Интернет- и кибер-технологии в настоящее время интенсивно внедряются во все экономические сферы. Происходит глобальная смена технологических парадигм – переход от автоматизации к автономизации механизмов и устройств (см. [Клаус Шваб, «Четвертая промышленная революция»]). Не исключением является и рынок транспортных средств.
В мае 2014 года компания Google впервые представила общественности полностью беспилотный автомобиль. С этого момента наблюдается взрывной рост НИОКР в области автономных (безэкипажных), автоматизированных (удаленно управляемых человеком) и связанных (образующие перемещающиеся сети с динамической топологией) транспортных средств, в т.ч. автомобильных, летательных и плавательных, а также в области сопряженных с ними интеллектуальных цифровых услуг и программной инженерии.
Прогноз аналитической компании Gartner показывает, что именно беспилотные летательные аппараты коммерческого применения (дроны-курьеры, дроны-наблюдатели и пр.), автономные автомобили, безоператорные «умные» роботы (сервис-дроиды, бытовые автоматы и пр.) и гибкие киберсреды автономных систем (программно-управляемые межмашинные сети) – наиболее ожидаемые технологии ближайшего будущего, которые образуют приоритетный триггер развития мировой экономики с горизонтом 10 лет (см. отчет «Gartner Hype Cycles 2016: Major Trends and Emerging Technologies» – «Циклы зрелости Gartner 2016: Основные тенденции и новые технологии», http://www.gartner.com/newsroom/id/3412017).
Подтверждением этому служит то, что ведущие авто- и авиапроизводители (например, BMW, Mercedes, Volvo, Honda, Volkswagen, Tesla, Nissan, Toyota, Boeing, Airbus, Lockheed Martin), а также компании IT-сектора (например, Google, Intel, IBM, Samsung, LG) массово приступили к разработке средств автономизации транспорта и новых межмашинных сетевых технологий.
Для решения актуальных научных и прикладных задач по созданию беспилотного транспорта активно устанавливаются связи между ведущими производителями беспилотных средств перемещения и научными центрами. Так, на базе Массачусетского технологического института совместно с корпорацией Toyota создан исследовательский центр MIT’s Computer Science and Artificial Intelligence Laboratory; на факультете аэронавтики и астронавтики Стэндфордского университета – лаборатория автономных систем Autonomous Systems Laboratory; совместно с корпорацией Boeing на базе Университета штата Вашингтон создана лаборатория автономных летающих систем Autonomous Flight Systems Laboratory, в университете Миссури – Boeing Research & Technology Missouri Research Center. В данном направлении ведут работы ученые из Европы (например, ETH Zurizh, University of Waterloo) и Азии (например, Dynamic Robotic Systems Lab, Корея; Autonomous Systemes Siemens Robotics Labs, Школа автоматизации в Beijing Institute of Technology, Китай). Российские разработчики приступили к созданию технологий беспилотного транспорта (например, «КАМАЗ», Cognitive Technologies, ФГУП «НАМИ», VolgaBus, «Росэлектроника», «Геоматика-Беспилотник» и пр.), но их цели в настоящее время ограничены решением задач сенсорного видения, принятия управляющих решений в режиме реального времени, интеллектуализации перемещения.
Одновременно с этим автономизация и глобальная интернетизация транспорта обозначили новую проблему – проблему киберугроз, направленных на оказание активных целенаправленных деструктивных воздействий на беспилотные, автоматизированные и связанные транспортные средства, их группировки и, через них, на всю связанную околотранспортную инфраструктуру.
Сформировавшееся в последние годы понимание транспорта как киберфизической системы определяет новое представление о нем, как об интегральном объекте, агрегирующем механизм перемещения в пространстве и информационную составляющую, обеспечивающую устойчивое выполнение целевой функции в условиях внешних воздействий. Объект защиты, ранее понимаемый в науке об информационной безопасности как совокупность данных ограниченного доступа, в кибербезопасности приобретает новое, уточненное, представление как элемент глобальной киберсреды, где традиционные информационные операции чтения/записи имеют управляющие последствия в виде физических действий, производимых в материальном мире над реальными объектами. В этой связи, киберугрозы, действующие на «умный» транспорт, опасны тем, что они несут угрозу не столько информации, хранящейся, обрабатываемой и передаваемой через информационные компоненты транспортного средства, сколько угрозу несанкционированного вмешательства в работу функциональных узлов рабочего механизма, а также других транспортных средств, сопряженных систем (через внешние интерфейсы V2V, V2I, V2H, V2X и пр.), транспортной и дорожной инфраструктуры, и главное – угрозу здоровью и жизни водителей, пассажиров и других людей.
