Моделирование систем и процессов, 2017, № Том 10. Вып. 4

ISSN 2219-0767

МОДЕЛИРОВАНИЕ 

СИСТЕМ И ПРОЦЕССОВ

научно-технический журнал

2017

Том 10

Выпуск 4

2017

ВОРОНЕЖСКИЙ  ГОСУДАРСТВЕННЫЙ 

ЛЕСОТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ 

ИМЕНИ Г.Ф. МОРОЗОВА

ОАО «НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ 
ИНСТИТУТ ЭЛЕКТРОННОЙ ТЕХНИКИ»

Журнал зарегистрирован Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор). Свидетельство о регистрации средства массовой информации ПИ № ФС77-66381 от 14.07.2016

ISSN 2219-0767

Журнал издается 4 выпуска в год

МОДЕЛИРОВАНИЕ СИСТЕМ И ПРОЦЕССОВ

Редакционная коллегия
Главный редактор 
В.К. Зольников, д-р техн. наук, профессор, зав. кафедрой ВТиИС 
ФГБОУ ВО «ВГЛТУ им. Г.Ф. Морозова»

Ответственный секретарь С.А. Евдокимова, канд. техн. наук, доцент, доцент каф. ВГЛТУ

Члены редакционного совета

А.Л. Стемпковский, академик РАН, 
д-р техн. наук, профессор
Ю.Ю. Громов, д-р техн. наук, профессор
В.Е. Дидрих, д-р техн. наук, профессор
В.П. Крюков, канд. техн. наук
В.В. Лавлинский, д-р техн. наук, доцент

К.И. Таперо, д-р техн. наук, профессор
С.У. Увайсов, д-р техн. наук, профессор
В.Н. Улимов, д-р техн. наук, профессор
Т.В. Скворцова, канд. техн. наук, доцент
А.И. Яньков, канд. техн. наук

Разделы журнала
Технические науки
Физико-математические науки

Статьи, поступающие в редакцию, рецензируются. Мнение редакции может не совпадать с мнением 
авторов. При перепечатке ссылка на журнал обязательна. Материалы публикуются в авторской редакции. За достоверность сведений, изложенных в публикациях, ответственность несут авторы. 

Подписной индекс ООО «Агентство «Книга-Сервис» по объединенному каталогу 

«Пресса России» - 43447

Цена свободная.

Правила доступны на сайте http://www.mspjournal.ru

Учредитель: ФГБОУ ВО «Воронежский государственный лесотехнический университет имени Г.Ф. 

Морозова» 

Адрес учредителя и редакции: 394087, г. Воронеж, ул. Тимирязева, 8, тел 8 (473)-253-67-08.
Адрес издателя: 394087, г. Воронеж, ул. Тимирязева, 8, тел 8 (473)-253-67-08.
ЛР ИД  №00437 от 10.11.99

Подписано в печать 28.12.17 Формат бум. 6084 1/16  Объем 6,39 п.л. Тираж 1000. Заказ № 412
Отпечатано с готового оригинал-макета 29.12.2017 г. Дата выхода в свет 29.12.2017 г.

 Моделирование систем и процессов, 2017
 Воронежский государственный лесотехнический университет, 2017
 ОАО «Научно-исследовательский институт электронной техники», 2017

Содержание

ТЕХНИЧЕСКИЕ НАУКИ

Антимиров В.М., Зольников В.К., Лавлинский В.В., Крюков В.П., Кулай А.Ю., Савченко 
А.Л. Архитектура нейропроцессоров для систем автоматического управления подвижными 
объектами...................................................................................................................................... 4

Змеев А.А. Анализ методов для оценки угроз несанкционированного доступа в информационных системах специального назначения................................................................................ 11

Змеев А.А., Лавлинский В.В., Яньшин С.Н. Сравнительный анализ архитектур нейронных 
сетей для использования их на практике ................................................................................... 18

Котов П.А. Модели энергетических систем и особенности моделирования процессов, состояний, представимых безрезонансным уравнением...................................................................... 26

Лавлинский В.В., Лыков С.И., Лыков А.И., Обоимова В.Ю. Анализ методов оценки поставщиков товаров, использующих транспортные логистические компании ................................ 43

Лавлинский В.В., Лыков С.И., Лыков А.И., Обоимова В.Ю. Анализ методов оценки эффективности логистической деятельности компаний ..................................................................... 50

Лавлинский В.В., Лыков С.И., Лыков А.И., Обоимова В.Ю. Анализ существующих подходов 
для оценки транспортных логистических компаний со средствами GPS-навигации.............. 57

Мельников А.В., Рогозин Е.А. Методика оценки эффективности функционирования беспилотного летательного аппарата на основе вероятностной модели динамического конфликта64

Сазонова С.А. Алгоритм диагностики аварий и утечек с неизвестной амплитудой при учете 
помех от стохастичности потребления в системе газоснабжения ............................................ 72

Сазонова С.А. Алгоритм диагностики утечек и аварий с учетом помех от стохастичности потребления в системе газоснабжения........................................................................................... 78

Сазонова С.А. Алгоритм и программное обеспечение для технической диагностики и обеспечения безопасности функционирования систем газоснабжения........................................... 84

