СОДЕРЖАНИЕ

ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ

РЕГУЛЯРИЗАЦИОННЫЙ АЛГОРИТМ ВОССТАНОВЛЕНИЯ РАЗМЫТОГО

ИЗОБРАЖЕНИЯ В ЗАДАЧЕ МАСКИРОВАНИЯ ИНФОРМАЦИИ
Васильев Константин Александрович, Новиков Анатолий Иванович...............................................................8

КОНЦЕПЦИИ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА

УЯЗВИМОСТЕЙ АВТОМАТИЗИРОВАННЫХ СИСТЕМ
Никулин Дмитрий Сергеевич...............................................................................................................................17

РЕШЕНИЕ ПРОБЛЕМЫ НЕСАНКЦИОНИРОВАННОГО ДОСТУПА

В СИСТЕМЕ КОНТРОЛЯ ОБОРОТА МОБИЛЬНОГО ОБОРУДОВАНИЯ
Степанов Павел Викторович................................................................................................................................26

ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБЕСПЕЧЕНИЯ

ПРЕВЕНТИВНЫХ МЕР В ОБЛАСТИ ЗАЩИТЫ ИНФОРМАЦИИ
Прокофьев Олег Владимирович...........................................................................................................................35

АВТОМАТИЗИРОВАННАЯ ИНФОРМАЦИОННАЯ СИСТЕМА ПРОВЕДЕНИЯ

ЛАБОРАТОРНЫХ ИССЛЕДОВАНИЙ ПРОЦЕССА СЕДИМЕНТАЦИИ
Скворцов Даниил Евгеньевич, Шадрин Дмитрий Германович,

Бурдонов Александр Евгеньевич, Шонходоев Зандан Чимитдашиевич.........................................................43

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

В СФЕРЕ ВЫСШЕГО ОБРАЗОВАНИЯ: ПОДГОТОВКА СТУДЕНТОВ

НЕПРОФИЛЬНЫХ СПЕЦИАЛЬНОСТЕЙ И НАПРАВЛЕНИЙ БАКАЛАВРИАТА
Бугакова Татьяна Юрьевна, Смирнов Дмитрий Юрьевич.................................................................................51

ОСОБЕННОСТИ СКАНИРОВАНИЯ КИНОПЛЁНОК 3-Й КАТЕГОРИИ С ПРИМЕНЕНИЕМ ДВУСТОРОННЕЙ ЛАМИНАЦИИ И НЕЛИНЕЙНОЙ ЦИФРОВОЙ ПОСТОБРАБОТКОЙ
Блинников Александр Вениаминович, Боровинский Дмитрий Владимирович,

Ковалев Игорь Владимирович.............................................................................................................................60

ПИЩЕВЫЕ ТЕХНОЛОГИИ

ОЦЕНКА КОМПЛЕКСНОГО ВЛИЯНИЯ УСЛОВИЙ РОСТА НА ПРОДУКТИВНОСТЬ

ХЛЕБОПЕКАРНЫХ ДРОЖЖЕЙ ПО БИОМАССЕ

ПРИ ПЕРИОДИЧЕСКОМ КУЛЬТИВИРОВАНИИ
Кузьмин Антон Алексеевич.................................................................................................................................70

РАЗРАБОТКА ФУНКЦИОНАЛЬНЫХ КОНФЕТ ДЛЯ НАСЕЛЕНИЯ АРКТИКИ
Шамилов Шамиль Асхабович, Заворохина Наталия Валерьевна, Тарасов Алексей Валерьевич.................80

ПОВЫШЕНИЕ СКОРОСТИ ПРОЦЕССА БРОЖЕНИЯ ХЛЕБНЫХ ЗАКВАСОК ПУТЕМ

ВВЕДЕНИЯ РАССОЛА КВАШЕНОЙ КАПУСТЫ С МОЛОЧНОКИСЛЫМИ БАКТЕРИЯМИ
Буракова Людмила Николаевна, Плотников Даниил Александрович..............................................................88

ИЗУЧЕНИЕ ВОПРОСА РАЦИОНАЛЬНОГО ИСПОЛЬЗОВАНИЯ

ПЕРСОНАЛА ШКОЛЬНЫХ СТОЛОВЫХ Г. КЕМЕРОВО
Костина Наталья Геннадьевна, Куракин Михаил Сергеевич, Григорьева Роза Завдятовна...........................96

РАЗРАБОТКА РЕЦЕПТУРЫ И ТЕХНОЛОГИИ ХЛЕБА, ОБОГАЩЕННОГО ПОРОШКОМ

ЕЖОВИКА ГРЕБЕНЧАТОГО И СЕМЕНАМИ ТЫКВЫ И ПОДСОЛНЕЧНИКА
Лазарев Владимир Александрович, Порошина Дарья Денисовна..................................................................104

ПРИМЕНЕНИЕ СВЧ-ОБРАБОТКИ СЫРЬЯ ДЛЯ СОВЕРШЕНСТВОВАНИЯ ТЕХНОЛОГИИ

ПЕРЕРАБОТКИ ЛИПИДСОДЕРЖАЩИХ ОТХОДОВ РЫБНОЙ ПРОМЫШЛЕННОСТИ
Васильева Жанна Вячеславовна, Петров Борис Федорович, Петрова Виктория Николаевна.....................111

ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ

ЭКСПЕРИМЕНТАЛЬНОЕ ОБОСНОВАНИЕ СПОСОБА ТУШЕНИЯ ПОЖАРА

С ПОМОЩЬЮ АКУСТИЧЕСКИХ КОЛЕБАНИЙ
Пузач Сергей Викторович, Витовщик Евгений Владимирович, Воробьев Николай Сергеевич.................117

АДСОРБЦИОННОЕ ИЗВЛЕЧЕНИЕ ИЗ ВОДНЫХ СРЕД ОРГАНИЧЕСКИХ КРАСИТЕЛЕЙ

(НА ПРИМЕРЕ САФРАНИНА Т) БЕНТОНИТОВЫМИ СОРБЕНТАМИ
Атаманова Ольга Викторовна, Тихомирова Елена Ивановна,

Абрамова Александра Сергеевна, Кошелев Алексей Васильевич..................................................................127

ВЫЯВЛЕНИЕ ПРИЗНАКОВ, ХАРАКТЕРИЗУЮЩИХ ПРОТЕКАНИЯ

СВЕРХТОКА В АЛЮМИНИЕВЫХ ПРОВОДНИКАХ, МЕТОДОМ

СКАНИРУЮЩЕЙ ЭЛЕКТРОННОЙ МИКРОСКОПИИ
Мокряк Анна Васильевна...................................................................................................................................133

ИССЛЕДОВАНИЯ УРОВНЯ ВОЗДЕЙСТВИЯ НА

ОКРУЖАЮЩУЮ СРЕДУ И ЧЕЛОВЕКА НЕГАТИВНЫХ ФАКТОРОВ

ПРОИЗВОДСТВЕННО-ХОЗЯЙСТВЕННОЙ ДЕЯТЕЛЬНОСТИ В ГОРОДЕ ПЕНЗА
Мишина Кристина Дмитриевна, Безбородова Оксана Евгеньевна,

Бодин Олег Николаевич, Камардина Наталья Владленовна...........................................................................142

СОВЕРШЕНСТВОВАНИЕ КРИТЕРИЕВ ОЦЕНКИ ЭКОЛОГИЧЕСКОЙ

ЭФФЕКТИВНОСТИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ НЕФТЕДОБЫЧИ
Захарова Елена Анатольевна, Широков Юрий Александрович, Мурко Елена Викторовна........................151

СНИЖЕНИЕ КОЛИЧЕСТВА ОПАСНЫХ ДЕЙСТВИЙ РАБОТНИКОВ

КАК СПОСОБ ПОВЫШЕНИЯ БЕЗОПАСНОСТИ ТРУДА НА ПРЕДПРИЯТИЯХ
Хасанова Валерия Карловна, Хайруллина Ляйсан Исмагиловна,

Тучкова Оксана Анатольевна, Хайруллин Руслан Зуфарович.........................................................................161

ИССЛЕДОВАНИЕ ТЕХНИЧЕСКИХ ФАКТОРОВ, ВЛИЯЮЩИХ НА БЕЗОПАСНОСТЬ

ЭКСПЛУАТАЦИИ ДВУХСТОЕЧНЫХ АВТОМОБИЛЬНЫХ ПОДЪЕМНИКОВ
Дмитриев Михаил Сергеевич, Старунов Александр Владимирович,

Руднев Валерий Валентинович, Хасанова Марина Леонидовна.....................................................................170

ЭКОЛОГИЧЕСКИ БЕЗОПАСНЫЙ СПОСОБ УТИЛИЗАЦИИ

ОТРАБОТАННОГО АДСОРБЕНТА ДЛЯ ОЧИСТКИ ВОДЫ
Вурдова Надежда Георгиевна.............................................................................................................................179

ПОВЫШЕНИЕ ЭЛЕКТРОБЕЗОПАСНОСТИ ПРИМЕНЕНИЕМ

УСТРОЙСТВА КОНТРОЛЯ НАВЕДЕННОГО НАПРЯЖЕНИЯ

В ШУНТИРУЮЩЕМ ЭКРАНИРУЮЩЕМ КОМПЛЕКТЕ ЭП-4(0)»
Перов Сергей Юрьевич, Макарова-Землянская Елена Николаевна,

Дремин Алексей Игоревич, Крамаренко Павел Николаевич...........................................................................188

КОЛЛОИДНО-ХИМИЧЕСКИЕ И ПОЖАРНО-ТЕХНИЧЕСКИЕ СВОЙСТВА

СО2-ГАЗОНАПОЛНЕННЫХ КОМПРЕССИОННЫХ ПЕН
Булатов Наиль Назимович...................................................................................................................................194

CONTENT

INFORMATION SCIENCE, COMPUTING DEVICES AND CONTROLING

REGULARIZATION ALGORITHM FOR RESTORING A BLURRED

IMAGE IN THE TASK OF MASKING INFORMATION
Vasiliev Konstantin Alexandrovich, Novikov Anatoly Ivanovich.............................................................................8

CONCEPTS OF USING NEURAL NETWORKS FOR VULNERABILITY

ANALYSIS AUTOMATED SYSTEMS
Nikulin Dmitry Sergeevich......................................................................................................................................17

SOLVING THE PROBLEM OF UNAUTHORIZED ACCESS IN

THE MOBILE EQUIPMENT TURNOVER CONTROL SYSTEM
Stepanov Pavel Viktorovich....................................................................................................................................26

APPLICATION OF ARTIFICIAL INTELLIGENCE TO PROVIDE PREVENTIVE

MEASURES IN THE FIELD OF INFORMATION PROTECTION
Prokofiev Oleg Vladimirovich.................................................................................................................................35

AUTOMATED INFORMATION SYSTEM FOR CONDUCTING

LABORATORY RESEARCH OF THE SEDIMENTATION PROCESS
Skvortsov Daniil Evgenievich, Shadrin Dmitry Germanovich,

Burdonov Alexander Evgenievich, Shonkhodoyev Zandan Chimitdashievich.......................................................43

ARTIFICIAL INTELLIGENCE TECHNOLOGIES IN HIGHER EDUCATION: TRAINING

OF STUDENTS OF NON-CORE SPECIALTIES AND DIRECTIONS

OF THE BACHELOR'S DEGREES
Bugakova Tatyana Yurievna, Smirnov Dmitry Yurievich........................................................................................51

FEATURES OF SCANNING FILMS OF THE 3RD CATEGORY USING DOUBLE-SIDED

LAMINATION AND NONLINEAR DIGITAL POST-PROCESSING
Blinnikov Alexander Veniaminovich, Kovalev Igor Vladimirovich, Borovinskii Dmitrii Vladimirovich.............60

FOOD TECHNOLOGY

EVALUATION OF THE COMPLEX EFFECT OF GROWTH CONDITIONS ON THE

PRODUCTIVITY OF BAKER'S YEAST BY BIOMASS DURING BATCH CULTIVATION
Kuzmin Anton Alekseevich....................................................................................................................................70

DEVELOPMENT OF FUNCTIONAL SWEETS FOR THE ARCTIC POPULATION
Shamilov Shamil Askhabovich, Zavorokhina Natalia Valeryevna, Tarasov Alexey Valeryevich...........................80

INCREASING THE RATE OF FERMENTATION OF BREAD LEAVENS

BY INTRODUCING SAUERKRAUT BRINE WITH LACTIC ACID BACTERIA
Burakova Lyudmila Nikolaevna, Plotnikov Daniil Aleksandrovich.......................................................................88

STUDYING THE ISSUE OF RATIONAL USE OF STAFF

IN SCHOOL CANTENSES OF KEMEROVO
Kostina Natalia Gennadievna, Kurakin Mikhail Sergeevich, Grigorieva Roza Zavdyatovna................................96

DEVELOPMENT OF THE RECIPE AND TECHNOLOGY OF BREAD ENRICHED

WITH COMBED HEDGEHOG POWDER AND PUMPKIN AND SUNFLOWER SEEDS
Lazarev Vladimir Alexandrovich, Poroshina Darya Denisovna............................................................................104

APPLICATION OF MICROWAVE TREATMENT OF RAW MATERIALS FOR IMPROVEMENT OF PROCESSING TECHNOLOGY OF LIPID-CONTAINING WASTES OF FISH INDUSTRY
Vasileva Zhanna Vyacheslavovna, Petrov Boris Fedorovich, Petrova Victoria Nikolaevna.................................111

TECHNOSPHERE SAFETY

EXPERIMENTAL SUBSTANTIATION OF A FIRE EXTINGUISHING

METHOD USING ACOUSTIC VIBRATIONS

Puzach Sergey Viktorovich, Vitovshchik Evgeny Vladimirovich, Vorobyov Nikolay Sergeevich.......................117

ADSORPTION FROM AQUEOUS SOLUTIONS OF ORGANIC DYES

(ON THE EXAMPLE OF SAFRANIN T) BY BENTONITE SORBENTS
Atamanova Olga Viktorovna, Tikhomirova Elena Ivanovna,

Abramova Alexandra Sergeevna, Koshelev Alexey Vasilievich...........................................................................127

DETECTION OF SIGNS CHARACTERIZING OVERCURRENT FLOW IN ALUMINIUM

CONDUCTORS BY THE METHOD OF SCANNING ELECTRON MICROSCOPY
Mokryak Anna Vasilevna......................................................................................................................................133

STUDIES OF THE LEVEL OF ENVIRONMENTAL AND HUMAN IMPACT OF NEGATIVE

FACTORS OF INDUSTRIAL AND ECONOMIC ACTIVITY IN THE CITY OF PENZA
Mishina Kristina Dmitrievna, Bezborodova Oksana Evgenievna,

Bodin Oleg Nikolaevich, Kamardina Natalya Vladlenovna..................................................................................142

IMPROVEMENT OF CRITERIA FOR ASSESSING THE ENVIRONMENTAL

EFFICIENCY OF OIL PRODUCTION PROCESSES
Zakharova Elena Anatolyevna, Shirokov Yuri Alexandrovich, Murko Elena Viktorovna....................................151

REDUCING THE NUMBER OF DANGEROUS ACTIONS OF EMPLOYEES

AS A WAY TO IMPROVE OCCUPATIONAL SAFETY AT ENTERPRISES
Khasanova Valeria Karlovna, Khairullina Liaisan Ismagilovna,

Tuchkova Oksana Anatolievna, Khairullin Ruslan Zufarovich.............................................................................161

STUDY OF TECHNICAL FACTORS AFFECTING

THE OPERATIONAL SAFETY OF TWO-POST LIFTS
Dmitriev Mikhail Sergeevich, Starunov Aleksandr Vladimirovich,

Rudnev Valery Valentinovich, Khasanova Marina Leonidovna............................................................................170

A SAFE ECOLOGICAL WAY TO DISPOSE OF WASTE SORBENT

FOR WATER PURIFICATION
Vurdova Nadejda Georgievna................................................................................................................................179

INDUCE VOLTAGE MONITORING DETECTOR OF SHIELDING

SHUNTING PROTECTIVE SUIT Ep-4(0)
Perov Sergey Yurevich, Makarova-Zemlyanskaya Elena Nikolaevna,

Dremin Aleksey Igorevich, Kramarenko Pavel Nikolaevich.................................................................................188

COLLOIDAL-CHEMICAL AND FIRE-TECHNICAL

PROPERTIES OF CO2-GAS-FILLED COMPRESSION FOAMS
Bulatov Nail Nazimovich......................................................................................................................................194

УДК: 004.932: 519.64

EDN: FQFJOJ

РЕГУЛЯРИЗАЦИОННЫЙ АЛГОРИТМ ВОССТАНОВЛЕНИЯ РАЗМЫТОГО ИЗОБРАЖЕНИЯ

В ЗАДАЧЕ МАСКИРОВАНИЯ ИНФОРМАЦИИ

© Автор(ы) 2024

ORCID: 0009-0009-8551-8530

ВАСИЛЬЕВ Константин Александрович, аспирант

Рязанский государственный радиотехнический университет им. В.Ф. Уткина

(390005, город Рязань, улица Гагарина, 59/1, e-mail: cornholio62@yandex.ru)

SPIN: 9185-2722

AuthorID: 681633

ORCID: 0000-0002-8166-8234

НОВИКОВ Анатолий Иванович, доктор технических наук,

профессор кафедры «Высшая математика»

Рязанский государственный радиотехнический университет им. В.Ф. Уткина

(390005, город Рязань, улица Гагарина, 59/1, e-mail: novikovanatoly@yandex.ru)

Аннотация. При передаче информации по открытым каналам связи часто возникает необходимость сокрытия этой информации без использования специальных методов шифрования. В статье рассматривается метод маскирования информации посредством размытия пересылаемого сообщения линейным фильтром с подобранным должным образом ядром преобразования. Незнание ядра преобразования третьими лицами и необходимость применения достаточно сложного математического аппарата для восстановления информации на принимающей стороне создают условия, при которых достигается достаточно надежный уровень сокрытия служебной информации. В работе сначала на примере одномерных сигналов исследуются способы наиболее эффективного размытия, обеспечивающие устойчивое маскирование информации как за счет увеличения ненулевой части ядра преобразования, так и за счет изменения формы ядра. На следующем шаге исследований в работе рассматриваются способы корректного восстановления размытых одномерных сигналов и изображений текстовой информации. Задача восстановления размытого изображения является некорректной обратной задачей. Из известных методов решения обратной задачи в работе реализуется регуляризационный алгоритм, основанный на решении параметрического семейства линейных алгебраических уравнений с теплицевой основной матрицей. В пункте «Результаты» приводится пример размытия текстового сообщения и его восстановления по программе, реализующей разработанный алгоритм.

Ключевые слова: размытие изображения, ядро оператора, стабилизирующий функционал, параметр регуляризации, восстановленное изображение.

REGULARIZATION ALGORITHM FOR RESTORING A BLURRED IMAGE

IN THE TASK OF MASKING INFORMATION

© The Author(s) 2024

VASILIEV Konstantin Alexandrovich, post-graduate student

Ryazan State Radio Engineering University named after V.F. Utkin

(59/1 Gagarin Street, Ryazan, 390005, e-mail: cornholio62@yandex.ru)

NOVIKOV Anatoly Ivanovich, doctor of technical sciences,

professor of the Department of Higher Mathematics

Ryazan State Radio Engineering University named after V.F. Utkin

(59/1 Gagarin Street, Ryazan, 390005, e-mail: novikovanatoly@yandex.ru)

Abstract. When transmitting information over open communication channels, it is often necessary to conceal this information without using special encryption methods. The article discusses the method of masking information by blurring the transmitted message with a linear filter with a properly selected conversion core. Ignorance of the conversion core by third parties and the need to use a sufficiently complex mathematical apparatus to restore information on the receiving side create conditions under which a sufficiently reliable level of concealment of official information is achieved. In the work, first, using the example of one-dimensional signals, the methods of the most effective blurring are investigated, ensuring stable masking of information both by increasing the non-zero part of the transformation core and by changing the shape of the core. At the next step of the research, the paper considers ways to correctly restore blurred one-dimensional signals and images of textual information. The task of restoring a blurred image is an incorrect inverse task. Of the known methods for solving the inverse problem, a regularization algorithm is implemented in the work based on solving a parametric family of linear algebraic equations with a Toeplitz basic matrix. The "Results" section provides an example of blurring a text message and restoring it using a program implementing the developed algorithm.

Keywords: image blurring, operator core, stabilizing functional, regularization parameter, reconstructed image.

Для цитирования: Васильев К.А. Регуляризационный алгоритм восстановления размытого изображения в задаче маскирования информации / К.А. Васильев, А.И. Новиков // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 8-16. – EDN: FQFJOJ.

Введение. В промышленных системах техничес-кого зрения (СТЗ) практически всегда приходится решать задачу подавления дискретного белого шума. Например, в СТЗ летательных аппаратов и робототехнических комплексов есть подсистема предварительной обработки изображения, вклю-чающая в себя задачу улучшения изображения [1, 2]. Применяемые для этих целей линейные операторы (фильтры) A работают как свертка ядра (маски) оператора размером (2k+1)×(2k+1) с фрагментом изображения [1]:

(1)

Чем больше размер ядра, тем лучше подавляется шум. Одновременно увеличивается размытие изоб-ражения. Проблема размытия изображений в СТЗ промышленного уровня заключается в том, что создаются неблагоприятные условия для решения задач более высокого уровня, в частности задач сегментации и детектирования границ перепада яркостей [1]. Конечно, для фильтрации дискретного белого шума можно использовать нелинейные фильтры, например, билатеральный фильтр или сигма-фильтр и в результате предотвратить размы-тие изображения, сохранив при этом сглаживающие свойства фильтра [1, 3].

Эффект размытия изображения при применении линейных сглаживающих операторов (1) можно использовать для маскирования информации, содер-жащейся, например, в текстовом или голосовом сообщении. Для маскирования информации ис-пользуются различные подходы. Например, в [4] предложено использовать для обеспечения безопас-ной связи теорию хаотических аттракторов. При этом предложенный метод маскирования доведен до уровня практического применения в виде соответствующего программного комплекса [5]. Ис-пользование процедуры маскирования информации с помощью достаточно сложного математического аппарата требует от третьих лиц, пытающихся получить доступ к конфиденциальной информации, привлечения высококвалифицированных математи-ков и программистов. Необходимые для этого вре-менные и финансовые затраты могут превышать эффект от доступа к скрытой информации. Поэтому маскирование информации с использованием мате-матических методов, предполагающих применение достаточно сложного математического аппарата на принимающей стороне для восстановления информации, имеет перспективы для развития и применения на практике.

Размытия изображения на передающей стороне с целью маскирования информации порождает проблему восстановления размытого изображения на принимающей стороне. Восстановление размытого изображения, как уже отмечалось, должно быть максимально затруднено для третьих лиц и обеспе-чивать корректное восстановление с минимальными вычислительными затратами на принимающей сто-роне. Этого можно добиться за счет выбора формы и размера ядра размытия. Некорректность обратной задачи создает дополнительные преграды на пути несанкционированного доступа к передаваемой информации. Для решения обратной задачи восста-новления нужны специальные математические ме-тоды и соответствующее программное обеспечение. Размытие как способ маскирования информации, передаваемой по незащищенным каналам связи, можно использовать для передачи служебной ин-формации, содержащей конфиденциальные сведения.

Методология. Процесс формирования сигнала с неидеальной аппаратной функцией описывается интегральным уравнением Фредгольма 1-го рода [6-8]:

(2)

для одномерного сигнала и:

(3)

– для двумерного (изображения). В (2) и (3) K(x, s), K(x, y, t, s) – ядра интегрального уравнения (аппаратная функция прибора); f(x), f(x, y) – наблюдаемые сигналы (изображения); φ(s), φ(t, s) – истинные сигналы, ко-торые должны быть найдены в результате решения уравнений (2) и (3). Подобные задачи возникают в спектроскопии, радиолокации и при формировании изображения со смещенным фокусом [8-11].

Идеальная аппаратная функция прибора – это дельта-функция. В реальных приборах такая функция, как правило, имеет вид кривой задаваемой функцией K(x, s)=q·exp(-r(x – s)2) – в одномерном случае и

K(x, y, t, s)=q·exp(-(r1(x – s)2 + r2(y – t)2)) (4)

– в двумерном. Здесь q, r1, r2 – некоторые константы, определяющие «амплитуду» и островершинность колоколообразной поверхности, задаваемой функцией (4). Функция (4) может быть переписана в виде:

K(x, y, t, s)=K1(x, s)· K2(y, t).

Такая особенность функции вида (4) позволяет размыть изображение I сначала по строкам с ядром K1(x, s), получив в результате этого шага изображение I1= K1 ×I. Затем полученное изображение I1 размыть по столбцам с ядром K2(y, t): I2= K2 ×I1.

Восстановление изображения, размытого с ис-пользованием ядра вида (4) также можно осущест-вить в два этапа. Сначала восстановить проме-жуточное изображение Î1=A-1I2, а после этого исходное изображение: Î1=A-1Î1. Проблема, возникающая при восстановлении сигнала в реальных системах, зак-лючается в том, что правая часть уравнения (2) или (3) – функция f – известна неточно. Вместо нее наблю-дается функция такая, что . При этом, как известно [6], даже малые изменения функции f могут приводить к большим изменениям результата решения уравнения (2) или (3). Поэтому прямое применение обратного оператор A-1 для нахождения решения задачи невозможно. Общепринятый подход к поиску квазиоптимального решения заключается в замене исходной некорректной задачи задачей условной минимизации [6]:

, (5)

где

.

Параметр q в составе стабилизирующего функционала Ω[y] определяет требования к степени гладкости получаемого решения. Если q=1, то , если же q=0, то .

Параметр α в составе сглаживающего функцио-нала J(y, fδ, α) является параметром регуляризации.

Квазиоптимальное решение φ(x) в одномерном случае, или φ(x, y) в двумерном, ищется как решение интегро-дифференциального уравнения Эйлера

(6)

где

Отметим, что Wφ=φ в метрике пространства L2[a,b]. На дискретной сетке уравнению Эйлера (6) будет отвечать система линейных алгебраических уравнений

, (7)

в составе которой матрица R имеет следующий вид:

,

Матрица R порождена вектор-строкой (rk, rk-1, ... r1, r0, r1, ..., rk-1, rk ). Каждая следующая строка этой матрицы получается в результате циклического сдвига на одну позицию элементов предыдущей строки. При этом матрица W в (7) будет совпадать с единичной матрицей в случае поиска решения уравнения Эйлера в метрике пространства L2[a,b]. Введем обозначения B=RTR+αE, V=RTF. В резуль-тате система линейных алгебраических уравнений (СЛАУ) (7) примет следующий вид:

B·Φ=V. (8)

Матрица B данной СЛАУ является симметрич-ной, положительно определенной и. теплицевой [12]. Значит, для решения СЛАУ (8) можно использовать устойчивые к вычислительным ошибкам, что важно для некорректных задач, и более быстрые алгорит-мы. Это либо метод квадратного корны [13, 14], ли-бо метод решения СЛАУ с теплицевой основной матрицей [12].

Приведем в кратком изложении алгоритм решения некоторой СЛАУ AZ=B с теплицевой основной матрицей A, изложенный в [12]. Пусть

.

A – заданная теплицева матрица, B – заданный вектор-столбец правой части,

Z – подлежащий определению вектор-столбец неизвестных.

Здесь p0 – произвольное ненулевое число. Можно принять p0 =1. Здесь и далее x0(k) – элементы вспомогательного вектора.

,

, (9)

,

,

– на последнем n-м шаге.

В настоящей работе реализован поиск оптимального решения СЛАУ (8) в метрике пространства L2[a,b] с теплицевой основной матри-цей B по следующему алгоритму [7]:

– задается монотонно убывающая последова-тельность 1, 10-1, 10-2, 10-3, ... значений параметра регуляризации α;

– для каждого значения параметра регуляризации αk формируется и решается СЛАУ (8). В результате получается параметрическое семейство решений Yi=Y(αi ), i = 1,2, ...;

– начиная со второго шага (со второй СЛАУ) вычисляется уклонение δi=||Yi – Yi-1||2 в евклидовой метрике текущего вектора Yi от предыдущего Yi-1;

– начиная с четвертого шага проверяется выполнение неравенств .

Если для некоторого i0 (для некоторого αi0) эти неравенства выполняются, то производится уточнение оптимального значения параметра регуляризации и отвечающего ему квазиоптимального решения Yopt=Y(αopt ) на более мелкой сетке в окрестности точки αi0.

Для формирования ядра размывающего оператора использовалась порождающая функция вида:

, (10)

где λ=0.8, s – центр ядра, σ – параметр, от которого зависит длина ненулевой части ядра. Функция (9) определена на всей числовой оси, но при этом K(x, s)→0 при x→∞. Поэтому «хвосты» функции K(x, s) обрезаются.

В результате получается вектор-строка (rk, rk-1, ... r1, r0, r1, ..., rk-1, rk ) конечной длины (2k+1). Подбор параметров в формуле (9), обеспечивающих формирование вектор-строки такой длины дости-гается условиями rk=10-6, .

В итоге, разностное ядро, например длины 2k+1=101, имеет следующий вид (рис. 1).

Рисунок 1 – Ядро размытия длины 101

Результаты. Размытие и восстановление одно-мерного сигнала. Чтобы оценить работу вышеопи-санного алгоритма по размытию и восстановлению изображения, для начала возьмем лишь одну его цветовую составляющую, которая по сути своей является строкой пикселей с разными яркостными характеристиками (рис. 2).

Далее размоем его ядрами различной длинны. Начиная с длины ядра равной 15, пики на сигнале начинают сглаживаться, при длине 31 они полностью пропадают (рис. 3).

Однако, даже при полностью пропавших пиках на сигнале, его можно восстановить, зная ядро. Для восстановления сигнала, используем алгоритм описанный выше. Составим матрицу R и решим СЛАУ B∙Φ=V с помощью теплицевой матрицы, принимая во внимание следующие значения па-раметра регуляризации α: [1, 10-1, 10-2, 10-3, ..., 10-10]. В результате получим параметрическое семейство решений Yi=Y(αi ) (рис. 4).

Квазиоптимальное решение достигается при α=10-10 (рис. 5б).

Если посчитать среднеквадратичное отклонение δi=||Yi – Yi-1||, то как видно из (рис. 6), семейство оптимальных значений начинается с пятого значения α=10-3.

При большой длине ядра, например уже с длинны равной 41 в восстановленном сигнале наблюдается неточности (рис. 7б)

Теперь размоем сигнал ядром более сложной формы (рис. 8).

Как видно из (рис. 9), более сложная форма ядра сильнее размывает исходный сигнал при меньшей длине ядра.

Рисунок 2 – Исходный одномерный сигнал

а)	б)
в)	г)

Рисунок 3 – Исходный сигнал размытый ядром: длиной 15 (а), длиной 19 (б), длиной 25 (в), длиной 31 (г)

Рисунок 4 – Восстановленный сигнал, при различных значениях α

а)

б)

Рисунок 5 – Исходный сигнал (а), Восстановленный сигнал, при α=10-10 (б)

Рисунок 6 – Поиск оптимального решения

а)

б)

Рисунок 7 – Исходный размытый сигнал при ядре 41 (а), Восстановленный сигнал -зеленая линия, исходный сигнал – синяя линия(б)

Рисунок 8 – Ядро размытия сложной формы, длинной 51

Размытие и восстановление изображения текста. Теперь применим алгоритм размытия и восста-новления к изображению текста. На рисунке 10а и 10б приведены соответственно исходное текстовое изображение и результат его размытия при указан-ных выше размерах вектор-строки (rk, rk-1, ... r1, r0, r1, ..., rk-1, rk ), порождающей ядро размытия R.

После проведения размытия по краям изоб-ражения появились черные полосы. Для исключе-ния таких полос выполнялись дополнительные построения. К исходному изображению слева и справа дополнялось по k столбцов пикселей. Для получения дополнительных столбцов пикселей слева отображались зеркально первые k столбцов матрицы исходного изображения. Для получе-ния дополнительных столбцов пикселей справа отображались зеркально последние k столбцов матрицы исходного изображения. В результате размер матрицы I увеличивался на 2k столбцов: dim(Iij )=M×(N+2k), где M – высота изображения, а N – ширина. После размытия такого изображения черные полосы остаются, но они приходятся на дополнительные пиксели. После отбрасывания дополнительных пикселей, получаем корректное размытие (рис. 11).

Теперь восстановим размытое изображение текста, приведенное на рисунке 10а. Аналогично восстановлению исходного одномерного сигнала, проведем восстановление размытого изображе-ния, используя следующие значения параметра регуляризации α: [1, 10-1, 10-2, ..., 10-10]. Наиболее близким к исходному изображению оказалось восстановленное изображение при значении па-раметра регуляризации α=10-5 (рис. 12).

а)	б)
в)	г)

Рисунок 9 – Исходный сигнал размытый ядром: длиной 15 (а), длиной 21 (б), длиной 27 (в), длиной 33 (г)

а)

б)

Рисунок 10 – Исходное изображение текста (а) и результат его размытия (б)

Рисунок 11 – Размытое изображение с отброшенными дополнительными пикселями

Рисунок 12 – Восстановленное изображение при α=10-5

УДК 004.8

EDN: MRSTCC

КОНЦЕПЦИИ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА УЯЗВИМОСТЕЙ

АВТОМАТИЗИРОВАННЫХ СИСТЕМ

© Автор(ы) 2024

SPIN: 3370-6802

AuthorID: 1245475

ORCID: 0009-0000-9099-830X

НИКУЛИН Дмитрий Сергеевич, аспирант

Пензенский государственный технологический университет

(440045, Россия, Пенза, улица Ладожская, дом 128, e-mail: nikulin1997.05@mail.ru)

Аннотация. Обеспечение соответствующего уровню важности хранимой и обрабатываемой информации уровня ее защищенности является одной из наиболее важных проблем как государственных, так и частных организаций. Для обеспечения информационной безопасности автоматизированных систем актуально создание и использование программных средств для выявления уязвимостей и угроз, способных стать причиной несанкционированного доступа к данным и возможных действий, направленных на уничтожение данных или нарушение нормального функционирования системы. Применение таких средств обеспечивает возможность определения уязвимостей в информационной системе, предупреждение возможных угроз, снижение вероятности их воздействия на систему и уровня рисков, связанных с наличием уязвимостей. Перспективным методом решения данной задачи является применение искусственных нейронных сетей, позволяющих ускорить анализ уязвимостей и повысить его точность. В статье дается расширенное толкование термина «уязвимость», представлено ранжирование уязвимостей с учетом соответствующих нормативных документов, рассматривается архитектура и примеры применения нейронных сетей для обнаружения уязвимостей автоматизированных систем. Рассмотрены разные подходы к решению данной задачи, приведены их достоинства и недостатки. На основе сравнительного анализа существующих подходов обоснованы перспективные концепции развития данной технологии, способные стать базовым инструментарием дальнейших разработок.

Ключевые слова: автоматизированная система, информация, безопасность, нейронная сеть, анализ, уязвимость, программное обеспечение, аппаратное обеспечение, обработка данных, структура.

CONCEPTS OF USING NEURAL NETWORKS FOR VULNERABILITY ANALYSIS

AUTOMATED SYSTEMS

© The Author(s) 2024

NIKULIN Dmitry Sergeevich, post-graduate student

Penza State Technological University

(440045, Russia, Penza, Ladozhskaya Street, 128, e-mail: nikulin1997.05@mail.ru)

Abstract. Ensuring the level of security appropriate to the level of importance of stored and processed information is one of the most important problems for both public and private organizations. To ensure the information security of automated systems, it is important to create and use software tools to identify vulnerabilities and threats that can cause unauthorized access to data and possible actions aimed at destroying data or disrupting the normal functioning of the system. The use of such tools makes it possible to identify vulnerabilities in the information system, prevent possible threats, reduce the likelihood of their impact on the system and the level of risks associated with the presence of vulnerabilities. A promising method for solving this problem is the use of artificial neural networks, which make it possible to speed up vulnerability analysis and increase its accuracy. The article provides an expanded interpretation of the term "vulnerability", presents a ranking of vulnerabilities taking into account relevant regulatory documents, examines the architecture and examples of the use of neural networks to detect vulnerabilities in automated systems. Different approaches to solving this problem are considered, their advantages and disadvantages are given. Based on a comparative analysis of existing approaches, promising concepts for the development of this technology are substantiated, which can become the basic tools for further development.

Keywords: automated system, information, security, neural network, analysis, vulnerability, software, hardware, data processing, structure.

Для цитирования: Никулин Д.С. Концепции применения нейронных сетей для анализа уязвимостей автоматизированных систем / Д.С. Никулин // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. –
Т. 13. – № 3(67). – С. 17-25. – EDN: MRSTCC.

Введение. Одной из наиболее актуальных проб-лем современных автоматизированных инфор-мационных сетей и систем является обеспечение соответствующего уровня информационной безо-пасности. Количество угроз в данной области возрастает со временем в геометрической прог-рессии. Компания «F.A.C.C.T.» предоставила поль-зователям [1] ежегодный отчет информационных атак на компании РФ за 2023-2024 годы, в котором отмечается рост следующих типов атак:

– политически мотивированные преступления;

– атаки с применением программ-шифроваль-щиков;

– рассылки сообщений с вредоносным кодом;

– увеличение числа закрытых форумов злоу-мышленников.

Злоумышленники осваивают и используют наиболее эффективные с точки зрения быст-родействия и обхода защитных систем программные средства взлома и нарушения целостности авто-матизированных информационных систем компаний и организаций. Данные средства часто исполь-зуют нейронные сети и машинное обучение. Более того, в условиях современного информационного общества так называемые «хакеры» уже не яв-ляются отдельными лицами, занимающимися ин-формационными преступлениями из хулиганских побуждений, но представляют собой сплоченные группы разработчиков вредоносного программного обеспечения (ПО) с четко поставленными целями и задачами. Они используют для связи между собой и обмена инновационными разработками специализированные форумы, доступ к которым можно получить только по приглашению доверенного лица [2].

