Цифровые технологии для обеспечения безопасности объектов ОПК

В последние годы масштаб индустрии безопасности применительно к объектам ОПК
характеризовался стабильным ростом. Ее развитие обусловлено современным техническим прогрессом, однако технологии обеспечения безопасности далеки от совершенства и требуют применения системных подходов к их развитию. То, что было создано человеком, человеком может быть и сломано. Поэтому в настоящее время наблюдается активное внедрение цифровых технологий для повышения надежности действий сил безопасности объектов.

Владимир Балановский 
Член бюро комиссии РАН по техногенной безопасности, ответственный секретарь рабочей группы секции по безопасности Экспертного совета при Комитете Совета Федерации по обороне и безопасности, профессор Академии военных наук

Игорь Грунин 
Член рабочей группы секции по безопасности Экспертного совета при Комитете Совета Федерации по обороне и безопасности, член экспертных советов МСП и МТПП, член-корр. АПК

Леонид Балановский 
Член рабочей группы секции по безопасности Экспертного совета при Комитете Совета Федерации по обороне и безопасности, член экспертного совета МТПП, член-корр. АПК

Олег Буков 
Эксперт по безопасности

В составе систем безопасности постепенно становится возможным использовать интеллектуальную составляющую, что вызывает необходимость модернизации самой индустрии. Это связано со все большим применением технологий, использующих искусственный интеллект (ИИ) для распознавания транспортных средств и лиц (включая биометрическое распознавание).

Технология ИИ может быть использована для комплексного контроля безопасности зданий и сооружений объектов ОПК, а также для осуществления мониторинга в режиме реального времени людей, транспортных средств, попадающих на территории объектов и покидающих их. Она гармонично встраивается в системы комплексной безопасности объектов. Это обусловлено адаптацией модифицированных видеозаписей, биометрии, распознавания объектов и анализа больших данных к условиям работы объекта ОПК.

Технологии распознавания на основе структурированных видеоданных

Предпосылкой биометрии и распознавания объектов является структуризация видеозаписей, которая состоит из обнаружения, отслеживания и извлечения их атрибута, то есть существенного и неотъемлемого, а не случайного, их признака. При обнаружении из видеоизображения выделяется объект переднего плана и определяется его значимость: может ли он рассматриваться как допустимая цель (люди, транспортные средства, лица и т.д.) или недопустимая (листья, тени, огни и т.д.). При отслеживании цели осуществляется непрерывное наблюдение за ней в изменяющейся ситуации с получением качественного изображения.

В процессе определения целевого атрибута производится идентификация атрибутов на
изображении цели и оценка визуальных характеристик цели (пол, возраст, одежда, тип транспортного средства, цвет и др.). Этот процесс основан на технологии извлечения признаков
и классификации сетевой структуры обучения.

По мере структурирования ИИ видеоданных повышается скорость распознавания объекта
и появляется возможность прогнозирования с помощью анализа структурированных данных.
Это облегчает процесс передачи и хранения информации, так как они имеют меньший объем.
Для идентификации личности бесконтактным способом используется биометрическая технология, использующая физиологические и поведенческие характеристики. Распознавание лиц служит для подтверждения и сравнения личности, отслеживания и обнаружения в режиме реального времени целевого субъекта-нарушителя в толпе.

Транспортные средства являются другим объектом распознавания, которое производится с помощью триггера (своеобразного "спускового крючка") для получения их изображения и распознавания номерного знака. Характеристики формы транспортного средства и его номерной знак помогают определять не только атрибуты транспортного средства, но и атрибуты владельца. Появляется возможность создавать систему контроля в сочетании с биометрией, атрибутами личности, характеристиками поведения. На основе создания баз данных появляется возможность фильтровать транспортные средства, чтобы быстро блокировать целевые транспортные средства при проверке на контрольно-пропускных пунктах объектов ОПК.

Анализ больших данных

Интегрировать крупномасштабные неструктурированные и структурированные комплексы данных, а также анализировать и вычислять атрибуты этих данных позволяет технология анализа больших данных. Она обеспечивает проведение распределенных вычислений и управление базами данных, служит для анализа, прогнозирования и развития ИИ.

Базы данных формируются для обучения ИИ и позволяют снизить трудозатраты, повысить эффективность и сделать возможным решение задач, которые невозможно выполнить вручную. С этой целью автокодировщик, машина Больцмана и сверточная нейронная сеть объединяются в сеть архитектуры для обучения ИИ.

Она включает:

• входной слой, в котором вводятся в систему данные, собранные устройством;
• скрытый слой, разделенный на верхний слой для полного соединения и нижний слой,
  состоящий из слоев свертки и выборки попеременно попарно;
• выходной слой, в котором используется логическая регрессия сбора данных для классификации изображений.

