Журнал «Вестник РГГУ» Серия "Информатика. Информационная безопасность. Математика" Дайджест № 1 за 2026 год
В разделе «Информатика» представлены пять статей.
Винокуров А.А. (Российский государственный гуманитарный университет) «Формализованная постановка задачи обнаружения информационно-технических воздействий злоумышленника на наземные робототехнические комплексы» (с. 8). Статья посвящена решению задачи защиты информации и функциональной устойчивости наземных робототехнических комплексов (НРТК). На основе анализа условий функционирования и структуры НРТК предлагается формализованная постановка научной задачи и вариант её решения путём разработки методики обнаружения информационно-технических воздействий (ИТВ) на системы НРТК, что определяет цель статьи. В качестве критерия оптимальности предлагается выбрать минимизацию вероятности пропуска ИТВ при ограничении на вероятность ложного реагирования подсистемы обнаружения ИТВ при их отсутствии. Построена функциональная модель процесса обнаружения ИТВ на системы НРТК. На основании концептуального подхода и функционального моделирования разработана методика обнаружения ИТВ на системы НРТК. Особенности искусственных иммунных систем, такие как динамическое дообучение и гибкая масштабируемость, обеспечивают оперативную генерацию новых знаний об угрозах, что определило их принципиальную возможность применения как базовой технологии для обнаружения ИТВ.
Дорогань Д.В., Сикидина В.С., Рахмани Д. (Московский технический университет связи и информатики) «Сравнительный анализ методов машинного обучения в промышленном интернете вещей на нефтеперерабатывающем производстве» (с. 19). Статья посвящена применению машинного обучения (ML) в экосистеме промышленного интернета вещей (IIoT) для цифровой трансформации нефтеперерабатывающей отрасли. Целью данной работы является рассмотрение возможности применения машинного обучения в рамках IIoT на нефтеперерабатывающих производствах, а также обсуждение ключевых перспектив развития использования данных технологий в промышленности.
В работе рассматриваются ключевые направления применения алгоритмов ML на основе данных IIoT, таких как обнаружение аномалий технологических параметров, предиктивное обслуживание оборудования, оптимизацию логистических процессов и прогнозирование коррозионных изменений. Для этих задач были проанализированы и сопоставлены методы Isolation Forest, LSTM, SVM и XGBoost с точки зрения их применимости в условиях высокой изменчивости и многомерности промышленных данных.
Особое внимание уделено моделированию сценариев перегрева технологического оборудования с помощью рекуррентных нейронных сетей LSTM. Полученные результаты подтвердили способность модели воспроизводить нелинейные зависимости во временных рядах и предсказывать критические отклонения с высокой степенью точности. В данном исследовании показано на практике, что использование нейронных сетей позволяет повысить стабильность производственных процессов.
Проведённый сравнительный анализ демонстрирует, что интеграция машинного обучения с промышленными цифровыми системами создаёт фундамент для построения адаптивных и самообучающихся производственных сред. Такие решения формируют технологическую основу для устойчивого развития нефтеперерабатывающих предприятий и их перехода к концепции Индустрии 4.0, где приоритет смещается от реагирования на проблемы – к их предотвращению.
Клименко А.Б., Жепан В.В. (Российский государственный гуманитарный университет) «Анализ библиотек языка PYTHON для решения задач оптимизации в студенческих прикладных исследованиях» (с. 35). Статья посвящена анализу и многокритериальной оценке библиотек языка Python, реализующих современные методы оптимизации, в контексте проектной деятельности студентов при разработке систем искусственного интеллекта и машинного обучения. В статье проведён анализ библиотек языка Python, реализующих современные методы оптимизации, в контексте выполнения прикладных исследований студентами 3–4 курсов направления 01.03.04 «Прикладная математика» с целью получения оценок целесообразности использования тех или иных библиотек. Выбор библиотек обоснован повсеместной интеграцией методов оптимизации в экосистему искусственного интеллекта, начиная от управления ресурсами, необходимыми для обучения моделей, и заканчивая собственно обучением моделей. Для исследования выделены три базовых показателя эффективности программных библиотек – возможности визуализации, возможности работы с данными, возможности кастомизации алгоритмов. Для каждого базового свойства также были выделены составляющие показатели эффективности, позволяющие формально описать возможности библиотек. Проведённое анкетирование и приведённые примеры наглядно демонстрируют существенные различия библиотек Python в плане удобства их использования, и подтверждает актуальность многокритериальной их оценки.
Котляров Н.А., Тассов К.Л. (Московский государственный технический университет им. Н.Э. Баумана) «Разработка метода классификации и временной локализации поезда на основе нейронных сетей» (с. 55). Статья посвящена разработке метода автоматического выделения, классификации и временной привязки звуковых сигналов железнодорожного транспорта на фоне окружающего шума с применением нейронных сетей. Целью статьи является разработка метода классификации сигналов железнодорожного шума по признаку принадлежности к типу поезда и определения временных меток. В статье изучаются различные нейронные сети и их комбинации с целью выявить наиболее оптимальные архитектуру и параметры в рамках поставленной задачи. Было установлено, что наиболее точная классификация производится с помощью комбинации рекуррентной нейронной сети с долгой кратковременной памятью и свёрточной нейронной сети.
Титов А.П. (МИРЭА – Российский технологический университет), Гришина Н.В. (Российский государственный гуманитарный университет), Титова Д.Н. (Образовательный центр «Протон») «Концепция локального органайзера фотогалереи на основе распознавания с многофакторной фильтрацией лиц» (с. 71). Целью работы является обоснование методологической базы построения локальной системы, способной к автоматической детекции, идентификации и многофакторной фильтрации изображений по уникальным лицевым дескрипторам. В основе методологии системы лежит интеграция современных библиотек компьютерного зрения. Ядро распознавания построено на библиотеке face_recognition, использующей нейросетевую архитектуру ResNet для генерации 128-мерных векторных представлений лиц. Сравнение эмбеддингов выполняется по метрике евклидова расстояния с адаптивным порогом схожести. Уникальной особенностью системы является алгоритм контекстно-зависимой фильтрации, позволяющий находить изображения, содержащие заданную комбинацию людей. Обоснована потенциальная эффективность локальной системы, которая не только будет конкурентоспособна с облачными аналогами по точности, но способна превзойти их по критериям конфиденциальности, стоимости владения и наличию уникальной функции группового поиска.