Обеспечение надлежащего уровня инфор-мационной безопасности является важным ас-пектом деятельности любой организации, в особенности, если в ее информационной системе обрабатывается конфиденциальная информация, в частности, персональные данные отдельных лиц, а также присутствуют сведения, представляющие коммерческую или государственную тайну. Ана-лиз уязвимостей и потенциальных угроз инфор-мационной безопасности – важный аспект политики безопасности автоматизированных систем и ло-кальных сетей, направленный на выявление их уязвимых мест и предотвращение реализации потенциальных угроз. Далеко не все угрозы оказывают вредоносное воздействие на систему немедленно – существует, например, целый подкласс троянских программ, которые никак не проявляют своего присутствия в системе, либо маскируются, передавая данные злоумышленнику. Ущерб от воз-действия таких программ может оказаться больше, чем от непосредственно прямого вмешательства в функционирование системы, например, DDoS атаки. Развитие нейронных сетей в последние годы привело к разработке технологии их применения в целях обеспечения информационной безопасности. Портал «Securelist», публикующий отчеты деятельности компании «Лаборатория Касперского», отмечает [3], что нейронные технологии активно применяются при анализе уязвимостей систем и разработке инструментов «пентестинга» – тестирования на возможность проникновения в систему.

Из вышесказанного следует, что в сфере инфор-мационной безопасности актуально оценивание эффективности нейронных сетей для анализа уяз-вимостей автоматизированных информационных систем и определение перспективных направлений исследований в данной области.

Для достижения поставленной цели решаются задачи:

– определение понятия «уязвимость», анализ руководящих документов и методов ранжирования уязвимостей;

– уточнение понятия «нейронная сеть», ее структуры и особенностей проектирования, наце-ленных на применение в указанной области;

– обоснование концепции технологий приме-нения нейронных сетей для анализа уязвимостей автоматизированных систем;

– определение направлений дальнейших иссле-дований.

Для решения поставленных задач проведен анализ публикаций по данной проблематике, выделены источники статистических данных из онлайн-ресурсов крупных корпораций, известных исследованиями в соответствующей области, и имеющих необходимые сертификаты подтверждения легитимности деятельности. При этом использо-ваны действующие государственные стандарты, регламентирующие терминологию и мероприятия в данной области, отдельные учебные пособия, публикации ведущих отечественных и зарубежных ученых с ретроспективой в пределах 5 лет.

Методология. 1.1 Основные виды угроз и уязвимостей автоматизированных систем. В нас-тоящее время многие компании государственного и коммерческого сектора занимаются аутсорсингом, консалтингом и аудитом безопасности своих авто-матизированных систем. Необходимо различать данные понятия. Аутсорсинг – передача части задач, стоящих перед организацией третьим лицам, предоставляющим данные услуги, например, перевод части информационных активов с наименьшими рисками в облачные хранилища данных внешнего провайдера. Кроме того, фирмы по аутсорсингу могут оказывать услуги и в сфере информационной безопасности (ИБ), осуществляя анализ и защиту от угроз силами нанятых специалистов. Консалтинг ИБ в свою очередь, представляет совокупность услуг по анализу состояния ИБ системы организации и ее оценку соответствия правовым актам Федеральной службы по техническому и экспортному контролю (ФСТЭК), либо Федеральной службы безопасности (ФСБ). Аудит информационной безопасности – это всесторонний анализ системы, позволяющий оценить уровень ее защищенности и спланировать мероприятия информационной безопасности данной организации. Регламентируется аудит в соответствии со стандартом ГОСТ Р ИСО/МЭК 27007-2021 [4].

Для дальнейших исследований необходимо обозначить различие между уязвимостью и угрозой. Термины «угроза информационной безопасности» и «уязвимость информационной безопасности» регламентируются ГОСТом Р 53114-2008 «Защита информации». В соответствии с данным докумен-том «угрозой» является «совокупность условий и факторов, создающих потенциальную или реально существующую опасность нарушения безопасности информации» [5]. Уязвимость (в некоторых интерпретациях – «брешь») – «свойство информационной системы, обусловливающее воз-можность реализации угроз безопасности, обраба-тываемой в ней информации» [5]. Риск согласно ГОСТ Р 57580.3-2022 [6] – это «возможность реализации информационных угроз (в совокупности с последствиями от их реализации), которые обусловлены недостатками процессов обеспечения операционной надежности и защиты информации…».

Из анализа этих понятий следует, что уязвимости могут приводить к возникновению (гипотетической или практической) угроз информационной безо-пасности. Практический пример уязвимости – незащищенный канал связи, к которому может подключиться злоумышленник. Возможное подклю-чение к данному каналу связи – угроза. Вероятность осуществления данного подключения и величина возможного ущерба – риск.

Наглядно взаимосвязь данных понятий де-монстрирует модель эффективных механизмов оценки рисков Клементса-Хоффмана [7].

Для классификации уязвимостей уместно проа-нализировать основные понятия, относящиеся к данной сфере.

Автоматизированной системой (АС) является «система, состоящая из комплекса средств авто-матизации, реализующего информационную тех-нологию выполнения установленных функций, и персонала, обеспечивающего его функционирование» [8]. Наиболее часто упоминаемым типом АС являет-ся автоматизированная информационная система (АИС) – системы с управлением оператором, предназначенные для поиска, сбора, накопления, хранения, передачи, обработки информации с использованием вычислительной техники, компью-терных информационных сетей, средств и каналов связи.

Различные специалисты классифицируют уяз-вимости АС по-разному, наиболее популярными системными классификаторами уязвимостей яв-ляются OWASP Top 10, CVE, CAPEC, а также классификация основных уязвимостей информа-ционных систем персональных данных (ИСПД) [9]. Для классификации угроз в РФ представляет-ся целесообразным использовать последний из приведенных выше стандартов, так как он разработан ФСТЭК РФ и обладает необходимыми лицензиями для применения в отечественных компаниях. Виды уязвимостей зависят от:

– типа АС [10] (автоматизированные системы управления (АСУ), автоматизированные инфор-мационно-справочные системы (АИСС), системы поддержки принятия решения (СППР) и т.д.);

– уровня важности данных (ФСТЭК РФ разделяет 9 уровней защищённости от несанкционированного доступа к информации, каждый класс характери-зуется определённой минимальной совокупностью требований по защите [11]);

– методов организации хранения данных (в каком виде хранятся данные, какие файловые системы используются, применяются ли аутсорсинг облачных хранилищ, узлы хранения данных являются распределенными или централизованными [12]);

– типа каналов связи (витая пара, беспроводное соединение, оптоволоконный кабель);

– сознательности сотрудников и проведения мероприятий по разъяснению важности соблюдения контроля требований информационной безопасности;

– организации информационной защиты (технические и программные средства защиты – межсетевые экраны, антивирусы, проверка подлинности, разграничение прав доступа).

Виды уязвимостей регламентирует документ ГОСТ Р 56546-2015 "Защита информации. Уяз-вимости информационных систем. Классификация уязвимостей информационных систем" [9]. Согласно данному документу, уязвимости возникают по следующим причинам:

– ошибки проектирования, внедрения и эксплуатации программных и аппаратных средств;

– преднамеренная организация уязвимостей в процессе проектирования, внедрения и эксплуатации программных и аппаратных средств;

– неправильные настройки программ и обо-рудования, ошибки в эксплуатации;

– установка неучтенного ПО;

– внедрение вредоносного ПО, непреднамерен-ные действия пользователей, повлекшие за собой возникновение уязвимостей;

– сбои в работе системы, вызванные стихийными факторами.

Основными инструментами для определения уязвимостей различных технологических систем служат системы мониторинга данных безопасности (SIEM), сетевые мониторы анализа трафика в реальном времени, платформы ответа на инциденты и оценки угроз (TIP), отдельные сканеры состояния системы [13].

1.2. Архитектура нейронной сети. Рассмотрим структуру нейронной сети, пригодной для ее применения в данной области. Нейрон как базовый элемент искусственной нейронной сети представляет собой аналог реальной нервной клетки и реализует определенную математическую функцию. Входы нейрона имеют веса (weights), на которые умножаются входные сигналы, после чего значения суммируются, и к ним добавляется смещение (позволяет управлять активацией нейрона). Далее сумма значений подвергается функциональному преобразованию в соответствии с функцией активации и результат передается на выход (рис. 1) [14].

Рисунок 1 – Структурная схема нейрона искусственной нейронной сети

Функция активации нейрона имеет разное математическое выражение в зависимости от предполагаемого результата [14], основные функции перечислены ниже.

1. Линейная функция (1), применение которой ограничивается задачами регрессии, в силу чего подходит для решения относительно простых задач.

f(x) = kx (1)

2. Сигмоидная логическая функция (2) решает задачи бинарной классификации, т.е. прогнозирование вероятности отнесения объекта к одному из пары классов. У данной функции существует проблема затухания градиента в глубоких сетях.

(2)

3. Гиперболический тангенс (3) является мо-дификацией сигмоидной функции, он подходит для комбинации слоёв, принимая значения из диапазона (–1, +1). Как и сигмоиде гиперболическому тангенсу свойственна проблема исчезновения градиента, но в данном случае она не столь значительна.

(3)

4. Ступенчатая или пороговая функция (4) ввиду особенностей графика не дифференцируется, в глубоком обучении почти не используется из-за отсутствия затухания.

(4)

5. Функция активации ReLU (Rectified Linear Unit) (5) активирует нейрон, если значение входного сигнала положительное, в противном случае вырабатывается 0. Часто применяется в глубоких нейронных сетях благодаря простоте использования и отсутствию затухающего градиента, но может вызывать «мертвые нейроны» с отрицательным входом.

f(x) = max (0, x) (5)

6. Функция Softmax (6) распространена в зада-чах многоклассвой классификации (распознавание изображений, обработка естественного языка), преоб-разует каждый элемент входного вектора в число от 0 до 1, общая их сумма равна 1.

(6)

где: x = входной вектор; xi = i-й элемент входного вектора; K = количество классов или длина входного вектора; e = основание натурального логарифма.

Собственно, нейронная сеть является способом соединения нейронов между собой для вычисления конкретного результата. Типовая нейронная сеть состоит из трех частей – входной слой, скрытый слой и выходной слой. Скрытый слой может сочетать в себе множество слоев нейронов. Важно отметить, что нейросеть считается глубокой, если в скрытых слоях больше одного слоя нейронов [14]. Существует множество архитектур нейронных сетей в зависимости от решаемых задач. Хотя четкой классификации их структур до сих пор не предложено, в качестве наиболее часто применяемых можно выделить следующие основные архитектуры:

1) персептрон – самая простая архитектура нейронной сети, состоящая из одного или нескольких нейронов, образующих один слой, который принимает и обрабатывает входные сигналы, образуя выходные значения. В настоящее время применяется для решения простых задач классификации, обнаружения образов или предсказаний;

2) сверточные нейронные сети служат для обработки видеоданных и изображений. Особенности – применение операции свёртки к входным данным для извлечения из них важных признаков, и применение пулинга для уменьшения размеров данных. Пулинг – выделение в некоторой области данных необходимых по условию признаков или свойств для того, чтобы акцентироваться на них, прекратив поиск других признаков в данной области;

3) рекуррентные нейронные сети используют технологию циклической обратной связи, полученные на предыдущих циклах результаты используются в качестве входной информации в последующих циклах обработки. Данная особенность актуальна для реше-ния задач, где контекст содержимого имеет значе-ние, например, при обработке последовательностей, анализе текста, выявлении временных рядов;

4) глубокая многослойная нейронная сеть включает в себя множество скрытых слоев (более трех), она применяется для решения сложных задач, подобных обработке естественного языка, обучению с подкреплением, генерации данных, распознаванию визуальных образов. Располагает возможностью извлечения высокоуровневых признаков из больших объемов иерархических данных;

5) генеративно-состязательная сеть – это тип нейронной сети, состоящей из двух моделей: генератора и дискриминатора. Генератор создает новые данные, а дискриминатор оценивает, нас-колько эти данные похожи на реальный объект. Данная нейронная сеть используется для генерации новых изображений, текстов и звуков. Она может быть использована для создания реалистичных изображений или для генерации новых вариантов данных;

6) самоорганизующиеся карты Кохонена яв-ляются самообучающими нейронными сетями без учителя. Данный тип нейронных сетей решает задачи кластеризации и визуализации данных, способен анализировать большие объемы данных и идентифицировать в них скрытые структуры. Также самоорганизующиеся карты Кохонена спо-собны определять ассоциации между различными признаками.

Схематическое изображение структуры нейрон-ных слоев сетей и связей между слоями, пере-численных выше архитектур представлено на рисунке 2.

Рисунок 2 – Распространённые архитектуры нейронных сетей

Процесс обучения нейронных сетей заключается в имитации процессов наработки опытных резуль-татов путем многочисленных циклических итера-ций. При этом точность выходных данных пос-тепенно повышается. Математические подходы к обучению могут различаться в зависимости от архитектуры сети. Исследователи выделяют три типа обучения, которые используются наиболее часто.

1. С учителем (контролируемое) обучение. Нейронная сеть обучается на предварительно размеченных и подготовленных данных, имея также помеченные в соответствии с входными данными примеры выходных данных. Недостаток такого подхода – необходимость подбора большого количества предварительно размеченных входных данных.

2. Без учителя (неконтролируемое). Входные данные не размечены, ответы предварительно неизвестны. Главная задача нейронной сети – выявить закономерности и связь полученных данных путем группировок, выявления уникальных объектов, уменьшение числа отличительных признаков. Недос-таток данного подхода – сравнительно долгий период обучения, высокая вероятность появления ошибок.

3. Обучение с подкреплением является объе-динением предыдущих двух подходов, сочетая в себе их достоинства. Как и в случае обучения без учителя, нейронной сети в этом подходе подаются на входной слой неструктурированные и неразмеченные данные, соотношения и признаки которых сеть определяет самостоятельно. Однако они могут содержать в себе и размеченные наборы данных, как в случае обучения с учителем. Кроме того, оператор, контролирующий процесс обучения нейронной сети, имеет возмож-ность коррекции настроек обучения и исправления грубых ошибок сети. Основные недостатки обучения с подкреплением – большая продолжительность процесса обучения, подготовка большого количества наборов входных данных, непредсказуемость пове-дения модели в нетипичной ситуации.

Достоинствами нейронных сетей являются [15]:

– информация распределена по всей сети, исчезновение отдельных элементов информации не препятствует работе сети;

– при правильной архитектуре и грамотном обучении нейронные сети могут выдавать приемле-мый результат даже при неполных или поврежден-ных вводных данных;

– повышенная отказоустойчивость, отключение отдельных нейронов не помешает выработке выходных данных;

– предварительно обученные нейронные сети могут выдавать результат за небольшой промежуток времени, в отличие от традиционных вычислитель-ных алгоритмов;

– возможность параллельной обработки, искусст-венные нейронные сети способны выполнять более одного процесса одновременно;

– возможность самостоятельного обучения на примерах отдельных событий.

Недостатками нейронных сетей являются [15]:

– высокие требования к аппаратному обеспече-нию, требования процессоров с параллельной вычислительной мощностью, в соответствии со структурой нейронных сетей;

– невозможность анализа логики принятия решения сетью – для оператора остается неизвест-ным процесс принятие решений сетью, что снижает доверие к ней;

– разнообразие структур – отсутствие четких правил определения структуры сети, создание под-ходящей архитектуры экспериментальным путем;

– необходимость конвертации текстовой входной информации к цифровому виду (двоичный код).

1.3 Основные разработки в области нейронных сетей для проведения анализа уязвимостей. Развитие технологий нейронных сетей обеспечило их внед-рение в область информационной безопасности, в частности, для анализа уязвимостей, мониторинга активности оборудования и прогнозирования угроз. Известны следующие решения в данной области.

1. Прогнозирование инцидентов – прогнозиро-вание возможного количества атак на АС, основываясь на статистике прошлых периодов [16]. Для обучения нейронной сети применятся метод ближайшего соседа – один из алгоритмов обучения с учителем, использующийся для классификации данных в нейронных сетях. В качестве актуальной архитектуры использована простая однослойная нейронная сеть.

2. Сканирование трафика по каналам передачи информации и определение аномальных активностей, для чего применяется многослойная нейронная сеть прямого распространения [17]. В качестве набора обучающих данных использован общедоступный набор UNSW-NB 15. Также для выполнения данных мероприятий могут использоваться сверточные нейронные сети [18].

3. Выявление вторжений неизвестного типа, для чего применяются глубокие сети прямого распространения [19]. В качестве обучающих дан-ных формируется несколько наборов данных, включающих в себя параметры предполагаемых атак, характеристики аппаратной части анализируемой системы, сведения о системе защиты.

4. Тестирование системы на возможность проник-новения (в некоторых источниках – «пентест», от английского penetration testing) представляет собой процесс моделирования удаленной атаки на систему. Один из основных методов тестирования на проникновение – это поиск уязвимостей сис-темы, который предполагает сканирование сети, анализ системных служб, проверку наличия открытых портов и тестирование уровня защиты паролей. Другой популярный метод тестирования на проникновение – эксплуатация уязвимостей с ак-тивным использованием найденных слабостей для получения несанкционированного доступа к системе. Для реализации данного подхода используются различные инструменты, в частности, нейронная сеть «ChatGPT» для проведения теста на проникновение с подходом «GenAI». Генеративный искусственный интеллект («GenAI»), может создавать новые данные, похожие на исходные и помогать в их применении [20].

5. Платформа для обучения нейронных сетей поиску угроз и уязвимостей. Как пример такого подхода, можно привести разработку платформы для обучения нейронных сетей «PenGym» [21], представляющую собой специальную виртуальную онлайн-среду, в которой условная нейронная сеть может обучиться проведению тестирования на про-никновение, анализу уязвимостей и угроз.

6. Противодействие аппаратным угрозам с по-мощью графических нейронных сетей [22]. Данный поход отличается уникальным представлением ана-лизируемых данных в виде графов и последующей их интеграцией в виде векторов. Данный подход отличается высокой точностью, но имеет недостатки в виде одних и тех же параметров итераций и слож-ности обновления узлов графов.

Результаты. Результаты проведенного анализа сводятся к следующему. Достоинства нейронных сетей (быстродействие, отказоустойчивость, универ-сальность, обучаемость) делают их привлекатель-ными в сфере информационной безопасности АИС. Если обобщить исследования по применению нейронных сетей конкретно в анализе уязвимостей систем и аудита безопасности, то актуальны сле-дующие направления:

– тестирование на возможность проникновения;

– мониторинг сетевой активности;

– прогнозирование инцидентов.

Для решения простых задач классификации или прогнозирования может использоваться упрощенная нейронная архитектура, однако самой перспектив-ной архитектурой для анализа уязвимости следует признать глубокую нейронную сеть. Она может быть сверточной или рекуррентной в зависимости от конечной цели исследования при сочетании различных функций активации нейронов в разных слоях. Функции активации нейронов могут отли-чаться в зависимости от значимости скрытого слоя. В качестве входных данных могут выступать наборы данных уязвимостей и угроз АИС с различными характеристиками. Наборы данных такого типа находят широкое освещение на актуальных форумах и тематических сайтах, таких как «GitHub».

Обсуждение. В результате проведенного иссле-дования сформулированы три ключевых концеп-ции применения нейронных сетей для анализа уязвимостей автоматизированных систем различных типов:

1) отдельное удаленное приложение, когда нейронная сеть представляет собой приложение с графическим интерфейсом. В качестве обучающих материалов вводятся данные об основных типах автоматизированных систем, наиболее вероятных угрозах и уязвимостях, ранжировании угроз. Обучение нейронной сети в соответствии с установленными правилами проводится отдельно на подготовлен-ном программном обеспечении перед вводом в эксплуатацию. Такой подход предварительного обучения использует, например, компания «Deep Instinct», представляющая антивирусную прог-рамму, предварительно обученную на мощных вычислительных машинах с применением больших объемов входных данных [23]. В данной концепции предварительно обученная нейронная сеть для проведения анализа уязвимостей получает на вход данные об исследуемом сегменте локальной сети. Данные представляют собой список с описанием аппаратной и программной части сети, количестве узлов, коммутаторов, маршрутизаторов и серверов, используемых протоколах связи и т. д. Нейронная сеть анализирует полученную информацию с помощью полученных ранее обучающих данных и выдает пользователю перечень наиболее вероятных угроз и уязвимостей относительно данного сегмента сети. Достоинствами такого подхода можно считать относительно понятную концепцию проектирования, высокое быстродействие, кроссплатформенность, отсутствие затрат на аналитику для анализа каждой конкретной системы. Недостатками концепции можно считать необходимость поддержки актуальных знаний нейронной сети о новых угрозах и уязвимос-тях, изменениях законодательных актов, а также требование большого объема обучающей информа-ции и повышенные требования к вычислительной мощности средств обучения нейронной сети. В перспективе данное приложение с многослойной глубокой архитектурой, либо рекуррентной архи-тектурой может упростить проведение аудита безопасности;

2) динамическое приложение проведения аудита безопасности и анализа уязвимостей. Концепция предполагает, что приложение будет использоваться непосредственно в анализе систем, аудите ИБ и так называемом «белом хакинге». Приложение нейронной сети встраивается в систему через условный узел или сервер, либо через линию связи, и своим поведением напоминает троянское или шпионское вредоносное ПО. В качестве обу-чающих данных используются данные различных уязвимостей систем и подходы к осуществлению угроз безопасности, посредством уязвимостей обору-дования и программного обеспечения. Приложением производится сканирование уязвимостей протоколов связи и отдельных узлов, проверяется коррект-ность разграничения прав доступа пользователей, производятся попытки вмешательства работы в систему. После проведения анализа приложение выдает отчетные данные об обнаруженных ошибках и уязвимостях системы. Подобное ПО [24] использо-вано для анализа уязвимостей производственных автоматизированных линий SCADA-систем, будучи встроенным в линию связи для перехвата пакетов данных и имитации атак (DDoS и флуд-сообщения). Данная концепция в перспективе ускорит выявление скрытых уязвимостей конкретной системы. В качестве архитектуры сети может использоваться многос-лойная сверточная архитектура. Достоинствами данного подхода являются быстродействие, универ-сальность системы, актуальность отчетных выход-ных данных, недостатки состоят в необходимости грамотной настройки нейронной сети, корректного ввода обучающих данных, учета законодательных особенностей (необходимость сертификации дан-ного ПО для использования в государственных организациях);

3) встраиваемое приложение определения уязвимостей системы, принцип работы которого в целом схож с предыдущим, но нейронная сеть не пытается взломать систему или скрытно обнаружить в ней уязвимости. Приложение подключается не-посредственно к серверному ПО и функционирует скрытно как обычный антивирус. Данное приложение сканирует доступные линии связи и работу сетевых устройств и сигнализирует о возможных проявлениях уязвимостей и угроз, опираясь на предварительные введенные характеристики для идентификации ти-повых угроз. Обучение нейронной сети происходит на признаках сетевых аномалий и угроз, а также на динамическом реагировании на возникающие аномалии при передаче данных. В качестве архитектуры сети может использоваться многослойная архитектура прямого распространения. Достоинствами концепции можно считать быстродействие, выявление угроз в режиме реального времени, а недостатками – то, что приложение требует для своей работы постоянных затрат вычислительных ресурсов оборудования, корректной настройки обучения нейронной сети, периодического обновления алгоритмов работы.

При дальнейшем развитии данных концепций путем разработки указанных приложений необ-ходимо при проектировании моделей учитывать технические особенности используемых программно-аппаратных средств, особенности сетевых прото-колов маршрутизации и необходимость серти-фикации приложений при их возможной работе с конфиденциальной информацией.

Выводы. На основе сравнительного анализа отечественных и зарубежных разработок в данной области проведено исследование возможности применения нейронных сетей для анализа уяз-вимостей информационных систем. Приведено расширенное описание и классификация терминов «уязвимость», «угроза», «риск», представлено ран-жирование уязвимостей с учетом соответствующих руководящих документов.

Рассмотрена концепция создания специали-зированных нейронных сетей, архитектура и примеры применения нейронных сетей для обнаружения уязвимостей автоматизированных информационных систем. Рассмотрены подходы к решению данной задачи, указаны их достоинства и недостатки, выделены наиболее перспективные направления развития данной области с приведением конкретных примеров, способные составить базу дальнейших экспериментальных исследований по выявлению уязвимостей автоматизированных информационных систем.

Предложено три концепции применения нейронных сетей в анализе уязвимостей, на основе изучения существующих решений. Наиболее инно-вационными концепциями можно считать:

1) Отдельное удаленное приложение. Представ-ляет практический интерес как программируемый инструмент проведения удаленного анализа уяз-вимостей систем. Аналогов подобной концепции в приведенных источниках не обнаружено, следо-вательно, ее разработка имеет научную новизну и практическую актуальность для дальнейших исследований;

2) Динамическое приложение проведения аудита безопасности и анализа уязвимостей. Имеет уникальную концепцию, направленную на анализ всех возможных уязвимостей системы, включая разграничение прав пользователей и анализ сетевого трафика. Приведенные аналогичные разработки, нацелены на конкретную область анализа системы (например, сетевой трафик), что не всегда удобно при проведении комплексных мероприятий по анализу уязвимостей. Следовательно, данная иссле-довательская разработка имеет научную актуаль-ность для дальнейших исследований.

СПИСОК ЛИТЕРАТУРЫ:

1. Киберпреступность в России и СНГ. Тренды, аналитика, прогнозы 2023–2024 // F.A.C.C.T. URL: https://www.facct.ru/resources/research-hub/cybercrime-trends-annual-report-2023-2024/ (дата обращения: 13.04.2024).

2. Hossen Md. I., Islam A., Anowar F., Ahmed E. Generating Cyber Threat Intelligence to Discover Potential Security Threats Using Classification and Topic Modeling // Cyber Security Using Modern Technologies; Artificial Intelligence, Blockchain and Quantum Cryptography. – 2023. – С. 158-170.

3. История года: влияние искусственного интеллекта на кибербезопасность // Securelist by Kaspersky URL: https://securelist.ru/story-of-the-year-2023-ai-impact-on-cybersecurity/108558/ (дата обращения: 14.04.2024).

4. ГОСТ Р ИСО/МЭК 27002-2021. Национальный стандарт Российской Федерации. Информационные технологии. Методы и средства обеспечения безопасности. Свод норм и правил применения мер обеспечения информационной безопасности. М.: Федеральное государственное учреждение «Федеральный исследовательский центр «Информатика и управление» Российской академии наук» (ФИЦ ИУ РАН), 2021. – 74 с.

5. ГОСТ Р 53114-2008. Национальный стандарт Российской Федерации. Защита информации. Обеспечение информационной безопасности в организации. Основные термины и определения. М.: Федеральное государственное учреждение «Государственный научно-исследовательский испытательный институт проблем технической защиты информации Федеральной службы по техническому и экспортному контролю» (ФГУ «ГНИИИ ПТЗИ ФСТЭК России»), 2008. – 20 с.

6. ГОСТ Р 57580.3-2022. Национальный стандарт Российской Федерации. Безопасность финансовых (банковских) операций. Управление риском реализации информационных угроз и обеспечение операционной надежности. М.: Центральный банк Российской Федерации (Банком России), 2022. – 110 с.

7. Васильев В.И., Вульфин А.М., Герасимова И.Б., Картак В.М. Анализ рисков кибербезопасности с помощью нечетких когнитивных карт // Вопросы кибербезопасности 2020. – № 2 (36). – С. 11-21.

8. ГОСТ Р 59853-2021. Национальный стандарт Российской Федерации. Информационные технологии. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения. М.: Акционерное общество «Всероссийский научно-исследовательский институт сертификации» (АО «ВНИИС») и Общество с ограниченной ответственностью «Информационно-аналитический вычислительный центр» (ООО ИАВЦ), 2021. – 16 с.

9. ГОСТ Р 53114-2008. Национальный стандарт Российской Федерации. Защита информации. Обеспечение информационной безопасности в организации. Основные термины и определения. М.: Федеральное государственное учреждение «Государственный научно-исследовательский испытательный институт проблем технической защиты информации Федеральной службы по техническому и экспортному контролю» (ФГУ «ГНИИИ ПТЗИ ФСТЭК России»), 2008. – 20 с.

10. Антипов К.А. Виды и роль АИС в производственном цикле промышленных объектов // Молодой ученый. – 2022. – № 23 (418). – С. 36-37.

11. Руководящий документ. Автоматизированные системы. Защита от несанкционированного доступа к информации. Классификация автоматизированных систем и требования по защите информации. М.: Государственной техническая комиссия при Президенте Российской Федерации, 1992. – 30 с.

12. Зариковская Н.В. Информационно-аналитические системы управления: Учебное пособие // Томск: ТУСУР. – 2018. – 107 с.

13. Петросян А.А. Инструменты анализа инцидентов информационной безопасности. // Молодой ученый. – 2024. – № 4 (503). – С. 30-31.

14. Хливненко Л.В. Практика нейросетевого моде-лирования: учебное пособие для вузов // Санкт-Петербург: Лань, 2024. – 200 с.

15. Maad M. Mijwil Artificial Neural Networks Advantages and Disadvantages // Mesopotamian Journal of Big Data. – 2021. – №6. – С. 29-31.

16. Беляева Т.А., Микрюков А.А. Нейросетевое прог-нозирование инцидентов информационной безопасности // Международный студенческий научный вестник. – 2023. – № 6.

17. Большаков А.С., Хусаинов Р.В., Осин А.В. Обнаружение аномалий трафика с использованием ней-ронной сети для обеспечения защиты информации // I-methods. – 2021. – №4 (13).

18. Wang H., Qu Z., Sun L. E-GVD: Efficient Software Vulnerability Detection Techniques Based on Graph Neural Network // ICST Transactions on Scalable Information Systems. – 2024. – №6 (11). – С. 2075-2097.

19. Симаворян С.Ж., Симонян А.Р., Попов Г.А., Улитина Е.И. Общая концепция выявления вторжений неизвестного типа на основе нейронных сетей // Программные системы и вычислительные методы. – 2021. – №4. – С. 23-45.

20. Hilario E., Azam S., Jawahar S., Mohammed K.I. Generative AI for pentesting: the good, the bad, the ugly // International Journal of Information Security. – 2024. – №4 (23). – С. 2075-2097.

21. Thanh N., Chen Z., Hasegawa K., Fukushima K. PenGym: Pentesting Training Framework for Reinforcement Learning Agents // 10th International Conference on Information Systems Security and Privacy. Berlin/Heidelberg, Germany: Springer in a CCIS Series book. – 2024. – С. 498-509.

22. Alrahis L., Sinanoglu O. Graph Neural Networks for Hardware Vulnerability Analysis – Can you Trust your GNN? // Institute of Electrical and Electronics Engineers. – 2023. – №41. – С. 1-4.

23. Predictive Prevention, Powered by Deep Learning // Deep Instinct URL: https://www.deepinstinct.com/ (дата обращения: 09.04.2024).

24. Sainz M., Garitano I., Iturbe M., Zurutuza U. Deep packet inspection for intelligent intrusion detection in software-defined industrial networks: A proof of concept // Logic Journal of IGPL. – 2020. – №28 (4). – С. 461-472.

Статья поступила в редакцию 06.07.2024

Статья принята к публикации 13.09.2024

УДК 004.021

EDN: OFDION

РЕШЕНИЕ ПРОБЛЕМЫ НЕСАНКЦИОНИРОВАННОГО ДОСТУПА В СИСТЕМЕ КОНТРОЛЯ ОБОРОТА МОБИЛЬНОГО ОБОРУДОВАНИЯ

© Автор(ы) 2024

SPIN: 7516-1612

AuthorID: 2905

ORCID: 0000-0001-5398-7599

ScopusID: 57485674000

СТЕПАНОВ Павел Викторович, соискатель Санкт-Петербургского института информатики

и автоматизации Российской академии наук (СПИИРАН)

Санкт-Петербургский Федеральный исследовательский центр Российской академии наук (СПб ФИЦ РАН)

(199178, Россия, Санкт-Петербург, 14 линия В.О., д.39, e-mail: p.v.stepanov@hotmail.com)

Аннотация. В статье анализируются проблемы контроля условий перевозок в транспортных логистических системах. Описываются типичные ограничения из мировой практики и приводятся примеры организационных и технических решений для выполнения данных ограничений. Рассматриваются различные технологии обмена данными и разные типы датчиков, контролирующих физические параметры перевозимых грузов. Анализируются технология NFC и сферы применения датчиков с этой технологией. Обосновывается актуальность решения специфической проблемы контроля доступа к содержимому используемого в авиаперевозках специального контейнера, для чего предлагается оригинальная система на базе NFC датчиков, которая обеспечивает контроль доступа к мобильному оборудованию, отвечающему за сервисное обслуживание пассажиров во время полёта. Предложено системотехническое решение проблемы, сформулированы требования к логгеру, описаны функции мобильного приложения, оценена возможность расширения функционала системы и изложены результаты ее опытной эксплуатации. Показаны перспективы развития системы контроля при использовании логгеров с расширенным функционалом.

Ключевые слова: мобильное оборудование, интеллектуальное транспортно-технологическое средство, система, контроль оборота, контроль доступа, логгер.

SOLVING THE PROBLEM OF UNAUTHORIZED ACCESS IN THE MOBILE EQUIPMENT

TURNOVER CONTROL SYSTEM

© The Author(s) 2024

STEPANOV Pavel Viktorovich, applicant for the degree of candidate of technical sciences St. Petersburg Institute

for Informatics and Automation of the Russian Academy of Sciences

St.Petersburg Federal Research Center of the Russian Academy of Sciences

(199178, Russia, Saint-Petersburg, 14 line, 39, e-mail: p.v.stepanov@hotmail.com)

Abstract. The article analyzes the problems of control of transportation conditions in transport logistics systems. Typical restrictions from world practice are described and examples of organizational and technical solutions for fulfilling these restrictions are given. Various data exchange technologies and different types of sensors monitoring the physical parameters of transported goods are considered. NFC technology and the applications of sensors with this technology are analyzed. The relevance of solving the specific problem of access control to the contents of a special container used in air transportation is substantiated, for which an original system based on NFC sensors is proposed, which provides access control to mobile equipment responsible for passenger service during flight. A system-technical solution to the problem is proposed, the requirements for the logger are formulated, the functions of the mobile application are described, the possibility of expanding the functionality of the system is evaluated and the results of its trial operation are presented. The prospects for the development of the control system when using loggers with advanced functionality are shown.

Keywords: mobile equipment, intelligent transport and technological means, mobile equipment turnover control system, access control, logger, NFC.

Для цитирования: Степанов П.В. Решение проблемы несанкционированного доступа в системе контроля оборота мобильного оборудования / П.В. Степанов // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 26-34. – EDN: OFDION.

Введение. Глобальный характер мировой экономики предполагает массовое перемещение товаров с использованием сложных логистических схем транспортировки и обработки. Сложность осуществления контроля за перемещением товаров растёт пропорционально усложнению логисти-ки поставок. Проблема осложняется тем, что во многих случаях недостаточно знать только где в данный момент находится транспортная единица, но и иметь достоверную информацию о том, что происходило с товаром на всём пути его следования. Особенности груза могут потребовать специальных условий перевозки. Некоторые виды товаров требуют специальных средств пакетирования и специальных условий перевозки и обработки, контроль за соблюдением которых должен быть автоматизированным. Примером ограничений на условия транспортировки могут служить требования на поставку продуктов питания, медицинских препаратов и др. для которых критически важным является соблюдение температурного режима транспортировки – «холодовой цепи» [8-15]. Существует множество практических комплексных решений для контроля температурного режима в цепях поставок [16-18], в основе которых лежит использование специальных устройств (датчиков, логгеров), которые фиксируют изменение различных физических параметров и сохраняют их для последующей обработки. Такие датчики могут являться элементами системы «интернета вещей» (IoT), использование которой радикально меняет процесс контроля в логистических цепях [19-24] и позволяет перейти на новый уровень мониторинга с использованием цифровых двойников [25].

Датчики поддерживают различные технологии обмена информацией, в частности технологию NFC [26-32]. NFC хороши известна и имеется широкий спектр датчиков позволяющий использовать её в различных приложениях. Широко применяются системы контроля доступа в помещения [43-44] и перемещения персонала [45-46], в системах автоматизации производства и «умного дома» [47-50], в управлении на транспорте [34, 36-40]. Сущест-вуют специализированные решения по контролю вакцинаций [35], контролю качества и отслежива-нию поставок в сельскохозяйственном и рыбном производствах [41-42] и созданию «интеллектуальной упаковки» [33].

Одним из важных условий перевозки является контроль доступа к содержимому транспортной единицы. В статье рассматривается возможность использования датчиков (логгеров) NFC для организации контроля доступа к содержимому транспортного контейнера. Разработанное ориги-нальное системотехническое решение на базе датчиков NFC обеспечивает контроль доступа к товарам, перевозимым в специализированных кон-тейнерах (мобильном оборудовании, МБКО), ис-пользуемых для обслуживания авиапассажиров на борту воздушного судна во время полёта. Датчики NFC, установленные на МБКО, формируют журнал открывания/закрывания мобильного оборудования.

Технология обработки МБКО сложная и требует специальных средств контроля и управления. Для управления процессом обработки МБКО была раз-работана специализированная система контроля за оборотом мобильного оборудования СКО МБКО [2, 3, 7], которая позволяет контролировать использо-вание и перемещение мобильного оборудования в процессе сервисного обслуживания воздушных судов во время стоянок в аэропортах. Уровень автоматизации системы позволяет полностью исключить человека из процесса фиксации ре-зультатов выполнения отдельных технологических операций и минимизировать влияние человеческого фактора на надежность системы в целом. Со-четание различных технологий автоматической идентификации, дополняющих друг друга, позволяет обеспечить надёжный инструментальный контроль технологических процессов, автоматизировать сбор первичных данных, обеспечив их актуальность, полноту и достоверность.