Сверточная нейронная сеть реализует "локальное поле восприятия" и "распределение веса" с помощью свертки. Основываясь на технологии обучения ИИ нейронной сети, оборудование мониторинга автоматически идентифицирует и оценивает изображение, обрабатывает видеоконтент, выявляет во входных данных потенциально полезную информацию.

Роль видеоанализа

Технология видеоанализа в сфере безопасности объединяет обучение ИИ, машинное зрение,
обработку данных и технологии автоматического поиска и оценки. Она основывается на структуризации видео с помощью ИИ и состоит из:

• обнаружения цели, в процессе которого для идентификации из изображения извлекаются
  объекты переднего плана;
• отслеживания цели, при котором осуществляется фиксация и съемка заданных целей на
  переднем плане;
• извлечения целевого атрибута с распознаванием, извлечением, классификацией и сохранением визуальных характеристик заданных объектов переднего плана.

Традиционная система безопасности сильно зависит от действий персонала и сил безопасности. А применение ИИ с использованием звуковой подсказки, мигания, лазерного отслеживания позволяет надежно и гибко реагировать на все виды вторжений, блуждания, оставления вещей и т.д. Это позволяет без участия оператора предупреждать о проникновении, анализировать состояние периметра критических зон, поведение персонала и сил безопасности, но самое
главное – прогнозировать критические ситуации.

Интеллектуальная составляющая комплексной безопасности объектов

С использованием ИИ формируется стратегия развития интеллектуальной составляющей комплексной безопасности объектов для создания эффективной структуры их безопасности. Она
состоит из:

• предоставления вычислительных возможностей для интеллектуального анализа, распознавания транспортных средств, изображений нарушителя и его поведения;
• формирования человеко-машинных систем, обладающих когнитивными способностями,
  использующих модели состояния человека и интеллектуальное управление, обмен знаниями и глобальное планирование. Такие системы используются при дистанционном управлении ЧС, а также при принятии решений на месте аварии и в недоступных местах;
• формирования глобального когнитивного интеллекта с машинным обучением, использующего крупномасштабные и многоисточниковые данные.

Такое развитие интеллектуальной составляющей комплексной безопасности объектов ОПК с использованием ИИ позволяет оперировать данными, которые не могут быть обработаны
людьми в режиме реального времени. Это позволяет выявлять сложные скрытые быстротекущие законы и формировать адаптивную инженерно-техническую защищенность, выходящую за рамки сиюминутного понимания ситуации.

От единичных технологий к комплексным системам

Все вышеописанное позволяет сделать вывод о том, что уровень развития ИИ в сфере безопасности в настоящее время быстро меняется от интеллектуальной технологии распознавания лиц и номерных знаков транспортных средств до анализа данных безопасности и до технологии анализа больших данных для моделирования формы безопасности на определенном отрезке времени для последующего углубленного анализа и прогнозирования тенденции.

Такой подход подменяет человека, имитирует его мышление, позволяет создавать кросс-платформенные сети для объединения различных систем и устройств безопасности.

Анализ работы систем комплексной безопасности, использующих ИИ, показывает, что применительно к объектам ОПК необходимо рассмотреть возможность разработки дополнений в постановление Правительства РФ № 258 "Об утверждении требований к антитеррористической защищенности объектов (территорий)…" "о территориях общего пользования, прилегающих к ним, которыми пользуется неограниченный круг лиц; исключения бесконтрольного пребывания, фото и видеосъемки на этих территориях", а также разработку стандарта "по досмотру, дополнительному досмотру и повторному досмотру, а также списка предметов и веществ, запрещенных к проносу (провозу) на территорию объекта".

Анализ предпосылок разработки этих дополнений и стандартов лишний раз показывает, что задача обеспечения внутриобъектовой безопасности является ключевой для объектов ОПК. Особенностью данных объектов, помимо обеспечения защиты производственных зданий, сооружений и оборудования, является защита персонала и посетителей от террористических действий со стороны нарушителей.

Моделирование процесса досмотра

Изучение особенностей использования ИИ показывает, что применительно к объектам ОПК становится возможным создание автоматизированных систем дистанционного досмотра.
Это требует проведения разработки модели поведения нарушителя с целью выявления повторяющихся шаблонов его противоправных действий. 

Для построения качественной модели выявления нарушений при досмотре, дополнительном и повторном досмотре необходимо исследовать особенности их осуществления и характеристики нарушителей. Для этого нужно привести подробное описание и анализ этого процесса. Основной упор при моделировании процесса досмотра с целью использования в качестве опорной информации для выявления нарушений необходимо сделать на нарушителей и работников сил безопасности объекта.