АННОТАЦИИ НА АНГЛИЙСКОМ ЯЗЫКЕ ....................................................................... 93

ТЕХНИЧЕСКИЕ НАУКИ

УДК 681.5
DOI: 10.12737/article_5ac759c654b580.57101337

Архитектура нейропроцессоров для систем 

автоматического управления подвижными объектами

В.М. Антимиров1, В.К. Зольников2, В.В. Лавлинский2, В.П. Крюков3, А.Ю. Кулай3, 

А.Л. Савченко4

1ФГАОУ ВО «Уральский федеральный университет имени первого Президента России 

Б.Н. Ельцина»,

2ФГБОУ ВО «Воронежский государственный лесотехнический университет

имени Г.Ф. Морозова»

3АО «НИИ электронной техники»

4ОАО «Научно-исследовательский институт микроэлектронной аппаратуры «Прогресс»

Аннотация — Статья посвящена анализу современ
ных архитектур нейропроцессоров, направленных на 
решение задач, связанных с системами автоматического 
управления подвижными системами. Рассматривается 
системный подход для решения задач по формированию 
архитектур нейропроцессоров, с использованием особенностей и функций, реализуемых в виде аппаратной 
части. Оценивается сравнительный анализ подходов по 
реализации архитектур нейропроцессоров, применительно к системам автоматического управления подвижными системами. В данной статье приводятся архитектуры нейропроцессоров и нейросетевых вычислителей применительно к решению задач для бесплатформенных инерциальных навигационных систем (БИНС). 
Такого рода задачи для современных бортовых цифровых вычислительных машин (БЦВМ) с традиционной 
архитектурой достаточно сложно реализуются в них.

Ключевые слова — Архитектура, система автомати
ческого управления, нейропроцессор, бесплатформенные навигационные системы, бортовые цифровые вычислительные системы.

I. ВВЕДЕНИЕ

В настоящее время системы автоматического 

управления (САУ) подвижными объектами авиационной и ракетно-космической техники (РКТ), мобильными робототехническими комплексами (РТК) 
должны иметь подсистемы инерциальной навигации. 
Особенностью данной подсистемы является то, что 
она создавалась на основе гироскопической платформы (ГСП), что в настоящее время ограничивает диапазон угловых перемещений объекта управления, а 
также ограничивает манёвренность подвижных объектов. 

В виду этого в настоящее время на самолетах, кос
мических аппаратах и мобильных робототехнических 

комплексах стали применять бесплатформенные 
инерциальные навигационные системы (БИНС), в 
которых отсутствуют гироскопические платформы на 
основе механических гироскопов.

В этом случае инерциальная система координат 

рассчитывается математически с помощью программ 
бортовых вычислительных устройств. Исходными 
данными для них является информация, поступающая от акселерометров и датчиков угловых скоростей 
(ДУС). Принципы работы данных датчиков основываются на кольцевых лазерных датчиках (в виде 
кольцевых лазерных гироскопов или волоконнооптических гироскопов (ВОГ)) или на датчиках на 
основе эффекта Холла [1].

Следует отметить, что для любого датчика с раз
личными принципами функционирования необходима обработка информации, поступающей от акселерометров и ДУС, в реальном масштабе времени, а 
также необходимо осуществлять пересчет данных в 
инерциальной системе координат. 

Исходя из данных особенностей для формирования 

архитектуры нейропроцессоров, применяемых в системах автоматического управления подвижными объектами, с целью этих преобразований необходимо 
использовать матричные вычисления. Причём в качестве элементов матрицы поворота можно использовать тригонометрические функции типа sin(x) и 
cos(x). 

Тем не менее, современные БЦВМ не позволяют за 

1 миллисекунду сформировать полную инерциальную систему трех координат путём программных 
вычислений тригонометрических функций. 

В виду этого необходимо в архитектуру нейропро
цессора добавить устройство или прибор, позволяющий за данный интервал времени осуществлять пересчёт системы координат с использованием матриц 
поворота системы координат за время меньшее одной 
миллисекунды. 

Таким образом, предлагаемая архитектура нейро
процессоров для систем автоматического управления 
подвижными объектами должна ориентироваться на 
вычисление в реальном масштабе времени тригонометрических функций и перемножение матриц [1-12]. 

Такой подход по формированию архитектуры ней
ропроцессоров для систем автоматического управления подвижными объектами позволит ускорить процессы решения задач БИНС, астронавигации и наведения по геополям за счёт представления тригонометрических функций sin(x) и cos(x) на основе полинома для суммы членов различных степеней переменной (х) с соответствующими коэффициентами 
(рядом Тейлора) [13-22].

Для решения подобного рода задач используются 

математический аппарат нейронных сетей [23-25]. В 
этом подходе предлагается реализовать быстрое суммирование и умножение (сдвиг). Результаты обучения такого рода нейронной сети целесообразно представлять в виде записи в её память коэффициентов 
ряда, соответствующих вычисляемой функции выбранного полинома.