С появлением транспортной киберсреды сформировался новый тип межмашинных телекоммуникаций – самоорганизующаяся беспроводная одноранговая компьютерная сеть с динамической топологией (например, VANET – сетm между автомобилями, FANET – сетm между летающими аппаратами). Такая сеть обладает свойствами самоорганизации, имеет одноранговую архитектуру, поддерживает множественные связи между узлами, обеспечивает динамическое управление маршрутизацией на каждом узле, что обеспечивает ее преимущества перед традиционными компьютерными сетями, а именно:
а) возможность многопоточной передачи данных на большие расстояния;
б) устойчивость к пространственным изменениям в сетевой топологии;
в) возможность динамической реконфигурации сети в условиях помех и отказов узлов.
Все вместе это открывает новые возможности нарушителям и киберпреступникам при реализации ими киберугроз, связанных с «умным» транспортом, в том числе:
а) вывод из строя, нарушение работы, перехват управления над транспортными средствами, кибертерроризм на беспилотном транспорте и в околотранспортной инфраструктуре;
б) реализация активных целенаправленных кибератак с использованием масштабных динамических мега-бот-сетей, построенных из узлов транспортных систем, организация массированных DDoS-атак с целью и «отказа в обслуживании» отдельных транспортных единиц, сегментов транспортных коммуникационных сетей, сервисной инфраструктуры, а также любых потребительских и бизнес систем, подключаемых к транспортным средствам через сетевые интерфейсы взаимодействия;
в) фальсификация сервисных и управляющих данных, создание ложных маршрутов, разладка (нарушение динамики и топологии) сети, ложное информирование оперативных и транспортных служб;
г) сокрытие источников кибератак, поскольку любой узел сети является перемещающимся элементом крупной одноранговой сети.
Кибератаки на транспорт в настоящее время сдерживаются лишь малой распространенностью беспилотного транспорта и межмашинных коммуникаций. Тем не менее, уже известны киберинциденты с транспортными средствами, которые показывают их полную незащищенность как объектов воздействия киберугроз. В 2015 году разные группы хакеров независимо друг от друга обозначили масштаб киберугроз для транспортных средств, продемонстрировав возможность полного удаленного перехвата управления электромобилем Tesla Model S (см. [https://hi-news.ru/technology/xakery-vzlomali-i-upravlyali-tesla-model-s-na-xodu.html]) и автомобилями концерна Fiat Chrysler (в общей сложности около 1,4 млн. уязвимых «умных» автомобилей этой марки только в США) (см. [https://www.wired.com/2015/07/hackers-remotely-kill-jeep-highway/]). В 2016 году аналогичные кибератаки были проведены на автомобили BMW (уязвимы 2,2 млн. автомобилей, см. [http://www.lexology.com/library/detail.aspx?g=f48eb072-d2d0-4a58-bea3-65e0b06587b9]) на «умные» автомобили марок Mitsubishi, Nissan и Volkswagen (уязвимы более 100 млн. автомобилей, см. [http://jalopnik.com/tag/car-hacking], [https://arstechnica.com/cars/2016/08/hackers-use-arduino-to-unlock-100-million-volkswagens/]).
Инфраструктура транспорта – важнейший объект хозяйственного комплекса страны, частичный или полный отказ которого способен непосредственно повлиять на устойчивость экономических процессов, безопасность и здоровье граждан, непрерывность ведения бизнеса, надежное функционирование отраслей экономики. Критичность проблемы киберугроз в сфере беспилотного транспорта определяется в первую очередь сферой применения транспортных систем – масштабные процессы перемещения людей и грузов, управление дорожным, воздушным, железнодорожным, водным движением на уровне городов, округов, областей и государства, автоматизация аграрного и промышленного комплекса, предупреждение чрезвычайных ситуаций, мониторинг и исследование труднодоступных территорий, аддитивная интеграция социальных сервисов.
Актуальность проблемы подтверждает тот факт, что 24 января 2017 года Конгрессом США принят «Акт о кибербезопасности транспорта», который законодательно предписывает срочную разработку мер по выявлению и предотвращению киберугроз в транспортных системах (см. [http://joewilson.house.gov/sites/joewilson.house.gov/files/WILSSC_006_xml.pdf]).
