Исследователи Санкт-Петербургского Федерального исследовательского центра РАН (СПб ФИЦ РАН) создали нейросетевой фреймворк (набор цифровых инструментов) для выявления киберугроз в системах Интернета вещей на индустриальных предприятиях. Эксперименты на большом объеме данных промышленных систем продемонстрировали высокий уровень распознавания угроз на разных типах инфраструктуры — на 30 % меньше ошибок по сравнению с существующими подобными разработками.
Фото: пресс-служба СПб ФИЦ РАН
Промышленный Интернет вещей (Industrial Internet of Things, IIoT) интегрирует «умные» технологии в промышленные процессы и включает в себя датчики, контроллеры, роботы и другие устройства, которые собирают данные в реальном времени и передают их оператору для обработки и принятия решений, а также прогнозирования возможных состояний систем. Это позволяет оптимизировать производство, снизить затраты, повысить качество продукции и прогнозировать возможные отказы оборудования и аварии.
В России внедрение IIoT также набирает обороты, особенно в отраслях нефтегазовой промышленности, энергетики, металлургии и машиностроении. Такие компании, как Газпром нефть, Российские железные дороги, СИБУР и Росатом активно используют промышленный интернет вещей для мониторинга состояния оборудования, предиктивного обслуживания, удаленного контроля и автоматического оповещения о неисправностях.
В то же время использование технологий IIoT связано с рядом рисков и угроз в цифровом пространстве: защищенность устройств может серьезно пострадать в результате кибератак, утечек конфиденциальных данных и ошибок в программном обеспечении. В результате подобных действий со стороны злоумышленников промышленным предприятиям может быть нанесен существенный экономический ущерб.
«Для повышения эффективности выявления кибератак и снижения числа ошибок в мониторинговых индустриальных системах мы разработали фреймворк «ForecaState» с использованием алгоритмов искусственного интеллекта. Модели глубокого обучения нейросетей, которые мы используем, хорошо подходят для обработки больших объемов данных, характерных для технологий IIoT. Их использование позволило на 30 % снизить вероятность ошибки при выявлении угроз по сравнению с существующими аналогами», — рассказывает научный сотрудник лаборатории проблем компьютерной безопасности СПб ФИЦ РАН Диана Левшун.
Ученые тестировали свою систему на двух больших открытых наборах данных, собранных с промышленных установок. Первый был получен с системы очистки воды и включала ежесекундные показания с датчиков. Второй набор данных включал комплексную информацию с сети электрических трансформаторов: энергонагрузка, температура масла и проч. – эти данные фиксировались каждые 15–60 минут. Различный тайминг собранной информации позволил проводить как краткосрочное, так и долгосрочное моделирование.
Для экспериментов специально выбраны данные из двух различных промышленных областей, чтобы оценить универсальность предлагаемого решения. Кроме того, авторы сравнили производительность своего решения с рядом аналогов, использующих модели прогнозирования на основе искусственного интеллекта, и с методом наивного прогноза — когда предсказывается последнее зарегистрированное значение показателя.
«Эксперименты на данных различных типов промышленных систем показывают, что наш набор инструментов может быть использован для решения самых разных задач: прогнозирование аномальной работы производственных процессов, управление энергопотреблением в системах IIoT и многих других областях. Кроме того, в отличие от некоторых специализированных подобных решений наш фреймворк является модульным — то есть его функционал может быть легко расширен и адаптирован к многообразным производственным потребностям. Эта адаптивность критически важна в быстро меняющемся ландшафте IIoT», — отмечает старший научный сотрудник лаборатории проблем компьютерной безопасности СПб ФИЦ РАН Дмитрий Левшун.
Применение и интеграция ForecaState могут быть реализованы в системах прогностического обслуживания на производстве для раннего выявления отказов машин, улучшения балансировки нагрузки, предотвращения аварий и техногенных катастроф, а также в системах контроля качества на производственных линиях для сокращения отходов и обеспечения стандартов качества с участием СПб ФИЦ РАН.
Исследование проведено при поддержке Исследовательского центра сильного искусственного интеллекта в промышленности Университета ИТМО.
Результаты исследования опубликованы в научном журнале Engineering Applications of Artificial Intelligence.
Это новость от журнала ММ «Машины и механизмы». Не знаете такого? Приглашаем прямо сейчас познакомиться с этим удивительным журналом.