Борисова Н.А., магистрант, специальность
«Информационные системы и технологии», Государственное образовательное
учреждение «Оренбургский государственный университет»
Борисов В.В., к.т.н., доцент, Государственное
образовательное учреждение «Оренбургский государственный университет»
Боровский А.С., к.т.н., доцент, Государственное
образовательное учреждение «Оренбургский государственный университет»
Экспертная
система на нечетких базах для моделирования оценки систем физической защиты
УДК 004.891
Аннотация. В статье рассматриваются вопросы поддержки принятия
решений при решении задачи проектирования и анализа (оценки) систем физической
защиты объектов. Утверждается актуальность данной проблемы, и предлагаются
методы ее решения. Приводится методика разработки структурной идентификации нечеткой системы моделирования функций системы
физической защиты
Повышение эффективности управления безопасностью особо
важных объектов или больших открытых участков охраняемых территорий (аэропорты,
морские порты, береговая охрана, сельскохозяйственные угодья, важные
стратегические объекты: атомные электростанции, гидроэлектростанции, участки
нефтепроводов и газопроводов, участки государственной границы – так называемые
объекты повышенной опасности (ОПО)), функционирование которых преследует важные
и ответственные цели и происходит в различных, зачастую неблагоприятных внешних
условиях, является актуальной и трудно разрешимой проблемой.
Углубленный анализ статистических данных происшествий,
в частности проникновение на охраняемый объект (не обнаружение факта нарушение
границы объекта, ложное срабатывание электронного устройства- причинами которых
могло быть: неправильно организованная система физической защиты (СФЗ) объекта;
несвоевременное и неправильное принятие решений по пресечению проникновения на
охраняемый объект или отражения и задержания лиц, проникших на охраняемую
территорию) можно было бы избежать при
условии принятия своевременных и правильных управляющих решений на этапе проектирования
и оценки СФЗ.
Построение системы охраны по традиционной
схеме – использование функций часового или охранника, особенно на крупных
объектах приводит к значительным затратам людских ресурсов, и как правило к
низкой эффективности защиты объекта.
Для надежного функционирования объекта
должна быть и надежная безопасность — СФЗ, представляющая собой совокупность людей, процедур
и оборудования (инженерно – технических, сигнализационных, программно - аппаратных
и иных средств) для защиты имущества или объектов от хищений, диверсий и других
неправомерных действий, позволяющая на заданном уровне осуществлять создание
трудностей, ограничение возможностей и увеличение времени проникновения
нарушителя на объект охраны [1].
В настоящее время накоплен
достаточно большой теоретический и практический опыт в разработке СФЗ малых и
средних объектов, не нуждающихся в
повышенных мерах безопасности, однако мало остаются исследованы вопросы
поддержки принятия решений (ППР) при разработке СФЗ в задачах охраны больших-
протяженных объектов, структурно сложных объектов, как наиболее уязвимых по
отношению к внешней среде, и поэтому, требующих повышенных мер безопасности.
В результате системного анализа схем организации
охраны объектов различных групп сложности выявлено наличие критической массы
противоречий в процессе создания СФЗ объекта (рисунок 1), ярким проявлением
которых может быть огромный ущерб, причиненный например, вследствие совершения
теракта на ОПО.
Рисунок 1- Современные тенденции и основные
противоречия процесса проектирования систем физической защиты
Установлено резкое увеличение значимости процесса управления
проектом СФЗ объекта и его оценкой, где наиболее весомым звеном становится
технология принятия решений, включающая в себя мониторинг объекта, с целью
уточнения задач СФЗ, проектирование СФЗ, оценка СФЗ и выработку решений о
достаточности мер по защите объекта.
Заключительным этапом синтеза СФЗ может быть определение
характеристик ее подсистем, которые могут быть сведены к числовым параметрам (например,
вероятность своевременного пресечения противоправных действий, число телекамер,
численность и время развертывания сил охраны и т.д.). Это позволяет применить
известные подходы, основу которых составляют аналитические и вероятностные
модели.
Однако существующие методологии имеют ряд принципиальных
ограничений технологического характера, вследствие
того, что задача проектирования и анализа СФЗ относится к так называемым
сложным трудно формализуемым задачам, отличительными признаками которых
является:
- отсутствие возможности получения точного решения,
так как алгоритм решения не известен, либо его решение затруднено из-за
сложности его реализации [2,3,4,5,6];
- отсутствие полной и достоверной информации о
предметной области, данные являются неполными, неоднозначными, противоречивыми.
Отсутствие универсального подхода к решению таких
задач приводят к необходимости развития и применения новых методов и
технологий, их объединения с традиционными методами теории ППР, методами
искусственного интеллекта [7].