Аналогично, в начале 2017 г. общеевропейским Агентством сетевой и информационной безопасности ENISA также инициировано создание комплекса мер кибербезопасности для «умного» транспорта (см. [https://www.enisa.europa.eu/publications/cyber-security-and-resilience-of-smart-cars/at_download/fullReport]).
В России необходимость и актуальность решения задач обеспечения кибербезопасности беспилотного транспорта соответствует сразу нескольким приоритетам научно-технологического развития государства, определенных Стратегией научно-технологического развития Российской Федерации, обеспечивая (а)переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам; (б)противодействие техногенным угрозам, терроризму, киберугрозам и иным источникам опасности для общества, экономики и государства; (в)связанность территории Российской Федерации за счет создания интеллектуальных транспортных и телекоммуникационных систем.
Проблема киберугроз, направленных на беспилотный транспорт, в настоящее время активно решается исследователями лишь на уровне внутримашинной сети управления (CAN-шины) транспортного средства – внутренней информационно-управляющей шины, объединяющей цифровые блоки управления исполнительными узлами внутри транспортного средства. CAN-сеть транспортного средства является открытой информационно-управляющей средой, имеющей незащищенные сетевые интерфейсы взаимодействия с внешними подключаемыми объектами (другие транспортные средства, придорожная, воздушная и морская транспортная инфраструктура, «умные дома» водителей, мобильные устройства и пр.). Поскольку внемашинные коммуникации непосредственно связаны с внутримашинными, защита одних без должного внимания к другим невозможна.
Работы, ведущиеся в области защиты беспилотного транспорта, в настоящее время выполняются только за рубежом, однако, они сконцентрированы вокруг защиты цифровых блоков управления (ECU) устройствами внутри транспортного средства. Известные методы защиты основаны на внедрении аутентификации для блоков ECU, малоресурсного шифрования потоков данных между блоками ECU. Для межмашинных сетей в качестве мер защиты разрабатываются системы аутентификации, основанные на цифровых сертификатах, совершенствуются протоколы сетевой маршрутизации, передачи данных и мониторинга состояния узлов транспортной сети. Например, см. решения [G. Guett, C. Bryce, «Using TPMs to secure vehicular ad-hoc networks (VANETs)», IFIP 2008, WISTP 2008, LNCS 5019, pp.106-116]; [T. W. Chima, S. M. Yiu, L. Hui, V. Li, «SPECS: secure and privacy enhancing communications schemes for VANETs», Journal of ad hoc networks, vol. 9, 2011, pp. 189-203]; [S. K. Bhoi, P. M. Khilar, «Vehicular communication: a survey», IET Networks, 2014]). Данные проекты носят сугубо исследовательский характер, поскольку требуют вмешательства в стандартизованный механизм работы CAN-протоколов управления и протоколов взаимодействия между машинами. Кроме того, эти работы выполняются в отрыве от анализа самого источника и среды возникновения киберугроз – коммуникационной сети транспортных средств, без учета условий, параметров и сценариев кибератак на транспортные системы и без изучения всей совокупности признаков киберугроз, характерных для транспортных средств.
Решения, обеспечивающие обнаружение киберугроз и кибератак (вторжений), направленных на цифровую киберсреду беспилотного транспорта до настоящего времени не рассматривались научным и промышленным сообществом. Механизмы обнаружения вторжений, реализации сетевых систем обнаружения вторжений (СОВ) для транспорта и интеграции СОВ во внутритранспортную и межмашинную киберсреду в настоящее время не известны. Традиционные СОВ для стационарных компьютерных сетей для транспортных сетей неприменимы в силу их характерных особенностей, специальных протоколов и видов трафика.
Поскольку внедрение средств защиты в транспортное средство – достаточно сложная процедура, нарушающая сформировавшиеся требования и регламенты внутримашинного управления, то формируется активный спрос на средства, реализующие принципы априорной безопасности – обнаружение и предотвращение вторжений по внешним сетевым интерфейсам. Такие средства защиты должны обеспечить за счет своевременного обнаружения и предупреждения кибератак на «умный» транспорт существенное повышение защищенности беспилотных автомобилей, летающих аппаратов, безэкипажных плавательных средств, а также сетей VANET/FANET и околотранспортной инфраструктуры.
Нечеткость периметра безопасности на уровне сетевой структуры, отсутствие на рынке средств защиты информации для транспортных сетей и транспортных средств, непригодность имеющегося арсенала традиционных технологий и методов сетевой защиты, используемых для стационарных компьютерных сетей, подтверждают необходимость, актуальность и значимость разработки специальных методов и средств защиты для объектов данного типа.