Важной частью СКО МБКО являются мобиль-ные интеллектуальные транспортно-технологические средства (ИТТС) [5], оснащенные специальным оборудованием, позволяющим записывать исто-рию срабатывания датчиков. Объективные дан-ные о времени срабатывания датчиков также являются элементом инструментального контроля технологического процесса. Совмещая данные о перемещение МБКО, получаемые от системы конт-роля оборота мобильного оборудования, с данными, получаемыми от датчиков интеллектуального транс-портно-технологического средства, и добавляя показания от системы позиционирования (GPS/ГЛОНАС приёмники), получаем исчерпывающую информацию о выполнении технологического про-цесса и перемещении каждой единицы МБКО. Появляется возможность установить соответствие между моделями физического и логического уровня, описывающими функционирование интел-лектуального транспортно-технологического средст-ва, которые далее отображаются в моделях техно-логического процесса и геопозиционирования [2]. В практическом плане такое совмещение моделей (полимодельный комплекс) позволяет получить информацию о месте, о времени начала и окончания выполнения каждой отдельной технологической операции, о месте нахождения каждой единицы МБКО в любой момент времени.

Возможность получения достоверной информа-ции о местоположении единицы МБКО совместно с журналом вскрытия позволяет решить проблему контроля доступа к содержимому мобильного обо-рудования, используемому для продажи товаров пассажирам во время полёта (SkyShop).

Решение задачи крайне актуально, так как стоимость товаров, перевозимых в одной единице МБКО, может быть от 100 до 800 тысяч рублей. На дальние и международные рейсы грузится от 4 до 10 единиц МБКО. Одновременно в обороте может находиться до 5000 единиц МБКО SkyShop. В силу непрозрачности технологии обработки и влияния человеческого фактора еженедельно возникает несколько инцидентов с попыткой вскрытия и потерями содержимого МБКО. Ниже описаны раз-работанные автором системотехнические решения по обеспечению контроля доступа к содержимому мобильного оборудования.

Методология. Технологический процесс подго-товки, перемещения, погрузки и разгрузки МБКО SkyShop строго регламентирован, каждый МБКО имеет специальную маркировку и индивидуальный номер. Подготовка вложения, комплектация на рейс и промежуточное хранение осуществляется в специальных выделенных помещениях. В соответствии с существующей технологией откры-вание и закрывание двери возможно только на определённых этапах.

Для обеспечения инструментального контроля, фиксации факта открывания и закрывания двери МБКО необходимо было создать систему, решаю-щую следующие задачи:

− фиксация фактов открытия/закрытия двери МБКО;

− фиксация времени открытия/закрытия;

− сохранение истории зафиксированных событий, формирование журнала;

− передача журнала событий в СКО МБКО;

− бесконтактный способ передачи данных;

− контроль состояния и работоспособности системы.

К конструктивному решению предъявлялись сле-дующие требования:

− скрытая установка, не меняющая конструкцию МБКО;

− антивандальное исполнение;

− защита от попадания воды (IP64);

− автономность не менее 1 года;

− отсутствие радиоизлучений;

− запрет использования GPS/ГЛОНАС приём-ников.

Для решения поставленных задач необходимо было:

1) разработать техническое решение для фиксации фактов открывания/закрывания МБКО;

2) разработать специализированное приложение для управления датчиками;

3) доработать систему контроля оборота СКО МБКО;

4) внести изменения в технологический процесс.

Отдельной задачей являлась синхронизация по времени всех внутренних таймеров датчиков NFC с системным временем СКО МБКО.

Результаты. Основным результатом стала раз-работка оригинального системотехнического ре-шения, включающего в себя техническое средства по оснащению контейнеров МБКО специализиро-ванными датчиками (логгерами) и программного обеспечения по управлению логгерами и интеграции с системой контроля оборота мобильного обору-дования.

1. Технические решения. Для решения поставлен-ной задачи был использован логгер фирмы Novus Automation TagTemp-NFC-LCD (рис. 1). Устройство разрабатывалось как температурный логгер для решения проблем контроля температуры в холодо-вой цепи поставок. Опционально оно оснащалось цифровым входом (сухим контактом) и имело собственное приложение для настройки и считы-вания данных через протокол NFC. Было заявлено время автономной работы на одном элементе пи-тания до 2 лет. Для интеграции с СКО МБКО произво-дитель предоставил библиотеку разработчика.

Интеграция логгера в МБКО была осуществлена следующим образом. К цифровому выходу лог-гера подключался герконовый контакт. Логгер с герконовым контактом размещался в двери МБКО, которая представляет из себя сэндвич из металлических панелей. Ответная часть герконового контакта (постоянный магнит) размещалась корпусе МБКО. На рисунках 2 и 3 показано как размещается логгер в панели двери и как выгладит дверь в конеч-ном состоянии.

Вырез в металлической панели необходим для обеспечения связи с логгером попротоколу NFC. В конечной конфигурации закрывается логотипом авиакомпании. Накладка на заднюю сторону двери необходима чтобы закрыть логгер, который толще на 2 миллиметра чем панель двери и для обеспечения доступа к логгеру для ремонта и замены элементов питания.

2. Программное решение. Разработанное прог-раммное решение включает в себя стандартное приложение от производителя которое обеспечивает первоначальные установки и подготовку логгера к работе, специализированное приложение для считывания данных с логгера и передачи его в СКО БКО и набор специализированных функций и от-чётов в СКО БКО.

Рисунок 1 – Логгер NOVUSTagTemp-NFC

Рисунок 2 – Вид установленного логгера с наружной и внутренней стороны двери

Рисунок 3 – Окончательный вид с наружной и внутренней стороны двери

Первоначальные установки. Инициализация логгера и первоначальное конфигурирование осуществляется с помощью стандартного приложения разработанного производителем оборудования. Приложение устанавливается на обычный смартфон с NFC модулем, работающий под управления ОС Android. Активизируется режим работы цифрового входа, устанавливается время, пароль, циклический режим использования памяти и запускается логгирование. Привязка логгера к уникальному номеру МБКО осуществляется в специализированном приложении.

Приложение для работы с логгером. Приложение разработано в среде:

− языки программирования: Java 8;

− среда разработки: NFC Application – Android Studio 3.3.1;

− основные используемые фреймворки и библиотеки: NFC Application – LogChart;

− средства сборки: NFC Application – Gradle;

− SDK: NFC Application – Android SDK 28.

Для создания системы используются программные компоненты ОС Android 6.0. для мобильных устройств.

В приложении реализованы новые функции:

− авторизация/Вход;

− выход из Приложения (логаут) ;

− настройка приложения;

− первоначальная настройка логгера;

− считывание данных с логгера;

− смена батареи;

− синхронизация времени.

Назначение этих функций состоит в следующем. Функция «Авторизация/Вход» обеспечивает авторизацию пользователя в СКО МБКО и возможность работы с приложением. Функция «Выход из Приложения (логаут)». Функция «Настройка приложения» задаёт способ подключения и режимы взаимодействия с сервером СКО БКО. Функция «Первоначальная настройка логгера» автоматизирует процесс установки уникального имени логгера. Для изменения имени логгера (Device Tag) пользователь сканирует QR-код с визуальной метки, установленной на двери МБКО (рис. 3). QR-код содержит уникальный номер МБКО, который записывается как имя логгера. Обновляется конфигурация логгера, запускается процесс логирования и удаляются все записи из памяти логгера.

Функция «Считывание данных с логгера» обеспечивает считывание данных с логгера, проверку полноты полученных данных, повтор операции считывания и запуск передачи данных в СКО БКО и выдачу сообщения об успешном считывании и передаче данных или об ошибке. Контролируется также уровень заряда батареи и выдается сообщение о низком заряде. Функция «Смена батареи» выполняется после замены элемента питания. Она обеспечивает реконфигурацию логгера, запускает процесс логирования, передаёт в СКО БКО информацию о замене элемента питания и изменении статуса логгера. Функция «Синхронизация времени» выполняется при каждом сеансе связи смартфона с логгером, при этом приложение на смартфоне синхронизирует своё время с временем общесистемных средств Android с Time-сервером, учитывая часовые пояса.

Информация, собираемая приложением, передаётся по локальной сети в СКО МБКО через REST API. Передаются следующие данные:

− имя логгера (Device Tag);

− время чтения данных с логгера;

− имя пользователя, считавшего данные;

− уровень заряда батареи логгера;

− информация об открытии/закрытии двери.

Приложение имеет минималистический дизайн пользовательского интерфейса. В процессе опытной эксплуатации приложение работало на промышленном PDA фирмы Honeywellc NFC.

Функции СКО МБКО для работы с логгером. СКО МБКО получая данные с логгеров (датчиков открытия) решает две группы задач:

− сбор и обработка истории открытия/закрытия датчиков;

− контроль уровня заряда датчиков.

Данные о фактах открытия и закрытия дверец оборудования записываются в базу данных СКО МБКО в следующей структуре:

<Дата считывания><Идентификатор оборудова-ния><Идентификатор пользователя>

<Имя датчика><Статус><Уровень заряда бата-реи>;

В справочнике «Оборудование» для каждой еди-ницы МБКО должен быть признак наличия датчика открытия и текущее значение уровня заряда батареи логгера. В СКО МБКО разработан набор функций, позволяющих менять значение поля уровня заряда батареи. Предусмотрено автоматическое уведомле-ние пользователей по e-mail при возникновении следующих событий:

− обнаружение низкого заряда батареи NFC логгера;

− отправка МБКО с низким зарядом батареи NFC логгера в технологический процесс.

Текст сообщения, адреса для получения сообщений и периодичность отправки настраиваются через конфигурационные файлы СКО МБКО.

СКО МБКО формирует журнал открытия/закрытия оборудования. Из справочника оборудования для единицы МБКО доступен переход на форму "Открытие и закрытие оборудования". На данной форме располагается таблица с информацией:

− дата и время открытия двери оборудования;

− дата и время закрытия двери оборудования;

− длительность открытия двери оборудования (промежуток времени между открытием и закрытием двери оборудования).

Отчет о нарушениях открытия/закрытия МБКО формируется по запросу пользователя и содержит информацию о единицах МБКО, которые были открыты/закрыты в запрещенное время. Для каждого технологического этапа обработки МБКО определяется возможность открытия/закрытия. Открытие МБКО разрешено на следующих этапах:

− в зоне комплектации;

− инвентаризация;

− на борту (Вылет/Прилёт).

СКО МБКО содержит информацию о перемещении каждой единицы оборудования, что позволяет определить, где, на каком технологическом этапе и в какое время находилась единица МБКО.

Сопоставляя времена открытия/закрытия и времена нахождения на отдельных технологических этапах (рис. 4) можно сделать вывод о допусти-мости вскрытия МБКО в тот или иной промежуток времени.

Рисунок 4 – Сопоставление журнала логгера с временной диаграммой технологического процесса

Отчет о нарушениях открытия/закрытия МБКО содержит уникальный номер единицы оборудования, этап на котором было вскрытие, дату им время события. Предусмотрен также специальная процедура анализа событий открытия/закрытия, для которых не определён технологический этап. Система только информирует соответствующие службы о возможных несанкционированных действиях с оборудованием. Все дальнейшие действия относятся к компетенции служб технологического контроля и безопасности.

Отчет об отправке МБКО с низким уровнем заряда генерируется по запросу пользователя. Отчёт содержит список МБКО с уникальными номерами, номером рейса на котором отправлено МБКО, текущий технологический этап, указанием даты и времени его начала. На главной странице СКО МБКО (рис. 5) авторизованному пользователю выдаются дашборды (интерактивная аналитическая панель) с текущей информацией о функционировании системы:

− низкий уровень заряда: отображает количество единиц МБКО с низким уровнем заряда батареи датчика открытия в Системе. При нажатии на даш-борд пользователю открывается списочная форма справочника «Оборудование» с фильтром по признаку «Низкий заряд»;

− отправленные МБКО с низким уровнем заряда – отображает количество отправленных в технологический процесс единиц МБКО с низким уровнем заряда батареи датчика открытия. При нажатии на дашборд пользователю открывается форма генерации отчета об отправке МБКО с низким уровнем заряда.

Рисунок 5 – Главный экран системы СКО МБКО

Для авторизации пользователей приложения в СКО МБКО определены роли «Администратор NFC приложения» и «Пользователь NFC приложения», имеющие доступ к полному и ограниченному функционалу приложения соответственно.

Результаты. Результатом выполненной работы стало создание полномасштабной работающей системы контроля доступа к мобильному обору-дованию. Работоспособность системы была подт-верждена опытной эксплуатацией, проведённой в реальных условиях технологического процесса. Результаты опытной эксплуатации подтверждают правильность проектных и конструкторских решений, надёжность технических решений и соответствие всей системы в целом требованиям технического задания. Созданная система позво-лила получить информацию о все событиях отк-рывания/закрывания мобильного оборудования, обна-руживать несанкционированное вскрытие и зону ответственности, на которой произошёл инцидент.

Сбор данных с логгера – это отдельная техно-логическая операция, которая может выполняться в любой удобный момент и не требует вносить каких-либо изменений в существующий технологичес-кий процесс. Считывание данных с одного логгера занимает 15-30 секунд. Это малая величина, которая не влияет на временную диаграмму технологического процесса.

Решение является экономически выгодным. Стоимость работ по оснащению МБКО логгерами не превышает 8000 рублей, при стоимости едини-цы оборудования от 45000 рублей и стоимости содержимого от 100000 до 800000 рублей.

Были выявлены проблемы эксплуатации, связанные с конкретной моделью логгера. Исполь-зованный логгер является в первую очередь температурным, а его цифровой вход является опционным. Конструкция логгера не позволила полностью отключить цикл измерения температуры, что явилось причиной излишнего расхода заряда батареи логгера. По факту удалось достичь срока эксплуатации логгера в один год до появления сообщения о низком заряде элементе питания. Это приемлемый результат, удовлетворяющий требованиям, но ниже заявленного производителем срока эксплуатации логгера на одном элементе питания.

Были выявлены случаи сбоя внутреннего таймера логгера, приводящие к изменению значения времени и даты. Сбои носили случайный характер. Резуль-таты тестов были задокументированы и переданы разработчику логгера для поиска и устранения ошибок.

Обсуждение. Успешное испытание NFC лог-геров как датчиков открытия/закрытия дверей позволяет рассмотреть возможность расширения функций логгеров. Логгеры обычно позволяют контролировать несколько параметров одновременно. Рассмотренная модель NOVUS TagTemp-NFC поз-воляет контролировать одновременно изменение температуры и открытия/закрытия по цифровому входу. Также к этому входу может быть подключён любой датчик, срабатывающий при достижении порогового значения измеряемой им физической величины, например, датчик уровня влажности, силы удара, предельного ускорения, предельного угла наклона и т.д. Логгеры, появившиеся в последние два года, имеют несколько встроенных датчиков различных физических величин и несколько универсальных цифровых входов.

Использование логгеров с расширенными функциями или комбинации нескольких логгеров позволит в рамках созданной системы контроля мобильного оборудования решать не только проблему контроля доступа к МБКО, но и контролировать температурный режим хранения содержимого, влаж-ность снаружи и внутри МБКО, контролировать режим бережного обращения без резких толчков, ударов, ускорений и опрокидывания. Простые энер-гоэффективные датчики позволяют существенно расширить спектр контролируемых параметров в цепях поставок. На базе подобного логгера может быть создана система контроля доступа с авторизацией. Дверь МБКО будет открываться только после того, как логгером, совмещённым со специальным датчиком, будет получен код доступа, уникальный для каждого сотрудника имеющего право доступа к содержимому МБКО. Код доступа может вводится с помощью электронного ключа или с помощью смартфона со специализированным приложением.

Прорабатывается технологическое решение, позволяющее использовать в качестве элементов питания логгеров перезаряжаемые аккумуляторы с возможностью беспроводной зарядки. Последние разработки в области логгеров, позволяют объединить в одном устройстве также и идентификационные метки, например активные Bluetooth метки [1, 6]. Технология NFC требует близкого контакта между датчиком и прибором, считывающим информацию с него. Это приводит к необходимости участия человека в процессе считывания. Переход на другие технологии обмена информацией Bluetooth [1, 56] или ZigBee [53-55], обеспечивающие обмен данными на расстоянии десятков метров, позволит отказаться от участия человека в процессе сбора информации с датчиков и повысить общую надёжность системы.

При рассмотрении альтернативных технологий обмена данными и использования специального оборудования необходимо учитывать ограничения, действующие в настоящее время в области авиа-ционных перевозок. Во многих случаях техно-логические решения, применяемые для морских или железнодорожных перевозок, могут быть не применимы для авиационной логистики.

Выводы. Система контроля оборота мобильного оборудования и интеллектуальное транспортно-технологическое средство вместе обеспечивают сквозной контроль перемещения МБКО по всей технологической цепочке. Актуальные объективные и достоверные данные собираются в режиме реального времени, влияние человеческого фактора минимизируется. Оператор полностью исключается из процесса контроля хода и фиксации результатов выполнения технологических операций. Появляется возможность для каждой единицы МБКО сохранить историю перемещения. Можно однозначно опреде-лить, где и на каком технологическом этапе находи-лось оборудование в любом промежутке времени. Оснащая мобильное оборудование дополнитель-ными датчиками с различными функциями, фик-сирующими факт открытия/закрытия, толчки и удары, ускорение, угол наклона, температуру и т.д., можно получить информацию о том, что происходило с единицей МБКО.

Совмещая данные от системы контроля оборота мобильного оборудования, интеллектуального транс-портно-технологического средства и датчиков, уста-новленных на МБКО, в результате синергетического эффекта получаем качественно новую информацию о том «Что? Где? Когда?» происходило с единицей мобильного оборудования.

СПИСОК ЛИТЕРАТУРЫ:

1. Потрясаев С.А, Соколов Б.В., Джао В.Ю.-Д. Степанов П.В., Стыскин М.М. Особенности использования bluethooth low energy меток для идентификации и определения положения объектов в технологическом процессе наземного обслуживания воздушных судов гражданской авиации // Информатизация и связь. – 2020. – № 6. – С. 106-112.

2. Потрясаев С.А., Ронжин А.Л., Соколов Б.В., Джао В.Ю.-Д, Степанов П.В., Стыскин М.М. Полимодельный комплекс мобильной сервисной системы, предназначенной для обслуживания воздушных судов // Информатизация и связь, 2020, Номер 6. – С. 113-118.

3. Ронжин А.Л., Соколов Б.В., Джао В.Ю-Д., Миронова Е.Г., Стыскин М.М. Применение технологии радиочастотной идентификации для построения системы контроля оборота бортового кухонного оборудования // Вопросы радиоэлектроники. Сер. Техника телевидения, 2020, вып. 1. – C. 3-10.

4. Степанов П.В. Алгоритм идентификации мобильного бортового кухонного оборудования с использованием тех-нологии радиочастотной идентификации. Информатизация и связь. – 2021. – Номер 7. – С. 14-20.

5. Степанов П.В. Интеллектуальное транспортно-технологическое средство нового поколения и лежащая в её основе концепция "цифрового автолифта" Информатизация и связь, 2022. – Номер 1. – С. 22-29.

6. Степанов П.В. Методика использования Bluetooth технологии для решения задач идентификации и определения положения объектов// Информатизация и связь, 2021. – Номер 5. – С. 97-103.

7. Стыскин М.М., Степанов П.В., Желтов С.Ю., Соколов Б.В., Ронжин А.Л. Средства оптической и радиочастотной идентификации в технологическом процес-се автоматизированного контроля оборота мобильного бортового оборудования. Моделирование, оптимизация и информационные технологии. – 2022. – Т. 10. – № 1 (36).

8. Атжанова А.Н., Симакова З.Л., Сидоренко Ю.А. Проблемы холодовых цепей поставок. В сборнике: Неделя науки СПбПУ. Материалы научной конференции с международным участием. Институт промышленного менеджмента, экономики и торговли. – 2018. – С. 155-158.

9. Бинцзе С. Опыт китайских компаний в управлении рисками качества при транспортировке фармацевтичес-ких препаратов в холодовой цепи поставок. В сборнике: Современный менеджмент: проблемы и перспективы. сборник статей по итогам XVII национальной научно-практической конференции с международным участием. В двух частях. Санкт-Петербург, 2022. – С. 299-304.

10. Бинцзе С. Актуальные аспекты организации холодовой цепи поставок на рынке фармацевтической продукции в период эпидемии. В сборнике: Логистика: форсайт-исследования, профессия, практика. материалы II Национальной научно-образовательной конференции. Санкт-Петербург, 2021. – С. 58-63.

11. Бинцзе С. Организация холодовой цепи поставок медикаментов. В сборнике: Современные вызовы и актуальные проблемы науки, образования и бизнеса в условиях мировой нестабильности. материалы научной конференции аспирантов СПбГЭУ. Санкт-Петербург. – 2021. – С. 85-87.

12. Бондарева М.Н. Моделирование и оптимизация логистических процессов в цепях поставок фармацевтичес-ких препаратов с учетом GDP. Актуальные исследования. – 2023. – № 28-2 (158). – С. 59-67.

13. Грамотина И.В., Левалдс Я.Э. Анализ концепции «зеленой» холодовой цепи. В сборнике: Логистика: совре-менные тенденции развития. Материалы XXII Между-народной научно-практической конференции. Санкт-Петербург, 2023. – С. 111-117.

14. Мухаметжанова А.В., Ғиният Н. Ситуация и развитие холодовой цепи поставок медицинских изделий и лекарств в Казахстане. В сборнике: Актуальные проблемы транспорта и энергетики: пути их инновационного решения. Материалы X Международной научно-практической конференции. Сост. Г.Т. Мерзадинова, Т.Б. Сулейменов, Т.Т. Султанов. Нур-Султан. – 2022. – С. 93-97.

15. Сунь Б. Оценка эффективности логистических про-цессов в холодовой цепи поставок на китайском рынке фармацевтической продукции. РИСК: Ресурсы, Информация, Снабжение, Конкуренция. – 2022. – № 4. – С. 17-22.

16. Абдуллаев С., Альпеисов А., Сейдаметова Ж., Абдуллаева А. Исследования по построению интел-лектуальной системы логистики холодовой цепи на основе повсеместного интернета вещей 5g. Вестник Казахской академии транспорта и коммуникаций им. М. Тынышпаева. – 2023. – № 2 (125). – С. 233-245.

17. Смирнова Е.А., Сунь Б. Перспективы применения технологии блокчейн в логистике холодовой цепи поставок на фармацевтическом рынке Китая. РИСК: Ресурсы, Информация, Снабжение, Конкуренция. – 2023. – № 1. – С. 24-30.

18. Сунь Б. Внедрение цифровых решений в управление холодовыми цепями поставок на рынке фармацевтической продукции. В сборнике: Повышение конкурентоспособ-ности отечественной науки: развитие в условиях мировой нестабильности. материалы научной конференции аспирантов СПбГЭУ. Санкт-Петербург, 2023. – С. 379-384.

19. Баркова Н.Ю. Организация «холодовой цепи» на базе применения технологии интернета вещей в фармацевтической индустрии. В сборнике: Управленческие науки в современном мире. сборник докладов научной конференции. Финансовый университет при Правительстве Российской Федерации. – 2020. – С. 45-49.

20. Воробей С.Н. Технология интернета вещей (IOT) и ее применение. В сборнике: актуальные проблемы защиты и безопасности. Труды XXIV Всероссийской Научно-практической конференции РАРАН. в 7-Ми Томах. Москва, 2021. – С. 148-152.

21. Кононович В.С., Шуневич В.И. Интернет вещей как кардинальное изменение взаимодействия в логистических цепочках. В сборнике: 76-я научная конференция студентов и аспирантов Белорусского государственного университета. Материалы конференции. В 3-х частях. Редколлегия: В.Г. Сафонов [и др.]. 2019. – С. 128-131.

22. Овсянников А.Н., Панков В.В. Управление безопасностью пищевой продукции на базе технологий IOT. В сборнике: актуальные вопросы научно-технологичес-кого развития агропромышленного комплекса. Материалы всероссийской научно-практической конференции (с международным участием). Махачкала, 2023. – С. 644-650.

23. Ferrara P., Mandal A.K., Cortesi A., Spoto F. Static analysis for discovering IOT vulnerabilities. International Journal on Software Tools for Technology Transfer (STTT). – 2021. – Т. 23. – № 1. – С. 71-88.

24. Rahmani A.M., Bayramov S., Kiani Kalejahi B. Internet of things applications: opportunities and threats. Wireless Personal Communications. – 2021.

25. Дыбская В.В., Сергеев В.И. Использование цифровых двойников при мониторинге цепей поставок товаров FMCG. Логистика и управление цепями поставок. – 2020. – № 3 (98). – С. 3-15.

26. Ширяев А.А., Глущенко М.В., Глушенко С.А. Беспроводная технология NFC. В Сборнике: Проблемы и перспективы развития технических систем, машин и механизмов. Сборник статей по итогам международной научно-практической конференции. – 2019. – С. 45-48.

27. Шарапиев Д.С., Атаджанов К.О., Звягинцев В.Н., Клесов В.А., Полищук П.Д. Возникновение NFC технологии и её потенциал для развития. Наука и Бизнес: Пути Развития. – 2019. – № 9 (99). – С. 71-74.

28. Хабаров С.П. Современные бесконтактные техно-логии: применение и потенциал. В сборнике: мировые науч-ные исследования в эпоху цифровизации и трансформации: теории и практики. Материалы XII международной научно-практической конференции. Рязань, 2023. – С. 81-84.

29. Sautter M., Sautter N., Shellock F.G. Near field communication (NFC) device: evaluation of MRI issues. Magnetic Resonance Imaging. 2022. – Т. 92. – С. 82-87.

30. Трушкина Е.А., Намиот Д.Е. Обмен данными между мобильными устройствами без организации соединений. International Journal of Open Information Technologies. – 2022. – Т. 10. – № 9. – С. 99-114.

31. Какабаев У., Атахаллыев К., Аманбердыев Дж., Максадов Х. Технология RFID и NFC их использования. В сборнике: теоретические и практические аспекты фор-мирования и развития "новой науки". Сборник статей международной научно-практической конференции. в 2-х частях. Уфа, 2023. – С. 98-101.

32. Хамзаев Д.И., Хамзаев И.Х. Сравнительный анализ между RFID и NFC технологиями. Universum: Технические науки. – 2024. – № 1-1 (118). – С. 30-33.

33. Бурак Л.Ч., Сапач А.Н., Писарик М.И. Интел-лектуальная упаковка для овощей и фруктов, классификация и перспективы использования: обзор предметного поля. Health, Food & Biotechnology. – 2023. – Т. 5. – № 1. – С. 51-80.

34. Chiang Te.W., Yang Ch.Y., Chiou G.J., Lin F.Ye.S., Lin Yi.N., Shen V.R.L., Juang T.T.Y., Lin Ch.Ya. Development and evaluation of an attendance tracking system using smartphones with GPS and NFC. Applied Artificial Intelligence. – 2022. – Т. 36. – № 1. – С. 27-34.

35. Auccahuasi W., Herrera L., Rojas K., Martinez H.C., Ponce E.L., Sotomayor D.Yu., Herrera Salazar J.L. Method for registration of vaccines for covid 19, through NFC technology. Journal of Physics: Conference Series. –2022. – Т. 2318. – № 1. – С. 012030.

36. Бородкин А.В. Обзор технологий идентификации и позиционирования железнодорожного подвижного состава. Вестник института проблем естественных монополий: Техника железных дорог. – 2023. – № 2 (62). – С. 49-55.

37. Громов Д.В., Каледин В.В., Скородумов А.И. Организация инфраструктуры мобильных NFC-сервисов с участием транспортных предприятий. Электросвязь. – 2014. – № 2. – С. 20-24.

38. Зиневич Д.В., Ворожбицкая Е.С. Мировые тренды информационных технологий отслеживания грузов в автомобильных международных перевозках и перспективы развития в республике Беларусь. В сборнике: Логистический аудит транспорта и цепей поставок. Материалы IV Международной научно-практической конференции. в 2-х томах. Тюмень, 2021. – С. 95-99.

39. Пеплер А.Э., Орешкина А.Д. Средства оперативного контроля данных перевозочного процесса. В сборнике: перспективные транспортные технологии. Материалы II международной научно-практической конференции НТИ «Автонет». Москва. – 2023. – С. 36-43.

40. Zadorozhnyi Z.M., Muravskyi V., Shesternyak M., Hrytsyshyn A. Innovative NFC-validation system for accounting of income and expenses of public transport enterprises. Marketing and Management of Innovations. – 2022. – Т. 1. – № 1. – С. 84-93.

41. Conti M. Evo-NFC: extra virgin olive oil traceability using NFC suitable for small-medium farms. IEEE Access. – 2022. – Т. 10. – С. 20345-20356.

42. Kramar V., Määttä H., Hinkula H., Thorsen O., Cox G. Smart-fish system for fresh fish cold chain transportation - overall approach and selection of sensor material. Conference of Open Innovations Association, Fruct. – 2017. – № 21. – С. 202-209.

43. Гудонис В.М. Реализация NFC технологии в системах контроля и управления доступом. В сборнике: Исследования молодых ученых – вклад в инновационное развитие России. Доклады молодых ученых в рамках программы «Участ-ник Молодежного Научно-Инновационного Конкурса» («Умник»). Сост. М.В. Лозовская, А.Г. Баделин. – 2015. – С. 27-29.

44. Oluwagbemiga Omotayo Shoewu, Lateef Adesola Akinyemi, Quadri Ademola Mumuni, Abiodun Afis Ajasa, Comfort Oluwaseyi Folorunso, Richard Edozie. Development of a smart attendance system using near field communication (SMART-NFC). Global Journal of Engineering And Technology Advances. – 2022. – Т. 12. – № 2. – С. 121-139.

45. Бляблин А.А., Леонтьев М.А., Здаров А.В., Каганов Е.Б. Гибридная система позиционирования indoor/outdoor как метод комплексного мониторинга персонала. Автоматизация в промышленности. – 2021. – № 9. – С. 39-42.

46. Намиот Д.Е., Макарычев И.П. Об альтернативной модели отметки местоположения в социальных сетях. International Journal of Open Information Technologies. – 2020. – Т. 8. – № 2. – С. 74-90.

47. Захаров Н.А. Сенсорные сети для Industry 4.0. Автоматизация в промышленности. – 2021. – № 3. – С. 26-30.

48. Курзенева Т.А. NFC-метки как элемент "умного дома" и обеспечение их информационной безопасности. В Сборнике: Перспективные информационные технологии (Пит 2019). Труды Международной научно-технической конференции. Под Ред. С.А. Прохорова. – 2019. – С. 174-175.

49. Плотникова А.В. Использование NFC-технологий в повседневной жизни. В Книге: Информационные Технологии: Состояние и Перспективы Развития. Материалы III Международной Научно-Практической Конференции. – 2019. – С. 137-139.

50. Тимергалин А.Р., Ахметов Р.Д., Князев О.А. NFC как средство автоматизации бытовой и промышленной среды. Мировая Наука. – 2021. – № 7 (52). – С. 124-128.

51. Cecil S., Bammer M., Schmid G., Lamedschwandner K., Oberleitner A. Smart NFC-sensors for healthcare applications and further development trends. Elektrotechnik und informationstechnik. – 2013. –Т. 130. – № 7. – С. 191-200.

52. Kristiadi D.P., Hasanudin M. Mobile application of electronic medical record (EMR) systems using near field communication (NFC) technology. International Journal of Open Information Technologies. – 2021. – Т. 9. – № 10. – С. 68-72.

53. Бондарев В.П. Технология цифровой беспроводной передачи данных ZIGBEE. В сборнике: Финансово-экономическое и информационное обеспечение иннова-ционного развития региона. Сборник материалов Всерос-сийской научно-практической конференции. Посвящается 100-летию Крымского федерального университета имени В.И. Вернадского. Ответственный редактор А.В. Олифиров. – 2018. – С. 392-395.

54. Краевский Д.Е., Кудрявченко И.В. Организация связи роя мобильных объектов на основе технологии ZigBee. Современные проблемы радиоэлектроники и теле-коммуникаций. – 2020. – № 3. – С. 103.

55. Coboi A., Nguyen M.T., Pham V.N., Vu T.C., Nguyen M.D., Nguyen D.T. Zigbee based mobile sensing for wireless sensor networks. Computer Networks and Communications. – 2023.

56. Friesen M.R., Mcleod R.D. Bluetooth in intelligent transportation systems: A survey. International Journal of Intelligent Transportation Systems Research. – 2015. – Т. 13. – № 3. – С. 143-153.

Статья публикуется в рамках бюджетной темы FFZF – 2022-0004.

Статья поступила в редакцию 28.06.2024

Статья принята к публикации 13.09.2024

УДК 004.942

EDN: KFLDGC

ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБЕСПЕЧЕНИЯ ПРЕВЕНТИВНЫХ МЕР В ОБЛАСТИ ЗАЩИТЫ ИНФОРМАЦИИ

© Автор(ы) 2024

SPIN-код: 7198-5521

AuthorID: 415365

ORCID: 0000-0002-7495-1090

ResearcherID: GWC-2625-2022

ScopusID: 57204969256

ПРОКОФЬЕВ Олег Владимирович, кандидат технических наук,

доцент кафедры «Информационные технологии и системы»

Пензенский государственный технологический университет

(440039, Россия, Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail Prokof_ow@mail.ru)

Аннотация. Искусственный интеллект (ИИ), применяемый в целях защиты информации, является перспективным направлением развития кибербезопасности, вызывающим широкий интерес в мире. Но, одновременно, машинное обучение, способность к развитию интеллектуальной системы защиты информации, предоставляют злоумышленникам возможности по созданию угроз защищаемой информации. Поэтому автором была поставлена цель исследования − выработка такой методики применения искусственного интеллекта, чтобы интеллектуальный анализ данных наибольшим образом способствовал бы распознанию и предупреждению мошеннических операций, с большой доверительной вероятностью прогнозировал бы появление угроз и, в то же время, обладал минимальной уязвимостью к атакам злоумышленников. Выполнен обзор и систематизация публикаций о преимуществах интеллектуального анализа состояния защищаемого объекта и формируемых в ходе машинного обучения (МО) потенциальных уязвимостях, анализ открытых статистических отчётов по анкетированию специалистов в области разработки и использования ИИ. Предложен пример классификация информационных рисков для финансовой организации. Дана оценка текущему состоянию интеллектуальных средств кибербезопасности и построены перспективные оценки атак злоумышленников в ближайшем будущем. Разработана концептуальная основа превентивных решений в виде совокупности характеристик алгоритмов МО и задач по разработке, соответствующих прогнозам по информационным рискам. Статья может быть полезна разработчикам и исследователям, выполняющим работу по обучению нейронных сетей для предметной области защиты информации, когда совершенствование сети для противостояния кибератакам может сопровождаться возникновением и ростом угроз информационной безопасности.

Ключевые слова: искусственный интеллект, защита информации, информационная безопасность, информационный риск.

APPLICATION OF ARTIFICIAL INTELLIGENCE TO PROVIDE PREVENTIVE MEASURES IN THE FIELD OF INFORMATION PROTECTION

© The Author(s) 2024

PROKOFIEV Oleg Vladimirovich, candidate of technical sciences,

associate professor of the Department of Information Technologies and Systems

Penza State Technological University

(440039, Russia, Penza, BaydukovProyezd / Gagarin Street, 1a/11, e-mail Prokof_ow@mail.ru)

Abstract. Artificial intelligence (AI) used for information protection purposes is a promising area of cybersecurity development, which is of great interest worldwide. However, machine learning and the ability to develop an intelligent information protection system provide attackers with opportunities to create threats to protected information. Therefore, the author set the goal of the study to develop a methodology for using artificial intelligence so that intelligent data analysis would contribute to the greatest possible recognition and prevention of fraudulent transactions, predict the emergence of threats with a high confidence level, and at the same time, have minimal vulnerability to attacks by attackers. A review and systematization of publications on the advantages of intelligent analysis of the state of the protected object and potential vulnerabilities formed during machine learning (ML), an analysis of open statistical reports on a survey of specialists in the field of AI development and use are performed. An example of classification of information risks for a financial organization is proposed. An assessment of the current state of intelligent cybersecurity tools is given and prospective assessments of attackers in the near future are built. A conceptual basis for preventive solutions has been developed in the form of a set of characteristics of ML algorithms and development tasks corresponding to forecasts of information risks. The article may be useful for developers and researchers working on training neural networks for the subject area of information security, when improving the network to counter cyberattacks may be accompanied by the emergence and growth of information security threats.

Keywords: Artificial intelligence, information protection, information security, information risk.

Для цитирования: Прокофьев О.В. Применение искусственного интеллекта для обеспечения превентивных мер в области защиты информации / О.В. Прокофьев // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 35-42. – EDN: KFLDGC.

Введение. Искусственный интеллект (ИИ), как автономная саморазвивающаяся система мышления, способная обучаться на неизвестных заранее данных, может быть применён в обеспечении кибербезопасности с помощью его возможностей решать задачи классификации и прогнозирования. Процессы постоянного развития системы, самонастройки модели предметной области улучшают качество распознавания угрозы информационной безопасности или перспективной оценки её скорого появления. Однако возможности совершенствования системы могут быть, вопреки первоначальным намерениям, использованы злоумышленниками и стать источниками информационных рисков. Поэтому при определённом стечении обстоятельств ИИ вместо средства обеспечения защиты информации может быть использован противоположным образом − как инструмент атак и мошеннических схем. Кроме того, недостаточно контролируемый процесс развития ИИ может привести к нарушениям этики и права цивилизованного общества [1-16], к состоянию «технологической сингулярности» [17]. Понимание текущего положения вещей и исторической перспективы становится массово распространённым явлением. Пример оценки уровня востребованности инженерных решений в этой области представлен на рисунке 1. Поисковая аналитическая система Google Trends (https://trends.google.ru/trends/) собрала данные о популярности запросов на тему «artificial intelligence for cybersecurity» за 2015-2024 г.г. и представила в виде диаграммы. На рисунке 1 видно формирование восходящего тренда количества запросов, приближающегося к уровню 100%, т.е. к наивысшей степени популярности запроса. Вследствие перечисленного, целью работы является разработка методики внедрения интеллектуальной системы защиты информации, обеспечивающей раскрытие преимуществ интеллектуального мониторинга обращений к данным и снижение потенциальных рисков.