II. АНАЛИЗ АРХИТЕКТУР НЕЙРОПРОЦЕССОРОВ 

ДЛЯ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ 

ПОДВИЖНЫМИ ОБЪЕКТАМИ

В работе [2] показаны математические основы ней
ронных вычислений, которые привязаны к жёсткой 
архитектуре нейровычислителя и не позволяет использовать его для решения задач для систем автоматического управления подвижными объектами. В 
этом случае необходимо повышать производительность БЦВМ с целью осуществления возможности 
решения такого рода задач. 

Ввиду этого целесообразно такие нейровычислите
ли (НВ) использовать не автономно, а включить его 
отдельными компонентами в архитектуру нейросетевой вычислительной системы, с целью осуществления способности к обучению или самообучению решения задач БИНС, задач управления, задач астронавигации и коррекции параметров движения по геополям. 

Система с такой архитектурой должна учитывать 

возможность работы в сложных условиях и позволять 
выполнять резервирование отдельных наиболее значимых компонентов системы. 

Также такой подход должен реализовывать новые 

решения при создании бортовых цифровых вычисли
тельных машин, ориентированных на использование 
в составе САУ подсистемы бесплатформенной инерциальной навигационной подсистемы (БИНПС). 

Таким образом, предлагается архитектура нейро
процессоров, использующихся для систем автоматического управления подвижными объектами с элементами резервирования. Исходя их этого, архитектура нейропроцессоров должна содержать резервный 
системный модуль, к которому через резервную системную магистраль подключены n (не менее трех) 
нейровычислителей (НВ), модуль связи (МС) по 
мультиплексной магистрали, модуль обмена (МО), 
имеющий аналоговый вход и аналоговый выход. 
Данная архитектура представлена на рис. 1.

ТАЙМЕР

МО
НВ2
НВ n

Ву
пнгп
ПЭП

НВ1

СМ
СПЕК
ТРО 
МЕТР

ДИ

РАДИО
КАНАЛ

МС

Рис. 1. Архитектура системы нейропроцессоров, использующихся для систем автоматического управления под
вижными объектами с элементами резервирования

На рис. 1 показано, что к системному модулю (СМ) 

подключён датчик излучения (ДИ), который осуществляет фиксацию мощных импульсов электромагнитного излучения и ионизирующего излучения, вызванных вспышками на Солнце, авариями ядерноэнергетических установок, а для ряда САУ и направленным противодействием. Следует учитывать, что 
нарушения функционирования работы аппаратуры 
САУ могут быть как кратковременными (сбоем), так 
и долговременными, которые проявляются в виде 
отказа отдельных компонентов САУ, работающих без 
резервирования.

Сбои или отказы определяются внешними воздей
ствующими факторами: дозой излучения, температурой окружающей среды, изменениями параметров в 
полупроводниковых материалах. 

Исходя из того, что основным вычислительным 

компонентом системы является нейровычислитель, 
то целесообразно определить его следующую архитектуру, представленной на рис. 2. 

На рис. 2 основными входными элементами нейро
вычислителя являются два блока матричных нейропроцессоров (БМНП), каждый из которых  соответствует матрице размерностью 3х3. 

В БМНП1 хранятся векторы текущей инерциаль
ной системы координат, а в БМНП2  на месте каждого элемента матрицы поворота трехмерной системы 
координат установлен нейропроцессор для вычисления тригонометрической функции, которая соответствует данному элементу матрицы поворота. Следует 
отметить, что вычисление всех элементов матрицы 

ведется одновременно и начинается сразу после записи угла поворота в БМНП2. 

Рис. 2. Архитектура нейровычислителя

Исходя из того, что реальная скорость углового пе
ремещения объектов управления невелика, то все 
значения углов поворота находятся в диапазоне от 0 
до π/2 и не требуется приводить угол поворота к этому диапазону. В тоже время состав блоков нейровычислителя позволяет выполнить и задачу приведения 
большого угла поворота объекта к указанному диапазону. Эту задачу в составе нейровычислителя может 
решить блок обучения (БО).

Выходы обоих БМНП подключены к входам ариф
метико-логического блока (АЛБ), который осуществляет перемножение матриц и формирует результат, в 
виде трехмерной инерциальной системой координат. 
Причём элементы матрицы, должны быть записаны в 
запоминающее устройство (ЗУ), из которого они считываются устройством обмена (УО) и сразу переписываются в БМНП1. 

После такой процедуры расчёта и обмена данными 

нейровычислитель готов к приему новых исходных 
данных для вычисления нейропроцессорами БМНП2 
в виде элементов матрицы поворота системы координат. Входы - выходы устройства обмена являются 
входами - выходами нейровычислителя, а его выход 
подключен к входам блока микропрограммного 
управления (БМУ) и входу блока обучения (БО), первый выход которого является обучающим выходом 
нейровычислителя, а его второй выход подключен к 
обучающему входу БМУ. 

Блок обучения реализован в виде архитектуры мно
гопроцессорного вычислителя по типу «один поток 
команд - множественные данные».

В предлагаемой архитектуре к управляющему ней
ропроцессору подключено запоминающее устройство 
санкционированного доступа (ЗУСД). Через первую 
внутреннюю магистраль к нему подключено R функциональных нейропроцессоров, подключенных через 

вторую внутреннюю магистраль к ЗУСД, что и придает архитектуре БО свойство многопроцессорности. 