Проект направлен на решение указанной проблемы за счет исследования и разработки моделей применения современных методов нейроинформатики для задач кибербезопасности беспилотного транспорта. Основу для этого составляют появившиеся в последнее время разновидности искусственных нейронных сетей (ИНС): вейвлет ИНС, нечеткие ИНС, ИНС глубокого обучения, рекурентные, LSTM-, импульсные (спайковые) ИНС, генеративные соревнующиеся ИНС, гетерогенные ансамбли нейросетей и метанейросети.
Использование современных разновидностей искусственных нейросетей позволяет впервые разработать СОВ для беспилотного транспорта, которая обеспечит возможность обнаруживать и блокировать несанкционированную деятельность в сетях транспортных средств независимо от того, кто ее реализует: авторизованный пользователь-нарушитель или злоумышленник. ИНС обеспечивают решение задач регрессии, прогнозирования и классификации кибератак с использованием самых современных нейросетевых методов адаптивной обработки данных. Эффект от применения новых методов ИНС заключается в повышении эффективности решения задач обработки данных о безопасности, в совершенствовании и оптимизации методов обнаружения киберугроз в сетях транспортных средств, в снижении вычислительных затрат на обнаружение кибератак на «умный» транспорт в условиях ограниченности ресурсов в вычислительных системах управления транспортными единицами, а также в решении сложных задач обработки больших объемов данных, которые не могли быть решены без использования рассматриваемых методов. Традиционные нейросетевые методы (в т.ч. персептроны и модульные сети прямого и обратного распространения) не удовлетворяют данным требованиям, обладают низким коэффициентом эффективности (не выше 0,95) и сложнообучаемы. Проект направлен на получение результатов, которые впервые в мире позволят перейти к созданию новых высокоточных интеллектуальных средств выявления киберугроз для защиты автоматизированных систем управления беспилотного транспорта в условиях реального масштаба времени и ограниченных вычислительных ресурсов.
В ходе проекта также подготавливаются к выводу на рынок компоненты новой научно-технологической продукции в виде IT-экосистемы кибербезопасности беспилотного транспорта.
Разрабатываемый в ходе проекта комплекс нейросетевых методов и средств выявления киберугроз в сетях транспортных средств позволяет противостоять агрессивному и целенаправленному воздействию на инфраструктуру автономных, автоматизированных и связанных транспортных средств и обеспечить высокую степень безопасности транспортных коммуникационных сетей. Проект соответствует приоритетному направлению развития науки, технологий и техники в России «Информационно-телекоммуникационные системы» и критической технологии «Нано-, био-, информационные, когнитивные технологии». Согласно Программе и приоритетным направлениям прикладной науки проект направлен на увеличение объема знаний и создания нового технологического задела по научно-технической проблеме обеспечения безопасности информационных транспортных систем. Тематика исследований и разработок в ходе проекта соответствует критическим технологиям «Искусственный интеллект и системы управления» и «BigData» Национальной технологической инициативы. Результаты проекта актуальны для Технологической платформы «Национальная суперкомпьютерная технологическая платформа» в части создания научного задела в тематической области «Информационная безопасность».
Разрабатываемые для беспилотного транспорта методы и средства обнаружений киберугроз не имеют аналогов и прототипов за рубежом, что позволяет отечественным разработчикам и производителям занять передовые позиции в технологической сфере безопасности транспортных систем и транспортных коммуникационных сетей. Проект соответствует дорожной карте направления «Сэйфнет» (SafeNet) и «Нейронет» (Neuronet) Национальной технологической инициативы России. Результаты проекта ориентированы на группы приоритетных отраслевых рынков «Аэронет» (AeroNet, распределенные системы беспилотных летательных аппаратов), «Маринет» (MariNet, распределенные системы морского транспорта без экипажа) и «Автонет» (AutoNet, распределенная сеть управления автотранспортом без водителя) Национальной технологической инициативы России.
Задачи прикладных научных исследований
1 Исследование современных методов обнаружения киберугроз в беспилотных транспортных средствах и в коммуникационных средах беспилотных, автоматизированных и связанных транспортных средств.
Проводится анализ научно-информационных источников, затрагивающих проблему, а также патентные исследования согласно ГОСТ Р 15.011-96, что позволит разработать варианты возможных решений, провести их оценку и обосновать предлагаемые методы обнаружения киберугроз.