Поэтому весьма актуальна проблема ППР в задаче
проектирования и анализа СФЗ объектов с использованием интеллектуальной
информационной системы ППР, основанной на принципах инженерии знаний в рассматриваемой
предметной области. Особая сложность при решении этой задачи состоит в
разработке базы знаний, так как она включает разнородные знания о предметной
области.
Эти знания являются неполными и неоднозначными, так
как необходимо учитывать огромное число параметров, определяющих проектируемую
систему (определения целей и предметов защиты (кого и что защищать); определения
и оценки угроз (от кого защищать); разработка и реализация адекватных мер
защиты (как защищать); характеристики объекта (план объекта, материальные
ценности, энергоемкие компоненты, персонал и т. п.); характеристики угрозы
(модель нарушителя); критерий качества и ограничения на реализацию системы).
Все выше сказанное позволило сформулировать цель
исследования, заключающуюся в повышение
эффективности управления проектом и анализом (оценкой) СФЗ объектов путем развития методологической базы интеллектуальной информационной технологии
принятия решений.
При этом принятие решений характеризуется наличием
нечеткой информации и может формироваться в условиях ограниченного времени и
ограниченных ресурсов [8].
Система «внешняя
среда – объект - СФЗ» рассматривается как
нечеткая система, характеризующаяся входами- предпосылками и
выходами-заключениями.
Для дальнейших теоретических рассуждений разработана интегральная
схема процесса ППР при анализе и оценке СФЗ (рисунок 2).
Данная
модель построена с использованием методологии объектно – ориентированного
анализа и представляет собой диаграмму прецедентов.
Из рисунка 2 видно, что
прецедент «Принятие решения» включает последовательность прецедентов –
«Определение задач и целей СФЗ», «Разработка структуры, состава и варианта
СФЗ», «Анализ СФЗ», «Оценка».
Один из прецедентов «Анализ СФЗ»
фактически предполагает моделирование на ЭВМ функций СФЗ, с целью оценки уровня
эффективности системы, причем использование данных моделирования это не то же
самое, что процесс принятия решения - это только шаг в накоплении необходимой и
достаточной информации, предшествующий процессу принятия решения.
Для реализации предлагаемого метода необходимо решить
задачи структуризации и формализации нечетких экспертных знаний, построения моделей
процессов принятия решений для всех типов задач проектирования СФЗ.
Рисунок 2 – Модель процесса ППР
при управлении проектом СФЗ
Для определения типов задач проектирования СФЗ и идентификации
различных состояний рассматриваемого объекта определялись множества входных и
выходных параметров: факторов внешней среды – множество значений угроз;
множество значений параметров функций решаемых СФЗ; множество показателей
качества СФЗ; множество показателей потерь от реализации угроз (рисунок 3).
Анализ информационного «поля»
системы «Внешняя среда – объект – СФЗ» предполагает выделение трех задач для
моделирования:
- моделирование функций СФЗ:
обнаружение, задержка и реагирование;
- моделирование категорирования
ОПО;
- моделирование качества функционирования
СФЗ.
Критерием эффективности
функционирования СФЗ является вероятность своевременного пресечения
несанкционированных действий нарушителя в зависимости от категории ОПО. [9]
Рисунок 3
– Информационное «поле» задач системы «Внешняя среда – объект – СФЗ»
Эффективность функционирования
СФЗ определяется влиянием факторов, зависящих от технических характеристик
датчиков обнаружения, линий связи, качества подготовки оператора, качества и
количества элементов задержки, готовности сил реагирования и т.д. [8]
В данной статье рассмотрим методику структурной
идентификации задачи моделирования функций СФЗ. При большом числе факторов их
влияние удобно классифицировать в виде иерархического дерева логического вывода
[10]. Нами предлагается иерархическая классификация влияющих факторов в виде
такого дерева (рисунок 4), отвечающего соотношениям:
, (1)
,
(2)
. (3)
Элементы дерева интерпретируется так:
- корень дерева – вероятность своевременного
пресечения в зависимости от категории ОПО (
);
- терминальные вершины ‑ частные влияющие
факторы влияния (
);
- нетерминальные вершины (прямоугольники) ‑
свертки влияющих факторов;
- дуги графа, выходящие из нетерминальных вершин ‑
укрупненные влияющие факторы (
).
Описание факторов приведено в таблице 1. Свертки
осуществим посредством логического вывода по нечетким базам знаний.