Для сохранения рестартовых массивов в ЗУСД к 

его блокирующему входу подключен выход датчика 
излучений, запрещающий своим сигналом запись с 
этого запоминающего устройства. Решая задачу нахождения коэффициентов разложения функции  одной переменой в ряд Тейлора блок обучения способен методами градиентного поиска найти коэффициенты для любой новой функции одной переменной не 
только тригонометрической типа sin(x) и cos(x), но и 
алгебраической типа: корня квадратного, обратной 
величины и их произведения. Поэтому на блоке обучения может быть  возложена задача не только обучения нейропроцессоров системы для вычисления 
новых функций, но и достаточно сложных для решения в БЦВМ САУ задачи корреляционно – экстремальной навигации по созвездиям и наведения по 
геополям.

Также к системному модулю (СМ) подключен 

спектрометр, измеряющий интенсивность излучения, 
его спектральный состав и общую суммарную дозу. 
Спектрометр содержит измерительный сцинтиллятор 
(например, NAJ), подключенный световым выходом 
к катодному окну измерительного фотоэлектронного 
умножителя (ФЭУ). Для уменьшения времени задержки послесвечения между выходом этого ФЭУ и 
шиной земли необходимо установить ключ в виде 
полевого транзистора с затвором, соединённым с 
диодом измерительного ФЭУ. Такой подход также 
позволяет подготовить измерительный сцинтиллятор 
(ИСЦ) и его ФЭУ к регистрации (РФЭУ) очередного 
кванта излучения. В свою очередь, это позволяет повысить разрешающую способность (точность работы) 
спектрометра, а также регистрировать поток излучения довольно высокой интенсивности до 108 Р/сек, 
при котором все известные спектрометры перенасыщаются и дают ошибочные результаты замера интенсивности и спектрального состава излучения.

Архитектура спектрометра представлена на рис. 3. 

Рис. 3. Архитектура спектрометра

Измерительный сцинтиллятор со всех сторон ок
ружен органическими сцинтилляторами (СЦR) в виде 
кольца. Следует отметить, что внешняя сторона этого 
кольца имеет R полированных плоскостей, к каждому 
из которых подключены R регистрирующие ФЭУ 
(РФЭУ), аноды которых (как и анод измерительного 
ФЭУ) подключены к соответствующим входам анализатора импульсов (АИ). Кроме того, каждый R
вход подключается через последовательно включенные анализаторные нормирующий усилитель (АНУ) 
и преобразователь напряжения (ПН), которые подключены к входам цифрового дифференциального 
анализатора (ЦДА). 

Для исследований в данном научном направлении 

ЦДА должен быть выполнен в виде многопроцессорного вычислителя с архитектурой «один поток команд – множественный поток данных». Для управления такого рода архитектурой необходимо использовать управляющий микропроцессор, который должен 
подключаться к запоминающему устройству (ЗУ), 
представленному на рис. 2. 

Необходимо учитывать, что к первой процессорной 

магистрали подключается R вычислительных микропроцессоров, а ко второй процессорной магистрали запоминающее устройство. Такая двунаправленная 
линия подключается к процессорному устройству 
обмена, входы - выходы которого являются входами выходами анализатора. Кроме того, выход устройства 
обмена (УО) должен быть подключен к входу процессорного устройства микропрограммного управления (МПУ). Выходы этого устройства МПУ должны 
быть подключены к управляющим входам всех компонентов анализатора.

Система содержит датчик излучения (ДИ), который 

представляет собой последовательно соединенные 
чувствительные элементы, выполняющие функции 
генератора с подключенным к базе транзистором с 
обратно смещенным диодом. В этом случае если возникает действие электромагнитного импульса, то 
диод работает  следующим образом. При ионизирующем излучении диод открывается, а ток, протекающий через базу транзистора, увеличивает количество носителей. Далее транзистор открывается и на 
выходной обмотке трансформатора формируется 
гальваническая развязка, которая запускает формирователь сигнала для блокировки. Выход «Сброса/Старта» у этого формирователя должен быть подключен к одноименному входу системного модуля, а 
блокирующий выход подключен к блокирующим 
входам нейровычислителей (рис. 1). 

К выходу системного модуля (рис. 1) подключен 

установочный 
вход 
подсистемы 
электропитания 

(ПЭП). Эта подсистема обеспечивает постоянным 
питанием, импульсным питанием и синхроимпульсами как компоненты самой нейросетевой системы, так 

и датчики объекта управления и подсистемы САУ. В 
подсистему САУ входят следующие три составляющие: 

- бесплатформенная инерциальная навигационная 

подсистема (БИНПС) и, корректирующая её работу, 
аппаратура спутниковой навигации;

- подсистема астронавигации (ПСАН);
- подсистема коррекции по геополям.
Такой подход позволяет встроить в состав нейро
вычислительной системы распределённые нейровычислительные устройства, что повышает их надёжность функционирования в целом. Следовательно, 
необходимо менять типовую архитектуру фон Неймановского типа на архитектуру с распределёнными 
нейросетевыми вычислителями для бортовых цифровых вычислительных машин. 

При таком подходе встроенные в подсистемы ней
ровычислители могут подключаться через свои модули мультиплексной связи или через свои устройства 
связи непосредственно к системной магистрали. 

