабкин Олег Вячеславович – старший системный архитектор,

Li9, Inc., г. Феникс,

Соединенные Штаты Америки

Аннотация: проведен анализ современных подходов, применяемых при построении программных и нейросетевых алгоритмов выделения и классификации визуальных объектов в массивах графических данных. Указана необходимость комплексного подхода при организации систем машинного анализа изображения. Предложена комплексная схема машинного анализа, которая включает себе этапы предварительной обработки входных данных (операции восстановления изображения, настройки параметров, сегментации) и работы с визуальными объектами (выделение визуального объекта, определение признаков, классификация). Методика оптимизации алгоритмов машинного анализа базируется на математическом моделировании процессов регистрации и обработки изображения, а также построении целевых функций путем формализации требований, указанных при постановке конкретной задачи по работе с графическими данными. Таким образом, в рамках исследования, проблема оптимизации решается через определения глобальных экстремумов целевых функций, которые являются показателями эффективности выделения и классификации визуальных объектов.

Ключевые слова: графические данные, машинный анализ, визуальный объект, программные алгоритмы, нейросетевые алгоритмы, предварительная обработка изображения, целевые функции. 

COMPLEX ALGORITHMS FOR THE CLASSIFICATION OF VISUAL OBJECTS BASED ON MACHINE LEARNING METHODS

Mostovshchikov D.N., Mogylatov R.K., Babkin O.V.

Mostovshchikov Dmitrii Nikolaevich – Senior Systems Architect

LI9, INC., PHOENIX;

Mogylatov Roman Kostyantynovych – Technical Leader,

PYTHON SOFTSERVE INC., RALEIGH;

Babkin Oleg Vyacheslavovich – Senior Systems Architect,

LI9 INC., PHOENIX,

UNITED STATES OF AMERICA

Abstract: the analysis of modern approaches used in the construction of software and neural network algorithms for the selection and classification of visual objects in graphical data arrays is carried out. The need for an integrated approach to the organization of systems for machine image analysis is indicated. A complex scheme of machine analysis is proposed, which includes the stages of preliminary processing of input data (image restoration operations, setting parameters, segmentation) and working with visual objects (highlighting a visual object, determining features, classification). The optimization technique for machine analysis algorithms is based on mathematical modeling of the registration and image processing processes, as well as the construction of target functions by formalizing the requirements specified in the formulation of a specific task for working with graphic data. Thus, within the framework of the study, the optimization problem is solved through the determination of the global extrema of the objective functions, which are indicators of the efficiency of the selection and classification of visual objects.

Keywords: graphic data, machine analysis, visual object, software algorithms, neural network algorithms, image preprocessing, objective functions.