Рисунок 1 – Динамика популярности поисковых запросов об искусственном интеллекте для информационной безопасности по данным Google Trends за последнее десятилетие

Вследствие отмеченного можно утверждать, что высокий интерес к применению искусственного интеллекта для обеспечения защиты информации сочетается с недостаточно развитой системой мер защиты от сопутствующих рисков [18-22].

Методология. В связи с большим количеством публикуемых источников по обсуждаемой теме, автором использован поиск и анализ информации из обзорных статей, открытых статистических отчётов [18-22], систематизация рисков на основе вы-деления основных классификационных признаков, прогнозирование сценариев развития угроз информации. В таблице 1 собраны выявленные к нас-тоящему времени статьи – агрегаторы информации, отражающие многогранную и противоречивую сущ-ность ИИ, применяемого в защите информации.

Анализ тенденций показывает, что универсаль-ного подхода для снижения риска пока не су-ществует и неосторожное применение ИИ в сфере кибербезопасности может привести к потенциаль-но дискриминационным выводам, "несправедли-вым" выводам. Повышение уровня противостояния отслеживанию данных отдельных пользователей возможно за счёт принципа дифференциальной конфиденциальности, то есть, мер по агрегирова-нию данных, внесению шумов в наборы данных, обеспечению анонимности. Основные направления деятельности злоумышленников при посягательствах на конфиденциальную информации – это разработка атаки вывода членства (принадлежности) и разра-ботка инверсной атаки. В первом случае успешная атака злоумышленником осуществляется, когда он может с достаточно высокой вероятностью узнать, использовалась ли проверяемая запись данных в наборе данных для обучения целевой модели или не использовалась.

Таблица 1 – Источники информации с масштабной агрегацией данных по области исследования

Темы исследований	Методы	Интерпретация данных: качественные или количественные	Аргументы и вклад	Ссылки
ИИ, информационная безопасность	Обзор литературы	качественные	Модели поведения роя могут быть включены в системы защиты от вредоносных программ	[18]
ИИ, умные города	Анализ литературы	качественные	Обзор методов ИИ	[19]
ИИ, общественные медиа, информационная безопасность	Обзор литературы и медиа	качественные	ИИ может быть интегрирован в кибербезопасность социальных сетей	[20]
ИИ, информационная безопасность	Обзор литературы	качественные	Описание кибератак на сетевые стеки и приложения	[21]
ИИ, информационная безопасность	Обзор литературы	качественные	ИИ способствует сокращению времени обучения модели	[22]

Во втором случае производится атака с инверсией модели, при которой злоумышленник имеет возможность извлечь обучающие данные непосредственно по результатам работы нейронной сети. В этом случае нарушитель строит свою модель, данными для обучения которой являются результирующие данные взламываемой модели. Поэтому результатом работы инверсной модели являются прогнозируемые исходные данные модели, применяемой в защите информации. Ввиду практической значимости потенциального ущерба от потери конфиденциальности, перечисленные уязвимости должны быть учтены и сформированы подходы к превентивному противодействию рискам.

Результаты. Источники рисков, возникающих на этапах жизненного цикла создания и применения интеллектуальной системы защиты информации, включая машинное обучение (МО), приведены на рисунке 2. Классификация выполнена на примере предметной области финансовой организации [23] и рассмотрена ниже.

Для рисков, связанных с данными для обучения, характерна, в первую очередь, недостижимость абсолютной полноты данных, учёта всех контекстов и сценариев развития событий. Кроме того, могут быть использованы данные низкого качества: потерявшие актуальность, неполные, аномальные, данные неустойчивых процессов и данные из неподходящего контекста. Следствием являются неверно рассчитанные прогнозы, ошибки в классификации объектов.

Такие умышленные действия, как атаки на системы с ИИ/МО, могут подразумевать лишение конфиденциального статуса данных, порчу ("отравление") данных, добычу параметров модели искусственного интеллекта. Выявление злоумышленником данных для обучения модели означает потерю их конфиденциальности. Два основных вида атак на конфиденциальность данных (вывода членства и разработка инверсной атаки) описаны выше. Испорченность, "отравление" данных − преднамеренное добавление шумов, случайной составляющей в данные для обучения системы. Таким образом можно увеличить долю неправильных выводов, ошибок распознавания и ухудшить качество процесса переобучения. Испорченные данные могут быть использованы для предвзятых суждений и организации лазейки в системе защиты информации. Вредные воздействия могут быть также в форме состязательных атак, когда данные целенаправленно вводятся для обмана модели, вынесения ошибочного суждения (например, вставка в спам-письма "правильных" слов и маскировка "неправильных"). Извлечение параметров самой сетевой модели, если блокировка таких действий не предусмотрена, может быть реализовано с высокой скоростью и упрощает доступ злоумышленникам.

В процессе эксплуатации изменения в постановке задачи могут накапливаться и становятся причиной возникновения дополнительных рисков. Процессы с высокой динамикой могут привести к тому, что ранее обученная сеть эксплуатируется в новых условиях и может предоставить неправильный вывод. Заранее невозможно предвидеть все новые сочетания входных данных, создать полный набор обучающих и тестовых данных для всех вариантов развития событий. Процесс формирования результатов нейросетевой модели сложен и модель является "чёрным ящиком" с точки зрения пользователя, доверие при отсутствии прозрачности вывода является проблематичным, затруднена оценка качества работы. Субъективно выбранные данные для обучения могут привести к "несправедливым" результатам, необоснованной дискриминации классифицируемых объектов. Предвзятость в выборе данных для обучения и тестирования может привести к ошибкам в допуске или недопуске к информации, несправедливых решениях в отношении сотрудников и клиентов, привести к дефектам бизнес-процессов.

Комплаенс, как соответствие требованиям политики безопасности организации, должен быть обеспечен при работе систем с ИИ, однако отсутствие гарантий этого соответствия является потенциальным источником риска.

Тем не менее, можно отметить, что для различных прикладных областей сейчас активно разрабатываются и успешно внедряются системы защиты информации с искусственным интеллектом. Некоторые примеры применения [21, 22], позволяющие предупреждать проблемы уязвимости, перечислены ниже.

1. Усиленная защита "конечных точек" корпоративных информационных систем. Обновление антивирусной базы может отставать от запросов времени и устройства удалённых работников могут быть разнообразными, но ИИ позволяет заметить аномальные события в операционной среде. Таким образом, доступны превентивные меры против угроз вместо ожидания обновлённых сигнатур базы.

2. Обнаружение подозрительных денежных транзакций. Применение МО для формирования модели ожидаемого поведения потребителя, моделей типичного поведения покупателя и поставщика, образа места транзакции даёт возможность прогнозировать мошеннические транзакции.

3. Фильтрация ботов. Классификация запросов на обычные запросы поисковых систем, запросы субъектов-пользователей и запросы ботнетов, в последнем случае – ответная реакция в реальном времени.

4. Искусственная "иммунная система" корпоративной сети за счёт собственного сканирования уязвимостей позволяет сформировать превентивные меры защиты.

5. Защита данных в интернете вещей и совершенствование процедуры идентификации пользователя вещей. Выявление случаев небезопасного сбора и обмена данными (в том числе, с облачным хранилищем), попыток выдачи себя за другого пользователя.

6. Перспективные оценки наиболее вероятных атак. Методы компьютерной лингвистики позволяют собирать материалы статистических отчётов, дайджестов и других специализированных изданий об актуальных киберугрозах, позволяют выполнить прогнозирование будущих сценариев действий злоумышленников.

Рисунок 2 – Классификация рисков искусственного интеллекта

В целом, сегодняшнее состояние интеллектуаль-ной защиты информации характеризуется внедре-нием машинных классификаторов, а именно систем обнаружения вторжений в сеть, фильтров спама в электронной почте, текстовых и графических сообщениях, средств обнаружения вредоносного программного обеспечения.

Были выявлены перечисленные далее направ-ления развития систем защиты информации с ИИ:

– обеспечение безопасного обмена информацией с удалённо работающими сотрудниками;

– высвобождение экспертов и автоматизация мониторинга активности в оборонной сфере, рас-познания моделей информационных атак, защиты от фишинга и программ-вымогателей;

– выявление вредоносных ботов в Сети, в том числе имитирующих действия удалённо работающих сотрудников, распознание атак методами социальной инженерии;

– управление информационными технологичес-кими (ИТ) операциями в условиях растущего количества передаваемых форм данных (например, от устройств Интернета вещей, API, мобильных приложений и т.д.).;

– достижения в области облачной инфраструк-туры и сторонних сервисов приведут к нарастанию сложности ИТ-операций и для сохранение контро-ля над операциями потребуется интеллектуальная поддержка решений;

– интеграция разнообразных данных, переход к большим данным в социальной и производственной сферах, обработка которых без ИИ не представляется возможной.

Перечислим основные тенденции в использо-вании ИИ для кибератак в ближайшем будущем.

1. Точно так же, как ИИ может контролировать сеть для обнаружения атак, злоумышленники стремятся использовать ИИ для наблюдения за решениями по защите информации и использовать сеть глубокого обучения для автоматических состязательных атак на системы защиты;

2. ИИ можно использовать для создания атак с испорченными ("отравленными") данными, на-целенных на защитные системы ИИ, для искажения обучающих данных, что приводит к неточным или предвзятым решениям системы киберзащиты;

3. Поскольку большая часть обучающих данных для алгоритмов защиты ИИ алгоритмы основаны на общедоступных записях и записях открытого доступа об утечках данных, злоумышленники могут использовать одни и те же данные или проводить кражу обучающих данных, чтобы узнать, как работают алгоритмы защиты.

4. На основе состязательного принципа можно создавать ложноположительные и ложноотрица-тельные ошибочные классификации, чтобы замас-кировать реальную атаку.

Существуют организационные, социотехни-ческие, экономические факторы и особенности прикладных областей, способные увеличить уяз-вимости системы защиты информации с ИИ. Перечислим основные из них.

1. Технические решения в области зашиты информации с помощью ИИ пока ещё не являются сравнительно доступными по цене, особенно для небольших предприятий. Если предположить, что в организации система защиты всё же внедрена (например, при поддержке государства), то атаки злоумышленников, рассчитанные на масштабные корпоративные информационные системы, могут стать более целенаправленными и эффективными.

2. Состязательные алгоритмы обучения нейронной сети, применяемые злоумышленниками, доступны через платные библиотеки, имеют возможность быстрой проверки и модификации. Алгоритмы для отражения атак имеют конкретную направленность, для них характерны проблема модифицируемости для новой операционной среды и ограничения для обмена опытом применения.

3. Противоречия между техникой и технология-ми научного эксперимента, с одной стороны, и потребностями производства, с другой стороны. На предприятии могут храниться актуальные большие данные со скрытыми закономерностями, в том числе, отображающими новые виды атак злоумышленни-ков. В то же время, система с ИИ, созданная в науч-но-исследовательской организации, предоставляет точные прогнозы и классификации на тех наборах данных, которыми располагает разработчик.

4. Создание наборов данных для обучения системы защиты информации зачастую основы-вается на моделях операционной среды, а не на производственных данных. Также алгоритмы для противостояния злоумышленникам должны гаран-тировать обеспечение качества информации, в первую очередь, конфиденциальность данных. Однако сос-тязательные алгоритмы взлома не ограничены в соответствии с законом и нормами этики.

Обсуждение. Обобщая результаты, можно прийти к методике реализации интеллектуальных систем защиты информации, использующей актуальные ал-горитмы обучения и архитектуры нейронных сетей. Предлагаемые к внедрению в рамках этой методики технические решения представлены на рисунке 3, от-ражающем концептуальную основу и комплексный подход к решению задачи.

Противодействие разведке злоумышленников, предотвращение их атак возможны на основе скрытых семантических моделей с глубокой структурой, которые представляют запросы и документы в информационном пространстве малой размерности, делающем доступным анализ целей поиска информации. Методы глубокого обучения способны не только обнаруживать угрозу "нулевого дня", но и противостоять атакам состязательного вида. Многозадачное машинное обучение позволяет использовать многокритериальную оптимизацию модели, потому что в защите информации осуществ-ляется поиск решения нескольких взаимосвязан-ных задач, касающихся аналитики трафика и производительности системы.

Комплексный подход к реализации превентив-ных мер по защите информации предполагает снижение доли сложных и непрозрачных реше-ний. Новый математический инструментарий обла-дает непосредственно интерпретируемыми меха-низмами логического вывода и апостериорной интерпретируемостью результата. Среди более точ-ных и прозрачных математических средств вывода можно упомянуть следующие:

– масштабируемые списки байесовских правил (Scalable Bayesian Rule Lists, SBRL) – алгоритмы МО, снижающие влияние ошибок ветвления в вершине дерева;

– объясняющие машины повышения мощности (Explainable Boosting Machine, EBM) – основанные на древовидной структуре циклические градиент-ные бустинговые аддитивные модели "стеклянного ящика", не уступающие по точности распрост-ранённым методами МО Random Forest и Boosted Trees;

– машины градиентного усиления (Gradient Boosting Machine, GBM) – ансамблевые методы прямого МО на основе деревьев решений, которые строят по всем признакам набора данных и доби-ваются наиболее точных приближений результатов прогнозирования и классификации.

Визуализации в сочетании с прогнозирующей аналитикой может обеспечить значительный прог-ресс в текущем состоянии кибербезопасности. Средства ИИ, которые могут улучшить текущую предиктивную аналитику, включают в себя ней-ронные сети на основе временных графов, обу-чаемых на графоструктурированных данных (с реализацией возможности коррекции параметров узлов и рёбер), глубокие генеративные модели для создания и интерпретации временных графов, моде-ли обнаружения всплесков, модели для глубокого байесовского прогнозирования. Совокупность алго-ритмов МО и процедур анализа данных, лежащая в основе системы защиты информации, обладает достаточной прочностью для противостояния ата-кам и сохранения конфиденциальности данных критически важных систем.

Придя к необходимости принятия превентив-ных решений по защите информации, следует отметить итерационный характер этого процесса. Состязательный ИИ будет продолжать развиваться, и решение должно повторять процессы, чтобы гарантировать эффективность от будущих рисков ИИ.

Рисунок 3 – Концептуальная основа разработки системы кибербезопасности с ИИ

Выводы. Методика применения алгоритмов ИИ в качестве превентивных решений против мошеннических систем описывает ряд органи-зационных мер для комплексного применения (рис. 4). Прогнозирование рисков ИИ даёт возможность не только для обнаружения атак, но и одновременно служит для оценки уязвимостей самого ИИ.

Методика применения ИИ для защиты от атак злоумышленников с использованием уязвимостей самого ИИ подразумевает реализацию следующих превентивных решений.

Перечислим их.

1. Прогнозирование наиболее вероятного пути к разработке более эффективных алгоритмов ИИ.

2. Сравнительный анализ появляющихся и неожиданных угроз от атак с использованием проти-воборствующего ИИ, автоматизирующего атаки. Желательна разработка ИИ на основе компактных представлений, которые могут работать с меньшими требованиями к памяти.

3. Проверка готовности систем ИИ к безопас-ности: проектирование самоадаптирующихся систем ИИ, компрометируемых в результате кибератаки, например, управляемого бота, запускающего авто-матизированную атаку.

4. Предотвращение предвзятости в алгоритмах ИИ может быть осуществлено методом миними-зации разнородного воздействия: переменная(ые), которые вызывают дискриминацию, исключаются из системы, а несколько других переменных проходят тестирование на предмет ввода в модель.

5. Разработка и использование новых форм дан-ных для количественной оценки рисков в реальном времени, включая потребление энергии и конечную результативность обнаружения атак.

6. Разработка адаптирующейся модели прогно-зирования рисков от ИИ, предоставляющей выводы в реальном времени.

Рисунок 4 – Превентивные решения для атакуемых систем искусственного интеллекта

Перечисленные процедуры, входящие в состав методики, не противоречат возможности совершенст-вовать систему защиты и после компрометации восстановить её работоспособность, а также избе-гать состояния "технологической сингулярности". Выполнение превентивных решений открывает перс-пективу деятельности разработчикам в области ИИ, поддерживающим системы защиты информации в актуальном состоянии и работающим над созданием профилактических мер противодействия атакам.

СПИСОК ЛИТЕРАТУРЫ:

1. Vincent Boulanin, Lora Saalman, Petr Topychkanov, Fei Su And Moa Peldán Carlsson (2020). Artificial Intelligence, Strategic Stability and Nuclear Risk. https://www.sipri.org/sites/default/files/2020-06/artificial_intelligence_strategic_stability_and_nuclear_risk.pdf

2.Integrating Cybersecurity and Critical Infrastructure. National, Regional and International Approaches. Edited by Lora Saalman (2018). https://www.sipri.org/sites/default/files/2018-04/integrating_cybersecurity_0.pdf

3.The Impact of Artificial Intelligence on Strategic Stability and Nuclear Risk. Volume I. Euro-Atlantic Perspectives. Edited by Vincent Boulanin (2020). https://www.sipri.org/publications/2020/other-publications/artificial-intelligence-strategic-stability-and-nuclear-risk

4. Vincent Boulanin and Maaike Verbruggen (2020). Mapping the Development of Autonomy in Weapon Systems. https://www.sipri.org/sites/default/files/2018-04/integrating_cybersecurity_0.pdf

5. Vincent Boulanin, Laura Bruun and Netta Goussac (2021). Autonomous Weapon Systems And International Humanitarian Law. Identifying Limits and the Required Type and Degree of Human–Machine Interaction. https://www.sipri.org/sites/default/files/2021-06/2106_aws_and_ihl_0.pdf

6. Lora Saalman, Fei Su and Larisa Saveleva Dovgal (2022). Cyber Posture Trends in China, Russia, the United States and the European Union. https://www.sipri.org/sites/default/files/2022-12/2212_cyber_postures_0.pdf

7. Vincent Boulanin (2017). Mapping the development of autonomy in weapon systems. A primer on autonomy. https://www.sipri.org/sites/default/files/Mapping-development-autonomy-in-weapon-systems.pdf

8. Vincent Boulanin, Netta Goussac, Laura Bruun And Luke Richards (2020). Responsible Military Use of Artificial Intelligence. Can the European Union Lead the Way in Developing Best Practice? https://www.sipri.org/publications/2020/other-publications/responsible-military-use-artificial-intelligence-can-european-union-lead-way-developing-best

9. Vincent Boulanin, Kolja Brockmann And Luke Richards (2020). Responsible Artificial Intelligence Research And Innovation For International Peace And Security. https://www.sipri.org/sites/default/files/2020-11/sipri_report_responsible_artificial_intelligence_research_and_innovation_for_international_peace_and_security_2011.pdf

10. Mark Bromley and Giovanna Maletta (2018). The Challenge of Software and Technology Transfers to Non-Proliferation Efforts. Implementing and Complying with Export Controls. https://www.sipri.org/publications/2018/other-publications/challenge-software-and-technology-transfers-non-proliferation-efforts-implementing-and-complying

11. Johan Turell, Fei Su And Vincent Boulanin (2020). Cyber-incident Management Identifying and Dealing with the Risk of Escalation. IPRI Policy Paper No. 55 https://www.sipri.org/publications/2020/sipri-policy-papers/cyber-incident-management-identifying-and-dealing-risk-escalation

12. Forrest E. Morgan, Benjamin Boudreaux, Andrew J. Lohn, Mark Ashby, Christian Curriden, Kelly Klima, Derek Grossman. Military Applications of Artificial Intelligence. RAND Corporation, Santa Monica, Calif., 2020, Pages 202.

13. Christian Ruhl. Autonomous weapon systems and military artificial intelligence (AI) applications report. May 202. https://www.founderspledge.com/research/autonomous-weapon-systems-and-military-artificial-intelligence-ai.

14. Research Priorities for Robust and Beneficial Artificial Intelligence: An Open Letter. Future of Life Institute. https://futureoflife.org/data/documents/research_priorities.pdf (дата обращения: 09.03.2024).

15. Pause Giant AI Experiments: An Open Letter. https://futureoflife.org/open-letter/pause-giant-ai-experiments/ (дата обращения: 10.07.2024).

16. Кодекс этики в сфере ИИ. URL: https://ethics.a-ai.ru/ (дата обращения: 10.07.2024).

17. Issac, Reji & S., Sangeetha & S., Silpa. (2020). Technological Singularity in Artificial Intelligence. 10.13140/RG.2.2.32607.84646. DOI:10.13140/RG.2.2.32607.84646.

18. Truong, T.C., Zelinka, I., Plucar, J., Čandík, M., Šulc, V. (2020). Artificial Intelligence and Cybersecurity: Past, Presence, and Future. In: Dash, S., Lakshmi, C., Das, S., Panigrahi, B. (eds) Artificial Intelligence and Evolutionary Computations in Engineering Systems. Advances in Intelligent Systems and Computing, vol 1056. Springer, Singapore. https://doi.org/10.1007/978-981-15-0199-9_30.

19. Zaib Ullah, Fadi Al-Turjman, Leonardo Mostarda, Roberto Gagliardi, Applications of Artificial Intelligence and Machine learning in smart cities, Computer Communications, Volume 154, 2020, Pages 313-323, https://doi.org/10.1016/j.comcom.2020.02.069.

20. Thuraisingham B (2020) “The role of artifcial intelligence and cyber security for social media”, in Proceedings – 2020 IEEE 34th International Parallel and Distributed Processing Symposium Workshops, IPDPSW 2020, pp. 1116-1118.

21. S. Zeadally, E. Adi, Z. Baig and I. A. Khan, "Harnessing Artificial Intelligence Capabilities to Improve Cybersecurity", in IEEE Access, vol. 8, pp. 23817-23837, 2020, doi: 10.1109/ACCESS.2020.2968045.

22. Wiafe I, Koranteng FNti, Obeng ENyarko, Assyne N, Wiafe A, Gulliver SR (2020) Artifcial Intelligence for Cybersecurity: A Systematic Mapping of Literature. IEEE Access 8:146598–146612.

23. Artificial Intelligence Risk & Governance. By Artificial Intelligence/Machine Learning Risk & Security Working Group (AIRS). https://ai.wharton.upenn.edu/white-paper/artificial-intelligence-risk-governance/ (дата обращения: 10.07.2024).

Статья поступила в редакцию 18.07.2024

Статья принята к публикации 13.09.2024

УДК 004.421

EDN: KUYWIT

АВТОМАТИЗИРОВАННАЯ ИНФОРМАЦИОННАЯ СИСТЕМА ПРОВЕДЕНИЯ ЛАБОРАТОРНЫХ ИССЛЕДОВАНИЙ ПРОЦЕССА СЕДИМЕНТАЦИИ

© Автор(ы) 2024

SPIN: 4911-7158

AuthorID: 1160570

ORCID: 0009-0002-6980-056X

СКВОРЦОВ Даниил Евгеньевич, программист кафедры

«Обогащение полезных ископаемых и охрана окружающей среды»

Иркутский национальный исследовательский технический университет

(664074, г. Иркутск, ул. Лермонтова 83, e-mail: daniil-skvorcov@mail.ru)

SPIN: 4471-9617

Author ID: 1075584

ORCID: 0000-0003-3486-8214

ResearcherID: KIC-5621-2024

ScopusID: 57203155501

ШАДРИН Дмитрий Германович, PhD, ведущий научный сотрудник

Иркутский национальный исследовательский технический университет

(664074, г. Иркутск, ул. Лермонтова 83, e-mail: d.shadrin@skoltech.ru)

SPIN: 6676-0131

AuthorID: 653720

ORCID: 0000-0001-5298-445X

ResearcherID: E-1799-2017

ScopusID: 57170725500

БУРДОНОВ Александр Евгеньевич, кандидат технических наук,

доцент кафедры «Обогащение полезных ископаемых и охрана окружающей среды»

Иркутский национальный исследовательский технический университет

(664074, г. Иркутск, ул. Лермонтова 83, e-mail: slimbul@inbox.ru)

ORCID: 0009-0008-2210-6558

ResearcherID: KYQ-9123-2024

ШОНХОДОЕВ Зандан Чимитдашиевич, инженер кафедры

«Обогащение полезных ископаемых и охрана окружающей среды»

Иркутский национальный исследовательский технический университет

(664074, г. Иркутск, ул. Лермонтова 83, e-mail: Zandanshonhodoev@gmail.com)

Аннотация. В статье рассматривается возможность проведения лабораторных исследований процесса седиментации с использованием автоматизированной информационной системы. Особое внимание уделяется реализации распределённой архитектуры, хранению разнородных данных, а также применению компьютерного зрения для распознавания границ раздела жидкостных сред. Описывается реализация аппаратной составляющей системы, а также взаимодействие её программных модулей. Предлагается использование узкоспециализированных серверов для возможности масштабирования системы. Основным решением задачи определения границы раздела жидкостных сред предлагается использование нейросетевой модели семейства YOLOv8. В качестве альтернативы нейросетевой модели применяется алгоритм, основанный на анализе значений пикселей изображений в градациях серого. Для проверки работы автоматизированной информационной системы проводятся лабораторные эксперименты с использованием глинозёмсодержащей руды. В статье приводятся результаты определения скорости осаждения твёрдых частиц в жидкостной среде с добавлением флокулянта. Исходные данные обрабатываются с помощью сравниваемых методов компьютерного зрения для определения скорости осаждения твёрдых частиц. По полученным результатам сделан вывод о возможности применения разрабатываемой автоматизированной информационной системы.

Ключевые слова: седиментация, сгущение, программно-аппаратный комплекс, машинное зрение, лабораторные исследования, автоматизированная информационная система.

AUTOMATED INFORMATION SYSTEM FOR CONDUCTING LABORATORY RESEARCH OF THE SEDIMENTATION PROCESS

© The Author(s) 2024

SKVORTSOV Daniil Evgenievich, programmer of the department of

"Mineral processing and environmental protection"

Irkutsk National Research Technical University

(664074, Irkutsk, Lermontov st. 83, e-mail: daniil-skvorcov@mail.ru)

SHADRIN Dmitry Germanovich, PhD, leading researcher

Irkutsk National Research Technical University

(664074, Irkutsk, Lermontov St. 83, e-mail: d.shadrin@skoltech.ru)

BURDONOV Alexander Evgenievich, candidate of Technical Sciences,

associate Professor of the Department of Mineral Processing and Environmental Protection

Irkutsk National Research Technical University

(664074, Irkutsk, Lermontov St. 83, e-mail: slimbul@inbox.ru)

SHONKHODOYEV Zandan Chimitdashievich, engineer of the department

"Mineral processing and environmental protection"

Irkutsk National Research Technical University

(664074, Irkutsk, Lermontov st. 83, e-mail: Zandanshonhodoev@gmail.com)

Abstract. The article considers the possibility of conducting laboratory studies of the sedimentation process using an automated information system. Special attention is paid to the implementation of a distributed architecture, the storage of heterogeneous data, as well as the use of computer vision to recognize the boundaries of liquid media. The implementation of the hardware component of the system, as well as the interaction of its software modules, is described. It is proposed to use highly specialized servers to scale the system. The main solution to the problem of determining the interface of liquid media is proposed to use a neural network model of the YOLOv8 family. As an alternative to the neural network model, an algorithm based on the analysis of pixel values of images in grayscale is used. Laboratory experiments using alumina-containing ore are conducted to verify the operation of the automated information system. The article presents the results of determining the deposition rate of solid particles in a liquid medium with the addition of flocculant. The initial data are processed using comparable computer vision methods to determine the deposition rate of solid particles. Based on the results obtained, a conclusion is made about the possibility of using the automated information system being developed.

Keywords: sedimentation, thickening, hardware and software complex, machine vision, laboratory research, automated information system.

Для цитирования: Скворцов Д.Е. Автоматизированная информационная система проведения лабораторных исследований процесса седиментации / Д.Е. Скворцов, Д.Г. Шадрин, А.Е. Бурдонов, З.Ч. Шонходоев // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 43-50. – EDN: KUYWIT.

Введение. Эффективное управление природными ресурсами является необходимой составляющей повышения экономической эффективности современных предприятий. Кроме того, текущая экологическая ситуация в мире требует модернизации производственных циклов на предприятиях с целью снижениях их негативного влияния на окружающую среду [1]. Отрасль добычи и обогащения полезных ископаемых характеризуется интенсивным использованием природных ресурсов, образованием большого количества отходов и, как следствие, негативным воздействием на объекты окружающей среды, что обуславливает необходимость внедрения современных методов управления природными ресурсами и техногенным сырьем.

Одним из ключевых технологических переделов при переработке полезных ископаемых, касаемый управления отходами, является процесс сгущения и складирования хвостов [2-3]. Операция сгущения позволяет существенно сократить расходы на электроэнергию, снизить объем хвостов, поступающих на хвостохранилище и организовать внутрифабричный водооборот с получением достаточного количества технологической оборотной воды.

Для достижения высокой эффективности работы сгустителей существуют методы определения оптимальных параметров их работы [4]. Одним из ключевых технологических параметров при очистки сточных вод и сгущении пульп является скорость осаждения частиц. Как правило, первичные лабораторные исследования по определению скорости осаждения частиц проводятся с применением различных химических реагентов (среди них коагулянты, флокулянты, регуляторы среды). Одним из классических методов является фиксация скорости осаждения частиц в мерном цилиндре. Скорость осаждения частиц определяет динамику седиментации.

В настоящее время лабораторные исследования во многих случаях не имеют какой-либо автоматизации. Измерения уровня границы раздела сред осуществляются исследователями только за счет визуального наблюдения. В связи с этим существует большая вероятность ошибки при фиксации параметров осаждения. Такой подход требует активного участия и внимания исполнителя, затрачивает много времени для сбора исходных данных и их дальнейшей обработки.

С целью совершенствования процесса измерения скорости осаждения частиц могут внедряться автоматизированные информационные системы (АИС). Основные подходы по разработке этих систем описаны в ряде работ [5-6]. Отдельное внимание уделяется использованию методов компьютерного зрения, как классических [7], так и на основе нейросетевых моделей [8].

В качестве примера реализации автоматизированной информационной системы можно привести разработку «SediRack» от компании «Cettem». «SediRack» является программно-аппаратным комплексом, позволяющим одновременно проводит до пяти лабораторных испытаний за счёт автоматизации сбора изображений процесса седиментации и их последующего анализа [9].

Несмотря на явные сильные стороны программно-аппаратного комплекса «SediRack», часть используемых в нём решений могут быть скорректированы с учётом актуальных средств и методов разработки автоматизированных информационных систем. Среди них можно обозначить производительные нейросетевые модели для распознавания объектов на изображениях [10], распределённые архитектуры информационных систем [11] и стремление к накоплению больших данных [12].

Новая автоматизированная информационная система, разработанная с учётом сильных сторон системы «SediRack» и актуальных информационных технологий, позволит значительно повысить эффективность работы исследователя, изучающего динамику седиментации. Кроме того, собираемые данные могут использоваться для дальнейших исследований.

Цель данной работы заключается в проверке возможности применения новой АИС в условиях лабораторного эксперимента.

Для проектирования и реализации новой автоматизированной информационной системы проведения лабораторных исследований процессов сгущения рассмотрены следующие темы:

1. Определение границы раздела сгущённой и осветлённой сред при проведении лабораторных исследований процесса седиментации с помощью методов компьютерного зрения.

2. Применение распределённой архитектуры для масштабирования системы при обработке больших объёмов данных.

3. Реализация хранения разнородных данных.

Методология. Для реализации алгоритмов и пользовательского интерфейса был использован язык программирования Python. Он был выбран в качестве основного языка поскольку обладает большим количеством библиотек, упрощающих обработку изображений, реализацию графического пользовательского интерфейса (GUI) и отрисовку диаграмм. Графический пользовательский интерфейс приложения реализован с помощью библиотеки PyQt5. Она позволяет создавать визуально приятные и гибкие формы с помощью универсальных технологий XML и CSS. При этом PyQt5-приложения являются платформонезависимыми [13].

Предварительная обработка изображений и взаимодействие с камерой реализованы с помощью библиотеки Open Source Computer Vision Library (OpenCV) [14]. Также, используя эту библиотеку, можно реализовать метод компьютерного зрения, основанный на анализе значений пикселей изображения для решения задачи нахождения границы раздела сгущённой и осветлённой сред.

Альтернативным способом поиска границ разделов жидкостных сред является использование сверточной нейронной сети семейства YOLOv8. Высокая производительность моделей семейства позволяет использовать их при решении задач обнаружения объектов на изображениях в различных предметных областях [15-17]. В данной работе используется модель глубокого обучения YOLOv8m, которая обучена на заранее подготовленных наборах данных. Для разметки было отобрано 240 случайных изображений пяти экспериментов, подготовленных в различных внешних условиях и с использованием различных проб.

С целью оценки эффективности разработанной АИС, проведено несколько экспериментов, для которых использовалась глинозёмсодержащая руда с содержанием твердого 7,5%. В качестве флокулянта использовался реагент Гранфлок 1415 с концентрацией 0,025%. Исследование проводилось на 5 образцах с различным расходом флокулянта: 2,5 г/т; 5 г/т; 7,5 г/т; 10 г/т; 12,5 г/т соответственно.

В стеклянные цилиндры с исследуемой пульпой добавлялось соответствующее количество реагента. Затем полученная смесь перемешивалась с помощью установки. После окончания перемешивания производилась фотофиксация процесса седиментации. Полученные снимки обрабатывались с помощью разработанных алгоритмов.

Также было проведено исследование гранулометрического состава глинозёмсодержащей руды с помощью лазерного анализатора частиц «Analysette-22 NanoTec plus». Диапазон определяемых частиц: от 10 нм до 1 мм.

Результаты. Для реализации проекта была спроектирована установка (рис. 1), состоящая из вращающейся рамы размером 330x90x400 мм с пятью закреплёнными в ней стеклянными цилиндрами. Ёмкость каждого цилиндра 500 мл. Фотосъёмка цилиндров осуществляется с помощью камеры Logitech HD Pro C920, подключенной к компьютеру, на котором работает клиентское приложение, написанное на языке программирования Python. Для вращения рамы используется шаговый двигатель MP555SP-2NK, который управляется с помощью микроконтроллера Arduino Nano, также подключённого к компьютеру с помощью USB-кабеля.

Клиентское приложение, запущенное на компьютере исследователя, реализует графический пользовательский интерфейс, а также отвечает за подачу сигналов управления на микроконтроллер Arduino и приём изображений с камеры. Приложение упаковывает получаемые изображения в архивы и отправляет их по сети на сервер, на котором реализованы вычислительные алгоритмы для обнаружения границ раздела сгущённой и осветлённой сред. Все получаемые сервером изоб-ражения помещаются в файловое хранилище. Ре-зультаты нахождения границ разделов жидкостных сред, а также данные о проводимых пользователем экспериментах записываются в реляционную базу данных.

Для работы с собранными данными используется отдельное клиентское приложение, ориентированное на построение наглядных визуализаций. Такое решение позволяет разделить функциональность системы между двумя акторами: исследователем-лаборантом, отвечающим за проведение экспери-ментов и сбор исходных данных с помощью аппаратного обеспечения, и исследователем-анали-тиком, работающим только с уже собранными и предварительно обработанными данными.

Архитектура системы приведена на рисунке 2.

Рисунок 1 – Модель и реализация прототипа вращающейся рамы с закреплёнными стеклянными цилиндрами

Рисунок 2 – Архитектура модулей АИС

В системе имеется два клиентских приложения и ряд серверов, каждый из которых специализируется на решении узкого класса задач. Взаимодействие между серверами и клиентскими приложениями осуществляется через программные интерфейсы. Сервера могут располагаться на одном аппаратном обеспечении, но изолированы друг от друга и не имеют общего доступа к памяти. У исследователя-аналитика и исследователя-лаборанта разные клиентские приложения, так как они реализуют различный функционал. Кроме того, только при-ложение исследователя-лаборанта реализует взаимо-действие с установкой, в которой находятся стек-лянные цилиндры и видеокамера.

Сервер хранения данных хранит все данные, описывающие эксперименты, и рассчитанные уровни границ разделов сгущённой и осветлённой жидкостных сред в реляционной базе данных. Все изображения, полученные с камеры, помещаются в файловое хранилище.

Реализация распределённой системы, ориен-тированной на использование узкоспециализи-рованных серверов, открыта к масштабированию, так как для повышения эффективности обработки данных возможно добавление новых серверов, между которыми будет распределяться нагрузка. Кроме того, система может быть достаточно легко модифицирована, так как обновление основных программных модулей не требует никаких допол-нительных действий со стороны пользователей – под их контролем находятся только клиентские приложения и лабораторная установка.

В качестве основных инструментов для решения задачи обнаружения границы раздела жидкостных сред решено выбрать два метода компьютерного зрения: алгоритм, основанный на анализе значений пикселей изображения, и нейросетевую модель.

Алгоритм анализа значений пикселей основан на сравнении пикселей, выбранных по центральной вертикали изображения цилиндра в оттенках серого. Так как граница между осветлённой и сгущён-ной средами обычно чётко видна, разница между числовыми значениями пикселей на границе будет больше заданного порога.

Диаграмма со значениями центральной верти-кали пикселей изображения в оттенках серого показана на рисунке 3.

Поскольку вероятность нахождения границы раздела зависит от скорости изменения значений двух соседних пикселей, мы можем найти наиболее вероятный диапазон пикселей, где располагается граница.

Рисунок 3 – Значения пикселей центральной вертикали изображения в оттенках серого

Из полутонового обрезанного изображения стек-лянного цилиндра выбирается одна центральная вертикальная линия пикселей – все они добавляются в массив целых чисел P:

pi ∈ P

Значения цвета пикселей сравниваются с соседними, и найденные различия проверяются на значимость. Если разница больше заданного параметра значимости, то индекс левого значения равен высоте граничного слоя – полученное значение в пикселях переводится в миллиметры и добав-ляется в новый массив высот пограничного слоя H, который обрабатывается для сглаживания значений и удаления выбросов.

|pik – pk(i+1) | > S ⟹ hn = pik , hn ∈ H

Для обучения нейросетевой модели исходный набор данных разделён с помощью Hold-out метода следующим образом:

– 80% (192 изображения) – тренировочная выборка;

– 10% (24 изображения) – валидационная выборка;

– 10% (24 изображения) – тестовая выборка.

По завершении обучения получены следующие результаты.