Также целесообразно дополнительно в систему 

ввести подключенный к системной магистрали таймер, который будет обеспечивать работу в реальном 
масштабе времени.

Модуль обмена (рис. 1) содержит обменный ней
ропроцессор, с подключенными к нему ЗУ и устройство связи по системной магистрали (УСМ). Вход 
нейропроцессора подключен к выходу обменного 
преобразователя напряжения в частоту (ПНЧ). Вход 
ПНЧ является аналоговым, а выход нейропроцессора 
подключен к установочному входу преобразователя 
кода в напряжения (ПКН). Выход ПНК должен подключаться непосредственно к исполнительным органам САУ. Архитектура модуля обмена представлена 
на рис. 4.

Модуль обмена содержит нейропроцессор (НП), с 

подключенными к нему связным ЗУ и связным УСМ. 
Вход – выход этого нейропроцессора через кодирующее - декодирующее устройство подключен к 
приемо-передающему устройству (ППУ) мультиплексной линии связи, через которую предлагаемая 
нейровычислительная система может  подключаться 
к БЦВМ САУ.

НП
ЗУ
УСМ

ПКН
ПН
Ч

Рис.4. Архитектура модуля обмена

В такой архитектуре к системной магистрали под
ключаются n нейровычислителей (НВ), которые являются самообучающимися. В этом и заключается 
вычислительная способность предлагаемой системы.

Кроме того, самообучающийся НВ, предлагаемый  

как  базовый  компонент системы, существенно усовершенствован относительно представленного в работе [14] нейровычислителя. Помимо основных 
функций, за счёт введения БО, нейровычислители 
могут осуществлять вычисления для корреляционноэкстремальных задач. 

Архитектура модуля связи (МС) представлена на 

рис. 5 и включает в себя связной нейропроцессор. 
Через информационную двунаправленную связь к 
нему подключено связное ЗУ. Также через двунаправленную связь НП связан через кодирующее устройство с цифровым входом - выходом магистрального приёмо – передающего устройства (ППУ).

ППУ

КОДЕК

НП
УСМ
ЗУ

Рис. 5. Архитектура модуля связи

Преобразователь напряжения в частоту (ПНЧ), ар
хитектура которого представлена на рисунке 6, содержит три полевых транзистора Т1, Т2 и Т3. К Т1 и Т2
подключена своя интегрирующая RC цепь, а Т3 установлен между затвором Т1 и шиной земли. 

К затвору Т1 подключена времязадающая интегри
рующая R1C1 цепь. Первый вывод резистора R1 этой 
цепи является входом преобразователя. Второй вывод 
этого резистора объединен с первым выводом конденсатора С1 времязадающей цепи и подключен к 
затворуТ1. К этому же затвору подключен исток Т3, 
сток которого объединен со стоком Т1. Второй вывод 
конденсатора С1 времязадающей цепи подключен к 
шине земли. Исток Т1 через нагрузочный резистор R3
подключен к шине питания и затвору Т2. При этом 
сток Т2 объединен с первым выводом конденсатора 
С2 амплитудозадающей цепи и подключен к шине 
земли. 

Второй вывод конденсатора С2 амплитудозадаю
щей цепи подключен к истоку Т2, который является 
выходом преобразователя и подключен к затвору Т3. 
А через резистор R2 амплитудозадающей цепи под
ключен к шине питания. В этом случае исток Т2 является выходом преобразователя и подключен к затвору 
Т3, замыкая тем самым обратную связь, обеспечивающую формирование выходной частоты.

Рис. 6. Архитектура преобразователя напряжения в 

частоту

Входной сигнал тока через резистор R1 времяза
дающей цепи заряжает конденсатор этой цепи до напряжения, равного порогу открытия Т1. Это открывает полевой транзистор Т1, и на его истоке, соединенном с затвором Т2 появляется сигнал, который открывает полевой транзистор Т2. В этот момент начинается процесс разрядки конденсатора С2 амплитудозадающей цепи, который заряжался через свой резистор 
R2 одновременно с зарядом конденсатора С1 времязадающей цепи.

Во время заряда С1 времязадающей цепи до напря
жения порога открытия Т1 все транзисторы закрыты и 
на истоке Т2 начинает формироваться передний 
фронт выходного сигнала до момента открытия Т1. 
Сигнал с истока этого транзистора открывает Т2, что 
в свою очередь открывает транзистор Т3. Соответственно конденсаторы входной времязадающей цепи С1
и выходной амплитудозадающей цепи С2 начинают 
разряжаться, формируя спад выходного сигнала, который одновременно (по связи истока Т2 с затвором 
Т3) открывает транзистор Т3 и разряжает входную 
интегрирующую цепь.

После разряда входной интегрирующей цепи Т1 за
крывается и начинается очередной заряд конденсаторов обеих интегрирующих цепей, формируя новый 
период выходного сигнала частоты.

Как видно из описанной схемы период формирова
ния выходной частоты зависит только от величины 
входного напряжения, номиналов резистора R1 и 
конденсатора входной времязадающей цепи C1 и их 
стабильности, а также значения и стабильности порога открытия Т1.