2 Разработка и обоснование новой технологии обнаружения киберугроз, направленных на транспортные средства, на основе модели применения современных нейросетей.
В проекте решается конкретная задача обнаружения киберугроз, направленных на нарушение безопасности беспилотных транспортных средств и транспортные сети. Решение обеспечивается за счет привлечения современных разновидностей искусственных нейронных сетей (ИНС).
Обнаружение киберугроз – комплекс мер по выявлению вторжений на ресурсы защищаемой системы. Задача любой системы обнаружения вторжений (СОВ) – по некоторым признакам обнаружить кибератаки.
Интернетизация и кибернетизация транспортной среды привела к резкому увеличению объемов информации, которую требуется обрабатывать СОВ в режиме реального времени. Например, сеть из 1000 транспортных единиц, в каждой из которых имеется CAN-шина с 20 ECU, генерирует 400 млн. массивов признаков, которые могут оказывать влияние на перемещение, управление, безопасность транспорта. Большие данные усложняют задачу разработки СОВ – первичными становятся задачи по обеспечению эффекивности, в первую очередь – производительности СОВ: обнаружение попыток вторжений должно проходить в реальном масштабе времени для уменьшения вероятности нарушения работы транспортного средства.
Существуют различные решения задачи обнаружения киберугроз:
а) статистический подход (создается эталонный профиль системы, потом он усредняется в процессе обучения, любое отклонение от профиля расценивается как попытка вторжения). Недостаток подхода: нарушитель может тренировать систему, постепенно приводя усредненный профиль к такому виду, чтобы СОВ не находила аномалий;
б) прогнозирование шаблона (СОВ аппроксимирует профиль и предсказывает будущие события, основываясь на прошедших). Однако множество кибератак нельзя описать такими правилами, и они будут пропущены системой;
в) искусственные нейронные сети (ИНС). Аппарат ИНС предоставляет возможности по параллельному процессированию данных и выявлению скрытых зависимостей и отклонений. Процедура поиска аномалий заключается в отборе значимых признаков, подготовке параметров и обучении нейросети, при этом формируется профиль нормальной активности. В процессе работы, на вход ИНС подаются реальные данные, и ИНС определяет их принадлежность к тому или иному классу. Благодаря способности ИНС к обучению и обобщению, имеется возможность прогнозирования и поиска аномалий, информация о которых не участвовала в обучении.
Несмотря на то, что нейросетевые методы активно развиваются уже много лет, в последнее время наблюдается всплеск интереса к этой области, что связано с развитием IT-технологий и с возникшей потребностью в быстрой обработке объемных массивов данных. ИНС обеспечивают существенные преимущества перед другими методами адаптивной обработки данных:
а) учет скрытых зависимостей между признаками;
б) автоматический выбор и оптимизация значимых признаков для классификации объектов, что сокращает время на разработку и внедрение методов анализа данных;
в) решение интеллектуальных задач путем аппроксимации произвольных функций.
Методы machine learning и data mining не работают с зависимостями непосредственно и вынуждены использовать контроль эвристик. ИНС решают эту задачу изначально за счет параллельного распространения сигналов. И только ИНС обладает двумя последними свойствами, что позволяет сосредоточиться именно на аппарате и методах именно ИНС, что делает исследования в этой области востребованными и значимыми.
Традиционные ИНС – многослойные персептроны с логическими передаточными функциями, модульные ИНС прямого и обратного распространения – при всей своей универсальности и гибкости, не удовлетворяют возросшим требованиям к объему обучающих выборок (проблема насыщения на больших данных), обладают низким коэффициентом эффективности (в большинстве традиционных ИНС – не выше 95%), долго обучаемы и неспособны построить зависимость достаточной сложности. Кроме того, для традиционных ИНС характерна чрезмерная избыточность (ширина и глубина структуры ИНС) и ресурсоемкость (рост требований к объему памяти и процессорной мощности вычислительной платформы), а для задач оперативного контроля безопасности беспилотного транспорта и выявления киберугроз необходимы компактные и быстрые ИНС.
