К.т.н. Абрамов Н.С., К.т.н. Талалаев А.А., К.т.н. Фраленко В.П.

ФГБУН ИПС им. А.К.Айламазяна РАН, Россия

АНАЛИЗ РАБОТЫ ПОДСИСТЕМ КОСМИЧЕСКОГО АППАРАТА

Космические аппараты (КА) относятся к классу сложных дорогостоящих технических систем [1], продление жизненного цикла которых в том числе за счет диагностики и прогнозирования состояния, является важной технической и научной задачей. В последнее время в космической отрасли все чаще находят применение искусственные нейронные сети (ИНС) [2-4], которые позволяют решать задачи управления, контроля и диагностики. На сегодняшний день крайне актуальным является создание новых автоматизированных систем контроля и диагностики, которые повысят отказоустойчивость и продлят срок эксплуатации КА.

Архитектура нейросетевой системы мониторинга состояния и поведения подсистем КА (см. рис. 1) содержит вычислительное ядро для работы в гетерогенной среде; программные модули предварительной и глубокой нейросетевой обработки данных.

Рисунок 1 − Архитектура программного комплекса

Разработанная архитектура экспериментального образца нейросетевой системы обеспечивает

− модульный принцип подключения основных функциональных блоков;

− масштабируемость времени вычислений в гетерогенной вычислительной среде на основе процессоров общего назначения и графических ускорителей (GPU);

− поддержку отказоустойчивости (в случаях отказа некоторых вычислительных узлов) за счет динамического переконфигурирования вычислительной сети.

Экспериментальный образец нейросетевой системы выполняет следующие функции:

- мониторинг состояния и поведения подсистем космических аппаратов с учетом их возможностей и ограничений в условиях натурной отработки;

- интеллектуальный анализ телеметрической информации: выявление аномалий, прогнозирование развития ситуаций, образный анализ данных;

- адаптацию программного комплекса к новым аппаратным и программным платформам;

- поддержку вычислений в гетерогенных средах, выполненных на базе кластерных вычислительных устройств, оснащенных графическим процессорным устройством;

- создание и редактирование визуальных схем задач обработки информации;

- шифрование на базе нейросетевого алгоритма, обеспечивающее обучение на многосимвольных (свыше 1000 символов) алфавитах и сокращающее объемы требуемой памяти за счет необходимости хранения только настроек сети;

- эффективное использование нескольких графических ускорителей в составе отдельных вычислительных узлов;

- поддержку многопользовательского (облачного) режима функционирования вычислительного ядра системы.

Для прогнозирования возникновения сбоя в подсистемах КА использовалась динамически переобучающаяся в процессе обработки потока данных искусственная нейронная сеть прямого распространения. В ходе исследований, наилучшие результаты в решении данной задачи показали нейронные сети с числом слоев больше пяти. Прогнозирование выхода отслеживаемых показателей, характеризующих состояние КА, за границы зоны допустимых значений осуществляется с использованием механизма рекурсивного нейросетевого прогнозирования. Каждая итерация обработки новых показателей датчиковой аппаратуры использует сдвинутое на один шаг окно вектора смещений, последний элемент которого заменен на только что полученное от ИНС прогнозное значение. Выполнив рекурсивное прогнозирование на необходимое число шагов, оцениваются полученные относительные приращения относительно середины зоны (нуля) допустимых значений. Если итоговое приращение приводит к выходу за границу зоны допустимых значений, то осуществляется уведомление о потенциально опасной ситуации. Для обучения ИНС используются сохраненные или текущие потоки данных.

Сопутствующей основной задаче проблемой является защита от сетевых атак вычислительного комплекса, на котором работает основная система диагностики. Для решения этой проблемы разработана нейросетевая система защиты информации, которая решает задачи контроля и диагностики объектов и процессов, а именно: анализ сетевого трафика, выявление аномалий в потоках данных и защита от сетевых атак.

Данная система выполняет и автоматизирует следующие процессы:

1) сетевые сенсоры производят захват пакетов из сети, получая при этом некоторые информативные признаки; далее эти признаки передаются в модуль управления компонентами;

2) модуль управления компонентами производит контроль всех модулей системы; при поступлении новых признаков сетевых пакетов от сенсоров данные передаются модулю анализа; при необходимости осуществляется запись признаков в базу данных;

3) модуль корреляционного анализа производит анализ сетевых признаков на значимость и осуществляет предобработку информации;

4) модуль принятия решения с помощью комитета из автоматного классификатора и ряда нейронных и статистических механизмов определяет принадлежность пакета к обычному или вредоносному сетевому трафику;

5) в случае определения факта атаки модуль реакции осуществляет действия сдерживающего характера;

6) модуль хранения данных осуществляет как хранение настроек системы, так и осуществляет хранение поступающих информативных признаков.

Аппаратная среда, на основе которой производились вычисления, имеет следующие характеристики:

- видеокарты: Gigabyte Geforce GTX 1060 OC G1 ROCK 6 ГБ – 2 шт.;

- процессор: Intel Socket 2011-V3 Core i7-6850K – 1 шт.;

- материнская плата: MSI X99A SLI PLUS;

- оперативная память: Corsair CMK8GX4M1A2666C16R (8 ГБ) – 4 шт.;

- жесткий диск: Western Digital Blue WD10EZRZ (1000 ГБ);

- твердотельный накопитель: Intel DC S3700 Series (200 Гб).

Тестирование разработанной нейросетевой системы показало следующие результаты:

- полнота распознавания ситуации: 93.81%;

- точность распознавания ситуации: 88.73%;

- время обработки пакета данных: 0.08 сек. (данные от трех датчиков);

- время прогноза текущего состояния: на 4 мин. вперед.

Таким образом, нейросетевая система способна функционировать в режиме реального времени с достаточно высокими показателями качества.

Работа выполнена в рамках СЧ НИР шифр «Мониторинг-СГ-1.2.5.1» по Программе Союзного государства «Разработка космических и наземных средств обеспечения потребителей России и Беларуси информацией дистанционного зондирования Земли» и при частичной финансовой поддержке проектов РФФИ № 16-07-00078-а «Разработка и исследование нейросетевых методов обеспечения безопасности и защиты информации вычислительных комплексов» и № 16-07-00096-а «Методы решения навигационных и траекторных задач в бортовых системах интеллектуального управления автономных летательных аппаратов на основе оптимизации конвейерных, разрядных и параллельных вычислений».

Литература:

1. Гущин В.Н. Основы устройства космических аппаратов: учебник для вузов. — М.: Машиностроение, 2003. — 272 с.

2. Ефимов В.В. Нейроинтеллектуализация бортовых комплексов управления космических аппаратов наблюдения // Мехатрон., автоматиз., упр. — 2006. — № 10, прилож. — С. 2-15 [Электронный ресурс]. — URL: http://novtex.ru/mech/mech06/pril10.htm#1 (дата обращения: 21.06.2017).

3. Ganchenko V., Doudkin A., Inyutin A., Marushko Y. Neural network software diagnosis system of telemetry data // Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 2013 IEEE 7th International Conference, Berlin. 2013. — Vol. 1. — P. 376-380.

4. Valdes A., Khorasani K., Liying Ma. Dynamic neural network-based fault detection and isolation // Springer, Verlag Berlin Heidelberg. 2009. — P. 780-793.