Рисунок 4 – Иерархическая классификация факторов,
влияющих на функционирование СФЗ
Таблица 1 – Влияющие факторы
|
Наименование фактора |
Описание фактора |
|
|
Совокупность факторов, влияющих на обнаружение |
|
|
Вероятность обнаружения датчиком на |
|
|
Оценка сигнала тревоги оператором |
|
|
Качество передачи сообщения о несанкционированном
доступе силам реагирования |
|
|
Задержка на |
|
|
Совокупность факторов влияющих на реагирование |
|
|
Время готовности сил реагирования |
|
|
Время прибытия сил реагирования в точку перехвата |
|
|
Время развертывания сил реагирования в нужном месте |
- том элементе защиты
- том элементе защиты
Для оценки значения лингвистических переменных 
, а также 
будем использовать единую шкалу качественных термов: ОН -
очень низкий, Н – низкий, С – средний, В – высокий, ОВ – очень высокий. Каждый
из термов представляет нечеткое множество, заданное с помощью соответствующей
функции принадлежности. Для моделирования частных влияющих факторов и их
сверток используются экспертные нечеткие базы знаний типа Мамдани, приведенные
в таблицах 2-4.
Таблица
2 – Нечеткая база знаний для оценки вероятности пресечения
|
|
|
|
|
|
ОН |
ОН |
ОН |
ОН |
|
ОН |
Н |
Н |
|
|
Н |
Н |
ОН |
|
|
Н |
Н |
Н |
Н |
|
С |
Н |
Н |
|
|
Н |
Н |
С |
|
|
С |
Н |
С |
С |
|
В |
Н |
С |
|
|
В |
С |
С |
|
|
С |
В |
С |
В |
|
В |
С |
В |
|
|
В |
В |
С |
|
|
ОВ |
ОВ |
ОВ |
ОВ |
|
В |
ОВ |
В |
|
|
С |
ОВ |
В |
Таблица
3 – Нечеткая база знаний для оценки функции обнаружения
|
|
|
|
|
|
ОН |
ОН |
ОН |
ОН |
|
ОН |
Н |
Н |
|
|
Н |
Н |
ОН |
|
|
Н |
Н |
Н |
Н |
|
С |
Н |
Н |
|
|
Н |
С |
Н |
|
|
С |
С |
С |
С |
|
С |
С |
Н |
|
|
В |
С |
С |
|
|
В |
В |
С |
В |
|
В |
С |
В |
|
|
С |
В |
С |
|
|
ОВ |
ОВ |
ОВ |
ОВ |
|
В |
ОВ |
ОВ |
|
|
С |
ОВ |
ОВ |
Таблица
4 – Нечеткая база знаний для оценки функции реагирования
|
|
|
|
|
|
ОН |
ОН |
ОН |
ОН |
|
Н |
Н |
Н |
|
|
Н |
ОН |
ОН |
|
|
Н |
Н |
Н |
Н |
|
С |
С |
Н |
|
|
Н |
Н |
С |
|
|
С |
С |
С |
С |
|
С |
Н |
С |
|
|
В |
С |
С |
|
|
В |
В |
С |
В |
|
В |
С |
В |
|
|
С |
В |
С |
|
|
ОВ |
ОВ |
ОВ |
ОВ |
|
В |
ОВ |
ОВ |
|
|
С |
ОВ |
ОВ |
Используя базы знаний в таблицах
2-4 и операции (И – min) и (ИЛИ – max), легко записать систему нечетких логических
уравнений, связывающих функции принадлежности вероятностей пресечения и входных
переменных, например для 
запись будет
выглядеть следующим образом:
(5)
В правилах веса не указаны,
поскольку при грубой настройке они равны единице. Используя методику [10]
рассчитываем грубые функции принадлежности. Все входные переменные имеют свои
функции принадлежности, но для упрощения моделирования (исполнения операций,
ввод-вывод и хранение данных желательно применять функции принадлежности
стандартного вида) используется треугольная функция принадлежности, хотя
разработанное программное средство может работать и с другими видами.
Программа написана на языке программирования С++ с использованием
стандартных библиотек и компилятора среды Borland C++ Builder 6. В настоящее время c помощью данного
программного средства решена только задача структурной идентификации нечеткой
системы [10]. Общая структура программы изображена на рисунке 5.
Формально
программу можно разделить на четыре основных модуля:
- блок формирования структуры экспертной
системы;
- блок настройки системы;
- экспертная система, как совокупность объектов
и механизмов управления ими (рассматриваться не будет, поскольку работа с ЭС
ведется посредством других трех модулей);
- прикладной модуль.