Остальные параметры Т1, как и параметры Т2 и Т3

на точность и стабильность  формирования выходной 
частоты не влияют, поскольку все транзисторы в 
предлагаемом преобразователе работают в ключевом 
режиме.

Таким образом, предложенная архитектура ПНЧ 

учитывает то, что в результате её период формирования и точность формирования выходного сигнала 
зависят только от величины входного напряжения, а 
диапазон его изменения точности и стабильности 
выходной частоты определяются номиналами, точностью и стабильностью резистора R1 и конденсатора 
C1 входной времязадающей цепи и точностью и стабильностью порога открытия Т1.

В этом случае с увеличением значения входного 

напряжения время заряда входной цепи уменьшается 
и соответственно растет выходная частота, диапазон 
изменения которой с учетом диапазона изменения 
входного напряжения подбирается для каждого типа 
транзистора Т1 номиналами резистора R1 и конденсатора C1 входной времязадающей интегрирующей цепи, которая одновременно отфильтровывает высокочастотные наводки на входной сигнал. 

Следовательно, параметры выходной интегрирую
щей амплитудозадающей цепи влияют только на амплитуду выходного сигнала, а на точность и стабильность преобразования входного напряжения в выходную частоту не влияют.

Для создания САУ кроме ПНЧ необходимы преоб
разователи кода в напряжение (ПКН). Архитектура 
ПКН представлена на рис. 7. 

КОНВЕРТОР1

КОНВЕРТОР2

КОНВЕРТОР 3

БЛОК
ВЫРАВ 
НИВА 
НИЯ

БКУ

БЛОК

ОТКЛЮ
ЧЕНИЯ

Рис. 7. Архитектура преобразователя кода в напряжение

В архитектуре ПНК содержится три идентичных 

преобразовательных конвертора, установочные входы которых являются входом преобразователя. Частотные выходы конверторов подключены к частотным входам преобразовательного блока контроля и 
управления (БКУ), к контрольным входам которого 
подключены выходы конверторов. Эти выходы через 
преобразовательный блок отключения (БО) подключены к входам блока выравнивания (БВ), являющегося по сути трехвходовым аналоговым сумматором 
напряжений конверторов, который формирует  выходное напряжение по мажоритарному принципу. 
Номиналом резистора возможно задание «веса» каждого канала. Это выходное напряжение с выхода бло
ка выравнивания поступает на основной контрольный 
вход преобразовательного БКУ, выходы которого 
подключены к управляющим входам преобразовательного БО и далее через БВ на выход.

Наличие трех конверторов, работающих на общий 

выход создает не менее чем двукратный запас по 
мощности выходного напряжения, позволяя предложенному ПКН подключаться к исполнительным органам объекта управления или манипуляторов мобильного робота без дополнительных усилителей 
мощности. Даже при отказе одного конвертора преобразователь имеет практически двукратный запас по 
мощности выходного сигнала. Более того, как показало имитационное моделирование работы ПКН, существует реально ощутимая для надежности работы 
САУ вероятность получения запаса, относительно 
номинальной, заданной мощности выходного сигнала 
при отказе двух конверторов.

ЗАКЛЮЧЕНИЕ

Таким образом, в ходе данных исследований были 

предложены архитектуры: 

- системы нейропроцессоров, использующиеся для 

систем автоматического управления подвижными 
объектами с элементами резервирования;

- нейровычислителя;
- спектрометра;
- модуля обмена;
- модуля связи;
- преобразователя напряжения в частоту;
- преобразователя кода в напряжение.
Данные архитектуры позволяют повысить надёж
ность вычислений, осуществлять расчёты в реальном 
масштабе времени и выполнять функции нейропроцессоров для систем автоматического управления 
подвижными объектами в условиях воздействия радиации.

ЛИТЕРАТУРА

[1] Бранец, В. Н. Введение в теорию бесплатформенных 

инерциальных навигационных систем / В. Н. Бранец, 
И. П. Шмыглевский. – М. : Наука, 1992. – 280 с.

[2] Горбань, А. Н. Обобщенная аппроксимационная тео
рема и вычислительные возможности нейронных сетей 
/ А. Н. Горбань // Сибирский журнал вычислительной 
математики. – 1998. – Т. 1, № 1. – С. 12-24.

[3] Ясницкий, Л. Н. Введение в искусственный интеллект : 

учеб. пособие / Л. Н. Ясницкий. – М. : Издательский 
центр «Академия», 2010. – 176 с.

[4] Барский, А. Б. Нейронные сети : распознавание, управ
ление, принятие решений / А. Б. Барский. – М. : Финансы и статистика, 2004. – 176 с.

[5] Ручкин, В. Н. Естественный параллелизм квантовых 

компьютеров и нейровычислителей / В. Н. Ручкин, 
В. А. Романчук, В. А. Фулин // Вестник Рязанского го

сударственного университета им. С.А. Есенина. – 2013. 
– № 2 (39). – С. 148-157.

[6] Kozhemiako, V. The current status, element base and

comparative analysis of characteristics neurochips / V. 
Kozhemiako, A. Kozhemiako, O. Vasylkiva // Оптикоелектронні
інформаційно-енергетичні
технології. –

2016. – № 2 (32). – С. 29-38.