Оценка качества mAP:

– mAP50 = 0.995: Средняя точность на уровне IoU 0.5. Значение близкое к 1 указывает на высокую точность в обнаружении объектов;

– mAP50-95 = 0.822: Средняя точность на уровне IoU от 0.5 до 0.95. Значение также довольно высокое и указывает на способность модели обобщать для различных уровней перекрытия объектов.

На рисунке 4 приведены примеры результатов, полученных при обнаружении границы раздела двух жидкостных сред с помощью обученной модели.

Эксперименты для проверки АИС проводились на глинозёмсодержащей руде. На рисунке 5 при-ведён её гранулометрический состав.

В результате проведения экспериментов и последующей обработки собранных изображений были построены графики изменения границ разделов сгущённой и осветлённой жидкостных сред.

Вычисленные скорости осаждения твёрдых час-тиц приведены в таблице 1.

Рисунок 4 – Результаты применения свёрточной нейронной сети

Рисунок 5 – Распределение частиц по их размерам

Таблица 1 – Средние скорости осаждения на основе приведённых методов

Номер цилиндра	Средняя скорость осаждения, мм/с
	Метод анализа пикселей	Нейросетевая модель
1	15,27	15,13
2	19	22,4
3	34,38	37,33
4	36,67	44,44
5	27,5	30,11

Обсуждение. Подготовка изображения должна включать в себя кадрирование, поскольку на фотог-рафии присутствует пять стеклянных цилиндров, которые рассматриваются по очереди. Прежде всего, можно использовать размытие по Гауссу. Оно необходимо для улучшения визуального восприятия, но в данной ситуации оно используется для оптимизации алгоритма сравнения значений пикселей за счёт упрощения анализа изображения. Дополнительно необходимо использовать методы «размытия» («erosion») и «расширения» («dilation») [18-19]. На рисунке 7 приведены исходное изображение, а также результаты применения опе-раций «размытие» и «расширение».

Разрабатываемая система должна собирать исходные данные, описывающие процесс седимен-тации, проводя его фотофиксацию через установ-ленные промежутки времени и анализируя собранные данные с помощью методов компьютерного зрения. Основной идеей обработки данных должно стать решение задачи обнаружения границы раздела жидкостных сред и определения скорости осаждения частиц в жидкой среде.

Основное преимущество классического метода компьютерного зрения, основанного на сравнении пикселей, заключается в том, что он может исполь-зоваться без каких-либо заранее подготовленных наборов данных и имеет легко интерпретируемые параметры. С другой стороны, разработанный алго-ритм сильно зависит от множества переменных факторов, таких как физические свойства иссле-дуемой пробы, источники света и др.

Сверточные нейронные сети высокоэффективны для решения задачи обнаружения объектов, имеют большую устойчивость к изменениям внешней среды и могут быть использованы для автоматизи-рованного поиска нижней границы осветленного слоя. В то же время данные модели требуют огромного количества размеченных изображений для обучения и валидации. Вероятным методом преодоления этого препятствия может стать аугментация [20].

Рисунок 7 – Изображение цилиндров в оттенках серого с предварительной обработкой

Для дальнейшего повышения точности оп-ределения границ раздела жидкостных сред можно использовать регрессионные модели или эмпирические формулы. Среди прочих, отдельного внимания достойна аппроксимирующая модель Вейбулла [21] вида:

h=a – be(-ctd)

где h – высота осветленного слоя в мм; t – время отстаивания в секундах; a, b, c, d – эмпирические коэффициенты.

Разрабатываемая автоматизированная инфор-мационная система может минимизировать чело-веческий фактор за счёт автоматизации наиболее трудоёмких процессов лабораторного исследования седиментации. Применение программно-аппарат-ного комплекса может позволить значительно повысить эффективность исследователя за счёт трёх факторов:

1. Одновременное проведение пяти независимых экспериментов.

2. Отсутствие необходимости активного участия исследователя в процессах перемешивания пульп, фиксации результатов наблюдений экспериментов и построения графиков зависимости уровня границ разделов жидкостных сред от времени.

3. Сокращение влияния человеческого фактора при сборе и обработке данных.

Побочными достигаемыми эффектами могут являться:

1. Накопление результатов лабораторных экс-периментов в базе данных.

2. Снижение себестоимости исследований.

Выводы. Проведённые эксперименты показали, что АИС, реализующая предложенные нами решения, способна собирать и обрабатывать данные даже при скорости осаждения твердых частиц более 30 мм/с. Таким образом разработанный программный-аппаратный комплекс может быть использован для анализа новых типов флокулянтов и коагулянтов в лабораторных условиях.

В дальнейших работах предполагается повышение точности распознавания границ разделов сгущённой и осветлённой жидкостных сред с помощью исполь-зования современных нейросетевых моделей, обученных на разнообразных и больших наборах данных. Также предполагается рассмотрение воз-можности моделирования процесса осаждения твёрдых частиц с помощью аппроксимирующей модели Вейбулла.

СПИСОК ЛИТЕРАТУРЫ:

1. Кибирев В.И. Сгущение хвостовой пульпы-шаг к "зеленой" технологии складирования хвостов //Обогащение руд. – 2010. – №. 6. – С. 44-48.

2. Бауман А.В., Степаненко А.И., Баранова А.А. Теоретические основы и практика проектирования процессов и аппаратов сгущения рудных пульп // Обогащение руд. – 2023. – № 1.

3. Рылов К.А., Бурдонов А.Е. Исследование сгущаемости хвостов обогащения железных руд // Обогащение руд. – 2023. – № 5. – С. 51-56.

4. Дмитриева Е.Г., Газалеева Г.И., Мусаев В.В., Клюшников А.М. Исследование процесса сгущения тонкодисперсных хвостов золотосодержащих руд // Обогащение руд. – 2022. – № 1. – С. 46-50.

5. Осипова Н.В. Обзор систем машинного зрения для контроля процессов рудоподготовки и обогащения // Авто-матизация в промышленности. – 2024. – №5.

6. Concha F. et al. Audit industrial thickeners with new on-line instrumentation //Powder technology. – 2017. – Т. 314. – С. 680-689.

7. Ромашев А.О., Николаева Н.В., Гатиатуллин Б.Л. Формирование адаптивного подхода с применением технологии машинного зрения для определения параметров осаждения продуктов обогащения //Записки Горного института. – 2022. – Т. 256. – С. 677-685.

8. Jothiprakash V., Garg V. Reservoir sedimentation estimation using artificial neural network //Journal of Hydrologic Engineering. – 2009. – Т. 14. – №. 9. – С. 1035-1040.

9. Ruan Z. et al. Effect of interparticle interactions on the yield stress of thickened flocculated copper mineral tailings slurry //Powder Technology. – 2021. – Т. 392. – С. 278-285.

10. Sultana F., Sufian A., Dutta P. A review of object detection models based on convolutional neural network //Intelligent computing: image processing based applications. – 2020. – С. 1-16.

11. Золотарева П.Ю., Гадасин Д.В., Маклачков К.А. Методы обработки информации в распределенных информационных системах. – 2023.

12. Zhang X., Zhou Y., Luo J. Deep learning for processing and analysis of remote sensing big data: A technical review //Big Earth Data. – 2022. – Т. 6. – №. 4. – С. 527-560.

13. Willman J. Modern PyQt: create GUI applications for project management, computer vision, and data analysis. – Berkeley: Apress, 2021.

14. Sigut J. et al. OpenCV basics: A mobile application to support the teaching of computer vision concepts //IEEE Transactions on Education. – 2020. – Т. 63. – №. 4. – С. 328-335.

15. Li Y. et al. A Modified YOLOv8 Detection Network for UAV Aerial Image Recognition //Drones. – 2023. – Т. 7. – №. 5. – С. 304.

16. Xiao B., Nguyen M., Yan W.Q. Fruit ripeness identification using YOLOv8 model //Multimedia Tools and Applications. – 2024. – Т. 83. – №. 9. – С. 28039-28056.

17. Wang H. et al. YOLOv8-QSD: An improved small object detection algorithm for autonomous vehicles based on YOLOv8 //IEEE Transactions on Instrumentation and Measurement. – 2024.

18. Kalinkina D., Vatolin D. The problem of noise suppression in images and videos and various approaches to its solution //Komp. Graf. Multimed. Online Journal. – 2005. – Т. 9.

19. Said K.A.M., Jambek A.B. Analysis of Image Processing Using Morphological Erosion and Dilation //Journal of Physics: Conference Series. – IOP Publishing, 2021. – Т. 2071. – №. 1. – С. 012033.

20. Nesteruk S. et al. Xtremeaugment: Getting more from your data through combination of image collection and image augmentation //IEEE Access. – 2022. – Т. 10. – С. 24010-24028.

21. Deep S. et al. Estimation of the wind energy potential for coastal locations in India using the Weibull model //Renewable energy. – 2020. – Т. 161. – С. 319-339.

Статья поступила в редакцию 02.08.2024

Статья принята к публикации 13.09.2024

УДК 004.853

EDN: AKLEBT

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СФЕРЕ ВЫСШЕГО ОБРАЗОВАНИЯ: ПОДГОТОВКА СТУДЕНТОВ НЕПРОФИЛЬНЫХ СПЕЦИАЛЬНОСТЕЙ И НАПРАВЛЕНИЙ БАКАЛАВРИАТА

© Авторы 2024

SPIN: 4528-0302

AuthorID: 280970

ORCID: 0000-0001-7365-9349

ResearcherID: AAJ-4801-2020

БУГАКОВА Татьяна Юрьевна, кандидат технических наук, доцент,

заведующий кафедрой «Прикладная информатика и информационные системы»

Сибирский государственный университет геосистем и технологий

(630108, Россия, Новосибирск, улица Плахотного, 10, e-mail: bugakova-tu@yandex.ru)

SPIN: 9554-4138

AuthorID: 550115

ORCID: 0000-0002-4185-7866

СМИРНОВ Дмитрий Юрьевич, кандидат экономических наук,

доцент кафедры «Прикладная информатика и информационные системы»

Сибирский государственный университет геосистем и технологий

(630108, Россия, Новосибирск, улица Плахотного, 10, e-mail: smirdu@yandex.ru)

Аннотация. Предложенная в статье структура учебной дисциплины «Системы искусственного интеллекта» позволяет студентам непрофильных специальностей и направлений подготовки овладеть компетенциями по использованию основных методов искусственного интеллекта в их последующей профессиональной деятельности. Сущность предлагаемого авторами статьи подхода при построении практической части курса состоит в том, чтобы изучение технологий искусственного интеллекта начиналось с использованием специализированных платформ визуального программирования с понятным неподготовленному пользователю инструментарием и заканчивалось итоговым проектом в виде разработанного на языке Python Telegram-бота, отвечающего на вопросы пользователей по заданной тематике. По мнению авторов статьи, предлагаемая структура учебного курса «Системы искусственного интеллекта» позволит, с одной стороны, наиболее наглядно продемонстрировать студентам специфику основных прикладных задач, решаемых с помощью технологий искусственного интеллекта, а, с другой стороны, вооружит учащихся инструментарием, который будет востребован ими в дальнейшей учебе при написании и защите курсовых проектов, отчетов по практикам, выпускных квалификационных работ и т.д. Использование метода обучения «от простого к сложному» и проектного обучения дает возможность студентам непрофильных специальностей освоить основы написания программного кода на языке Python, ознакомиться с базовыми библиотеками, модулями и фреймворками, используемыми при разработке программных приложений в области искусственного интеллекта.

Ключевые слова: искусственный интеллект, платформы визуального программирования, виджет, чат-бот, библиотеки Python, проектное обучение, компетенция, лабораторная работа, программный код, машинное обучение.

ARTIFICIAL INTELLIGENCE TECHNOLOGIES IN HIGHER EDUCATION: TRAINING OF STUDENTS OF NON-CORE SPECIALTIES AND DIRECTIONS OF THE BACHELOR'S DEGREES

© The Authors 2024

BUGAKOVA Tatyana Yurievna, candidate of technical sciences, associate professor

head of the Department “Applied Computer Science and Information systems”

Siberian State University of Geosystems and Technologies

(10 Plakhotnogo Str., Novosibirsk, 630108, Russia, e-mail: bugakova-tu@yandex.ru)

SMIRNOV Dmitry Yurievich, candidate of economic sciences,

associate professor of the Department “Applied Computer Science and Information systems”

Siberian State University of Geosystems and Technologies

(10 Plakhotnogo Str., Novosibirsk, 630108, Russia, e-mail: smirdu@yandex.ru)

Abstract. The article proposes the structure of the academic discipline "Artificial intelligence systems", which allows students of non-core specialties and bachelor's degrees to acquire competencies in the use of basic artificial intelligence methods in their subsequent professional activities. The essence of the proposed approach in building the practical part of the course is that the study of artificial intelligence technologies begins with the use of specialized visual programming platforms with tools understandable to an unprepared user and ends with a final project in the form of a Telegram bot developed in Python that answers user questions on a given topic. According to the authors of the article, the proposed structure of the training course "Artificial Intelligence systems" will, on the one hand, most clearly demonstrate to students the specifics of the main applied tasks solved with the help of artificial intelligence technologies, and, on the other hand, equip students with tools that will be in demand by them in further studies for writing course projects, reports on practical training, graduation papers, etc. Using the "from simple to complex" learning method and project-based learning allows students of non-core specialties to master the basics of writing software code in Python, learn the basic libraries, modules and frameworks used in the development of software applications in the field of artificial intelligence.

Keywords: artificial intelligence, visual programming platforms, widget, chatbot, Python libraries, project learning, competence, laboratory work, program code, machine learning.

Для цитирования: Бугакова Т.Ю. Технологии искусственного интеллекта в сфере высшего образования: подготовка студентов непрофильных специальностей и направлений бакалавриата / Т.Ю. Бугакова, Д.Ю. Смирнов // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 51-59. – EDN: AKLEBT.

Введение. За последние три года резко возросла роль технологий искусственного интеллекта в повышение качества жизни населения, ускорении роста мировой экономики, увеличении объема инвестиций, повышении доступности и качества медицинской помощи, образования, культуры и т.д. Модели, основанные на технологии искусственного интеллекта, способны писать программные коды, сочинять поэмы, давать ответы на вопросы, создавать изображения по текстовому описанию и т.д.

В настоящее время более половины крупных компаний используют искусственный интеллект в реализации осуществляемой ими деятельности. Технологии искусственного интеллекта оказывают все большее влияние на решения, принимаемые органами государственной власти.

Наблюдается существенный рост частных и государственных инвестиций в разработку прикладных решений в области искусственного интеллекта. В 2022 году объем венчурных и пря-мых инвестиций в компании, разрабатывающие технологии искусственного интеллекта, составил 92 млрд. долларов США.

Доля работников, занятых в области искусствен-ного интеллекта, уже составляет релевантную величину на рынке труда. В России около 1 процента публикуемых вакансий связано с трудоустройством в области искусственного интеллекта. В развитых странах данный показатель в 1,5-2 раза выше.

Подтверждением значимости роли, которую технологии искусственного интеллекта играют в развитии современного общества, стала разработка Национальной стратегии развития искусственного интеллекта на период до 2030 года, утвержденной Указом Президента Российской Федерации в 2019 году [1].

Согласно вышеупомянутой Национальной стратегии одной из основных задач развития искусственного интеллекта в Российской Федера-ции является повышение уровня компетенций в области искусственного интеллекта и уровня информированности граждан о технологиях ис-кусственного интеллекта. Решение данной зада-чи подразумевает внедрение в образовательных организациях высшего образования комплексной системы подготовки квалифицированных кадров в области искусственного интеллекта, в том числе формирование и актуализация набора компетенций, приобретаемых по итогам получения высшего образования по различным специальностям и нап-равлениям подготовки в области искусственного интеллекта.

В целях практической реализации поставленной задачи Минобрнауки России своим письмом от 2 июля 2021г. №МН-5/2657 «О направлении информации» утвердил учебный модуль «Системы искусствен-ного интеллекта», который может применяться при реализации основных образовательных программ высшего образования по всем специальностям и направлениям подготовки [2]. Данный модуль был актуализирован письмом Минобрнауки России от 14 июня 2023г. №МН-5/179660 [3].

Кроме того, с 2022 года в рамках федерального проекта «Развитие кадрового потенциала ИТ-отрасли» национальной программы «Цифровая экономика Российской Федерации» вузы приступили к реализации проекта «Цифровые кафедры». Суть проекта заключается в том, что студенты вузов, в том числе специальностей и направлений подготовки, не относящихся к IT-сфере, могут получить дополнительную квалификацию по IT-профилю в рамках обучения, организуемого цифровыми кафедрами. Первоначально цифровые кафедры были созданы в вузах – участниках программы «Приоритет-2030», однако предполагается включение в проект «Цифровые кафедры» и остальных российских университетов до конца 2025 года. Каждый вуз вправе самостоятельно разрабатывать образовательные программы профессиональной переподготовки, реализуемые цифровыми кафед-рами. К числу наиболее востребованных программ относятся программы в области искусственного интеллекта. Предлагаемый в настоящей статье модуль «Системы искусственного интеллекта» может послужить основой программы профессиональ-ной переподготовки студентов непрофильных специальностей и направлений бакалавриата, полу-чающих дополнительные компетенции в рамках проекта «Цифровые кафедры».

Методология. Несмотря на то, что в утверж-денном письмом Минобрнауки России модуле «Системы искусственного интеллекта» приведена примерная тематика лекций и лабораторных работ, научные дискуссии по поводу содержания учебных дисциплин в области искусственного интеллекта продолжаются [4-9]. В первую очередь, обсуждаются особенности преподавания дисциплины для студен-тов непрофильных специальностей и направлений бакалавриата, не обладающих глубокими знаниями в области IT-технологий [10].

По итогам анализа вышеупомянутых научных публикаций нам представляется целесообразным выделить два положения, которые, по нашему мнению, могут послужить своеобразными «отправной» и «конечной» точками построения модуля «Системы искусственного интеллекта», предназначенного специально для изучения студентами направлений подготовки, несвязанных напрямую с IT-отраслью.

Суть первого положения заключается в том, чтобы, учитывая отсутствие у студентов непрофильных направлений подготовки необходимых навыков программирования или знаний библиотек и фреймворков Python, использовать в учебном про-цессе специализированные платформы визуального программирования с понятным неподготовленному пользователю инструментарием, такие как Orange Data Mining или Teachable Machine [11].

Второе, выделенное нами, положение заключается в попытке совместить обучение системам искусст-венного интеллекта и проектную деятельность, а именно: результатом освоения дисциплины должен стать разработанный студентом законченный проект в области искусственного интеллекта [12].

Эти два положения соответствуют двум методам, которыми мы руководствовались при разработке содержания лабораторных работ: «движение от простого к сложному» и проектное обучение.

Отталкиваясь от метода «движения от простого к сложному», мы предлагаем первые лабораторные работы построить на основе специализированных платформ визуального программирования с понятным неподготовленному пользователю инструментарием. Применение в обучении платформ с интуитивно понятным интерфейсом, таких как Orange Data Mining, Teachable Machine и т.д. дает возможность не обладающим глубокими познаниями в IT-дисцип-линах студентам получить наглядное представление о тех основных задачах, которые решаются с помощью технологий искусственного интеллекта. В этом случае внимание студентов не будет отвлекаться на изучение языка Python, разбор программного кода и целиком сосредоточится на способах решения практических проблем с помощью технологий искусственного интеллекта.

Проектное обучение, результатом которого должен стать итоговый проект в области искусственного интеллекта, нацелено на повышение мотивации студентов по овладению непрофильной для них дисциплины «Системы искусственного интел-лекта». При этом разработанный студентом проект, выполненный с использованием технологий искусст-венного интеллекта, должен быть полезен студентам в их дальнейшей учебе при изучении последующих дисциплин. Поэтому среди предлагаемых в соот-ветствующих публикациях итоговых проектов, которые студенты могут выполнять в рамках дисциплины «Системы искусственного интеллекта», нам представляется наиболее интересным проект по созданию чат-бота, отвечающего на вопросы пользователей по заданной тематике (создание нишевого чат-бота) [13-15]. В ходе дальнейшей учебы студенты смогут создавать чат-боты, которые, к примеру, будут отвечать на вопросы преподавателя при защите курсовых работ и отчетов по практике, или отвечать на вопросы участников при проведении студенческих конференций, научных семинаров и т.д.

Предлагаемая нами структура практической части учебной дисциплины «Системы искусственного интеллекта», состоящая в последовательном движе-нии от лабораторных работ, построенных на исполь-зовании специализированных платформ визуального программирования с понятным неподготовленному пользователю инструментарием, к лабораторным работам по разработке нишевого Telegram-бота на Python, позволяет студентам эффективно освоить компетенции, указанные в вышеупомянутом письме Минобрнауки России.

Во-первых, наглядная демонстрация классов и типов задач, которые в настоящее время успешно решаются с использованием технологий искусственного интеллекта (классификация объектов, прогнозирование показателей на основе регрессии, кластеризация неразмеченной совокупности объек-тов и т.д.), позволит студентам успешно освоить компетенцию по использованию основных методов искусственного интеллекта в их последующей профессиональной деятельности (компетенция с кодом «ПК-1»).

Во-вторых, обучение студентов основам написа-ния программного кода на языке Python, ознакомле-ние их с базовыми библиотеками, модулями и фреймворками, используемыми при разработке нишевого Telegram-бота, будет способствовать фор-мированию у будущих специалистов навыков де-композиции и формализации процессов и объектов при анализе проблем, возникающих в ходе их профессиональной деятельности (компетенция с кодом «ПК-2»).

Мы считаем, что наиболее эффективно не параллельное, а последовательное выполнение упомянутых задач. В ходе выполнения первых лабораторных работ студенты должны четко уяснить, какой круг проблем можно решить с помощью применения современных технологий искусствен-ного интеллекта, а в последующих лабораторных работах перейти к изучению программной состав-ляющей решения этих проблем.

Результаты. При разработке структуры прак-тической части учебной дисциплины мы оттал-кивались от тех ограничительных условий, с которы-ми приходится сталкиваться при обучении студентов непрофильных специальностей и направлений под-готовки технологиям искусственного интеллекта.

Во-первых, вышеупомянутые студенты в подав-ляющей своей массе имеют слабое представление о языках программирования, программном коде, библиотеках, модулях и фреймворках Python и т.д.

Во-вторых, «непрофильность» дисциплины от-носительно будущей специальности данной кате-гории студентов снижает их мотивацию к ее изучению.

В-третьих, рекомендуемый письмом Минобр-науки России от 14 июня 2023г. №МН-5/179660 общий объем модуля составляет всего 72 акаде-мических часа, в том числе 17 часов лекций и 17 часов лабораторных занятий.

Начальной точкой в структуре дисциплины «Системы искусственного интеллекта», предла-гаемой для изучения студентам непрофильных специальностей и направлений подготовки, долж-ны стать лабораторные работы, выполняемые на базе специализированных платформ визуального программирования с понятным неподготовленному пользователю интерфейсом (Teachable Machine и Orange Data Mining). Конечным пунктом изучения рассматриваемой дисциплины должен стать студенческий проект по созданию Telegram-бота на Python, отвечающего на вопросы пользователей по заданной тематике. Остальные лабораторные работы должны последовательно и логично связать начальную и конечную точки.

Цель первой лабораторной работы «Разработка проекта по классификации рукописных цифр на платформе Teachable Machine» – показать студентам алгоритм решения задач классифика-ции изображений на основе платформы Teachable Machine с загрузкой датафреймов, размещенных на сайте Kaggle [16, 17]. В рамках первой лабораторной работы студенты загружают с сайта Kaggle датафреймы с изображением рукописных цифр (например, содержащий более 21 тысячи рукописных цифр датафрейм «Handwritten Digits 0 – 9») в создаваемый ими на платформе Teachable Machine проект по классификации написанных от руки цифр. В графическом редакторе студенты рисуют рукописные цифры и распознают их с помощью созданной и обученной модели (рис. 1).

Рисунок 1 – Результат распознавания рукописных цифр на Teachable Machine (составлено автором)

Вторая лабораторная работа «Построение алго-ритма классификации цветов ириса с помощью виджетов на платформе Orange Data Mining» является логическим следствием первой: студенты про-должают изучать механизм решения задачи класси-фикации объектов с использованием технологий искусственного интеллекта, но более детально. Для облегчения понимания данного механизма по-прежнему используются специализированные платформы визуального программирования с понят-ным неподготовленному пользователю инструмен-тарием, в данном случае – Orange Data Mining [18-20]. В качестве объектов классификации взяты два классических датасета (iris и wine), содержащие соответственно характеристики цветков ириса и бутылок вина, а также метки, обозначающие класс, к которому данные объекты относятся.

С помощью виджетов на холсте студентам наглядно демонстрируются основные этапы обу-чения модели, создаваемой для классификации новых объектов, а именно: деление датасета на обучающую и тестируемую выборки, выбор ал-горитма классификации, обучение модели на обучающей выборке с использованием выбранного алгоритма классификации, проверка качества модели на тестируемой выборке, отнесение нового объекта к тому или иному классу с использованием обученной модели (рис. 2).

В третьей лабораторной работе «Разработка модели машинного обучения для решения задачи классификации с использованием библиотек, моду-лей и фреймворков Python» студенты выполняют туже самую задачу, что и во второй, а именно: классификацию объектов на примере цветов ириса (датасет load_iris) и бутылок вина (датасет load_wine), но теперь уже с помощью программного кода, написанного языком Python в блокнотах на платфор-ме Google Colab. Студенты проходят те же этапы решения задачи классификации, что и во второй лабораторной работе, но без использования видже-тов Orange Data Mining, а на основе библиотек и модулей Python. Понимание студентами програм-много кода обеспечивается его визуализацией в ходе двух первых лабораторных работ (рис. 3).

Рисунок 2 – Классификация объектов с помощью виджетов Orange Data Mining (составлено автором)

Рисунок 3 – Классификация объектов с помощью библиотек и модулей Python (составлено автором)

В четвертой и пятой лабораторных работах студенты должны ознакомиться с иными типами задач, решаемых с использованием искусственного интеллекта.

Цель четвертой лабораторной работы «Разра-ботка модели для построения регрессии» – продемонстрировать, как с помощью технологий искусственного интеллекта можно спрогнозиро-вать какой-либо количественный признак объекта, например, цены недвижимости или подержанных автомобилей, экономические показатели, оценку будущего состояния больного и т.д. в рамках решения задачи регрессии. Лабораторная работа выполняется в блокнотах на платформе Google Colab, а в качестве объектов для построения регрессии выбираются соответствующие датасеты из библиотеки Scikit-Learn, например, load_boston (цены на недвижимость в Бостоне) или load_diabetes (медицинские показатели больных диабетом). В ходе выполнения лабораторной работы студенты должны протестировать несколько алгоритмов (линейную и нелинейные виды регрессии, метод опорных векторов и т.д.) и выбрать наилучший алгоритм, обеспечивающий наименьшую ошибку на тестируемой выборке.

При выполнении пятой лабораторной работы «Разработка модели для кластеризации множества непомеченных объектов» студенты должны озна-комиться с еще одним типом задач, реализуемых при помощи технологий искусственного интеллекта, - кластеризацией множества непомеченных объектов, а также получить навыки подготовки данных для машинного обучения.

Так как в реальной практической деятельности большие данные зачастую генерируются в виде файлов формата xlsx, то для ознакомления студентов с операциями по очистке и подготовке данных для последующего машинного обучения берется файл соответствующего формата, который, в свою очередь, может быть получен путем конвертации скачанного с сайта Kaggle файла формата csv, например, файла «Student Stress Factors: A Comprehensive Analysis», содержащего информацию о влияющих на уровень стресса двадцати факторах по превышающему тысячу студентов множеству.

В блокноте на платформе Google Colab, используя модули и команды библиотек Pandas, Scikit-Learn и т.д., студенты учатся конвертировать листы таблицы Excel в датафреймы, проводить очистку данных (приведение в соответствие с форматом, выявление и исправление недостоверных данных, удаление заголовков столбцов и т.д.), удалять в полученном датафрейме столбец с метками, выбирать алгоритм кластеризации (метод k-средних, графовый алгоритм Крускала, иерархическая кластеризация и т.д.), проводить кластеризацию множества в соответствии с выбранным алгоритмом и сравнивать полученные результаты с фактическими метками объектов (рис. 4).

Рисунок 4 – Кластеризация объектов и сравнение предсказанных и фактических меток (составлено автором)

После того, как студенты уяснили основные типы задач, решаемых с помощью технологий искусственного интеллекта, ознакомились с базо-выми библиотеками Python и возможностями их применения, следует приступить к выполнению итогового проекта – созданию нишевого чат-бота.

Разрабатываемый в рамках шестой лабораторной работы «Разработка чат-бота на основе машинного обучения» чат-бот, отвечающий на вопросы пользователей по заданной тематике, опирается на решение уже знакомого студентам типа задач классификации. Используя on-line редактор данных формата JSON, студенты создают файл, содержащий в качестве объектов перечень намерений задаю-щего вопрос пользователя, соответствующие этим намерениям возможные вопросы пользователя, а также набор ответов на вопросы. Вопросы и ответы относятся к заданной тематике, например, согласуются с содержанием студенческой курсовой работы. Студенты помечают вопросы метками исходя из намерений, которым они соответствуют, преобразуют текстовые данные в числовой вектор, выбирают алгоритм классификации (LogisticRegression(), RandomForestClassifier() и т.д.), обучают модель с помощью выбранного алгоритма (рис.5).

В седьмой лабораторной работе студенты усложняют созданного в предыдущей лабораторной работе чат-бота, используя функционал библиотек NLTK, re и т.д. (word_tokenize, edit_distance(text1, text2), search(), lower(), sub(pattern, repl, string) и т.д.).

В ходе восьмого лабораторного занятия «Разработка Telegram-бота на Python» студенты получают знания о работе с Telegram-ботами на Python, используя API Telegram, знакомятся с библиотекой python-telegram-bot и входящими в нее пакетами (telegram, telegram.ext и т.д.), методами API, связанными с получением и отправкой сообщений (Bot(), Updater()), обработчиками команд и сообще-ний (CommandHandler, MessageHandler), фильтрами обработчиков сообщений (Filters.text, Filters.photo, Filters.video) и т.д.

Результатом итогового проекта является раз-работка Telegram-бота, отвечающего на вопросы пользователей по заданной тематике (рис. 6).

Рисунок 5 – Создание чат-бота на основе машинного обучения (составлено автором)

Рисунок 6 – Разработка нишего Telegram – бота (составлено автором)

Обсуждение. Сравнительный анализ предла-гаемой нами структуры практической части учебной дисциплины и рекомендуемого письмом Минобр-науки России перечня лабораторных работ учеб-ного модуля «Системы искусственного интеллекта» позволяет выделить следующее.

Во-первых, рекомендуемый письмом Минобр-науки России учебный модуль «Системы искусст-венного интеллекта» имеет универсальный характер, не учитывает профильность специальностей и направлений подготовки студентов, его изучающих. Разработанная нами система лабораторных работ предназначена исключительно для студентов неп-рофильных специальностей и направлений под-готовки и исходит из ограничительных условий, с которыми сталкивается преподаватель в процессе обучения (недостаточная подготовленность студен-тов, низкая мотивация к изучению дисциплины и т.д.). Направленность предлагаемого курса на определенный целевой контингент студентов пред-полагает некоторое упрощение заданий, исходя из принципа «лучше меньше, да лучше».

Во-вторых, в целом, предлагаемая нами струк-тура практической части учебной дисциплины соответствует содержанию лабораторных работ учебного модуля «Системы искусственного интел-лекта» из письма Минобрнауки России и является их конкретизацией. К примеру, лабораторная работа «Работа с текстами и их векторными представле-ниями текстов» конкретизирована нами в виде трех взаимосвязанных лабораторных работ, итогом которых является разработанный студентом нишевой Telegram-бот.

В-третьих, в предлагаемой нами структуре учебной дисциплины несколько изменен порядок изучения тем, по сравнению с рекомендуемым письмом Минобрнауки России учебным модулем. Например, в учебном модуле первая лабораторная работа посвящена анализу, агрегации и визуализации данных, которые используются для построения моделей на основе технологий искусственного интеллекта. По нашей логике практическое изуче-ние курса нужно начинать с наглядной демонстра-ции (благодаря специализированным платформам визуального программирования с интуитивно по-нятным неподготовленному пользователю интер-фейсом) студентам задач, решаемых с помощью искусственного интеллекта.

В-четвертых, существенную роль в предлагаемой нами структуре учебной дисциплины играет ме-тод проектного обучения, что не прослеживается в рекомендуемом письмом Минобрнауки России учебном модуле. Разработка студентами непрофиль-ных специальностей и направлений подготовки итогового проекта в области искусственного интел-лекта, который может быть использован ими в процессе дальнейшего обучения, существенно повы-шает мотивацию студентов к изучению курса.

В целом, разработанную нами систему лабо-раторных работ можно определить как конкретиза-цию рекомендуемого письмом Минобрнауки России учебного модуля, предназначенного для изучения студентами непрофильных специальностей и направлений подготовки.

В Сибирском государственном университете геосистем и технологий предлагаемая структура практической части учебной дисциплины «Систе-мы искусственного интеллекта» была апробирована при обучении студентов первого курса направ-ления бакалавриата 21.03.02 – «Землеустройство и кадастры».

По итогам анализа обучения можно констатировать следующие результаты:

– существенно улучшилось понимание студента-ми задач, которые в настоящее время решаются с помощью технологий искусственного интеллекта;

– значительно повысилась мотивация студентов к изучению дисциплины, что, в первую очередь, обусловлено их заинтересованностью в реализации итоговых проектов по разработке Telegram-ботов на Python, используя API Telegram;

– разработанные студентами итоговые проекты используются ими при изучении других дисциплин, прежде всего при защите курсовых работ.

Как результат, студенты первого курса направле-ния бакалавриата 21.03.02 – «Землеустройство и кадастры» приняли активное участие в проходившей в рамках XX Международной выставки и науч-ного конгресса «Интерэкспо ГЕО-Сибирь 2024» студенческой олимпиаде «Применение систем искусственного интеллекта в исследовании геосис-тем» и, соревнуясь со студентами профильных нап-равлений подготовки, заняли одно из призовых мест.

Выводы. Предложенная в статье структура учебного курса «Системы искусственного интел-лекта» позволяет студентам непрофильных специаль-ностей и направлений подготовки в условиях огра-ниченного объема часов лабораторных работ в полной мере освоить компетенции, рекомендуемые письмом Минобрнауки России. Используемый при построении курса метод «от простого к слож-ному» дает возможность учащимся сперва понять сущность и виды задач, решаемых с помощью технологий искусственного интеллекта. С этой целью первые лабораторные работы выполняются на базе специализированных платформ визуального программирования с понятным неподготовленному пользователю интерфейсом (Teachable Machine и Orange Data Mining). В последующих лаборатор-ных работах осуществляется последовательный и логичный переход к изучению программных средств решения этих задач. В соответствии с методом проектного обучения конечным пунктом изучения рассматриваемой дисциплины является студенческий проект по созданию Telegram-бота на Python, отвечающего на вопросы пользователей по заданной тематике. Тем самым студенты получают инструмент, которым могут активно пользоваться в ходе дальнейшего обучения.

Предлагаемый комплекс взаимосвязанных лабора-торных работ является конкретизацией рекомен-дуемого письмом Минобрнауки России учебного модуля «Системы искусственного интеллекта», и предназначен для изучения студентами непрофиль-ных специальностей и направлений подготовки.

Разработанный учебный курс прошел практи-ческую апробацию и показал свою эффективность.

СПИСОК ЛИТЕРАТУРЫ:

1. Указ Президента РФ от 10.10.2019 N 490 (ред. от 15.02.2024) «О развитии искусственного интеллекта в Российской Федерации» (вместе с «Национальной стратегией развития искусственного интеллекта на период до 2030 года») [Электронный источник] // https://www.consultant.ru/document/cons_doc_LAW_335184/ (дата обращения 30.06.2024).

2. Письмо Министерства науки и высшего образования РФ от 2 июля 2021 г. N МН-5/2657 «О направлении информации» [Электронный источник] // https://www.garant.ru/products/ipo/prime/doc/401364914/#review (дата обращения 30.06.2024).

3. Письмо Минобрнауки России от 14.06.2023 г. № МН-5/179660 «Информация об образовательном модуле «Системы искусственного интеллекта» для включения в образовательные программы высшего образования и дополнительные профессиональные программы, планируемые к реализации в 2023/24 учебном году» // https://fgosvo.ru/ (дата обращения 30.06.2024).

4. Кудрявцева А.А., Соркин А.В. Отношение студентов к использованию искусственного интеллекта в обучении (на примере социологического факультета Смоленского государственного университета) // Цифровое общество: научные инициативы и новые вызовы: Материалы Международной научно-практической конференции. – Москва, 22 декабря 2023 г. / ред. кол.: П.Н. Новиков [и др.]. – Москва: Изд-во АНО ДПО «ЦРОН», Изд-во АЛЕФ, 2023. – С. 185-191.

5. Кухарев А.В. Современные библиотеки глубокого обучения и их использование в учебном процессе при подготовке it-специалистов // Наука – образованию, производству, экономике: Материалы ХХIV (71) Региональной научно-практической конференции, Витебск, 14 февраля 2019 г. / ред. кол.: И.М. Прищепа [и др.]. – Витебск: Изд-во ВГУ им. П.М. Машерова, 2019. – том 2. – C.50-52.

6. Лукьяненко А.С. Некоторые технологические и педагогические аспекты разработки и использования экспертных систем при обучении студентов основам искусственного интеллекта // Вестник Поморского университета. Серия: Гуманитарные и социальные науки. – 2009. – № 2. – С. 112-115.

7. Некрасова И.И., Розов К.В., Шрайнер Б.А. Перспективы внедрения технологий искусственного интеллекта в сфере высшего и общего образования // Сибирский педагогический журнал. – 2021. – № 3. – С. 20-27.

8. Розов К.В. Формирование профессиональной готовности будущих учителей информатики к применению технологий искусственного интеллекта // Информатика и образование. – 2022. – Т. 37. – № 2. – С. 50-63.

