ОПТИМІЗАЦІЇ РЕЗЕРВУ ОБЛАДНАННЯ ДЛЯ ІНТЕЛЕКТУАЛЬНИХ АВТОМАТИЗОВАНИХ СИСТЕМ
DOI:
https://doi.org/10.28925/2663-4023.2021.14.8799Ключові слова:
Smart City; інтелектуальна автоматизована система управління; резерв обладнання; алгоритм; оптимізаціяАнотація
Запропоновано алгоритми для нейромережевого аналізатора, задіяного у системі підтримки прийняття рішень (СППР) у ході вибору складу резервного обладнання (СРО) для інтелектуальних автоматизованих систем управління (ІАСУ) Smart City. Розроблено модель, алгоритми та відповідне програмне забезпечення для вирішення оптимізаційного завдання вибору СРО, здатного забезпечити безперебійну роботу ІАСУ як в умовах технологічних збоїв, так і в умовах деструктивного втручання у роботу ІАСУ з боку атакуючих. Запропоновані рішення сприяють скороченню витрат на визначення оптимального СРО для ІАС на 15–17% порівняно з результатами відомих методів розрахунку. Наведено результати обчислювальних експериментів для вивчення ступеня впливу кількості виходів нейромережевого аналізатора на ефективність функціонування СРО для ІАСУ
Завантаження
Посилання
Alrashdi, I., Alqazzaz, A., Aloufi, E., Alharthi, R., Zohdy, M., & Ming, H. (2019, January). Ad-iot: Anomaly detection of iot cyberattacks in smart city using machine learning. In 2019 IEEE 9th Annual Computing and Communication Workshop and Conference (CCWC) (pp. 0305-0310). IEEE.
Rashid, M. M., Kamruzzaman, J., Hassan, M. M., Imam, T., & Gordon, S. (2020). Cyberattacks Detection in IoT-Based Smart City Applications Using Machine Learning Techniques. International Journal of Environmental Research and Public Health, 17(24), 9347.
Lee, J., Kim, J., & Seo, J. (2019, January). Cyber attack scenarios on smart city and their ripple effects. In 2019 International Conference on Platform Technology and Service (PlatCon) (pp. 1-5). IEEE.
Kalinin, M., Krundyshev, V., & Zegzhda, P. (2021). Cybersecurity Risk Assessment in Smart City Infrastructures. Machines, 9(4), 78.
Kitchin, R., & Dodge, M. (2019). The (in) security of smart cities: Vulnerabilities, risks, mitigation, and prevention. Journal of Urban Technology, 26(2), 47-65.
Ferraz, F. S., & Ferraz, C. A. G. (2014, December). Smart city security issues: depicting information security issues in the role of an urban environment. In 2014 IEEE/ACM 7th International Conference on Utility and Cloud Computing (pp. 842-847). IEEE.
Wu, Y. C., Sun, R., & Wu, Y. J. (2020). Smart city development in Taiwan: From the perspective of the information security policy. Sustainability, 12(7), 2916.
Wang, D., Bai, B., Lei, K., Zhao, W., Yang, Y., & Han, Z. (2019). Enhancing information security via physical layer approaches in heterogeneous IoT with multiple access mobile edge computing in smart city. IEEE Access, 7, 54508-54521.
Asghar, M. R., Hu, Q., & Zeadally, S. (2019). Cybersecurity in industrial control systems: Issues, technologies, and challenges. Computer Networks, 165, 106946.
Hajian-Hoseinabadi, H. (2011). Impacts of automated control systems on substation reliability. IEEE Transactions on Power Delivery, 26(3), 1681-1691.
Weber, P., & Jouffe, L. (2006). Complex system reliability modelling with dynamic object oriented Bayesian networks (DOOBN). Reliability Engineering & System Safety, 91(2), 149-162.
Cai, B., Liu, H., & Xie, M. (2016). A real-time fault diagnosis methodology of complex systems using object-oriented Bayesian networks. Mechanical Systems and Signal Processing, 80, 31-44.
Kuhn, R., & Culhane, D. P. (1998). Applying cluster analysis to test a typology of homelessness by pattern of shelter utilization: Results from the analysis of administrative data. American journal of community psychology, 26(2), 207-232.
Maździarz, A. Alarm Correlation in Mobile Telecommunications Networks based on k-means Cluster Analysis Method. Journal of telecommunications and information technology, 2, 2018, pp.95-102. https://doi.org/10.26636/jtit.2018.124518
Bapiyev, I. M., Aitchanov, B. H., Tereikovskyi, I. A., Tereikovska, L. A., & Korchenko, A. A. (2017). Deep neural networks in cyber attack detection systems. International Journal of Civil Engineering and Technology (IJCIET), 8(11), 1086-1092.
Wang, G., Hao, J., Ma, J., & Huang, L. (2010). A new approach to intrusion detection using Artificial Neural Networks and fuzzy clustering. Expert systems with applications, 37(9), 6225-6232.
Cilimkovic, M. (2015). Neural networks and back propagation algorithm. Institute of Technology Blanchardstown, Blanchardstown Road North Dublin, 15, 1-12.
Wilamowski, B. M. (2009). Neural network architectures and learning algorithms. IEEE Industrial Electronics Magazine, 3(4), 56-63.
Prechelt, L. (1996). A quantitative study of experimental evaluations of neural network learning algorithms: Current research practice. Neural Networks, 9(3), 457-462.
Karayiannis, N. B., & Venetsanopoulos, A. N. (1993). Fast learning algorithms for neural networks. In Artificial Neural Networks (pp. 141-193). Springer, Boston, MA.
Tamp, N. V., & Tamp, V. L. (2016). Programma raspoznavaniya sostoyanij informacionno-vychislitel'noj seti na osnove nejronnoj seti s obratnym rasprostraneniem oshibok. Svidetel'stvo o gosudarstvennoj registracii programmy dlya EVM Nomer svidetel'stva: RU 2016660599.
CHEN, Mu-Chen; HSU, Chih-Ming; CHEN, Shih-Wei. Optimizing joint maintenance and stock provisioning policy for a multi-echelon spare part logistics network. Journal of the Chinese Institute of Industrial Engineers, 2006, 23.4: 289-302.
MOURONTE-LÓPEZ, Mary Luz. Optimizing the spare parts management process in a communication network. Journal of Network and Systems Management, 2018, 26.1: 169-188.