 Список литературы / References

• Zou J., Li Z. & Hong D. (2019). Super-Resolution Reconstruction of Images Based on Microarray Camera. Computers, Materials & Continua, 60 (1), 163-177. doi: 10.32604/cmc.2019.05795.
• Rowcliffe J.M., Carbone С., Jansen P.A., Kays R., Kranstauber В. (2011). Quantifying the sensitivity of camera traps: an adapted distance sampling approach. Methods in Ecology and Evolution. 2 (5). 464–476. doi: 10.1111/j.2041-210x.2011.00094.
• Bonneau J. (2020). Financial cryptography and data security: 24th international conference, Fc 2020, Kota Kinabalu, Malaysia, February 10-14, 2020: revised selected papers.
• Bracciali A., Clark J., Pintore F., Rønne P.B. & Sala M. (2020). Financial Cryptography and Data Security Fc 2019 International Workshops, Voting and Wtsc, St. Kitts, St. Kitts and Nevis, February 18-22, 2019, Revised Selected Papers. Springer International Publishing.
• Metheny M. (2013). Security and Privacy in Public Cloud Computing. Federal Cloud Computing, 71-102. doi:10.1016/b978-1-59-749737-4.00004-6.
• Cheng P. & Qu H. (2014). Design and Realization Based on Cloud Stack Hybrid Cloud Computing Platform. Advanced Materials Research, 989-994, 2297-2300.
• Seelamantula C.S. & Blu T. (2015). Image denoising in multiplicative noise. 2015 IEEE International Conference on Image Processing (ICIP). doi:10.1109/icip.2015.7351056.
• Hou J., Tian J. & Liu J. (2005). Spatial image filtering based on wavelet thresholding denoising. MIPPR 2005: Image Analysis Techniques. doi:10.1117/12.652332.
• Zhang C., Liu W. & Xing W. (2018). Color image enhancement based on local spatial homomorphic filtering and gradient domain variance guided image filtering. Journal of Electronic Imaging, 27(06), 1. doi:10.1117/1.jei.27.6.063026.
• Huang C. & Nguyen M. (2019). X-Ray Enhancement Based on Component Attenuation, Contrast Adjustment, and Image Fusion. IEEE Transactions on Image Processing, 28(1), 127-141. doi:10.1109/tip.2018.2865637.
• Petro A. & Sbert C. (2013). Selective Contrast Adjustment by Poisson Equation. Image Processing On Line, 3, 208-222. doi:10.5201/ipol.2013.41.
• Karim T. & Tasneem T. (2014). Analytical Adjustment of Image Contrast. International Journal of Computer Applications, 98(20), 44-49. doi:10.5120/17303-7794.
• Bajla I., Soukup D. & Stolc S. (2011). Occluded Image Object Recognition using Localized Nonnegative Matrix Factorization Methods. Object Recognition. doi:10.5772/14124.
• Han S. & Vasconcelos N. (2006). Image Compression using Object-Based Regions of Interest. 2006 International Conference on Image Processing. doi:10.1109/icip.2006.313095.
• Adam B., Zaman F., Yassin I., Abidin H. & Rizman Z. (2018). Performance evaluation of faster R-CNN on GPU for object detection. Journal of Fundamental and Applied Sciences, 9 (3S), 909.
• Shiga M., Muto S. (2019). Non-negative Matrix Factorization and Its Extensions for Spectral Image Data Analysis. E-Journal of Surface Science and Nanotechnology. 17 (1). 148-154. doi:10.1380/ejssnt.2019.148.
• Azawi N., Gauch J. (2019). Ransac Based Motion Compensated Restoration for Colonoscopy Images. Signal & Image Processing: An International Journal. 10 (4). 9-16. doi:10.5121/sipij.2019.10402.
• Viola Р. and Jones M.J. «Robust real-time face detection», International Journal of Computer Vision. Vol. 57, № 2, 2004. Р 137–154.
• Wang X., Ma H. & Chen X. (2016). Salient object detection via fast R-CNN and low-level cues. 2016 IEEE International Conference on Image Processing (ICIP).
• Alorf A.A. (2016). Performance evaluation of the PCA versus improved PCA (IPCA) in image compression, and in face detection and recognition. 2016 Future Technologies Conference (FTC). doi:10.1109/ftc.2016.7821659.
• Gnouma M., Ladjailia A., Ejbali R., Zaied M. (2018). Stacked sparse autoencoder and history of binary motion image for human activity recognition. Multimedia Tools and Applications, 78 (2), 2157-2179. doi:10.1007/s11042-018-6273-1.
• Qi X., Silvestrov S., Nazir T. (2017). Data classification with support vector machine and generalized support vector machine. doi:10.1063/1.4972718.
• Ren Y., Tang L. (2019). A nonconvex and nonsmooth anisotropic total variation model for image noise and blur removal. Multimedia Tools and Applications, 79 (1-2), 1445-1473. doi:10.1007/s11042-019-08179-8.
• Vincent L. & Heijmans H. (2018). Graph Morphology in Image Analysis. Mathematical Morphology in Image Processing, 170-203. doi:10.1201/9781482277234-6.
• Roerdink J.B. (2018). Mathematical Morphology with Noncommutative Symmetry Groups. Mathematical Morphology in Image Processing, 205-254. doi:10.1201/9781482277234-7.
• Liu K., Lu B., Wei Y. (2013). Better image texture recognition based on SVM classification. MIPPR 2013: Pattern Recognition and Computer Vision. doi:10.1117/12.2031539.
• Budiman A., Fanany M.I. & Basaruddin C. (2014). Stacked Denoising Autoencoder for feature representation learning in pose-based action recognition. 2014 IEEE 3rd Global Conference on Consumer Electronics (GCCE). doi:10.1109/gcce.2014.7031302.
• Liang J., & Liu R. (2015). Stacked denoising autoencoder and dropout together to prevent overfitting in deep neural network. 2015 8th International Congress on Image and Signal Processing (CISP). doi:10.1109/cisp.2015.7407967.
• Menezes J., Poojary N. (2019). Hyperspectral image Data Classification with Refined Spectral-Spatial features based on Stacked Autoencoder approach. Recent Patents on Engineering, 13. doi: 10.2174/187221211366619091114 1616.
• Sercu T. & Goel V. (2016). Advances in Very Deep Convolutional Neural Networks for LVCSR. Interspeech 2016. doi:10.21437/interspeech.2016-1033.
• Zhang Z., Gong C., Liu R. (2017). Face Detection Based on Method Combined RVM and SVM. Computer Science and Artificial Intell doi:10.1142/9789813220294_0058.
• Ganakwar D.G., Kadam V.K. (2019). Face Detection Using Boosted Cascade of Simple Feature. 2019 International Conference on Recent Advances in Energy-efficient Computing and Communication (ICRAECC). doi:10.1109/icraecc43874.2019.8994977.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Мостовщиков Д.Н., Могилатов Р.К., Бабкин О.В. КОМПЛЕКСНЫЕ АЛГОРИТМЫ КЛАССИФИКАЦИИ ВИЗУАЛЬНЫХ ОБЪЕКТОВ НА БАЗЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ // Проблемы современной науки и образования  № 6 (163), 2021. - С. {см. журнал}.