9. Шрайнер Б.А., Розов К.В. Специфика дистанционного обучения студентов педагогических специальностей предмету «Технологии искусственного интеллекта» // Вестник педагогических инноваций. – 2022. – № 4 (68). – С.122-132.

10. Дробахина А.Н. Организация обучения студентов непрофильных специальностей в области искусственного интеллекта // Цифровые трансформации в образовании (E-Digital Siberia'2023): Материалы VII Международной научно-практической конференции. – Новосибирск, 20 апреля 2023 г. – Новосибирск: Изд-во СГУПС, 2023. – С. 117-122.

11. Никольский А.А. Использование открытых прог-раммных платформ и графического интерфейса для обучения студентов методам глубокого обучения, когнитивного анализа и искусственного интеллекта // Современные нейрокибернетические технологии в реабилитации и развитии когнитивных способностей человека: Материалы VI Международной конференции. – Москва, 26–27 ноября 2021 г. / ред. кол.: В.Д. Байрамов [и др.]. – Москва: Изд-во Московского государственного гуманитарно-экономического университета, 2022. – С. 56-61.

12. Некрасова И.И., Шрайнер Б.А. Проектная деятель-ность студентов при обучении дисциплине «технологии искусственного интеллекта» // Технологическое образование: теория и инновационные практики (К 45-летнему юбилею кафедры технологического образования РГПУ им. А. И. Герцена): Материалы Всероссийской научно-практической конференции с международным участием. – Санкт-Петербург, 28-30 марта 2023 г. / ред. кол.: О.В. Костейчук [и др.]. – Санкт-Петербург: Изд-во РГПУ им. А. И. Герцена, 2023. – С. 172-176.

13. Дробахина А.Н. Опыт обучения студентов педаго-гических специальностей разработке чат-ботов с помощью визуальных конструкторов // Информационно-коммуника-ционные технологии в педагогическом образовании. – 2022. – №5 (80). – С. 26-29.

14. Лызь Н.А., Компаниец В.С., Лызь А.Е. Системы искусственного интеллекта в сопровождении обучения и развития студентов // Педагогика информатики. – 2023. – № 1 – 2. – С. 48-59.

15. Сафонов В.И., Сафонова Л.А. Обучение студентов основам искусственного интеллекта // Инновации и информационные технологии в условиях цифровизации экономики: Материалы Международной научно-прак-тической конференции. – Алчевск, 27–28 апреля 2023 г. / ред. кол.: И.С. Кусов [и др.]. – Алчевск: Изд-во ДонГТУ, 2023. – С. 331.

16. Edwin Ariesto Umbu Malahina1, Ryan Peterzon Hadjon, Franki Yusuf Bisilisin. Teachable Machine: Real-Time Attendance of Students Based on Open Source System / International Journal of Informatics and Computer Science. – 2022. – Vol.6 №3. – P. 140-146.

17. Libo Li. Boosting Performance in Data Science Competition Using Topic-Driven Analytics: Evidence From Recommendation System Design on Kaggle / IEEE Transactions on Engineering Management. – 2022. – Volume 71 – P. 3016-3027.

18. Demšar J., Curk T., Erjavec Al., Gorup Č., Hočevar T., Milutinovič M., Možina M., Polajnar M., Toplak M., Starič An., Stajdohar M., Umek L., Žagar L., Žbontar J., Žitnik M., Zupan B. Orange: Data Mining Toolbox in Python / Journal of Machine Learning Research. – 2013. – 14. – P. 2349-2353.

19. Demšar J., Zupan B. Data mining fruitful and fun - a historical perspective / Informatica. – 2013. – 37. – P. 55-60.

20. Toplak M., Birarda G., Read S., Sandt C., Rosendahl S. M., Vaccari L., Demšar J., Borondics F. Infrared Orange: Connecting Hyperspectral Data with Machine Learning / Synchrotron Radiation News. – 2017. – 30 (4). – P. 40-45.

Статья поступила в редакцию 03.07.2024

Статья принята к публикации 13.09.2024

УДК 004.932.4

EDN: EKUMTQ

ОСОБЕННОСТИ СКАНИРОВАНИЯ КИНОПЛЁНОК 3-Й КАТЕГОРИИ С ПРИМЕНЕНИЕМ ДВУСТОРОННЕЙ ЛАМИНАЦИИ И НЕЛИНЕЙНОЙ ЦИФРОВОЙ ПОСТОБРАБОТКОЙ

© Автор(ы) 2024

SPIN-код: 4017-7027

AuthorID: 1127924

ORCID: 0009-0005-6127-3138

ScopusID: 57391985300

БЛИННИКОВ Александр Вениаминович, аспирант,

ассистент кафедры «Информационных технологий и математического обеспечения информационных систем»

Красноярский государственный аграрный университет

(660049, Красноярск, пр.Мира, 90, e-mail: info@kgau.ru)

SPIN-code: 4017-7027

AuthorID: 1127924

ORCID: 0009-0005-6127-3138

ResearcherID: IAQ-3058-2023

ScopusID: 57391985300

БОРОВИНСКИЙ Дмитрий Владимирович, кандидат экономических наук,

заведующий кафедры государственного и муниципального управления

Сибирская пожарно-спасательная академия ГПС МЧС России

(660041, Россия, Красноярск, ул. 60 лет Октября, 97, e-mail: b-dim@mail.ru)

SPIN-код: 3817-2742

AuthorID: 108176

ORCID: 0000-0003-2128-6661

ResearcherID: S-9633-2017

ScopusID: 56441027200

КОВАЛЕВ Игорь Владимирович, доктор технических наук,

профессор кафедры «Программная инженерия»

Сибирский федеральный университет

(660041, Россия, Красноярск, пр. Свободный, 79, e-mail: office@sfu-kras.ru)

Аннотация. Работа посвящена исследованию и изучению методов сканирования уникальных немых кинокадров начала XX века с повреждённой киноплёнки третьей категории. Основная задача была – сохранение культурно-исторического наследия. Киноплёнки проходили процедуру увлажнения в фильмостате специальными средствами на основе глицерина, изопропилового спирта и дистиллированной воды, после чего к плёнкам приклеивался дополнительный ракорд, так же выполнялось двойное ламинирование всего материала односторонней прозрачной полипропиленовой основой с акриловым клеем и низкой дегазацией. В данном исследовании киноматериалы оцифровывались с использованием киносканера Cintel Scanner C-Drive. Были отсканированы 35 мм киноленты, любезно предоставленные КГАУК «Енисей кино» и ГБУК Красноярский краевой краеведческий музей. Оцифрованные киноматериалы проходили постобработку: шумоподавление, чистка изображений с применением AI технологий, цифровых эффектов и аппаратно-программных манипуляций, в процессе постобработки исчезали в среднем 10-15 крупных артефакта (пятна), от 25 до 45 мелких пылинок, а так же до 7 царапин. Уникальные кадры с уникальных киноплёнок удалось бережно перевести в цифровой формат и сохранить.

Ключевые слова: сканирование киноплёнки, двойное ламинирование односторонней прозрачной полипропиленовой основой, нейросетевые технологии, дискретные преобразования, киноплёнка 35 мм, цифровая постобработка.

FEATURES OF SCANNING FILMS OF THE 3RD CATEGORY USING DOUBLE-SIDED

LAMINATION AND NONLINEAR DIGITAL POST-PROCESSING

© The Author(s) 2024

BLINNIKOV Alexander Veniaminovich, post-graduate student, assistant of Department of Software Engineering

Krasnoyarsk State Agrarian University

(660049, Russia, Krasnoyarsk, Ave. Mira 79, e-mail: info@kgau.ru)

BOROVINSKII Dmitrii Vladimirovich, candidate of Economic Sciences,

head of the Department «State and Municipal Management»

Siberian Fire and Rescue Academy of State Fire Service of the EMERCOM of Russia

(660041, Russia, Krasnoyarsk, 60 let Oktyabrya St., 97, e-mail: b-dim@mail.ru)

KOVALEV Igor Vladimirovich, doctor of technical sciences, professor of Department of Software Engineering,

Siberian Federal University

(660041, Russia, Krasnoyarsk, Ave. Svobodny 79, e-mail: office@sfu-kras.ru)

Abstract. The work is devoted to the research and study of methods for scanning unique silent film frames of the early 20th century from damaged film of the third category. The main task was to preserve the cultural and historical heritage. The films underwent a humidification procedure in the filmostat with special means based on glycerin, isopropyl alcohol and distilled water, after which an additional racord was glued to the films, as well as double lamination of the entire material with a one-sided transparent polypropylene base with acrylic glue and low degassing. In this study, film materials were digitized using the Cintel Scanner C-Drive. 35 mm films were scanned, courtesy of KGAUK "Yenisei Cinema" and GBUK Krasnoyarsk Regional Museum of Local Lore. Digitized film materials underwent post-processing: noise reduction, image cleaning using AI technologies, digital effects and hardware and software manipulations, during post-processing, an average of 10-15 large artifacts (spots), from 25 to 45 small dust particles, as well as up to 7 scratches disappeared. The unique footage from the unique films was carefully digitized and saved.

Keywords: film scanning, double lamination with a one-sided transparent polypropylene base, neural network technologies, discrete transformations, 35 mm film, digital postprocessing.

Для цитирования: Блинников А.В. Особенности сканирования киноплёнок 3-й категории с применением двусторонней ламинации и нелинейной цифровой постобработкой / А.В. Блинников, Д.В. Боровинский, И.В. Ковалев // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 60-69. – EDN: EKUMTQ.

Введение. На сегодняшний день, достаточным числом исследователей и исследовательских групп (С. В. Перелыгин [1], А. В. Ганков, С. Ю. Подлесный, Д. Н. Сухов [2], Глебова И.С. [4], И.А. Грачёва [7], Р.Н. Храбров [8], и др. [5-11]), весьма своевременной и потому актуальной является проблематика скани-рования хроникально-документальных кинокадров.

Киносканер (сканер киноплёнки) представляет собой устройство, предназначенное для преобра-зования аналоговых изображений с кинематог-рафического негатива или позитива в цифровой формат. Для этого киносканер калибруется, выби-рается режим совместимости рабочей станции и аппарата, выставляются предварительные настроки (тип плёнки, число перфораций на плёнке, режим и т.д.).

Ещё одной важной задачей сканера киноплёнки является перевод старых кинофильмов на цифро-вые платформы и серверные облака, поскольку усадка плёнки, её сухость и амортизационная составляющая временного фактора, в общей совокупности не позволяют показывать эти кино-кадры на кинопроекторе. Для подобных задач в ки-носканере используется бережный «протяг» (транс-портирование) киноплёнки, что требует наличия гладких вращающихся барабанов, без использования насечек или усиков, без «мальтийского креста» или грейферного механизма, желательно, чтоб гладкие вращающиеся барабаны были в сочетании с резиновыми или силиконовыми роликами.

Сканер киноплёнки как правило подключается к персональной рабочей станции, предварительно созданной и собранной именно под конкретный аппарат сканирования, это позволяет оператору контролировать процесс сканирования на высоком уровне. Управляя работой сканера (калибровка, пуск, остановка, сдвиг по перфорации), выравнивая резкость, яркость непосредственно с манипулятора или клавиатуры рабочей станции можно в режиме предпросмотра определять значимые эпизоды и исходя из поставленных задач приступать к обычному или HDR сканированию. В результате сканирования получается последовательность графических файлов, соответствующая количеству отсканированных кадров плёнки.

Совершенствование информационных технологий позволяет не только чистить, снижая уровень энтропии на отсканированных изображениях, но и частично генерировать объекты на цифровых изображениях, однако очень важным является качество исходного материала, с которого сканируется цифровая копия [2]. В случаях, когда киноплёнка является сильно повреждённой не помогает даже увлажнение, в процессе сканирования в особо хрупких местах происходят порывы.

Возможность сканирования фонограммы в дан-ном проекте не рассматривалась, так как исходные киноматериалы были дозвуковой эпохи кинема-тографа – начала ХХ века – эры немого кино.

Киноплёнки начала XX века на нитроцеллюлоз-ной основе [3] не скручивались (рис. 1), почти не рвались, давали искристое изображение, картинка была более детальной и глубокой (благодаря хорошей светочувствительности), но все эти плюсы пере-чёркивал весьма серьёзный минус – очень сильная горючесть [4]. После более чем 100 лет эксплуата-ции и хранения плёнка предоставленная ГБУК Красноярский краевой краеведческий музей оказа-лась третьей категории (практически непригодная для показов).

Учитывая историческую важность изображений на 35 мм киноплёнке и их уникальность, было принято решение использовать защитные технологии для минимизации порывов киноматериалов в местах дефектной перфорации. Поскольку подобных мест на дефектной киноплёнке было слишком много, то одним из самых эргономичных способов в плане сохранения возможности сканирования и при этом с защитой плёнки от механических повреждений стало применение ламинации односторонней прозрачной полипропиленовой основой с акриловым клеем и низкой дегазацией.

Рисунок 1 – Строение чёрно-белой киноплёнки на нитрооснове

A – слой лака(покрытие, препятствующее скручиванию), B – нитроцеллюлозная основа; C – клей для скрепления нитроцеллюлозной основы и фотоэмульсии; D – водоотталкивающая фотоэмульсия

Высокий динамический диапазон (HDR) [5] – метод объединения нескольких изображений с разной экспозицией для расширения общего динамического диапазона изображения [6], позволяющий снижать показатели энтропии [7], в данном исследовании не подходил по ряду существенных причин, требовалось покадровое сканирование с частыми остановками, пересканом и с ручными манипуляциями на ла-минированных участках повышенной сложности [8].

Цель данного исследования состояла в том, чтобы на практике отработать метод сканирования уникальных кинокадров более чем 100-летней ки-ноплёнки, проверить способности рабочей станции в выполнении этой технической задачи для дальней-шего практического использования аппаратного комплекса в рамках работы по сканированию. Так же требовалось проверить экспериментальную технологию ламинации односторонней прозрачной полипропиленовой основой с акриловым клеем и низкой дегазацией на нитрокиноплёнке.

Методология. Первый метод, который применял-ся в данной работе, это стандартное увлажнение киноплёнки. Для того, чтоб хотя бы частично убрать излишнюю сухость, киноплёнки используемые в обработке, в течении недели увлажнялись филь-мостатной жидкостью [9].

Учитывая тот факт, что часть киноархива на нитроцеллюлозной основе рассыпалась буквально в руках, крошилась и сыпалась, более того, сама плёнка, благодаря диффузным процессам заметно преобразилась в цветовом спектре, от бардового до красновато-багряного цвета, требовались карди-нальные меры для спасения визуальной информа-ции на кинокадрах. Был разработан конструктив-ный экспериментальный аппарат для ламинации киноплёнки и в мануальном режиме, с частыми поправками на рваных участках, на участках с повреждённой перфорацией, производилась двойная ламинация односторонней прозрачной полипропиленовой основой с акриловым клеем. Односторонняя прозрачная плёнка клеилась со стороны фотоэмульсии и вторая односторонняя прозрачная полипропиленовая плёнка наносилась на лак (рис. 2).

Рисунок 2 – Внешний вид прибора для ламинации киноплёнки (без прижимных термоваликов)

Этот этап подготовки был самым ответствен-ным и потому наиболее трудоёмким. Сжатие или сдавливание по месту соединения киноплёнки и прозрачной полипропиленовой плёнки увеличивает растекание клея, тем самым улучшая адгезию. Дан-ные манипуляции дают более прочное соединение в первые минуты склеивания. Время, а так же температурная амплитуда влияют на силу адгезии. Но учитывая тот факт, что архивная киноплёнка на нитроцеллюлозной основе, термическое воздействие полностью исключено [8].

Киноматериалы использовавшиеся в работе:

– экспонат из ГБУК Красноярский краевой краеведческий музей «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.», предположи-тельно 1913-1917 годов, предположительно записи красноярского кинооператора, на 35 мм киноплёнке, черно-белый (ЧБ);

– экспонат из ГБУК Красноярский краевой краеведческий музей «Авиапроiсшествiе, пожарныя расчётъ, демонстрацiя», предположительно 1916-1919 годов, предположительно записи красноярского кинооператора, на 35 мм киноплёнке, черно-белый (ЧБ);

– экспонат из ГБУК Красноярский краевой краеведческий музей «Парадъ, выборы, пей-зажи», предположительно 1916-1919 годов, пред-положительно записи красноярского кинооператора, на 35 мм киноплёнке, черно-белый (ЧБ).

При создании акрилового клея для проз-рачной полипропиленовой ленты нужных харак-теристик (максимальная прозрачность, отсутст-вие дисперсионных составляющих и высокий коэффициент липкости) использовался синтези-рованный пластикат (рис. 3).

К каждой частёвки приклеивался дополни-тельный начальный и конечный ракорд не менее 3-х метров.

Следующим этапом в работе было сканирование киноплёнки:

1. На киносканера Cintel Scanner C-Drive HDR+.

2. Предустановки выставлялись в DaVinci Resolve 19.

3. Покадровое сканирование позитивной ки-ноплёнки на нитроцеллюлозной основе осуществ-лялось в мануальном режиме с интервалом ска-нирования кадра в 2 секунды.

DaVinci Resolve 19, сочетающая в себе редак-тирование, цветокоррекцию, визуальные эффекты и анимированную графику в одном программном инструменте, позволила максимально бережно проработать сканы.

Нелинейная цифровая постобработка стала фи-нальным этапом донного рабочего процесса, данная обработка осуществлялась на рабочей станции Apple Mac Studio, M2 Ultra, 24 CPU/60 GPU, 128ГБ/8ТБ.

Рисунок 3 – Фазы склеивания повреждённых поверхностей клеем на полипропиленовой ленте:

A – начальный контакт; B – взаимодействие; C – воздействие

1, 3, 5 – поверхность односторонней полипропиленовой плёнки;

2, 4, 6, - поверхность нитроцеллюлозной киноплёнки

Результаты. При сканировании киноплёнки в данной работе использовались исключительно 35 мм позитивные исходные материалы с четырьмя перфорациями в кадре по правой и левой стороне.

Числовые результаты сканирования, пересчётов и процессов представлены в таблице 1.

Настройка фокуса (рис. 4) производилась с помощью опции «Индикация фокуса» и зернистость нит-роцеллюлозной киноплёнки помогла в процессе калибровки фокуса, детальное описание этого процесса представлено в мануальном руководстве киносканера [10].

Постобработка отсканированных материалов заняла 6 месяцев.

Таблица 1 – Результаты сканирования и пересчёта позитивных исходных материалов кинофильмов на нитроцеллюлозной основе начала XX века*

Общее наименование киноэпизодов	Продолжительность эпизодов (м., с.)	Процессы	Время пересчёта (м., с.)
Передвижныя мастерскiя для починки аэроплановъ на т.в.д. (35 мм, ЧБ)	0:55	Ламинирование Покадровое сканирование Нелинейная постобработка	17:11
Автомобiль, пожарныя расчётъ, демонстрацiя (35 мм, ЧБ)	0:32	Ламинирование Покадровое сканирование Нелинейная постобработка	12:28
Аэропланъ, выборы, пейзажи (35 мм, ЧБ)	0:36	Ламинирование Покадровое сканирование Нелинейная постобработка	14:15
Парадъ	0:44	Ламинирование Покадровое сканирование Нелинейная постобработка	15:57

Рисунок 4 – Настройка фокуса: 1 – небольшой расфокус; 2 – настроенный фокус

Обсуждение. Поскольку киноматериалы были изначально составлены и склеены из разных отснятых материалов и плёнок начала XX века, потому во всех плёнках были как кино позитивы, так и кино негативы. В процессе монтажа производилась инверсия изображений негативов (рис. 5). Так как негативных кадров и эпизодов было не так много, то было принято решение: специально режим сканирования негативов не подключать, а работать в рабочем порядке.

Так же в комплекте поставки Cintel Scanner был SDK-пакет для разработки собственных решений, совместимых с платформой Mac, что дало возможность управлять устройством с помощью различных команд. Другими словами, SDK-пакет позволил создать небольшую прикладную программу для контроля устройства в процессе покадрового сканирования ламинированной плёнки, изменив ряд настроек и характеристик сканирования для удобства работы [10].

При последовательном использовании времен-ного и пространственного шумоподавления в системах дополнительной цветовой гаммы Rec.709 можно наблюдать следующее:

– при временном шумоподавлении наличие нежелательного шума проверяется сразу в нескольких кадрах, потому детали чётче проявляются в тех участках изображения, где движение минимально.

– успешное использование временного шумо-подавления на первом этапе (даже на части изображения) позволяет уменьшить объем приме-няемого пространственного шумоподавления на втором этапе и тем самым улучшить общее качество конечного результата [12].

Cintel Scanner C-Drive HDR+ поддерживает 35-мм формат киноплёнок с разным числом перфораций на кадр. При сканировании плёнок на нитроцеллюлоз-ной основе небольшая скорость перемещения киноп-лёнки (2 сек/кадр при разрешении 4К) позволяет обес-печить устойчивость кадра при сканировании [13].

Технология ламинации позволила зарядить и заправить в киносканер киноплёнку, что ранее было просто невозможно, так как из-за хрупкости и старости киноплёнка сыпалась и рвалась.

Рисунок 5 – Диаграмма CIE и Гистограмма RGB инверсированного кадра с дирижаблем (начало XX века)

В процессе постобработки уже отсканированного материала производилась покадровая чистка в нодах Automatic Dirt Removal, Noise Redaction, а так же применялась опция AI Аnti-Scratch 1.4, исчезали 10-15 крупных артефакта (пятна), от 25 до 45 мелких пылинок и волосков, а так же до 7 царапин (рис. 6).

При создании AI Аnti-Scratch (рис. 7) источниками для сбора и разметки датасета для Machine Learning [14] были не только сканированные материалы из КГАУК «Енисей кино», но и сканированные копии из открытых источников, таких, как, например, archive.org. Так как идеального метода или алгоритма машинного обучения нет, так как есть определенные ограничения, которые можно смягчить или устранить, объединив навыки разных методологий, потому использовался гибридный алгоритмический подход.

Наиболее трудоёмким был процесс подготовки и сканирования кадров ленты «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.», так как киноплёнка была максимально плохого качества и степень износа исходных материалов была доста-точно высокая.

Рисунок 6 – Диаграмма CIE и Гистограмма RGB кадра с бригадой пожарных (начало XX века)

Рисунок 7 – Процесс обучения AI модели

Рисунок 8 – Диаграмма CIE и Гистограмма RGB кадра с аэроплана (начало XX века)

Итогом работы стало 8 видеороликов. Две версии каждого видеофрагмента:

– обработанного видео в 4 K;

– обработанного, но сжатого до HD.

Сравнительный объективный анализ качества видео осуществлялся в программе MSU Video Quality Measurement Tool (MSU VQMT) по PSNR (Пиковому отношение сигнал/шум) по сканкопиям «Передвижныя мастерскiя для починки аэропла-новъ на т.в.д.» и «Автомобiль, пожарныя расчётъ, демонстрацiя». Этот анализ визуально представлен на рисунке 8 цветными диаграммами (сжатого и обработанного видеопотока, в сравнении с исходным). И по Mean Squared Error (MSE) – среднеквадратичной ошибке.

Покадровый расчет в динамике объективных метрик [15] качества цифрового видео при сравнении исходной сканкопии и обработанной в редакторе видеопоследовательностей.

Mетрика MSE рассчитана по формуле:

(1)

Mетрика PSNR имеет логрифмический масштаб и может быть рассчитана по следующей формуле:

(2)

где MaxErr – максимально возможное абсолютное значение световой составляющей (MaxErr = 1 в VQMT), ω – ширина видео, h – высота видео.

Абсолютное PSNR для обработанного скана плёнки «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.» для 4K версии составил 50,172356, для сжатого до HD – 14,858089. MSE составило 50,585152 и 15,592349 соответственно (рис. 9).

Абсолютное PSNR для обработанного скана плён-ки «Автомобiль, пожарныя расчётъ, демонстрацiя» для 4K версии составил 51,936028, для сжатого до HD – 26,598078. MSE составило 53,095367 и 26,891541 соответственно (рис. 10).

Абсолютное PSNR для обработанного скана плёнки «Аэропланъ, выборы, пейзажи» для 4K версии составил 53,731941, для сжатого до HD - 23,911382. MSE составило 54,518307 и 22,876645 соответственно. составило.

Абсолютное PSNR для обработанного скана плёнки «Парадъ» для 4K версии составил 48,12978, для сжатого до HD – 17,133750. MSE составило 48,345607 и 17,987145 соответственно. составило.

Усреднённый коэффициент различия или отклонения (Variance) составил для 4К версии «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.» – 2,878843; для «Автомобiль, пожарныя расчётъ, демонстрацiя» – 1,451904; для «Аэропланъ, выборы, пейзажи» – 2,002398; для «Парадъ» – 1,852108.

Общие результаты сравнительного анализ качест-ва видео «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.»; «Автомобiль, пожарныя расчётъ, демонстрацiя»; «Аэропланъ, выборы, пей-зажи» и «Парадъ» (для версий в 4К) представлены в таблице 2.

Рисунок 9 – Диаграммы MSU VQMT по PSNR для: «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.»

Рисунок 10 – Диаграммы MSU VQMT по PSNR для: «Автомобiль, пожарныя расчётъ, демонстрацiя»

Таблица 2 – Результаты сравнительного анализ качества сканированого видео кинофильмов на нитроцеллюлозной основе*

Общее наименование киноэпизодов	Total PSNR	MSE	Harm.MSE	Variance	STDDev
Передвижныя мастерскiя для починки аэроплановъ на т.в.д. (35 мм, ЧБ)	50,172356	50,585152	50,530735	2,878843	1,696715
Автомобiль, пожарныя расчётъ, демонстрацiя (35 мм, ЧБ)	51,936028	53,095367	53,057411	1,451904	1,204950
Аэропланъ, выборы, пейзажи (35 мм, ЧБ)	53,731941	54,518307	54,814706	2,002398	1,890121
Парадъ	48,12978	48,12978	48,001598	1,852108	1,451904

* составлено автором

Так как PSNR – отношение пикового уровня сигнала к шуму, учитывается тот факт, что при вычислении PSNR вычисляется именно отношение максимально возможного («пикового») сигнала по отношению к уровню шума, а не ищется мак-симальное («пиковое») отношение вычисленного значения сигнал/шум [16].

Типичные значения Total PSNR для обра-батываемых изображений лежат в пределах от 20 до 30 dB [17]. Потому значения для не сжатых 50,172356; 51,936028; 53,731941; 48,12978 и для сжатых файлов 14,858089; 26,598078; 23,911382 и 17,133750 достаточно неплохой результат изображений, ис-ходное качество которых в оригинале на аналоге было 3-й категории.

Стандартное отклонение (STDDev) в мони-торинге производительности для «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.», «Автомобiль, пожарныя расчётъ, демонстрацiя», «Аэропланъ, выборы, пейзажи» и «Парадъ» для 4K составили 1,696715; 1,204950; 1,890121 и 1,451904 соответственно.

Из-за слишком сильных цветовых скачков в ряде плёнок на финальном этапе производился уход в чёрно-белое изображение сканированных и обработанных видеофрагментов, кроме ори-гинальной заставки «Передвижныя мастерскiя для починки аэроплановъ на т.в.д.», которая была специально раскрашена вручную для ху-дожественного эффекта ещё при проявке и закреплении киноплёнки в начале XX века.

Динамические процессы оцифровки аналоговых материалов, применяемых в различных областях человеческой научной мысли (от архивных хро-никально-документальных киноплёнок до спут-никовых снимков [18]), предполагают, что опыт пре-дыдущих поколений будет не только интересен, но и полезен последующим поколениям исследователей.

Выводы. Главную задачу, которую выполнил киносканер, можно сформировать следующим обра-зом: сканер обеспечил максимально точную передачу кадров при переводе оптического изображения повреждённой киноплёнки в файлы с расширением .cri в Сapture CacheClip. Уникальные киноплёнки удалось бережно перевести в цифровой формат, сохранить и обработать в редакторе.

MSE по обработанным киноплёнкам составило 50,585152; 53,095367; 54,518307 и 48,345607 (для 4 К версии).

Total PSNR для не сжатых видеофайлов составило 50,172356; 51,936028; 53,731941; 48,12978.

STDDev в мониторинге производительности для изображений в 4K составили 1,696715; 1,204950; 1,890121 и 1,451904.

Полученный результат вполне смотрибелен, а учитывая тот факт, что изображению более 100 лет, это уже большое достижение [19], поскольку ранее эти фрагменты даже зарядить в аппарат не представлялось возможным.

Основываясь на ранее полученных данных [20], в работе применялась система дополнительной цветовой гаммы Rec.709 и cканирование позво-лило визуально улучшить обработку уникальных короткометражных кинодокументов, предоставлен-ных КГАУК «Енисей кино» ГБУК Красноярский краевой краеведческий музей на длительное хранение.

Красноярский фильмофонд КГАУК «Енисей кино» представляет интерес для исследовательс-ких проектов. Результаты сканирования на данное время уже используются для закрытых показов на специальных краевых мероприятиях. Методики постобработки сканированных изображений пос-тоянно совершенствуются, в этом направлении уже применяются AI технологии и перспективы дальнейших изысканий в данном направлении вызывают сдержанный оптимизм.

СПИСОК ЛИТЕРАТУРЫ:

1. Перелыгин, С.В. Фильм-сканеры: современные разработки и технологии / С.В. Перелыгин // Актуальные проблемы радио- и кинотехнологий: материалы V Международной научно-технической конференции, посвященной 140-летию со дня рождения выдающегося физика и создателя первой русской усилительной радиолампы Н. Д. Папалекси. В 2 частях, Санкт-Петербург, 24-25 ноября 2020 года. Том Ч. 1. – Санкт-Петербург: Санкт-Петербургский государственный институт кино и телевидения, 2021. – С. 153-160.

2. Анализ структурных характеристик киноизображений / А.В. Ганков, С.Ю. Подлесный, Д.Н. Сухов [и др.] // Мир техники кино. – 2020. – Т. 14. – № 4. – С. 3-10.

3. Иофис Е.А. Кинофотопроцессы и материалы. – 2-е изд., перераб. и доп. – М.: Искусство, 1980. – 240 с.

4. Глебова И.С. Развитие экранных искусств и их влияние на аудиовизуальное образование / И.С. Глебова // Наука телевидения. – 2017. – № 13.3. – С. 33-42.

5. Грачева И.А. Алгоритм сжатия динамического диапазона HDR изображений на основе фильтрации с сохранением структуры / И.А. Грачева, А.В. Копылов // Интеллектуализация обработки информации: Тезисы докладов 12-й Международной конференции, Москва, Россия – Гаэта, Италия, 08-12 октября 2018 года. – Москва, Россия – Гаэта, Италия: Общество с ограниченной ответственностью "ТОРУС ПРЕСС", 2018. – С. 110-111. – DOI 10.30826/IDP201850.

6. Украинский О.В. О применении технологии HDR в телевизионном вещании / О. В. Украинский // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2022): Сборник научных трудов XI Международной научно-технической и научно-методической конференции. В 4-х томах, Санкт-Петербург, 15-16 февраля 2022 года / Под. редакцией А.В. Шестакова, сост. В.С. Елагин, Е.А. Аникевич. Том 3. – Санкт-Петербург: Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича, 2022. – С. 397-401.

7. Храбров, Р.Н. Операторы HDR TONE MAPPING для повышения реалистичности изображения / Р.Н. Храбров // Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем: материалы Всероссийской конференции с международным участием, Москва, 18-22 апреля 2016 года / Российский университет дружбы народов. – Москва: Российский университет дружбы народов, 2016. – С. 189-190.

8. Цобкалло Е.С. Функциональные композиционные полимерные материалы электротехнического назначения / Е.С. Цобкалло, О.А. Москалюк, А.С. Степашкина // Известия Санкт-Петербургского государственного технологического института (технического университета). – 2020. – № 52(78). – С. 28-35. – DOI 10.36807/1998-9849-2020-52-78-28-35.

9. Physical and technological approaches to systemic film moistening / I.V. Kovalev, N.A. Testoyedov, A.V. Blinnikov [et al.] // Journal of Physics: Conference Series, Krasnoyarsk, Russia, 24 сентября – 03 2021 года / Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations. Vol. Volume 2094. – Krasnoyarsk, Russia: IOP Publishing Ltd, 2021. – P. 22082. – DOI 10.1088/1742-6596/2094/2/022082.

10. Cintel Scanner Installation and Operation Manual / Grant Petty // Blackmagic Design Pty. Ltd. – November 2023. – 1271 р.

11. Pearl, Judea. The Book of Why: The New Science of Cause and Effect / Judea Pearl, Dana Mackenzie. – New York City: Basic Books, 2018. – 432 p.

12. Блинников А.В. Применение двумерного дискретного преобразования Фурье с узлами на центрированной решётке при постобработке архивной кинохроники / А.В. Блинников, И.В. Ковалев // Системы управления и информационные технологии. – 2023. – № 4(94). – С. 50-53.

13. Blinnikov A. Nonlinear transformations of video elements in the morphing applications for event projects. / Aleksanr V. Blinnikov, Igor V. Kovalev, Anna A. Voroshilova, Dmitry V. Borovinsky // AIP Conf. Proc. 12 January 2024; 2969 (1): 060044. https://doi.org/10.1063/5.0183407.

14. Beatriz, Cristina, Flamia, de, Azevedo., Ana, Maria, A., C., Rocha., Ana, I., Pereira. (2024). Hybrid approaches to optimization and machine learning methods: a systematic literature review. Machine Learning, doi: 10.1007/s10994-023-06467-x.

15. Image Quality Evaluation in Professional HDR/WCG Production Questions the Need for HDR Metrics / Ya. Sugito, Ja. Vazquez-Corral, T. Canham, M. Bertalmio // IEEE Transactions on Image Processing. – 2022. – Vol. 31. – P. 5163-5177. – DOI 10.1109/tip.2022.3190706.

16. Al Najjar, Yu. Comparative Analysis of Image Quality Assessment Metrics: MSE, PSNR, SSIM and FSIM / Yu. Al Najjar // International Journal of Science and Research. – 2024. – Vol. 13, No. 3. – P. 110-114. – DOI 10.21275/sr24302013533.

17. Эталонная объективная метрика оценки качества видео совместимая с PSNR учитывающая частотные и периферическую характеристики зрения человека / А.И. Можаева, И.В. Власюк, А.М. Поташников, Л. Стритер // DSPA: Вопросы применения цифровой обработки сигналов. – 2021. – Т. 11, № 2. – С. 44-54.

18. Digitization of 20 years of decametric observations of the Sun and Jupiter in Nançay between 1970 and 1990 / L. Lamy, B. Cecconi, L. Debisschop [et al.] // Icarus. – 2023. – Vol. 394. – P. 115418. – DOI 10.1016/j.icarus.2022.115418.

19. Кинозрелищные предприятия и техника кинопоказа / Ю.П. Черкасов, О.Б. Шатилов. – 2-е изд. – Москва: Новый Центр, 2007. – 191, [1] с.: ил., табл.; 21 см.

20. Blinnikov A. Application of discrete digital transformations with nodes on a centered lattice in post-processing of anti-nicotine animation / Aleksanr V. Blinnikov, Elena Stepanova, Igor V. Kovalev // Global Scientific and Academic Research Journal of Economics, Business and Management. Vol. 2 Issue – 8 (August 2024), 21-25 p. DOI 10.5281/zenodo.13347327.

Статья поступила в редакцию 20.08.2024

Статья принята к публикации 13.09.2024

УДК 663.126

EDN: PYGABJ

ОЦЕНКА КОМПЛЕКСНОГО ВЛИЯНИЯ УСЛОВИЙ РОСТА НА ПРОДУКТИВНОСТЬ

ХЛЕБОПЕКАРНЫХ ДРОЖЖЕЙ ПО БИОМАССЕ ПРИ ПЕРИОДИЧЕСКОМ КУЛЬТИВИРОВАНИИ

© Автор(ы) 2024

SPIN: 4157-4382

AuthorID: 181949

ORCID: 0000-0002-3904-7127

ResearcherID: N-8424-2016

ScopusID: 56216764600

КУЗЬМИН Антон Алексеевич, кандидат биологических наук,

доцент кафедры «Биотехнологии и техносферная безопасность»

Пензенский государственный технологический университет

(440039, г. Пенза, проезд Байдукова/ул. Гагарина, д. 1а/11, e-mail: kuzmin-puh@yandex.ru)

Аннотация. Работа посвящена изучению продуктивности хлебопекарных дрожжей при периодическом глубинном культивировании в различных физико-химических условиях с целью оценки комплексного влияния параметров выращивания на прирост клеточной биомассы. Продуктивность дрожжевых культур по биомассе клеток оценивали турбидиметрическим методом. Питательные среды составляли путем добавления компонента, содержащего питательный элемент, к составу, обеспечивающему максимальный прирост при прочих равных условиях. В качестве источника углерода использовали глюкозу, фруктозу или сахарозу, в качестве источника азота – пептон или мочевину, в качестве источника фосфора – двойной суперфосфат. Культуры инкубировали 20±1 ч при температурах 26оС или 37оС. Влияние рН изучали в интервале 3.5-6.5, применяя цитратный буфер. Подтверждены ауксотрофность, ацидофильность, трофическая и экологическая пластичность продуцента в психро- и мезофильных условиях, необходимость неорганических фосфатов для синтеза первичных метаболитов, выявлены способность дрожжей эффективно потреблять более высокие концентрации сахаров в мезофильных условиях, при комплексной оценке эффекта параметров культивирования на продуктивность дрожжей по биомассе установлена наибольшая значимость вида источника азота и концентрации углевода в среде.

Ключевые слова: дрожжи хлебопекарные, периодическое культивирование, биогенные элементы, нутриенты, питательная среда, первичные метаболиты, турбидиметрия, продуктивность по биомассе, биотехнология, ауксотрофы.