Рисунок 5 – Общая структура программы
На примере одного
параметра разберем алгоритм расчета степеней принадлежности. Столбец Х1 таблицы знаний X имеет тип «X1:Вероятность срабатывания
датчика». «X1:Вероятность срабатывания датчика» - это лингвистическая
переменная, определенная на множестве от 0 до 1, значения этого множества
определяют вероятность срабатывания датчика, которая определяется его
техническими характеристиками.
Степень принадлежности
фактического значения каждому терму определяется функцией принадлежности. В
данном примере используется треугольная функция принадлежности, которая
определяется тремя параметрами: qн(нижняя граница), qmax(значение,
для которого значение степени принадлежности максимально), qв(верхняя граница функции принадлежности).
В рассматриваемом
примере, значения параметров функций принадлежности термов следующие (Таблица
5):
Таблица 5- Значения
параметров треугольной функции принадлежности
|
ТЕРМ
/ параметр |
qн |
qmax |
qн |
µ(0,7) |
|
ОН |
0 |
0 |
0,8 |
0,125 |
|
Н |
0 |
0,3 |
0,9 |
0,33 |
|
С |
0,1 |
0,5 |
0,9 |
0,5 |
|
В |
0,1 |
0,8 |
1 |
0,85 |
|
ОВ |
0,2 |
1 |
1 |
0,625 |
µ(0,7) – значение степени
принадлежности значения 0,7 каждому из термов. Таким же образом рассчитываются
значения степеней принадлежности остальных параметров термам соответствующих
лингвистических переменных.
Таблица 6 – Значения всех параметров
треугольной функции принадлежности
|
Лингвист. переменная |
Значение параметра |
ТЕРМЫ |
||||
|
ОН |
Н |
С |
В |
ОВ |
||
|
Х1 |
0.7 |
0.125 |
0.33 |
0.5 |
0.85 |
0.625 |
|
Х2 |
0.5 |
0.375 |
0.66 |
1 |
0.57 |
0.375 |
|
Х3 |
0.8 |
0 |
0.16 |
0.25 |
1 |
0.75 |
|
Z1 |
37 |
0.56 |
0.84 |
0.625 |
0.325 |
0.18 |
|
Z2 |
106 |
0.33 |
0.57 |
0.91 |
0.65 |
0.41 |
|
Z3 |
8.9 |
0.02 |
0.21 |
0.35 |
0.96 |
0.68 |
|
Y |
320 |
0.16 |
0.375 |
0.6 |
0.87 |
0.58 |
Далее в сформированные
ранее матрицы знаний вместо значений термов подставляем значения
соответствующих степеней принадлежности, для каждой строки определяется
минимальное значение степени принадлежности. Из полученных «минимумов» строк
относящихся к одному нечеткому выводу определяем максимальное значение, которое
и есть значение терма нечеткого вывода [10]. Рассмотрим пример для матрицы
знаний Х.
Таблица 7 – Матрица знаний для параметра, влияющего на обнаружение
|
Х1 |
Х2 |
Х3 |
Min |
Х |
|
ОН(0.125) |
ОН(0.375) |
ОН(0) |
0 |
ОН 0.125 |
|
ОН(0.125) |
Н(0.66) |
Н(0.16) |
0.125 |
|
|
Н(0.33) |
Н(0.66) |
ОН(0) |
0 |
|
|
Н(0.33) |
Н(0.66) |
Н(0.16) |
0.16 |
Н 0.16 |
|
С(0.5) |
Н(0.66) |
Н(0.16) |
0.16 |
|
|
Н(0.33) |
С(1) |
Н(0.16) |
0.16 |
|
|
С(0.5) |
С(1) |
С(0.25) |
0.25 |
С 0.25 |
|
С(0.5) |
С(1) |
Н(0.16) |
0.16 |
|
|
В(0.85) |
С(1) |
С(0.25) |
0.25 |
|
|
В(0.85) |
В(0.57) |
С(0.25) |
0.25 |
В 0.85 |
|
В(0.85) |
С(1) |
В(1) |
0.85 |
|
|
С(0.5) |
В(0.57) |
С(0.25) |
0.25 |
|
|
ОВ |
ОВ(0.375) |
ОВ(0.75) |
0.375 |
ОВ 0.375 |
|
В(0.85) |
ОВ(0.375) |
ОВ(0.75) |
0.375 |
|
|
С(0.5) |
ОВ(0.375) |
ОВ(0.75) |
0.375 |
Нечетким выводом матрицы
является терм с наибольшей степенью принадлежности. Для матрицы Х это терм –
«В(высокий) – 0,85». По тому же
принципу рассчитаем значения термов нечеткого вывода каждой их матриц
Поскольку для данной
экспертной системы матрица R является корневой, то
решением или нечетким выводом системы является терм вывода с наибольшей
степенью принадлежности, в данном примере это – «ОВ» со значением 0.375.