В процессе исследования необходимо построить схематическую модель нарушителя, отражающую наиболее важные повторяющиеся шаблоны противоправного поведения, необходимые для построения систем дистанционного досмотра. Для обучения систем, построенных на основе ИИ, классифицируются и кластеризуются повторяющиеся шаблоны противоправного поведения нарушителей, получаемые из больших наборов досмотровых транзакций. Исследование позволяет выделить основные характеристики, присущие большинству лиц, причастных к нарушению досмотрового режима.

Исследование поведения нарушителей, целью которых является обеспечение непримечательности факта прохода и проноса запрещенных предметов и веществ, позволяет выделить основные моменты в их поведении, которые прямо или косвенно могут указывать на правонарушение. Однако в силу свойства мимикрии такой перечень не является исчерпывающим, а совпадение не дает гарантии, что нарушитель может быть определен. Совпадение одного из признаков не может являться исчерпывающим для отнесения лица к разряду нарушителей, но совпадение их совокупности является основанием для проведения дополнительного досмотра силами безопасности объекта ОПК. Использование совокупности характерных признаков и обучение модели ИИ выявлять их взаимосвязь позволяет определять подозрительных лиц в рамках досмотра и уменьшить число дополнительных досмотров.

Создание многорубежной автоматизированной защиты

Процесс выявления и недопущения противоправных действий в процессе досмотра тесно связан с обеспечением безопасности и антитеррористической защищенности объектов ОПК.

В процессе выявления комплексов повторяющихся шаблонов противоправного поведения нарушителей, сигнализирующих о незаконном проходе и проносе запрещенных предметов и веществ, аналитика сталкивается со следующими моментами:

• необходимостью обеспечить четкое соблюдение положений законодательства и минимизировать ложные срабатывания системы для сотрудников объекта и посетителей, которые могут иметь схожесть с характеристиками нарушителей;
• высокой степенью мимикрии нарушителей под легитимное поведение сотрудников объекта и посетителей и тщательной проработкой ими своего поведения для снижения риска задержания.

Анализ процесса выявления нарушителей при помощи ИИ и средств автоматизации позволяет сделать вывод о том, что на современном этапе требуется безотлагательная разработка моделей поведения нарушителей и формирования повторяющихся шаблонов их противоправного поведения. При создании моделей поведения должен быть использован комплексный подход, учитывающий множество факторов (в том числе косвенных) и их взаимосвязь между собой. В то же время необходимо учитывать, что совпадения косвенных признаков не всегда являются нелегитимными.

Все это позволяет сделать вывод о том, что системы дистанционного досмотра на основе ИИ пока имеют вспомогательный характер, но уже должны внедряться, так как обеспечивают срабатывание на основе подозрительных признаков. Автоматизированное определение их взаимосвязи помогает при мониторинге и прогнозировании возникновения запроектных ситуаций в процессе досмотра больших потоков сотрудников и посетителей объектов ОПК.

Формирование конфигурации системы дистанционного досмотра и обучение ее с использованием ИИ производится на основе результатов оценки уязвимости объекта ОПК, с учетом модели нарушителя и возможных сценариев его действий.

Развертывание системы видеонаблюдения на прилегающих к объекту ОПК городских (поселковых и т.п.) территориях общего пользования, которыми пользуется неограниченный круг лиц, служит для предупреждения и исключения бесконтрольного пребывания, фото- и видеосъемки на этих территориях. Размер этой территории, контролируемой вокруг объекта ОПК, определяется исходя из его конфигурации, рельефа местности, наличия рядом с ним рек, каналов, ручьев и оврагов; искусственных сооружений (мостов, труб, тоннелей, подпорных стен, регуляционных сооружений, галерей, селеспусков и др.); сооружений газо-, водо-, тепло- и электроснабжения, связи; канализационных насосных станций; зданий (производственных, жилых и общественных); строений (дымовых труб, телевизионных мачт); деревьев и кустарников.

Совместно с видеоконтролем остановок и стоянок транспорта около объектов ОПК появляется возможность формировать систему их многорубежной антитеррористической защищенности. Она обеспечивает выявление вероятных нарушителей не в толпе перед КПП, а заранее на безопасном расстоянии.

Ключевая роль в процессе анализа и принятия окончательных решений при этом по-прежнему отводится специалистам сил безопасности объекта ОПК.

Опубликовано в журнале "Системы безопасности" № 1/2025

Все статьи журнала "Системы безопасности"
доступны для скачивания в iMag >>