EVALUATION OF THE COMPLEX EFFECT OF GROWTH CONDITIONS ON THE PRODUCTIVITY OF BAKER'S YEAST BY BIOMASS DURING BATCH CULTIVATION

© The Author(s) 2024

KUZMIN Anton Alekseevich, candidate of biological sciences,

associate professor of Biotechnology and Technosphere Safety Department

Penza state technological university

(Russia, 440039, Penza, Pr. Baidukova/Gagarina Street, 1a / 11, e-mail: kuzmin-puh@yandex.ru)

Abstract. This work is devoted to the study of baker's yeast productivity during batch cultivation under different physicochemical conditions in order to evaluate the complex influence of cultivation parameters on cell biomass growth. Batch cultures’ productivity was evaluated using turbidimetry. Media were composed by consequential addition of a component with exact nutrient to a composition which provided best growth of biomass at other equal conditions. In the formulation of nutrient media, glucose, fructose or sucrose was used as a carbon source, peptone or urea as a nitrogen source, and double superphosphate as a phosphorus source. Cultures were incubated for 20±1 h at temperatures of 26o C or 37o C. The effect of pH was studied between 3.5 and 6.5 using citrate buffer. Auxotrophy, acidophilicity, trophic and ecological plasticity of the producer in psychro- and mesophilic conditions, the necessity of inorganic phosphates for the synthesis of primary metabolites were confirmed, the ability of yeast to efficiently consume higher concentrations of sugars in mesophilic conditions was revealed, and in a complex evaluation of the effect of cultivation parameters on yeast productivity by biomass, the greatest significance of the type of nitrogen source and carbohydrate concentration in the medium was established.

Keywords: baker's yeast, batch cultivation, biogenic elements, nutrients, medium, primary metabolites, turbidimetry, biomass productivity, biotechnology, auxotrophs.

Для цитирования: Кузьмин А.А. Оценка комплексного влияния условий роста на продуктивность хлебопекарных дрожжей по биомассе при периодическом культивировании / А.А. Кузьмин // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 70-79. – EDN: PYGABJ.

Введение. Применение деятельности живых организмов (или их ферментов) в промышленных процессах является перспективным и многообещающим направлением развития экономики. Биотехнологии призваны решать широкий спектр современных общественных проблем, включая обеспечение общества полноценным и дешевым кормовым и пищевым белком и витаминами для решения вопросов получения ценных продуктов питания и нехватки качественного продовольствия.

Человек и сельскохозяйственные животные как потенциальные потребители белка одноклеточных являются ауксотрофными организмами, то есть не могут синтезировать самостоятельно некоторые (незаменимые) аминокислоты из сторонних источников и должны получать эти мономеры протеина с пищей. Это обстоятельство предъявляет высокие требования к качественному составу кормового (пищевого) белка. Кроме того, полноценность белка зависит от количественного его аминокислотного состава, обеспечивающего необходимую потребностям консумента сбалансированность пищевого продукта для построения собственных тканей. Основным продуцентом качественного белка одноклеточных являются дрожжи – колониальные одноклеточные высшие грибы из отдела (типа) аскомицетов.

Для достижения высокой продуктивности гетеротрофных продуцентов необходимо снабдить их метаболически доступными источниками основных биогенных элементов в оптимальном соотношении, а культивирование вести в условиях, обеспечивающих максимальную активность клеточных ферментов. Кроме того, действие нутриентов в среде происходит не изолированно, а в комплексе, поэтому ценным как с теоретической, так и с практической точки зрения представляется изучение такого сочетанного эффекта физико-химических условий культивирования на продуктивность клеточной биомассы.

Являясь гетеротрофами, дрожжи, как и большинство других представителей отдела сумчатых грибов, демонстрируют, главным образом, сапрофитный способ поглощения питательных веществ всей поверхностью клетки из окружающего раствора.

В качестве источников углерода дрожжи могут использовать разнообразные углеводы за исключением полисахаридов, предпочитая олигосахаридам (сахарозе и раффинозе) разнообразные простые углеводы – глюкозу, фруктозу, галактозу [1]. Исследована способность некоторых штаммов расти на глицероле как на несбраживаемом источнике углерода [2]. Если в выборе источников углерода дрожжи проявляют облигатную органотрофность, то в отношении субстратов остальных биогенных элементов они демонстрируют относительную пластичность.

В современной промышленной биотехнологии дрожжи являются типичными продуцентами кормового белка, для биосинтеза которого необходим аммонийный азот [3]. Источником его для дрожжей могут быть как органические (аминокислоты), так и неорганические (соли аммония, аммиак) вещества. Плохо усваивают нитриты и нитраты. Из органических форм они усваивают аминокислоты, пептиды и мочевину [4]. По отношению к некоторым аминокислотам являются ауксотрофами [5].

Из минералов отмечено стимулирующее влияние на рост дрожжевой культуры ионов магния (II) и цинка (II), источниками которых выступают растворы минеральных солей этих металлов [6, 7].

Среди факторов роста дрожжей исследователи выделают некоторые витамины группы В, в частности, тиамин и пиридоксин [8].

Помимо наличия основных биогенных элементов в доступной форме, необходимо обеспечить условия, оптимальные для роста дрожжевой культуры. К таковым относятся, прежде всего, температура и рН среды. Большинство штаммов дрожжей, в том числе промышленных, относится к ацидофильным организмам, оптимум рН которых находится в пределах от 4 до 6 [9]. Максимальные значения температуры среды для роста штаммов S. cerevisiae колеблются в пределах 37.5-39.8°C, тогда как температурный оптимум для быстрой активации роста культур находится в границах 30.0-35.0°C [10].

Несмотря на широкий спектр исследований вопроса периодического культивирования дрожжей, большинство работ рассматривает изолированное влияние какого-либо нутриента или физического фактора среды на продуктивность клеточной биомассы или изучает эффект определенного фактора роста при его добавлении или исключении из состава питательного субстрата. Оценке комплексного влияния условий культивирования на продуктивность дрожжевых культур, по нашему мнению, не уделено должного внимания.

Цель работы – оценить комплексное влияние физико-химических условий периодического культивирования на продуктивность хлебопекарных дрожжей по биомассе.

Методология. Материалом работы послужили данные по накоплению клеточной биомассы в культурах дрожжей, полученных методом глубинного культивирования в периодическом режиме. Исходную суспензию клеток продуцента готовили непосредственно перед инкубацией из брикета прессованных хлебопекарных дрожжей (Saccharomyces serevisae, G.Winter, 1880), влажность 75-80%, из расчета 10 г прессованной массы на 100 мл воды. Модельные питательные среды получали в день закладки эксперимента растворением навески химически чистого вещества в стерильной дистиллированной воде объемом 50 мл. Исходную суспензию продуцента и жидкие питательные среды смешивали из расчета 5 мл дрожжевой суспензии на 50 мл среды. Культивирование проводили в плоскодонных термостойких колбах объемом 250 мл, снабженных ватно-марлевыми пробками. Посуду и реактивы предварительно стерилизовали в автоклаве в течение 45±2 мин при температуре 120оС и давлении 1,1 атм. Суспензии клеток в растворах питательных сред инкубировали в термостатах (на 26 и 37оС). Продолжительность выращивания составила 20±1 ч.

Продуктивность клеточной биомассы оценивали турбидиметрически по величине прироста мутности дрожжевой суспензии в единицах FAU за период культивирования по отношению к исходной мутности культуры [11].

В качестве компонентов питательных растворов для клеток дрожжей использовали:

– источники углерода – декстрозу (глюкозу), фруктозу, сахарозу;

– источники азота – пептон (содержание азота – 16%, мочевина кристаллическая (содержание азота – 46%);

– источник фосфора –двойной суперфосфат (Ca(H2PO4 )2·H2O).

Композиции питательных сред составляли методом последовательного добавления компонента, содержащего питательный элемент, к составу, обеспечивающему максимальный прирост биомассы культуры прочих равных условиях. При составлении питательных средств приоритетность нутриентов принимали в последовательности: источники углерода, источники азота, источники фосфора.

Влияние рН на прирост дрожжевой биомассы устанавливали, составляя питательные среды одинакового (оптимального) состава в градиенте кислотности от 3.5 до 6.5. Растворы диапазона рН от 3.5 до 4.5 готовили на основе цитратного буфера по следующей прописи. Раствор цитрата натрия (0.1 М) объемом, указанным в таблице 1, поместить в колбу на 100 мл и разбавить до метки раствором 0.1 HCl. Раствор цитрата готовили следующим образом: к 21.014 г лимонной кислоты (pK1 = 3.13; pK2 = 4.66-4.76; pK3 = 6.40) моноводной добавили 200 мл раствора NaOH (1 н), затем объем смесь довели водой до 1 литра.

Растворы диапазона рН от 5.0 до 6.5 готовили на основе цитратного буфера по следующей прописи. Раствор NaOH (0.1 М) (всего 100 мл) объемом, указанным в таблице 2, поместили в колбу на 100 мл и разбавили до метки раствором цитрата натрия.

Таблица 1 – Объемы раствора цитрата натрия для приготовления буферной смеси (рН = 3.5 – 4.5)

рН	V, мл
3.5	46.8
4.0	56.0
4.5	71.9

Таблица 2 – Объемы раствора гидроксида натрия для приготовления буферной смеси (рН = 5.0 – 6.5)

рН	V, мл
5.0	3.6
5.5	27.7
6.0	40.4
6.5	46.3

Вклад бактериального роста в общую мутность клеточной суспензии не учитывали по следующим причинам. Во-первых, температура 26оС является пессимальной для большинства мезофильных прокариотов. Во-вторых, продуцируемый дрожжами этанол, будучи природным консервантом, угнетает деятельность посторонней микрофлоры.

Для выявления статистически значимой корреляционной зависимости между переменными применяли корреляционный тест Спирмена [12, 13].

Для расчета коэффициентов регрессионной зависимости между параметрами роста культур применяли алгоритм линейных моделей [14, 15].

Комплексный эффект состава питательной среды и условий культивирования на продуктивность дрожжей по биомассе оценивали с помощью множественной регрессии методом Random Forest [16, 17].

Влияние дискретных физико-химических факторов без учета их количественной составляющей на продуктивность дрожжевых культур по этанолу определяли с помощью теста хи-квадрат (χ2) и точного теста Фишера [18-21].

Для сравнения выборок, не подчиняющихся нормальному распределению величин, применяли тесты ранговых корреляций Уилкоксона (V) и Краскала-Уоллиса (H) [13, 22]. Проверку распределения значений в выборке на нормальность выполняли с помощью теста Шапиро-Уилка (W) [23].

Порог статистической значимости (p) во всех применяемых тестах принимали равным 0,05.

Количество однотипных объектов указывается в скобках (n =…) после их упоминания в тексте.

Структурирование исходных данных проводили в табличном редакторе Microsoft Excel. Статистические тесты, графическое представление данных выполняли с помощью языка программирования R [24] в среде RStudio.

Результаты. Температура. Так как каждая композиция питательной среды дублировалась для инкубирования дрожжей при 26 и 37оС, правомочно будет сравнить продуктивность культур по биомассе (в единицах мутности FAU) при этих модельных условиях безотносительно других условий роста. Величина порога достоверности критерия Вилкоксона (V = 2862, p = 0.6435, n = 156; тест Шапиро-Уилка на нормальность распределения значений в выборке: W = 0.88511, p = 1.211·10-09) указывает на отсутствие статистически значимого влияния выбранных температур выращивания на продуктивность дрожжевых культур по биомассе.

Диаграмма разброса значений относительного прироста мутности клеточных суспензий при разной температуре представлена на рисунке 1.

Диаграммы разброса значений продуктивности культур, выращенных на различных источниках углерода без добавления в среду других нутриентов представлены на рисунке 2.

Кислотность среды. Максимальная продуктивность дрожжей по биомассе отмечается при рН = 4.5 независимо от вида источника углерода (66.95% для сред с сахарозой и 63.31 % для сред с глюкозой). Однако, результаты одновыборочных тестов ранговой корреляции Вилкоксона не позволяют считать эти максимумы статистически значимыми (среды с сахарозой: V = 21, p = 0.2969, n = 7; среды с глюкозой: V = 5, p = 0.1563, n = 7). Достоверных корреляций между значениями рН сред и продуктивности дрожжей по биомассе в них также не обнаружено (для сред с сахарозой: t = –2.1107, df = 5, p = 0.08854; для сред с глюкозой: t = –1.9703, df = 5, p = 0.1059)

Источники углерода. В качестве источника органического углерода для продуцентов в эксперименте выступали два моносахарида (глюкоза и фруктоза) и один дисахарид (сахароза).

При культивировании дрожжей на средах, содержащих исключительно один из источников углерода, отмечено отсутствие статистически значимого различия в продуктивности культур по биомассе при 26оС (значения уровня достоверности V-критериев при попарном сравнении выборок продуктивности на разных источниках углерода сведены в таблице 3) и статистически значимое повышение продуктивности при выращивании дрожжей на сахарозе при 37оС (значения уровня достоверности V-критериев при попарном сравнении выборок продуктивности на разных источниках углерода сведены в таблице 4).

Рисунок 1 – Диаграмма разброса значений относительного прироста мутности клеточных суспензий (fau)

при различной температуре выращивания (26°С или 37°С)

Таблица 3 – Значения уровня достоверности (р) V-критериев при попарном сравнении выборок продуктивности на разных источниках углерода при 26 оС (в скобках указаны медианные продуктивности культур по биомассе на данном углеводе, %)

n = 21	Глюкоза (10.34)	Фруктоза (11.06)	Сахароза (9.97)
Глюкоза	0
Фруктоза	0.1508	0
Сахароза	0.7427	0.2674	0

Таблица 4 – Значения уровня достоверности (р) V-критериев при попарном сравнении выборок продуктивности на разных источниках углерода при 37 оС (в скобках указаны медианные продуктивности культур по биомассе на данном углеводе, %)

n = 18	Глюкоза (11.79)	Фруктоза (11.47)	Сахароза (18.17)
Глюкоза	0
Фруктоза	1.00	0
Сахароза	0.01399	0.007992	0

Рисунок 2 – Диаграммы разброса значений продуктивности культур, выращенных на различных источниках

углерода (G – глюкоза, F – фруктоза, S – сахароза) при температурах 26°С (слева) и 37°С (справа)

без добавления в среду других нутриентов

При исследовании связи между концентрацией углевода и продуктивностью культур по биомассе при 26оС статистически значимых корреляций не выявлено (р>0.05). При культивировании дрожжей на растворах сахарозы при 37оС выявлена статистически значимая корреляция между концентрацией углевода и продуктивностью культуры по биомассе (0.7083374, р = 0.02187).

Построенная для зависимости линейная модель имеет статистически значимый коэффициент регрессии (k = 0.006536, p = 0.0219) и объясняет 44% дисперсии значений зависимой переменной. Однако, при исключении из выборки экстремальных значений продуктивности коэффициенты регрессионной модели перестают быть статистически значимыми, а процент объясненной дисперсии становится отрицательным.

При сравнении медианных значений продуктивности культур на одинаковом углеводе при разной температуре в отсутствии других нутриентов выявлено достоверное превышение продуктивности дрожжей на сахарозе: 9.97% при 26оС (n = 11) и 18.17% при 37оС (n = 10) соответственно (V = 13, p = 0.002058).

Таким образом, продуктивность дрожжевых культур при выращивании на средах, включающих единственный источник углерода, не зависит от концентрации углевода и статистически значимо выше при 37 оС при инкубировании в среде с сахарозой.

Источники азота. При составлении питательных сред в качестве источников азота использовали пептон или мочевину.

Наличие мочевины в среде с сахарозой без учета других физико-химических параметров культивирования статистически значимо не влияет на продуктивность дрожжей по биомассе (тест Шапиро-Уилка на нормальность: W = 0.92461, p = 0.01362; тест Вилкоксона: V = 228, p = 0.8617), не смотря на различие медианных значений (в средах с мочевиной: М = 14.67%, n = 21, в средах без мочевины: М = 12.21%, n = 21).

Также не обнаружено статистически значимого влияния наличия мочевины в среде на прирост клеточной биомассы при разной температуре культивирования. Медианные значения продуктивностей культур по биомассе в зависимости от температуры и наличия в среде мочевины, результаты сравнительных тестов Вилкоксона и величины уровня достоверности тестов приведены в таблице 5.

Диаграммы разброса значений продуктивности дрожжей по биомассе в зависимости от присутствия в среде мочевины представлены на рисунке 3.

Наличие пептона в среде значительно и статистически достоверно повышает продуктивность дрожжей по биомассе по сравнению со средами, дефицитными по азоту или содержащими мочевину (рис. 4).

Среды с пептоном (n = 84) обеспечивают медианную продуктивность культур в 59.98%, что статистически значимо больше медианных значений продуктивности культур как на безазотистых средах (n = 41, M = 10.98%, W = 123, p < 2.2·10-16), так и на средах с мочевиной (n = 31, M = 14.67%, W = 130, p = 1.538·10-13).

Стимулирующее продукцию первичных метаболитов действие пептона не зависит от температуры (рис. 4). Медианное значение (M = 60.34%) выборки культур, выращенных при температуре 26оС (n = 51) статистически значимо не отличается от такового (М = 56.42%) выборки культур, выращенных при температуре 37оС (n = 33, V = 892, p = 0.647).

Действие пептона, повышающее накопление клеточной массы, проявляется только при наличии в среде источника углерода (рис. 5). Продуктивность культур с пептоном и любым углеводом статистически значимо больше продуктивности дрожжей на средах с пептоном, но без сахаров (H = 14.855, df = 3, p = 0.001945).

При этом вид источника углерода не оказывает статистически значимого влияния на прирост клеточной биомассы в средах, содержащих пептон (Н = 0.29619, df = 2, p = 0.8623).

Зависимости продуктивности дрожжевых куль-тур от концентрации углевода при росте на средах с одинаковым содержанием пептона (2%) представлены на рисунке 6.

Независимо от вида источника углерода культуры достигают максимальной продуктивности в психрофильных условиях при более низких концентрациях сахаров, чем в мезофильных. При более высокой температуре клетки эффективно усваивают более высокие концентрации углевода, чем при пониженной.

Фосфор. Включение минерального источника фосфатов в состав питательной среды статистически значимо повышало продуктивность дрожжевой культуры по биомассе (тесты Шапиро-Уилка на нормальность: выборка значений продуктивности по биомассе с добавлением фосфора – W = 0.85987, p = 0.0191, М = 60.5%, n = 16; выборка значений без добавления фосфора – W = 0.81401, p = 0.004206, М = 31.5%, n = 16; парный тест ранговых корреляций Вилкоксона: V = 136, p = 0.00003). Диаграмма разброса значений прироста биомассы дрожжевых культур (n = 32), выращенных на аналогичных по составу субстратах с добавлением или без внесения фосфатов, представлена на рисунке 7.

Таблица 5 – Результаты тестов сравнения продуктивностей культур дрожжей в зависимости от наличия в среде мочевины

Температура, оС	Мочевина	M, %	V	p
26	+	9.52	42	0.3867
	–	9.22
37	+	16.26	36	0.5743
	–	18.11

Рисунок 3 – Диаграммы разброса значений продуктивности дрожжей

по биомассе в зависимости от присутствия в среде мочевины.

Total – общая выборка (n = 38), T = 26 – выборка культур, выращенных при 26°С (n = 21),

T = 37 – выборка культур, инкубированных при 37°С (n = 17)

Рисунок 4 – Диаграммы накопления значений продуктивности дрожжевых культур

по биомассе в зависимости от источника азота (слева) и в зависимости

от температуры при выращивании на среде с пептоном (справа)

Рисунок 5 – Диаграммы накопления значений продуктивности дрожжевых культур по биомассе на средах, содержащих пептон (none – дефицит углеводов, gl – глюкоза, fr – фруктоза, su – сахароза)

Рисунок 6 – Графики зависимости продуктивности культур по биомассе от концентрации углевода в средах с одинаковым содержанием пептона

Рисунок 7 – Диаграмма разброса значений прироста биомассы дрожжевых культур, выращенных на аналогичных по составу субстратах, содержащих (P+) или не содержащих (P–) фосфаты

Следует оговориться, что дрожжи в эксперименте по определению влияния фосфора на их продуктивность культивировали в аналогичных по физико-химическим параметрам условиях (температура, рН, источники углерода и азота и их концентрации, время инкубации, исходная концентрация продуцента), поэтому выборки значений прироста биомассы при выращивании в средах, различных по наличию фосфатов, для теста Краскала-Уоллеса рассматривали как зависимые.

До сих пор мы рассматривали индивидуальные эффекты физико-химических параметров выращивания на продуктивность клеточной биомассы. Для оценки комплексного влияния факторов культивирования на рост дрожжей и ранжирования условий по степени их влияния на прирост клеточной биомассы построены модели многомерной регрессии (для непрерывных (численных) значений мутности суспензий) методом машинного обучения Random Forest, позволяющая выявлять количественные зависимости между непрерывными (численными) и дискретными (категориальными) переменными.

Множественная регрессия, построенная методом Random Forest, объясняет 87.81% дисперсии значений продуктивности дрожжей по биомассе с учетом всех физико-химических параметров культивирования. Кроме того, модель характеризуется низкой величиной среднего значения квадратичных отклонений (0.007). Приведенные значения указывают на высокую степень влияния параметров культивирования на продуктивность дрожжей по биомассе.

Модель позволила выявить самый значимый для продуктивности дрожжей по биомассе параметр культивирования: наибольший процент увеличения средней квадратичной ошибки (71.97) отмечался при исключении из модели переменной «источник азота». Наибольшее повышение чистоты узла деревьев принятия решений (Node Purity of Decision Trees) – 4.67 – также наблюдалось при включении в модель переменной «источник азота». Значения указанных критериев значимости для всех переменных модели представлены в таблице 6.

Высокие критерии значимости также отмечены для концентрации источника углерода в питательной среде. График распределения критериев значимости модели по переменным представлен на рисунке 8.

Таблица 6 – Критерии значимости переменных модели множественной регрессии между продуктивностью дрожжей по биомассе и комплексом физико-химических параметров культивирования

	Увеличение средней квадратичной ошибки (%)	Повышение чистоты узла
Источник С	11.866655	0.6745529
Концентрация источника С	29.417450	1.0220782
Источник N	71.970660	4.6661828
Источник P	12.463246	0.1901315
Tемпература	12.326627	0.1619508
Продуктивность по этанолу	8.549627	0.2491182

Рисунок 8 – Распределение величин критериев значимости модели множественной регрессии по переменным.

%IncMSE – процент повышения средней квадратичной ошибки, IncNodePurity – увеличение чистоты узла, Т – температура, Р – источник фосфора, N – источник азота, carbs – источник углерода, с – концентрация источника углерода, alc – продуктивность культур по этанолу

Таким образом, важнейшими параметрами культивирования дрожжей с целью максимальной продуктивностью по биомассе являются источник азота и концентрация источника углерода, как основных структурных элементов для построения клеткой первичных метаболитов, в частности белков.

Обсуждение. В работе проведено экспери-ментальное исследование влияния таких физико-химических условий роста на продуктивность периодических культур S. cerevisae по биомассе, как температура, кислотность среды, источники углерода, азота, фосфора, их концентрации.

В серии проведенных экспериментов не обнаружено достоверного влияния температуры инкубирования на продуктивность дрожжей по биомассе. Это может указывать на высокую плас-тичность модельного штамма S. cerevisae по отношению к этому фактору среды.

Предпочтение дрожжами моносахаридов остальным легким углеводам не противоречит полученным данным по максимальной продук-тивности на сахарозе при 37°С по причине того, что в предлагаемой работе учитывалась конечная продуктивность культур за определенный интервал времени, динамика скорости потребления субстрата не принималась во внимание. При этом для всех трех модельных углеводов выявлена способность дрожжей эффективно усваивать более высокие концентрации сахаристых компонентов субстрата в условиях более высокой температуры, что является косвенным подтверждением мезофильности про-дуцента. Этот факт может быть определяющим при необходимости наиболее полной биодеструкции углеводных компонентов питательной среды. В то же время сравнимая продуктивность дрожжей по биомассе в психрофильных условиях достижима при низких концентрациях сахаров, что важно, если во главу угла поставлен принцип ресурсосбережения.

Основным компонентом биомассы дрожжей является белок [25]. Это объясняет максимальный прирост продуктивности культур в средах, содер-жащих пептон в качестве источника азота. Среды, содержащие мочевину, не только не обеспечивали сравнимой с пептоном продуктивности, но и прак-тически не отличались по этому показателю от субстратов дефицитных по азоту. Полученные данные по влиянию азотного субстрата на прирост дрожжевой биомассы косвенно подтверждает ауксотрофность продуцента – неспособность синтезировать некоторые аминокислоты из сторонних источников.

Выводы. Нутриенты являются единственными источниками биосинтеза веществ гетеротрофными микробами, обладающими определенными эколо-гическими предпочтениями. Поэтому продуктив-ность культур микроорганизмов зависит не только от сбалансированности питательных сред по хими-ческому составу, но и физико-химических условий культивирования.

Полученные данные по влиянию температуры и кислотности на продуктивность дрожжей по биомассе указывают на широкие адаптивные возможности S.cerevisae и подтверждают общеизвестную ацидо-фильность продуцента.

Хлебопекарные дрожжи эффективно усваивают все три модельные источники углерода, достигая высокой продуктивности по биомассе при более низких концентрациях сахаров в психрофильных условиях.

Ауксотрофность дрожжей подтверждается мак-симальным влиянием на продуктивность наличия источника азота, а именно, пептона в питательной среде.

Данные по достоверному повышению продук-тивности дрожжей в средах с источником фосфора подтверждают метаболическую необходимость эле-мента и способность продуцента усваивать неор-ганические фосфаты.

Несомненная ценность работы заключается в попытке оценить комплексный эффект условий культивирования на продуктивность дрожжей по биомассе. При этом самыми значимыми факторами, влияющими на продуктивность дрожжевых культур, оказались источник азота и концентрация углевода в среде. Остальные параметры культивирования имели одинаково низкие величины индексов значимости.

Перспективными направлениями развития работы могут быть исследования по влиянию витаминов и минералов как факторов роста на продуктивность дрожжей, кислотности среды в средах с моносахаридами (глюкозой и фруктозой), изучение временной динамики накопления ценных продуктов метаболизма, применение нестандартных субстратов (например, пищевых отходов или отходов пищевой промышленности) и их гидролизатов для выращивания продуцента.

СПИСОК ЛИТЕРАТУРЫ:

1. Broach J.R. (2012). Nutritional control of growth and development in yeast. Genetics. 192(1):73-105. doi: 10.1534/genetics.111.135731. PMID: 22964838; PMCID: PMC3430547.

2. Dos Santos E.O., Michelon M., Furlong E.B., Burkert J.F., Kalil S.J., Burkert C.A. (2012). Evaluation of the composition of culture medium for yeast biomass production using raw glycerol from biodiesel synthesis. Braz J Microbiol. 43(2):432-40. doi: 10.1590/S1517-83822012000200002. Epub 2012 Jun 1. PMID: 24031849; PMCID: PMC3768819.

3. Babel W., Pöhland H.D., Soyez K. (2002). Single Cell Proteins in Ullmann's Encyclopedia of Industrial Chemistry, 6th ed., Interscience-Wiley ISBN 3-527-31318-4.

4. Yang X., Yang Y., Huang J. et al. (2021). Comparisons of urea or ammonium on growth and fermentative metabolism of Saccharomyces cerevisiae in ethanol fermentation. World J Microbiol Biotechnol 37, 98. https://doi.org/10.1007/s11274-021-03056-9.

5. Hanscho M., Ruckerbauer D.E., Chauhan N., Hofbauer H.F., Krahulec S., Nidetzky B., Kohlwein S.D., Zanghellini J., Natter K. (2012). Nutritional requirements of the BY series of Saccharomyces cerevisiae strains for optimum growth. FEMS Yeast Res. 12(7):796-808. doi: 10.1111/j.1567-1364.2012.00830.x. Epub 2012 Jul 31. PMID: 22780918.

6. Li R., Jin M., Du J., Li M., Chen S., Yang S. (2020). The Magnesium Concentration in Yeast Extracts Is a Major Determinant Affecting Ethanol Fermentation Performance of Zymomonas mobilis. Front Bioeng Biotechnol. 8:957. doi: 10.3389/fbioe.2020.00957. PMID: 32984271; PMCID: PMC7487341.

7. Shariatmadari F., Kamranazad S., Karimi Torshizi M.A. (2012). Production of zinc-enriched biomass of Saccharomyces cerevisiae. Journal of Elemntology. 19. 10.5601/jelem.2014.19.2.655.

8. Roca-Mesa H., Delgado-Yuste E., Mas A., Torija M.J., Beltran G. (2022). Importance of micronutrients and organic nitrogen in fermentations with Torulaspora delbrueckii and Saccharomyces cerevisiae. Int. J. Food Microbiol., 381, 10.1016/j.ijfoodmicro.2022.109915.

9. Narendranath N.V., Power R. (2005). Relationship between pH and medium dissolved solids in terms of growth and metabolism of lactobacilli and Saccharomyces cerevisiae during ethanol production. Appl Environ Microbiol. 71(5):2239-43. doi: 10.1128/AEM.71.5.2239-2243.2005. PMID: 15870306; PMCID: PMC1087585.

10. Walsh R.M., Martin, P.A. (1977). Growth of Saccharomyces cerevisiae and Saccharomyces uvarum in a temperature gradient incubator. Journal of the Institute of Brewing, 83: 169-172. https://doi.org/10.1002/j.2050-0416.1977.tb06813.

11. Haven M.C., Tetrault G.A., Schenken J.R. (1994). Laboratory Instrumentation. John Wiley and Sons. ISBN 0471285722.

12. Best D.J., Roberts D.E. (1975). Algorithm AS 89: The Upper Tail Probabilities of Spearman's ρ. Applied Statistics, 24, 377-379. doi:10.2307/2347111.x.

13. Hollander M., Wolfe D.A. (1973). Nonparametric Statistical Methods. New York: John Wiley & Sons.

14. Chambers J. M. (1992). Linear models. Chapter 4 of Statistical Models in S eds J.M. Chambers and T.J. Hastie, Wadsworth & Brooks/Cole.

15. Wilkinson G.N. and Rogers C.E. (1973). Symbolic descriptions of factorial models for analysis of variance. Applied Statistics, 22, 392–399. doi:10.2307/2346786.

16. Breiman L. (2001). Random Forests, Machine Learning 45(1), 5-32.

17. Breiman L. (2002). “Manual On Setting Up, Using, And Understanding Random Forests V3.1”, https://www.stat.berkeley.edu/~breiman/Using_random_forests_V3.1.pdf.

18. Hope A. C.A. (1968). A simplified Monte Carlo significance test procedure. Journal of the Royal Statistical Society Series B, 30, 582-598. doi:10.1111/j.2517-6161.1968.tb00759.x.

19. Patefield W.M. (1981). Algorithm AS 159: An efficient method of generating r x c tables with given row and column totals. Applied Statistics, 30, 91-97. doi:10.2307/2346669.

20. Agresti A. (2007). An Introduction to Categorical Data Analysis, 2nd ed. New York: John Wiley & Sons. Page 38.

21. Fisher R.A. (1970). Statistical Methods for Research Workers. Oliver & Boyd.

22. Bauer D.F. (1972). Constructing confidence sets using rank statistics. Journal of the American Statistical Association 67, 687-690. doi:10.1080/01621459.1972.10481279.

23. Royston P. (1982). An extension of Shapiro and Wilk's W test for normality to large samples. Applied Statistics, 31, 115–124. doi:10.2307/2347973.

24. R Core Team (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

25. Bertolo A.P., Biz A.P., Kempka A.P., Rigo E., Cavalheiro D. (2019). Yeast (Saccharomyces cerevisiae): evaluation of cellular disruption processes, chemical composition, functional properties and digestibility. J Food Sci Technol. 56(8):3697-3706. doi: 10.1007/s13197-019-03833-3. Epub 2019 Jun 11. PMID: 31413397; PMCID: PMC6675859.

Статья поступила в редакцию 01.06.2024

Статья принята к публикации 13.09.2024

УДК: 663.91

EDN: QTUWRQ

РАЗРАБОТКА ФУНКЦИОНАЛЬНЫХ КОНФЕТ ДЛЯ НАСЕЛЕНИЯ АРКТИКИ

© Автор(ы) 2024

SPIN: 5578-7593

AuthorID: 1189238

ORCID: 0009-0004-1508-0768

ШАМИЛОВ Шамиль Асхабович, аспирант кафедры технологии питания

Уральский государственный экономический университет

(620219, Россия, Екатеринбург, ул. 8 Марта/Народной воли, д. 62/45, e-mail: Achabovich@yandex.ru)

SPIN: 5442-4264

AuthorID: 525546

ORCID: 0000-0001-5458-8565

ЗАВОРОХИНА Наталия Валерьевна, доктор технических наук, профессор,

профессор кафедры технологии питания

Уральский государственный экономический университет

(620219, Россия, Екатеринбург, ул. 8 Марта/Народной воли, д. 62/45, e-mail: degustator@olympus.ru)

SPIN: 2615-4939

AuthorID: 881294

ORCID: 0000-0001-7642-6532

ТАРАСОВ Алексей Валерьевич, научный сотрудник научно-инновационного центра сенсорных технологий

Уральский государственный экономический университет

(620219, Россия, Екатеринбург, ул. 8 Марта/Народной воли, д. 62/45, e-mail: tarasov_a.v@bk.ru)

Аннотация. Развитие территорий Крайнего Севера является стратегически важной задачей для России, данные территории играют ключевую роль в развитии экономики, геополитике и обороне РФ. Учитывая негативные климатические условия проживания на данных территориях, разработка функциональных продуктов питания для населения Крайнего Севера является комплексной задачей, направленной на ускорение процесса адаптации населения к экстремальным условиям проживания и позволяющая обеспечивать его здоровым и качественным питанием. Целью настоящего исследования являлась разработка шоколадных трюфелей функциональной направленности, с включением в состав рецептур дикорастущего арктического растительного сырья и комплекса полиненасыщенных жирных кислот (ПНЖК) омега 3,6,9. В работе авторами представлен подробный химический состав некоторых ягод, произрастающих на территориях Российской Арктики, а также содержание ПНЖК в используемых растительных маслах. В ходе проведения настоящего исследования была разработана жировая композиция с использованием представленных растительных масел и модельная рецептура начинки-ганаш с включением композиции в состав. Разработана технология приготовления представленной конфеты, которая состоит из следующих этапов: нагревание ягодного пюре и сахаров до 45°С, соединения с нагретым белым шоколадом до 35-40° соединения с нагретым белым шоколадом до 35-40°С, пробивания массы в однородную, эмульсию при помощи блендера, внесения сливочного масла и разработанной жировой композиции при достижении температуры 30-32°С, повторного пробивания в эмульсию при помощи блендера, дальнейшей кристаллизацией начинки, формования трюфельных заготовок и их глазирования темным темперированным шоколадом. Разработанное изделие является высококалорийными 500:250ккал/ 100:50г, рекомендуемая порция составляет 50г или 5 трюфелей, которые содержат ПНЖК в количестве 12,50%, ω-3 составляет 5,72%, ω-6 6,78%. Трюфели «Солнечный Север» содержат сквален и токоферол от суточной нормы потребления, в количестве 16,3% и 25,41%, соответственно, что позволяет их отнести к функциональным продуктам питания. Представленные результаты микробиологических исследований соответствуют предъявляемым требованиям ТР ТС 021/2011 «О безопасности пищевой продукции» и подтверждают их безопасность в течение всего срока хранения, истинный срок годности составляет 90 суток при температуре не выше 18°С.

Ключевые слова: Крайний Север, шоколадные конфеты, полиненасыщенные жирные кислоты, функциональный продукт, растительное арктическое сырье.

DEVELOPMENT OF FUNCTIONAL SWEETS FOR THE ARCTIC POPULATION

© Author(s) 2024

SHAMILOV Shamil Askhabovich, postgraduate student of The Department of Food Technologies

Ural State University of Economics

(620219, Russia, Ekaterinburg, 8 Marta/Narodnaya Volya St., 62/45, e-mail: Achabovich@yandex.ru)

ZAVOROKHINA Natalia Valeryevna, doctor of technical sciences, professor,

professor of The Department of Food Technologies

Ural State University of Economics

(620219, Russia, Ekaterinburg, 8 Marta/Narodnaya Volya St., 62/45, e-mail: degustator@olympus.ru)

TARASOV Alexey Valeryevich, research associate of the Research and Innovation Centre sensor technologies centre

Ural State University of Economics

(620219, Russia, Ekaterinburg, 8 Marta/Narodnaya Volya St., 62/45, e-mail: tarasov_a.v@bk.ru)

Abstract. The development of the Far North is a strategically important task for Russia; these territories play a key role in the development of the economy, geopolitics and defence of the Russian Federation. Given the negative climatic conditions of living in these territories, the development of functional food products for the population of the Far North is a complex task that helps to accelerate adaptation processes and allows to provide the population with healthy and high-quality nutrition. The aim of this study was to develop chocolate truffles of functional orientation, with the inclusion of wild arctic plant raw materials and a complex of polyunsaturated fatty acids (PUFA) omega 3,6,9. In the paper the authors presented a detailed chemical composition of some berries growing in the territories of the Russian Arctic, as well as the PUFAs content in the used vegetable oils. In the course of the present study, a fat composition using the presented vegetable oils and a model recipe of stuffing-ganache with the inclusion of the composition were developed. The technology of preparation of the presented candy was developed, which consists of the following steps: heating berry puree and sugars to 45°С, combining with heated white chocolate to 35-40°С, punching the mass into a homogeneous, emulsion using a blender, introducing butter and the developed fat composition when the temperature reaches 30-32°С, repeated punching into the emulsion using a blender, further crystallisation of the filling, forming truffle blanks and glazing them with dark tempered chocolate. The developed product is high-calorie 500:250kcal/ 100:50g, the recommended portion is 50g or 5 truffles, which contain PUFA in the amount of 12,50%, ω-3 is 5,72%, ω-6 6,78%. Truffles "Sunny North" contain squalene and tocopherol from the daily norm of consumption, in the amount of 16.3% and 25.41%, respectively, which allows them to refer to functional foods. The presented results of microbiological studies meet the requirements of TR TS 021/2011 "On food safety" and confirm their safety during the entire shelf life, the true shelf life is 90 days at a temperature not higher than 18°С.