[7] Шахнов, В. А. Нейрокомпьютеры: архитектура и схе
мотехника / В. А. Шахнов, А. И. Власов, Ю. А. Поляков, А. С. Кузнецов // Приложение к журналу «Информационные технологии». – 2000. – № 9. – 25 с.

[8] Kupershtein, L. M. The problem of fraud detection in tele
communication networks on the base of intelligent technologies / L. M. Kupershtein // Вiсник Вiнницького
полiтехнiчного iнституту. – 2007. – № 5 (74). – С. 7883.

[9] Локтюхин, В. Н. Методика структурного синтеза ней
ронов-преобразователей аналого-цифровой нейросети / 
В. Н. Локтюхин, А. В. Антоненко, С. В. Челебаев // 
Вестник Московского государственного технического 
университета им. Н.Э. Баумана. Сер. Приборостроение. 
– 2013. – № 4 (93). – С. 101-114.

[10] Копылов, С. А. Программный комплекс для обнаруже
ния и диагностики аппаратных отказов в роботизированных морских подвижных объектах / С. А. Копылов, 
Р. В. Федоренко, Б. В. Гуренко, М. А. Береснев // Инженерный вестник Дона. – 2014. – Т. 30, № 3. – С. 48.

[11] Кульченко, А. Е. Моделирование перемещения под
вижного 
объекта 
с 
адаптивным 
позиционно
траекторным управлением и контуром оценивания неизмеряемых параметров модели / А. Е. Кульченко, 
М. Ю. Медведев, В. А. Шевченко, В. С. Лазарев // Инженерный вестник Дона. – 2017. – Т. 44, № 1 (44). –
С. 15.

[12] Фоминов, И. В. Концепция многоуровневой адаптации 

комплексных навигационных систем малых космических аппаратов / И. В. Фоминов // Вестник Самарского 
государственного аэрокосмического университета им. 
академика С.П. Королёва (национального исследовательского университета). – 2015. – Т. 14, № 1. – С. 8391.

[13] Патент 
на 
изобретение. 
Нейропроцессор 
RU

№ 2473126 / В. М. Антимиров ; заявитель и патентообладатель ФГУП НПО автоматики им. академика Н.А. 
Семихатова. – № 2011143912/08 ; заявл. 28.10.11 ; 
опубл. 20.01.2013.

[14] Патент 
на 
изобретение. 
Нейровычислитель 
RU 

№2553098 / В. М. Антимиров, Я. В. Антимиров, А. Ю. 
Вагин, А. С. Вдовин, Г. А. Смельчакова, А. С. Пентин, 
П. С. Яковлев ; заявитель и патентообладатель ФГУП 
НПО автоматики им. академика Н.А. Семихатова. –
№ 2013139423/08 ; заявл. 23.08.13 ; опубл. 10.06.2015.

[15] Патент 
на 
изобретение. 
Источник
питания 
RU

№ 2479100 / В. М. Антимиров ; заявитель и патентообладатель ФГУП НПО автоматики им. академика Н.А. 
Семихатова. – № 2011149893/07 ; заявл. 07.12.11 ; 
опубл. 10.04.2013.

[16] Патент на изобретение. Резервированный источник 

тока RU №2512890 / В. М. Антимиров, А. С. Вдовин, 
А. А. Кузеванов, И. Г. Пронькин, В. А. Светлаков ; заявитель и патентообладатель ФГУП НПО автоматики 

им. академика Н.А. Семихатова. – № 2013110101/07 ; 
заявл. 06.03.13 ; опубл. 10.04.2014.

[17] Патент на изобретение. Источник стабильного тока RU 

№2514136 / В. М. Антимиров, В. А. Светлаков, И. Г. 
Пронькин; заявитель и патентообладатель ФГУП НПО 
автоматики 
им. 
академика 
Н.А. 
Семихатова. 
–

№ 2013106624/08 ; заявл. 14.02.13 ; опубл. 27.04.2014.

[18] Антимиров, В. М. Создание промышленной инфра
структуры разработки, производства и испытания вычислительных комплексов для систем управления 
двойного назначения / В. М. Антимиров, П. Р. Машевич, В. Н. Ачкасов // Авиакосмическое приборостроение. – 2005. – № 8. – С. 9-11.

[19] Антимиров, В. М. Современная методика и средства 

автоматизации 
проектирования 
микроэлектронных 

компонентов / П. Р. Машевич, В. Н. Ачкасов, В. М. 
Антимиров, Ю. К. Фортинский // Информационные ресурсы России. – 2005. – № 156. – С. 26.

[20] Ачкасов, В. Н. Создание промышленной и научной 

инфраструктуры корпоративной разработки, производства и испытания элементной базы, модулей и вычислительных комплексов для систем управления / В. Н. 
Ачкасов, В. М. Антимиров, П. Р. Машевич, Ю. К. Фортинский // Вопросы атомной науки и техники. Сер. Физика радиационного воздействия на радиоэлектронную 
аппаратуру. – 2005. – № 3-4. – С. 3-5.

[21] Антимиров, В. М. Развитие управляющих вычисли
тельных комплексов двойного назначения / В. М. Антимиров, В. Н. Ачкасов, П. Р. Машевич, Ю. К. Фортинский // Приводная техника. – 2005. – № 3. – С. 8.