Исследования проводятся относительно следующих типов ИНС:
а) «мягкие» (soft) нейросети (вейвлет-нейросети и нечеткие ИНС), которые позволяют модифицировать функциональный базис ИНС, по которому производится разложение искомой зависимости, перевести его в базис soft computing («мягких вычислений»), и за счет этого оптимизировать габариты, ресурсные требования и скорость работы ИНС;
б) ИНС с многослойной топологией с предварительной настройкой весов нейронов для решения задач классификации методом самоорганизации – рекуррентные ИНС и сети с длинной и короткой временной памятью (LSTM-нейросети);
в) генеративные соревнующиеся ИНС на основе дискриминативных алгоритмов для решения задач обучения эффективных признаковых представлений, обучения без учителя, обучения по смешанным наборам размеченных и неразмеченных данных, с использованием алгоритма формирования обучающих выборок с различными значениями признаков;
г) импульсные (спайковые) ИНС на основе реалистичных моделей нейронов, пригодные для реализации на малоресурсных и малоэнергозатратных устройствах для решения сложных задач;
д) сложные ИНС (гетерогенные ансамбли нейросетей и метанейросети) – объединение различных типов ИНС в единый комплекс с выбором разных нейросетевых модулей (нейрофреймворков) и возможностью самообучения для разных условий решения и усиления результативности.
Указанные виды ИНС позволяет увеличить объем обучающей выборки (до сотен миллионов признаков), динамически адаптировать свою конфигурацию под изменяющиеся условия задачи и реакцию на обучение, обучать ИНС с адаптивной архитектурой, адаптивно строить отображения с высокой нелинейностью, и за счет этого учитывать такую особенность кибербезопасности в динамической сети транспортных средств как меняющиеся зависимости между контролируемыми параметрами.
3 Разработка математической модели прикладного применения создаваемых нейросетевых методов для исследования их эффективности и качества при решении задач кибербезопасности.
Для проверки теоретических решений создается математическая модель прикладного применения ИНС, используемых для выявления киберугроз в беспилотном транспорте. Модель позволяет оценивать характеристики эффективности и качества создаваемых ИНС: предельные объемы обучающих выборок, продолжительность обучения, сходимость, результативность, пропускную способность, задержки. В модели планируется описать конфигурацию (структуру и связи) ИНС, алгоритмы распространения сигналов, алгоритмы обучения ИНС. Для оценки модели и сокращения сроков разработки вычислительной структуры нейросетей, подбора типа и параметров ИНС для различных условий применения (доступных вычислительных ресурсов: процессоров, памяти) будет задействован суперкомпьютерный центр (СКЦ) «Политехнический» (СПбПУ, Санкт-Петербург).
4 Разработка экспериментального образца программного комплекса IT-экосистемы кибербезопасности беспилотного транспорта.
Программная реализация модели применения нейросетевых методов войдет в создаваемый образец IT-экосистемы кибербезопасности беспилотного транспорта. IT-экосистема представлена аппаратной, программной и информационной средой обнаружения киберугроз для беспилотного транспорта, построена на базе гетерогенной нейроплатформы, объединяющей различные современные ИНС из выше перечисленных, и предназначена для использования адаптивной обработки данных для выявления кибератак в транспортных сетях.
Аппаратная составляющая IT-экосистемы кибербезопасности беспилотного транспорта включает средства ограниченной вычислительной мощности, которые применимы в транспортных системах. Программная среда включает комплекс программных средств, реализующих разработанные нейросетевые методы (нейрофреймворки), обеспечивающие выявление киберугроз для беспилотных транспортных средств и транспортных коммуникационных сетей. Информационная среда IT-экосистемы обнаружения киберугроз образована облачным информационным сервисом информирования владельцев подключенных транспортных средств об уровне киберугроз. Сервис включает клиентское приложение для мобильных устройств на стороне владельца.
5 Оценка качества и эффективности разработанных методов путем проведения исследовательских испытаний.
Возможности суперкомпьютерного центра (СКЦ) «Политехнический» (СПбПУ, Санкт-Петербург), в частности наличие вычислительных кластеров на базе процессорных пулов Intel Xeon Phi и ускорителей NVIDIA серии K, составят экспериментальный полигон для прогона, тестирования и оптимизации разрабатываемых нейрофреймворков, их конфигураций в гетерогенных ансамблях, а также для быстрого обучения метанейронной ИНС. Облачный сегмент СКЦ позволит смоделировать транспортную сеть объемом до 1000 узлов и провести имитацию различных воздействий на рабочие модули образца IT-экосистемы кибербезопасности беспилотного транспорта. Результатом исследовательских испытаний станет оценка качества и эффективности созданных нейросетевых методов обнаружения киберугроз; отладка нейрофреймворков под условия их дальнейшей эксплуатации на беспилотном транспорте.