Интерпретируется это следующим образом: для системы физической защиты с
указанными входными параметрами оценка качества её функционирования «ОВ» -
очень высокая.
Таблица 8- Результирующая
матрица знаний
|
ТЕРМ |
Матрица знаний |
|
|
Z |
R |
|
|
ОН |
0.21 |
0.16 |
|
Н |
0.35 |
0.25 |
|
С |
0.35 |
0.35 |
|
В |
0.357 |
0.357 |
|
ОВ |
0.41 |
0.375 |
Поскольку для данной
экспертной системы матрица R является корневой, то
решением или нечетким выводом системы является терм вывода с наибольшей
степенью принадлежности, в данном примере это – «ОВ» со значением 0.375.
Интерпретируется это следующим образом: для системы физической защиты с
указанными входными параметрами оценка качества её функционирования «ОВ» -
очень высокая.
Такая же методика была опробована
для нечеткой системы моделирования категорирования ОПО, в данной статье
приведем логическое дерево категорирования (рисунок 6) и описание входных
переменных приведенных в таблице 9. [9]
Рисунок 5- Иерархическая классификация
факторов, влияющих на категорирование объектов
Таблица 5 – Влияющие факторы для
логического дерева моделирование категорирование объекта
|
Наименование фактора |
Универсальное множество |
Термы для оценок |
Описание фактора |
|
|
|
Спокойная;
напряженная; опасная |
Совокупность
факторов, влияющих на обстановку |
|
|
|
Спокойная;
напряженная; опасная |
Обстановка в мире,
государстве, регионе и на объекте соответсвенно |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Совокупность
факторов людских потерь |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Погибшие при
диверсионно – террористическом акте (ДТА) |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Пострадавшие при
диверсионно – террористическом акте (ДТА) |
|
|
|
Низкая; средняя;
высокая |
Совокупность
факторов угроз |
|
|
|
Низкая; средняя;
высокая |
Диверсия; терроризм;
нарушение нормального функционирования; хищение материальных ценностей;
хищение информации |
|
|
|
Очень низкий;
более-менее низкий; низкий; ниже среднего; средний; более-менее средний; выше
среднего; более-менее высокий; высокий; очень высокий |
Совокупность
факторов, влияющих на категорию объекта |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Политические потери |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Финансовые потери, в
единицах минимального размера оплаты труда |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Экономические
потери, число пострадавших в результате ДТА |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Экологические потери |
|
|
|
Низкие; ниже
среднего; средние; выше среднего; высокие |
Информационные
потери |
Литература:
1.Магауенов Р.Г.
Охранная сигнализация и другие элементы систем физической защиты. Краткий
толковый словарь. – М.: Горячая линия – Телеком, 2007. – 97 с.
2.Поспелов Г.С.,
Поспелов Д.А. Искусственный интеллект и прикладные системы. М.: Знание, 1985. –
43.
3.Уотермен Д.
Руководство по экспертным системам: Пер. с англ. – М.: Мир, 1989. – 388.
4. Статические и
динамические экспертные системы: Учеб. Пособие/Э.В. Попов, И.Б. Фоминых, Е.Б.
Кисель, М.Д. Шапот. – М.: Финансы и статистика, 1996. – 320.
5.Захаров
В.Н. Интеллектуальные системы управления: основные понятия и определения. //
Изв. РАН. Теория и системы управления. 1997. № 3. с. 138…145.
6.Мелихов
В.В.. Ситуационные советующие системы с нечетной логикой. – М: Наука, 1988. 245 с.
7.Боровский А.С.
Фрагмент модели базы знаний действия сил охраны по защите объекта // Журнал
«Известия ОрелГТУ», серия «Фундаментальные и прикладные проблемы техники и
технологии: информационные системы и технологии», №1 – 4/269(544) – 2008. с.
165 – 170.
8.Керов Л.А., Частиков А.П. и
др. Экспертные системы: Инструментальные средства разработки. СПб.:
Политехника, 1996, с.46-52.
9.Бояринцев
А.В., Бражник А.Н., Зуев А.Г. Проблемы антитерроризма: Категорирование и анализ
уязвимости объектов. – СПб.: ЗАО «ИСТА – Системс», 2006. – 252 с.
10.Ротштейн А.П.
Интеллектуальные технологии идентификации: нечеткая логика, генетические
алгоритмы, нейронные сети – Винница: УНИВЕРСУМ – Винница, 1999 – 320 с.