В статье представлен метод декомпозиции дискретно-событийных моделей на основе авторской разработки ­DVCompute++ Simulator, которая является коллекцией общецелевых программных библиотек для создания и запуска имитационных моделей на языке C++. Целью исследования было найти способ, которым можно было бы разбить произвольную модель на части, потом части модели – на еще меньшие компоненты и так далее, получив в результате некоторую иерархию вложенных подмоделей, каждую из которых можно было бы рассматривать изолированно как самостоятельную сущность. Такие подмодели можно создавать уже сейчас в коде на языке C++, а в перспективе возможно будет задавать графически через диаграммы или через некоторое текстовое описание на специализированном языке моделирования, причем такие подмодели можно использовать повторно, что роднит их с ­ТЭБами из ­GPSS ­STUDIO. Указанные способы создания подмоделей можно сочетать в любом порядке на любом уровне вложенности иерархии, причем эту работу могут выполнять несколько специалистов разной квалификации. Более того, в статье показано, как излагаемый метод декомпозиции может быть распространен и на случай распределенного моделирования, которое также поддерживается в ­DVCompute++ Simulator. Все это стало возможным благодаря использованию приемов функционального программирования, где имитационная модель рассматривается как композиция вычислений. Тогда декомпозицию модели можно рассматривать как разбиение вычислений на части, которые можно соединять между собой подобно сборке в конструкторе. Основную роль играют два вида вычислений – блоки, аналогичные блокам языка ­GPSS, и вычисления дискретных сигналов по аналогии с реактивным программированием. Предлагаемый метод декомпозиции дискретно-событийных моделей иллюстрируется диаграммами подмоделей и соответствующим им программным кодом на языке С++.

Представлены результаты исследования, целью которых являлась разработка алгоритма стеганографии для сокрытия текстовых сообщений в видеофайлах. В основе алгоритма лежит применение диффузионно-вероятностной модели с шумоподавлением, которая реализуется глубокой искусственной нейронной сетью. Алгоритм состоит из двух частей – для передающей и принимающей сообщение сторон. На передающей стороне осуществляется синтез рукописных изображений символов (сигнатур) строки скрываемого сообщения, выравнивание их частотности; применение к сигнатурам прямой диффузии, в результате чего генерируется зашумленное изображение, осаждаемое в видеостегоконтейнер. На приемной стороне проводится извлечение сигнатур из видеоконтента, обратная диффузия для получения сигнатур рукописных символов строки, которые распознаются с помощью сверточной нейронной сети. Новизна исследования заключается в оригинальном разработанном алгоритме стеганографической защиты информации в видеофайлах, а также в модифицированном способе осаждения сигнатур на основе метода замены наименее значащих битов. Способ заключается в побитовом внедрении байтов, характеризующих уровень яркости пикселей в сигнатуре, в одни и те же разряды яркости синего цвета в последовательности из восьми кадров видеостегоконтейнера. Такой способ позволил значительно уменьшить видимые изменения, вносимые в видеоконтент при замене не младших, а средних значащих битов в стегоконтейнере. Это, в свою очередь, обеспечивает большую устойчивость к атакам сжатия при передаче информации по стегоканалу. Практическая значимость результатов исследования состоит в разработанном программном обеспечении, с помощью которого было проведено апробирование алгоритма стеганографической защиты информации в видеофайлах, показавшее высокие значения пикового отношения «сигнал – шум» и индекса структурного сходства изображений при встраивании информации в средние разряды байтов, задающих яркость пикселей стегоконтейнера.

К одной из наиболее важных составляющих сети Интернет относятся системы контроля и управления трафиком. С целью достижения бесперебойного информационно-коммуникационного взаимодействия организация процесса непрерывно видоизменяется, охватывая не только отдельные подсети, но и сетевые архитектуры вида p2p. В число доминирующих направлений совершенствования сетевой структуры входят технологии 5G, IoT и сети ­SDN, однако их внедрение в практику оставляет без удовлетворительного решения вопрос обеспечения информационной безопасности сетей, построенных на их основе. Существующие топологии развертки виртуального туннеля и компоненты интеллектуального распределения трафика обеспечивают лишь частичное решение, в частности в виде задач управления доступом на основе трафика пользователя и обеспечения безопасности за счет выделенных пользовательских сертификатов. Особое значение развертка туннеля имеет в тех случаях, когда необходимо обеспечить согласованность и координацию работы сложных социально-экономических систем, примером которых может служить информационно-коммуникационный обмен между участниками научно-промышленных кластеров, формируемых для реализации проектов создания инновационных продуктов. Однако существующим решениям сопутствуют недостатки в виде необходимости приобретения лицензии для полнофункционального доступа к программному продукту и специализированной настройки клиент-серверной аутентификации, обеспечивающей безопасный доступ к удаленному сетевому маршруту. Предлагаемый авторами подход на основе нейросетевого распределения трафика между клиентами частной выделенной сети позволяет отмеченные недостатки устранить. На этом принципе создана и проверена посредством модульного тестирования многомодульная система интеллектуальной маршрутизации пакетов. Представлен анализ эффективности применения обученной модели распределения сетевых адресов в сравнении с использованием ­DHCP-сервера на основе пакета isc-dhcp-server, распространяемого в качестве службы dhcpd.

Представлены результаты исследования, целью которого являлось создание интеллектуальной системы машинного обучения для моделирования процессов агломерации шихты при обработке фосфатного рудного сырья. Актуальность исследования обоснована необходимостью совершенствования информационного обеспечения процессов управления технологическими системами в условиях цифровой трансформации производственной среды, проводимой в рамках четвертой промышленной революции и характеризуемой массовым внедрением индустриального Интернета вещей, что приводит к лавинообразному увеличению объемов технологических данных. Их обработка современными методами анализа, в том числе методами искусственного интеллекта, способна повысить качество принимаемых решений и обеспечить конкурентные преимущества. Научную новизну результатов исследования составляет структура предложенной гибридной интеллектуальной системы машинного обучения для моделирования процессов обработки фосфатного рудного сырья, в основе которой лежит совместное применение динамической модели агломерационного процесса в среде Simulink и глубокой нейронной сети. Архитектура нейронной сети разработана с учетом специфики математического описания процесса агломерации и включает входные полносвязные слои, принимающие результаты измерений переменных технологического процесса, а также рекуррентный слой, обрабатывающий объеденную последовательность с выходов полносвязных слоев. Интеграция Simulink-модели и глубокой нейронной сети делает возможным быструю адаптацию интеллектуальной системы под конкретную агломерационную машину за счет применения двухэтапной процедуры машинного обучения: сначала на имитационной модели Simulink, а затем на реальном объекте. Учитывая значительную инерционность процессов, сопровождающих агломерацию, такой подход обеспечивает оперативное изменение настройки гибридной интеллектуальной системы машинного обучения под новый состав сырья и технологические параметры. Разработана программа, предоставляющая удобный графический интерфейс для подготовки и применения интеллектуальной системы, а проведенные имитационные эксперименты показали, что процесс ее дообучения под новые технологические параметры проходит значительно быстрее первичного обучения при сохранении высокой точности получаемых результатов моделирования.