[22] Антимиров, В. М. Особенности применения нейросе
тевых структур и их элементов для повышения производительности бортовых цифровых вычислительных 
систем / В. М. Антимиров, А. Б. Уманский, А. С. Вдовин, И. В. Гришанова, Т. В. Рогачева // Вестник Сибирского государственного аэрокосмического университета им. академика М. Ф. Решетнева. – 2016. – Т. 17, № 2. 
– С. 276-288.

[23] Лавлинский, В. В. Теоретические основы моделирова
ния проектируемых объектов электронной компонентной базы для синтеза виртуальной реальности в виде 
воздействий тяжёлыми заряженными частицами / В. В. 
Лавлинский // Вопросы атомной науки и техники. Серия: Физика радиационного воздействия на радиоэлектронную аппаратуру. – 2014. – № 4. – С. 24-32.

[24] Лавлинский, В. В. Теоретические исследования моде
лирования проектируемых объектов электронной компонентной базы для синтеза виртуальной реальности 
при воздействии тяжёлыми заряженными частицами / 
В. В. Лавлинский // Вопросы атомной науки и техники. 
Серия: Физика радиационного воздействия на радиоэлектронную аппаратуру. – 2014. – № 4. – С. 33-35.

[25] Лавлинский, В. В. Методы проектирования информа
ционных объектов автоматизации для систем технологической подготовки производства на основе синтеза 
виртуальной реальности в условиях нечеткого представления контролируемых параметров / В. В. Лавлинский, Е. Е. Обручникова, Ю. С. Сербулов // Вестник 
Воронежского государственного технического университета. – 2011. – Т. 7, № 7. – С. 8-11.

УДК 681.5
DOI: 10.12737/article_5ac752740eac36.41923062

Анализ методов для оценки угроз несанкционированного 

доступа в информационных системах специального 

назначения

А.А. Змеев1

1Федеральное государственное казенное военное образовательное учреждение высшего 

образования «Военная академия воздушно-космической обороны им. Г.К. Жукова»

Аннотация —
Статья посвящена анализу методов, 

моделей и алгоритмов, позволяющих оценивать угрозы 
несанкционированного доступа в информационных системах специального назначения. Рассматривается системный подход для решения задач по оценке угроз информационной безопасности с учётом руководящих документов Федеральной службы по техническому и экспортному контролю России. Даётся сравнительный 
анализ подходов при решении задач защиты в информационных системах специального назначения. В данной статье приводятся научные задачи для оценки угроз 
несанкционированного доступа и схема исследований.

Ключевые слова —
Информационная безопасность, 

конфиденциальность, целостность информации, нарушение доступности, угрозы безопасности информации.

I. ВВЕДЕНИЕ

В настоящее время Федеральной службой по тех
ническому и экспортному контролю России разработана методика определения угроз безопасности информации в информационных системах [1]. В данном 
документе формулируются основы в определении 
угроз безопасности информации, а также отражены 
подходы для разработки их моделей. Тем не менее, 
информационные системы специального назначения 
имеют свои дополнительные ограничения в связи с 
работой с информацией, составляющей государственную тайну.

Однако для определения надёжной структуры сис
темы защиты информации от несанкционированного 
доступа к информации в информационных системах 
специального назначения необходимо осуществить 
анализ методов, моделей и алгоритмов, позволяющих 
оценивать угрозы несанкционированного доступа в 
соответствии с требованиями руководящих документов ФСТЭК России [1].

Сравнительный анализ методов для оценки угроз 

несанкционированного доступа в информационных 
системах специального назначения целесообразно 
начать именно с данного документа.

II. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ДЛЯ ОЦЕНКИ 

УГРОЗ НЕСАНКЦИОНИРОВАННОГО ДОСТУПА В ИНФОР
МАЦИОННЫХ СИСТЕМАХ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ

В работе [2] показаны 207 угроз, 18213 уязвимо
стей, документы и термины. В работе [2] перечислены следующие угрозы: 

автоматическое распространение вредоносного ко
да в грид-системе;

агрегирования данных, передаваемых в грид
системе;

анализа криптографических алгоритмов и их реа
лизации;

аппаратного сброса пароля BIOS;
внедрения вредоносного кода в BIOS;
внедрения кода или данных;
воздействия на программы с высокими привиле
гиями;

восстановления аутентификационной информации;
восстановления предыдущей 
уязвимой версии 

BIOS;

выхода процесса за пределы виртуальной машины;
деавторизации санкционированного клиента бес
проводной сети;

деструктивного изменения конфигурации / среды 

окружения программ;

деструктивного использования декларированного 

функционала BIOS;

длительного удержания вычислительных ресурсов 

пользователями;

доступа к защищаемым файлам с использованием 

обходного пути;

доступа к локальным файлам сервера при помощи 

UR;

доступа/перехвата/изменения HTTP cookies;
загрузки нештатной операционной системы;
заражения DNS-кеша;
злоупотребления возможностями, предоставлен
ными потребителям облачных услуг;

злоупотребления доверием потребителей облачных 

услуг;

избыточного выделения оперативной памяти;