Keywords: Far North, chocolate sweets, polyunsaturated fatty acids, functional product, Arctic plant raw materials.

Для цитирования: Шамилов Ш.А. Разработка функциональных конфет для населения Арктики / Ш.А. Шамилов, Н.В. Заворохина, А.В. Тарасов // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. –
Т. 13. – № 3(67). – С. 80-87. – EDN: QTUWRQ.

Введение. В соответствии с современными реа-лиями стратегически важной задачей для России является социально-экономическое развитие терри-торий Крайнего Севера, обеспечивающее, прежде всего, национальную безопасность, что отражено в Указе Президента Российской Федерации № 645 от 26.10.2020 г. «О Стратегии развития Арктической зоны Российской Федерации и обеспечения нацио-нальной безопасности на период до 2035 года». При этом, согласно Программе фундаментальных научных исследований в Российской Федерации на долгосрочный период (2021-2030 годы) «разработка специализированных рационов и пищевых продук-тов для улучшения адаптации населения к экстре-мальным условиям Арктической зоны Российской Федерации» является приоритетной задачей.

На сегодняшний момент термины «Крайний Север» и «арктическая зона РФ» законодательно не определены, так как к Крайнему Северу относят, прежде всего, исторические территории со сходными геоклиматическими условиями, а к Арктической зоне – экономическую газо и-нефетедобывающую зону. Авторы в рамках статьи используют данные термины как синонимы.

К территории Крайнего Севера относится арк-тическая зона, тундра, лесотундра и тайга, которая охватывает более 11 млн. км2 (64% территории России) [1]. Приоритетность развития данных тер-риторий заключается в мировых запасах полезных ископаемых: здесь сосредоточенно около 80% нефти и 90% природного газа, кроме этого Крайний Север является лидером по добыче твердых полезных ископаемых – 40% мировой добычи алмазов, меди и никеля [1,2,3].

Климат Арктической зоны РФ имеет экст-ремальные характеристики с температурой -50...-60°С, пониженным содержанием кислорода, полярной ночью и полярным днем, сильнейшим дефицитом солнечного света и геомагнитными бурями [2, 3].

Столь суровый климат отрицательно влияет на здоровье населения Крайнего Севера: к основным заболеваниям северян можно отнести болезни органов дыхания, системы кровообращения и пищеварения, заболевания мочеполовой и костно-мышечной системы, ухудшение работы иммунной системы [2]. Из-за дефицита солнечного света и, как следствие, нехватки витамина Д, наблюдается повышенная тревожность, перепады настроения, нарушение гормональной деятельности, перепады суточной температуры тела; при геомагнитных бу-рях нарушается сон и мозговое кровообращение, повышается риск развития инфарктов и инсультов [3].

Поскольку основное продовольственное сырье исторически добывалось местным коренным насе-лением с помощью рыболовства и охоты, соби-рательства (грибы, ягоды, корни) и зависело от природных факторов, урожая, популяции животных, то появляющийся дефицит водо - и жирораствори-мых витаминов, макро-и микронутриентов, пищевых волокон, полиненасыщенных жирных кислот, при-водил к различным алиментарным заболеваниям и, как следствие, низкой продолжительности жизни [2, 3]. В рационе питания северян преобладают белковые (мясные и рыбные продукты), чаще всего в сыром виде, зачастую они характеризуются низким содержанием небелковых нутриентов необходимых для поддержания энергетического баланса организма, что приводит к росту различных заболеваний [3-5].

В настоящее время на законодательном уровне, указом Президента от 05 марта 2020 г № 164 утверждены «Основы государственной политики Российской Федерации в Арктике на период до 2035», основная цель – это повышение качества жизни населения Арктических зон РФ.

В отношении разработки функциональных продуктов для населения Крайнего Севера проведено множество исследований, на сегодняшний день, многие отечественные и зарубежные исследования посвящены данной теме [2,4-9].

Согласно проведенным исследованиям к.т.н., Белиной С.А, включение дикорастущих растений в пищевые продукты позволяет обогатить последние витаминами, пищевыми волокнами и минеральными веществами, придать им иммуномодулирующие и антиоксидантные свойства [5].

Учеными научно-исследовательского института сельского хозяйства и экологии Арктики, были проведены экспериментальные исследования по обогащению мучных кондитерских изделий (пряни-ков) растительным сырьем, произрастающим на Арктических территориях РФ, что позволило полу-чить функциональный продукт с повышенным содержанием пищевых волокон, витаминов, с улуч-шенными органолептическими показателями [6].

Дикорастущее арктическое растительное сырье содержит большое количество биологически-ак-тивных веществ, витаминов, минералов и антиок-сидантов и может оказывать на организм человека положительное влияние, укрепляя его, ускоряя процессы адаптации организма к дискомфортным условиям; обладают антибактериальными свойст-вами и улучшают работу ЖКТ. На рисунке 1, представлен химический состав некоторых дикоросов-ягод, произрастающих в Арктической зоне РФ.

Рисунок 1 – Химический состав арктического дикорастущего растительного сырья [2,5,8]

Данные рисунка 1 показывают, что дикоросы-ягоды арктической зоны, необычайно богаты аскорбиновой кислотой и полифенолами, которые обладают сильным синергетическим эффектом, усиливая адаптационное действие на организм человека.

Использование ягод-дикоросов арктической зоны при производстве шоколадных изделий представляется авторам достаточно актуальным так как, шоколад и шоколадные изделия стабильно занимают лидирующую позицию на рынке кон-дитерских изделий даже в периоды экономических кризисов. Средний россиянин съедает в год до 4 кг шоколада [2]. Именно массовость употребления шоколада, и его высокая калорийность позволяет считать его хорошим объектом для придания функциональной направленности прежде всего для населения, работающего в энергозатратных добывающей и нефтегазовой промышленности, ко-ренного населения Крайнего Севера. Кроме того, 100г шоколада содержит около 200 мг ароматической альфа-амино кислоты триптофана, который способен увеличивать содержание серотонина и снижать депрессивные расстройства.

На сегодняшний день отечественными и зарубежными учеными разрабатываются функцио-нальные кондитерские изделия большое внимание уделяется какао и какао-продуктам, поскольку доказано, что при рациональном употреблении они улучшают работу сердечно-сосудистой системы и снижают риски развития заболевания и появления тромбов в сосудах, стимулируют умственную деятельность, укрепляют иммунитет, замедляют процессы старения и улучшают настроение [10-22].

Так, профессор Резниченко И.Ю. с соавторами разработала обогащенные конфеты, восполняющие дефицит витаминов (А, С, Е) и минеральных веществ (I, Fe, Ca) [23]. Коллеги из Калининградского государственного технического университета, зани-маются обогащением шоколадных конфет омега-3 и омега-6 жирными кислотами [24].

Бразильские ученые разработали конфеты с улучшенными сенсорными показателями, обога-щенные фруктами и овощами в том числе, виноградом и капустой лиофильной сушки, что позволило увеличить антиоксидантные свойства, содержание пищевых волокон и минеральных веществ (железо, марганец, цинк, калий и кальций) [25].

Ученые из Новой Зеландии, Индии и Норвегии, разработали композицию для обогащения шоколада из мясного протеина, лактата кальция, животного жира и сублимированных ягод малины и ежевики. Авторы получили шоколад с повышенным содержанием белка и кальция, с новыми органолептическими свойствами и длительными сроками хранения до 6 месяцев [26].

Таким образом, все вышеперечисленное подт-верждает актуальность исследований, целью которых являлась разработка рецептуры функциональных конфет-трюфелей с применением дикорастущего арктического ягодного сырья, обогащенных ω-3,6,9 полиненасыщенными жирными кислотами.

Методология. Для проведения исследования были выбраны следующие объекты:

– модельные образцы ганаша с ω-3,6,9 ПНЖК;

– облепиховое, рыжиковое, расторопши масла нерафинированные Siberian Creen (Россия, ООО «БэстВэлью Органик»), амарантовое нерафини-рованное масло Русская олива (Россия, ООО «Русская олива»), льняное нерафинированное масло холодно-го отжима Солнечный край (Россия, ООО «Солнеч-ный Край»), которые использовали в различных сочетаниях для моделирования состава композиции из жирных кислот.

Для приготовления начинки-ганаш для конфет использовали следующие ингредиенты: пюре обле-пихи, пюре морошки, глюкозный сироп Laped (Ита-лия, изготовленное «Laped S.r.l»), сорбитол Sosa (Испания, изготовленное «Sosa Ingredients SL»), декстроза Sosa (Испания, изготовленное «Sosa Ingredients SL»), белый шоколад Callebaut (Бельгия, «Barry Callebaut»), темный шоколад Callebaut (Бельгия, «Barry Callebaut»), сливочное масло Экомилк (Россия, ЗАО «Озерский молочный комбинат»), какао-масло Callebaut (Бельгия, «Barry Callebaut») и разработан-ную композицию из насыщенных жиров.

Выбор шоколадных конфет в качестве объекта исследования обусловлен тем, что согласно прове-дённому исследованию целевой аудитории, было установлено, что респонденты приобретают шоко-ладное конфеты 1-2 раза в неделю (75,8% опро-шенных), (50,9%) отдают предпочтения конфетам в коробках, причина покупки – побаловать себя/ близких (60,5%), в качестве быстрого перекуса и в качестве высококалорийного изделия (25,2%) и (13,1%) соответственно. При выборе отдают свои предпочтения фруктово-ягодным (48,9%) и карамельным (30,5%) начинкам, при выборе предложенных полезных компонентов в составе шоколадных изделий (70,3%) выбрали ягоды Край-него Севера.

При обогащении ганаша полиненасыщенными жирными кислотами (омегой 3, 6, 9) руководст-вовались методическими рекомендациями МР 2.3.1.0253-21 «Нормы физиологических потребностей в энергии и пищевых веществах для различных групп населения Российской Федерации» и МР 2.3.1.1915-04 «Рекомендуемые нормы потребления пищевых и биологически активных добавок».

При систематизации и анализе данных по химическому составу растительного сырья исполь-зовали аналитические методы, при проведении физико-химических исследований учитывали тре-бования ГОСТ 4570-2014, микробиологические исследования проводили по ГОСТ 5904-2019, ГОСТ 32751-2014, ГОСТ 10444.12-2013, ГОСТ 10444.15-94, ГОСТ 26669-85, ГОСТ 26670-91, ГОСТ Р 52816-2007, ГОСТ Р 52814-2007, ГОСТ 31747-2012, органолептическую оценку проводили балльным методом органолептического анализа по ГОСТ 5897-90, ГОСТ Р ИСО 22935-2-2011, ГОСТ ISO 3972-2014. Для измерения активности воды опытного образца использовали анализатор «Pawkit» (США, Decagon Devices, точность измерения ± 0,02 aw при температуре 16-18°С).

Разработанные конфеты функционального наз-начения, обогащенные ω-3,6,9 ПНЖК, витаминами и пищевыми волокнами растительного дикорастущего сырья. На первом этапе исследования, было изучено содержание полиненасыщенных жирных кислот (ПНЖК) и мононенасыщенных жирных кислот (МНЖК) в выбранных образцах результаты предс-тавлены на рисунке 2.

Согласно данным таблицы 1, в льняном масле наибольшее количество альфа-линоленовой и олеи-новой кислоты, масло расторопши содержит в основном линолевую кислоту. Так же данные масла содержат токоферолы мг/ на 100г: рыжиковое – 113; льняное – 20; расторопши – 25; облепихи – 105. В амарантовом масле кроме токоферолов 250 мг/ на 100г также содержится сквален 6000 мг/на 100 г. Согласно проведенным исследованиям Всероссийского научно-исследовательского института жиров, содержание токоферола и сквалена препятствуют окислению масел.

А содержание олеиновой кислоты в количестве 30-40% от суммы жирных кислот обеспечивают устойчивость к окислительным процессам [27].

На втором этапе нами были разработаны ком-позиции из выбранных масел, для обогащения конфет, варианты рецептур представлены на рисунке 3.

Рисунок 2 – Содержание ПНЖК в используемых маслах, г/на 100г [27]

Рисунок 3 – Варианты различных композиций для обогащения конфет

При составлении композиции ПНЖК руко-водствовались оптимальными органолептическими показателями – органолептической совместимостью с шоколадом, максимально индифферентным вкусом и ароматом, содержанием ω-3,6,9 ПНЖК. Наилуч-шими показателями обладал образец композиции 2, данная рецептура была использована при дальнейшем внесении в ганаш-начинку в количестве 10г/100г ганаша.

На третьем этапе исследования готовили модельные образцы начинок ганашей следующим образом, одновременно нагревали: 1) белый шоколад с какао-маслом до 45°С; 2) пюре облепихи и морошки вместе с глюкозным сиропом, декстрозой и сорбитолом до температуры 40-45°С; далее массы соединяли и перемешивали до однородной эмульсии, вносили сливочное масло температура которого составляла 10-12°С и разработанную композицию по рецептуре К2. После чего начинки-ганаши кристаллизовали при температуре 16-18°С в течение 12-16 часов, далее формировали трюфельные заготовки сферической формы весом 10,00±0,50 г и глазировали в темном шоколаде на глазировочной линии для трюфелей.

Шоколад для глазирования использовали тем-перированный в автоматической темп-машине, рабочая температура которого составляла 32±1°С. Рецептура модельной начинки-ганаша состоит из следующих ингредиентов: белый шоколад (50,7%), глюкозный сироп (3,3%), декстроза (3,3%), какао-масла (14,2%), лимонная кислота (0,2%), пюре морошки (9,8%), пюре облепихи (9,8%), сливочное масло (4,3%), сорбитол (4,3%) и разработанной жировой композиции ПНЖК2 в количестве (10%).

Далее ганаш начинку по приведенной рецептуре использовали для получения трюфельной конфеты «Солнечный Север» и дальнейших исследований.

Результаты. В соответствии с поставленными задачами, была разработана технология и проведены исследования показателей качества и безопасности разработанных конфет, проведена органолептическая оценка и рассчитана пищевая и биологическая ценность. Результаты физико-химических иссле-дований представлены в таблице 1.

Показатель активности воды, aw составляет 0,64±0,02, что говорит о высокой микробиологической стабильности разработанной трюфельной конфеты [28]. Результаты микробиологических исследований представлены в таблице 2.

Полученные результаты полностью соответствуют требованиям ТР ТС 021/2011 и ГОСТ 4570-2014.

Органолептический анализ балльным методом с использованием 5-балльной шкалы показал, что трюфельная конфета высоко оценена дегустаторами: оценки составили – внешний вид 4,8±0,03; консистенция 4,7±0,03; запах 4,8±0,03; вкус 4,7±0,25 баллов. Далее была составлена панель дескрипторов – индивидуальных характеристик продукта и построен сенсорный профиль трюфельной конфеты «Солнечный Север», который может быть исполь-зован для целей ее идентификации (рис. 4).

Таблица 1 – Физико-химические показатели разработанных конфет

Показатель	Значение
Массовая доля влаги, %	18,5±0,10
Общее содержание сахаров, %	30,3±0,03
Массовая доля фруктового сырья, %	20,50±0,01
Показатель активности воды, aw	0,64±0,02

Таблица 2 – Результаты микробиологических исследований разработанных конфет

№ п/п	Определяемый показатель	Требования ТР ТС 021/2011	Результаты исследований
1	КМАФАнМ	5х104 КОЕ/г	9,1х102
2	БГКП (колиформы)	В 0,1 г не допускается	В 0,1 г не обнаружено
3	Патогенные в т.ч. сальмонеллы	В 25 г не допускается	В 25 г не обнаружено
4	Плесени	Не более 100 КОЕ/г	Менее 1,0х101 КОЕ/г
5	Дрожжи	Не более 50 КОЕ/г	Менее 1,0х101 КОЕ/г

Рисунок 4 – Сенсорный профиль разработанной конфеты

Обсуждение. Составлении композиции ПНЖК является важнейшим этапом разработки состава ганаша, поскольку вносимые масла расторопши, облепихи, амаранта, рыжиковое, льняное имеют специфический флейвор и различное содержание ПНЖК. Определено, что льняное масло придает горчинку и нее может быть использовано в количестве более 15% от массы композиции; амарантовое масло имеет запах свекольной ботвы и так же должно быть лимитировано количеством до 30%; масло расторопши обладает довольно индифферентным флейвором и может составлять до 50% композиции. Именно такой состав – 25% амарантового масла, 10% льняного масла, 5% облепихового масла, 50% масла расторопши и 10% рыжикового масла позволили создать композицию с максимально индифферентным флейвором и требуемым содержанием ω-3,6,9 ПНЖК.

Разработанная технология изготовления конфет с применением растительного арктического сырья и ПНЖК позволяет получить продукт с высокой пище-вой ценностью, заданными микробиологическими характеристиками и длительным сроком хранения (90 дней) за счет снижения активности воды.

Поскольку ганаш представляет из себя эмульсию на основе жирных сливок, молока, фруктово-ягодного пюре и шоколада, то используемые в технологии гидрофильные добавки такие как глюкозный сироп, инвертный сахар, сорбитол, декстроза, способствовали снижению показателя активности воды с начального 0,9-0,8 до 0,64%, что способствовало увеличению срока хранения трюфелей.

Используемое арктическое растительное сырье - пюре морошки и облепихи, является традиционным для употребления северянами, но практически не используется в массовом производстве шоколадных изделий. При этом данное сырье является не культивируемым, а дикоросами, обладающими цен-ными функциональными характеристиками.

Органолептический профиль облепихи яв-ляется сложным для применения в кондитерской промышленности, так как обладает низкой соче-таемостью со многими сырьевыми ингредиентами, способен трансформироваться со временем. Однако, проведенное авторами, наложение сенсорного про-филя облепихи на растительную ноту морошки, позволило увеличить гармоничность флейвора конфеты, а контраст ягодных нот с яркой нотой шоколада усилили ее общую гармоничность.

Трюфель «Солнечный Север» обладает высо-кими органолептическими характеристиками и заданным содержанием ПНЖК. Сквален, вносимый с амарантовым маслом, является сильнейшим антиоксидантом с доказанными адаптивными свойст-вами. При этом, масло амаранта имеет довольно спе-цифический вкус и редко используется населением в чистом виде. Использование амарантового масла в составе ганаша в разработанном трюфеле позволило завуалировать специфическую растительную ноту амаранта ярким тоном облепихи.

Разработанные конфеты являются высокока-лорийными, в 100 граммах конфет содержится 498 ккал, что позволяет быстро получить значительное количество энергии, необходимое человеку при экстремально низких температурах Арктики.

Всероссийская организация здравоохранения рекомендует употреблять не более 50г шоколада и шоколадных изделий в сутки. Соответственно, на порцию 50 г (5 штук) трюфелей содержание ПНЖК составит – 12,50%, из них омега-3 5,72%, омега-6 6,78%. Соотношение омеги-3 к омеги-6 составляет 1:5, содержание омеги-9 составляет 4,20%. Содержание сквалена составляет 16,3%, а токоферола 25,41% от рекомендуемой суточной нормы, что позволяет отнести разработанное шоколадное изделие «Трюфель «Солнечный Север» к функциональным продуктам.

Выводы. В ходе проведения эксперимента были разработаны трюфели «Солнечный Север» с использованием в начинке-ганаше дикорастущего сырья Крайнего Севера (пюре из ягод облепихи и морошки), комплекса ПНЖК. Для обогащения конфет ω-3, 6, 9 полиненасыщенными жирными кис-лотами были использованы амарантовое, льняное, облепиховое, расторопши и рыжиковое раститель-ные масла. Содержание олеиновой кислоты (ω-9) в количестве 35%, от суммы жирных кислот, позволяет замедлить процесс окисления конфет у увеличить срок хранения без потери потребительских свойств. Содержание сквалена составляет 16,3%, а токоферола 25,41% от рекомендуемой суточной нормы.

Разработана рецептура и технологи функцио-нальных конфет трюфелей «Солнечный Север», проведена оценка органолептических, физико-хи-мических показателей, безопасности разработанных шоколадных изделий.

Результаты микробиологических изделий подт-верждают безопасность разработанных изделий на протяжении всего срока хранения, срок годности составляет 90 дней, при температуре не выше 16-18°С, согласно с МУК 4.2.1847-04 с учетом коэффициента запаса 1,2.

СПИСОК ЛИТЕРАТУРЫ:

1. Мишкевич Э.Ю. Формирование и оценка потребительских свойств продуктов питания для людей, работающих в условиях низких температур: диссертация ... канд. тех. наук: 05.18.15 / Кубанский государственный технологический университет. Краснодар, 2022. – 186 с.

2. Шамилов Ш.А. Перспективы использования Арктического сырья в разработке функционального шоколада // Материалы Международной научно-практической конференции им. Д.И. Менделеева, посвящённой 15-летию Института промышленных технологий и инжиниринга (Тюмень,16-18 ноября 2022 г.). Сборник статей. В 3-х томах. Тюмень: Тюменский индустриальный университет, 2024. – С. 426-428.

3. Бикбулатова Л.Н. Физиологические особенности состояния адаптации, фактического питания, метаболического профиля и витаминно-элементного статуса у коренного и пришлого населения Крайнего Севера (на примере ЯНАО): диссертация … канд. мед. наук: 1.5.5 / Ханты-Мансийская государственная медицинская академия. Ханты-Мансийск, 2022. – 172 с.

4. Заворохина Н.В., Феофилактова О.В. Разработка адаптогенных напитков для снижения холодового стресса у жителей Крайнего Севера // Технологии пищевой и перерабатывающей промышленности АПК – продукты здорового питания. – 2022. – № 3. – С. 93-100.

5. Белина С.А. Моделирование комплексной пищевой добавки из арктического растительного сырья, обладающая антиоксидантным и иммунокорректирующим свойствами // Ползуновский вестник. – 2023. – № 3. – С. 41-46.

6. Тюпкина Г.И., Кисвай Н.И., Корниенка И.П., Филатова С.Н., Окунева С.В. Применение растительного сырья Арктической территории Российской Федерации для производства пряничных изделий // Вестник КрасГАУ. – 2021. – № 8. – С. 188-195.

7. Попов В.Г., Кадочникова Г.Д., Буракова Л.Н., Неверов В.Ю., Тригуб В.В. Разработка рецептуры комплексной пищевой физиологически функциональной системы с целью получения специализированных продуктов питания для населения Арктики // Ползуновский вестник. – 2019. – № 1. – С. 90-95.

8. Буракова Л.Н, Плотников Д.А. Анализ работ в области разработки продуктов функционального назначения, обла-дающих иммуномодулирующими свойствами // Пол-зуновский вестник. – 2021. – № 3. – С. 117-122.

9. Белоножко, Л.Н. Особенности социального здоровья населения Арктического региона // Известия высших учебных заведений. Социология. Экономика. Политика. – 2021. – № 3. – С. 24-44.

10. Ткешелашвили М.Е., Бобожонова Г.А., Сорокина А.В. Разработка конфет типа Ассорти повышенной пищевой ценности и сохраняемости // Хранение и переработка сельхозсырья. – 2020. – № 4. – С. 139-151.

11. Новикова И.М., Блинникова О.М., Елисеева Л.Г., Ильинский А.С. Разработка рецептуры, технологии и оценки органолептических показателей фруктово-желейных конфет, обогащенных биологически активными веществами земляники // Технологии пищевой и перерабатывающей промышленности АПК – продукты здорового питания. – 2023. – № 3. – С. 54-59.

12. Дементьева Н.В., Бойцова Т.М. Разработка рецептур и технологии конфет с повышенной пищевой ценностью из ламинарии японской // Индустрия питания. – 2022. – Т. 7. – № 3. – С. 18-24.

13. Горлов С.М., Першакова Т.В., Семиряжко Е.С. Перспективы рынка производства шоколадных изделий, обогащенных функциональными ингредиентами // Технологии пищевой и перерабатывающей промышленности АПК – продукты здорового питания. – 2022. – № 2. – С. 102-107.

14. Ткешелашвили М.Е., Бобожонова Г.А., Сорокина А.В. Сахаристые кондитерские изделия функционального назначения // Пищевая промышленность. – 2019. – № 2. – С. 10-14.

15. Samanta S, Sarkar T, Chakraborty R, Rebezov M, Shariati MA, Thiruvengadam M, Rengasamy KRR. Dark chocolate: An overview of its biological activity, processing, and fortification approaches // Curr Res Food Sci. – 2022. – P. 1916-1943.

16. Halib H., Ismail A., Mohd Yusof BN., Osakabe N., Mat Daud ZA. Effects of Cocoa Polyphenols and Dark Chocolate on Obese Adults: A Scoping Review // Nutrients. – 2020. – Р. 3695.

17. Ditchfield C., Kushida M.M., Mazalli M.R., Sobral PJA. Can Chocolate Be Classified as an Ultra-Processed Food? A Short Review on Processing and Health Aspects to Help Answer This Question // Foods. – 2023. – №12(16). – Р. 3070.

18. Faccinetto-Beltrán P., Gómez-Fernández A.R., Orozco-Sánchez N.E. Physicochemical Properties and Sensory Acceptability of a Next-Generation Functional Chocolate Added with Omega-3 Polyunsaturated Fatty Acids and Probiotics // Foods. – 2021. – №10 (2). – Р. 333.

19. Caponio G.R., Lorusso M.P., Sorrenti G.T. Chemical Characterization, Gastrointestinal Motility and Sensory Evaluation of Dark Chocolate: A Nutraceutical Boosting Consumers' Health // Nutrients. – 2020. – № 12(4). – Р. 939.

20. Sasaki A., Kawai E., Watanabe K. Cacao Polyphenol-Rich Dark Chocolate Intake Contributes to Efficient Brain Activity during Cognitive Tasks: A Randomized, Single-Blinded, Crossover, and Dose-Comparison fMRI Study // Nutrients. – 2023.16(1). – Р. 41.

21. González-Barrio R., Nuñez-Gomez V., Cienfuegos-Jovellanos E., García-Alonso F.J., Periago-Castón M.J. Improvement of the Flavanol Profile and the Antioxidant Capacity of Chocolate Using a Phenolic Rich Cocoa Powder // Foods. – 2020. – №9(2). – Р.189.

22. Jing Z. Functional Chocolate Innovations and Food Technology: A Bibliography // Journal of Food Processing & Technology. – 2023. – Р. 8-14.

23. Резниченко И.Ю., Гурьянов Ю.Г., Лобач Е.Ю. Разработка рецептур, технологии производства, оценка качества функциональных кондитерских изделий // Новые технологии. – 2011. – №1. – С. 27-30.

24. Строшкова А.В., Титова И.М. Разработка рецептур конфет повышенной функциональности // Вестник молодежной науки. – 2019. – №4. – С. 9.

25. Carvalho J., Romoff P., Lannes S. Improvement of nutritional and physicochemical proprieties of milk chocolates enriched with kale (Brassica olereacea var. acephala) and grape (Vitis vinífera) // Food Sci. Technol. – 2018. – P. 551-560.

26. Kaur M., Kumar S., Bhat Z-F., El-Din A., Bhatti M-A. Development of composite meat chocolate fortified with calcium and plant extracts // Food Bioscience. – 2021. – P. 42-51.

27. Бибасова А.В. Теоритическое и эксперименталь-ное обоснование рецептур купажированных масел функционального назначения: диссертация … канд. техн. наук: 05.18.06 / Кубанский государственный технологический университет. Краснодар, 2016. – 168 с.

28. Заворохина Н.В., Шамилов Ш.А., Чугунова О.В., Тарасов А.В. Увеличение хранимоспособности шоколадных конфет за счет снижения активности воды в начинках-ганашах // Вестник КрасГАУ. – 2024. – № 6. – С. 188-197.

Статья поступила в редакцию 04.07.2024

Статья принята к публикации 13.09.2024

УДК 664.642.2

EDN: GEWQQX

ПОВЫШЕНИЕ СКОРОСТИ ПРОЦЕССА БРОЖЕНИЯ ХЛЕБНЫХ ЗАКВАСОК ПУТЕМ

ВВЕДЕНИЯ РАССОЛА КВАШЕНОЙ КАПУСТЫ С МОЛОЧНОКИСЛЫМИ БАКТЕРИЯМИ

© Автор(ы) 2024

SPIN: 8296-3616

AuthorID: 680375

ORCID: 0000-0001-6135-1507

БУРАКОВА Людмила Николаевна, кандидат технических наук,

доцент кафедры «Общая и физическая химия»

Тюменский индустриальный университет

(625000, Россия, Тюмень, улица Володарского, 38, e-mail: burakovaln@tyuiu.ru)

SPIN: 6902-3918

AuthorID: 1114262

ORCID: 0000-0002-4061-9436

ПЛОТНИКОВ Даниил Александрович, ассистент кафедры «Общая и физическая химия»

Тюменский индустриальный университет

(625000, Россия, Тюмень, улица Володарского, 38, e-mail: plotnikovda@tyuiu.ru)

Аннотация. Хлеб и хлебобулочные изделия остаются одной из самых потребляемых в рационе категорией продукции питания, что обосновывает актуальность развития и расширения ассортимента обогащенных и функциональных пищевых продуктов. В статье приведены результаты экспериментального исследования по изучению возможности применения рассола квашеной капусты для ускорения процессов брожения хлебных заквасок. В качестве ферментированного продукта были использованы два образца квашеной капусты, в технологический процесс приготовления одного из которых внесены молочнокислые бактерии. Это благоприятно повлияло на процесс брожения хлебной закваски, так как в растительных продуктах при ферментации наблюдается молочнокислое брожение и развитие молочной кислоты, которые способствуют активации жизнедеятельности микроорганизмов в заквасочных культурах. Для подтверждения данной гипотезы были подготовлены контрольные образцы пшеничной и ржаной хлебной закваски, а также два образца квашенной капусты. Предварительно, авторами были проведены лабораторные испытания образцов капусты и определены пиковые значения молочной кислоты. Данные лабораторные исследования определили пиковые значения молочнокислых бактерий с применением заквасочных культур (9-й день) и без них (11-й день), на основании которых были произведены отборы образцов для приготовления хлебных заквасок. Для разработки технологического процесса были лабораторно установлены оптимальные соотношения ингредиентов, применяемых при подготовке опытных образцов заквасок. Технологический процесс приготовления хлебных заквасок включал в себя использование компонентов в следующих соотношениях – закваска (1) : мука (1) : вода (0,7;0,4;0,1) : рассол (0,3;0,6;0,9) и сравнении подъемной силы с контрольными образцами, не содержащими рассол. Установлено, что внесение рассола квашеной капусты ускоряет процессы подъемной силы хлебных заквасок. Результаты показали, что подъем у исследуемых образцов наблюдался уже через 3 часа; у контрольного - через 5 часов. Показатель подъемной силы образцов хлебных заквасок с наибольшим содержанием рассола обладает лучшим результатом в сравнении с контрольным образцом, что может говорить о высокой активности дрожжей. При этом, показатель конечной кислотности изменялся в соответствии с количеством вносимых компонентов и составил: для пшеничных заквасок (рассол с микроорганизмами) – 10,8;11,2;11,6; рассол без микроорганизмов – 10,7;10,7;10,8; контроль – 10,8. Для ржаных заквасок данный показатель составил соответственно – 11,6;11,7;12,1 и 11,3;11,3;11,5 при показателе контрольного образца – 11,3.

Ключевые слова: ферментация, растительное сырье, пшеничные и ржаные закваски, молочнокислые бактерии, заквасочная культура.

INCREASING THE RATE OF FERMENTATION OF BREAD LEAVENS BY INTRODUCING

SAUERKRAUT BRINE WITH LACTIC ACID BACTERIA

© The Author(s) 2024

BURAKOVA Lyudmila Nikolaevna, candidate of technical sciences,

associate professor of the Department "General and Physical Chemistry"

Industrial University of Tyumen

(625000, Russia, Tyumen, Voldarsky street, 38, e-mail: burakovaln@tyuiu.ru)

PLOTNIKOV Daniil Aleksandrovich, assistant of the Department "General and Physical Chemistry"

Industrial University of Tyumen

(625000, Russia, Tyumen, Voldarsky street, 38, e-mail: plotnikovda@tyuiu.ru)

Abstract. Bread and bakery products remain one of the most consumed categories of food products in the diet, which justifies the relevance of developing and expanding the range of fortified and functional foods. The article presents the results of an experimental study on the possibility of using sauerkraut brine to accelerate the fermentation processes of bread starters. Two samples of sauerkraut were used as a fermented product; lactic acid bacteria were introduced into the technological process of preparing one of the samples. This choice is justified by the fact that fermentation occurs during the formation of bread starter. Lactic acid fermentation and the development of lactic acid that occur in plant products during fermentation make it possible to accelerate the processes of activation of the vital activity of microorganisms in starter cultures. To confirm this hypothesis, control samples of wheat and rye bread starter, as well as two samples of sauerkraut, were prepared. Previously, the authors conducted laboratory tests of cabbage samples and determined the peak values of lactic acid. These laboratory studies determined the peak values of lactic acid bacteria with the use of starter cultures (day 9) and without them (day 11), based on which samples were selected for the preparation of bread sourdoughs. To develop the technological process, the optimal ratios of the ingredients used in the preparation of experimental samples of sourdoughs were established in the laboratory. The technological process for preparing bread sourdoughs included the use of the following components in the following ratios - sourdough (1): flour (1): water (0.7; 0.4; 0.1): brine (0.3; 0.6; 0.9) and a comparison of the lifting force with the control samples that did not contain brine. It was found that the introduction of sauerkraut brine accelerates the processes of the lifting force of bread sourdoughs. The results showed that the rise in the studied samples was observed after 3 hours; in the control - after 5 hours. The lifting power index of semi-finished products in samples with the highest brine content has a better result in comparison with the control samples, which may indicate high yeast activity. At the same time, the final acidity index changed in accordance with the amount of introduced components and was: for wheat sourdoughs (brine with microorganisms) - 10.8; 11.2; 11.6; brine without microorganisms - 10.7; 10.7; 10.8; control - 10.8. For rye sourdoughs, this index was respectively - 11.6; 11.7; 12.1 and 11.3; 11.3; 11.5 with the index of the control sample being 11.3.

Keywords: fermentation, vegetable raw materials, wheat and rye starter cultures, lactic acid bacteria, starter culture.

Для цитирования: Буракова Л.Н. Повышение скорости процесса брожения хлебных заквасок путем введения рассола квашеной капусты с молочнокислыми бактериями / Л.Н. Буракова, Д.А. Плотников // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 88-95. – EDN: GEWQQX.

Введение. Расширение ассортимента продукции функционального и специализированного назначения является перспективным направлением в улучшении здоровья и питания населения. На сегодняшний день применяются различные способы обогащения пищевых продуктов, среди которых стоит отметить использование результатов жизнедеятельности микроорганизмов. Ферментированные продукты растительного происхождения обладают высокой пищевой ценностью, особым вкусом, высоким содержанием пищевых волокон и увеличенным сроком хранения. Пробиотические функции делают данную категорию востребованной у потребителя [1, 2].

Ферментация пищевого сырья является одним из древних биотехнологических процессов, применяемых для продления срока годности сельскохозяйственной и животноводческой продукции в результате жизнедеятельности микроорганизмов [3].

Процесс брожения при помощи микроорганизмов может протекать как в аэробных, так и в анаэробных условиях и сопровождается расщеплением органических соединений [4]. Рассматривая данные процессы в хлебных и растительных продуктах, стоит отметить важное значение молочнокислых бактерий. Их относят к грамположительным, неспорообразующим аэротерпимым микроорганизмам, которые являются представителями таких семейств как Aerococcaceae, Carnobacteriaceae, Enterococcaceae, Lactobacillaceae, Leuconostocaceae и Streptococcaceae [5].

Самопроизвольные ферментативные процессы, происходящие в белокочанной капусте (Brassica oleraecea var. capitala f. alba), приводят к образованию конечных продуктов квашеной капусты и рассол (вторичный продукт), среди которых особую роль играют молочная и уксусная кислоты, этанол и маннит [6, 7].

Стоит отметить также особое влияние молочной кислоты на качество хлебобулочных изделий, которое заключается в повышении противомикробных свойств, изменении органолептических показателях, а также улучшении качества мякиша. Помимо этого, взаимодействие молочной кислоты с заквасочными культурами в подготовительных процессах приготовления хлеба позволяет ускорить процессы активации закваски. Данная гипотеза была выдвинута авторами на основании проведенного патентно-информационного поиска. Результаты экспериментального исследования, представленные в статье, направлены на её подтверждение.

Особую роль в хлебопекарной промышленности играют закваски и заквасочные культуры, используемые в производственном процессе, что связано с положительным влиянием на физико-химические и органолептические показатели и устойчивость к микробной порче [8]. Важной составляющей микробиома заквасок спонтанного брожения являются дикие дрожжи, молочнокислые и уксуснокислые бактерии. В ходе жизнедеятельности перечисленных компонентов образуется углекислый газ, ряд органических кислот и ферменты, которые позволяют сформировать конечные характеристики пищевого продукта (органолептические и физико-химические свойства), при этом особое значение при формирование качества продукции играет взаимодействие молочнокислых бактерий (Lactobacillales) и дрожжей (Sacchromycetales).

При производстве хлебобулочных изделий важным этапом является выбор муки. Часто используемой в процессе приготовления является мука из злаков (Poaceae), например, мука из мягкой пшеницы (Triticum aestivum L.) и/или твердой пшеницы (Triticum aestivum L. и Triticum durum Desf.) [3].

Образование метаболитов брожения (органических кислот) происходит за счет потребления молочнокислыми бактериями и дикими дрожжами растворимых углеводов. При этом происходит изменение муки по химическому составу крахмала, пищевых волокон и липидов [9, 10, 11].

Среди основных параметров, которые оказывают влияние при процессах формирования микробиоты закваски, микробных превращений, катализируемых ферментами биохимических реакций – продолжительность протекания ферментативных процессов, температура, количество закваски и воды [11-15].

Помимо этого, молочнокислые бактерии усиливают процессы протеолиза и гидролизируют биополимеры муки, к которым относятся глютен и крахмал, что в свою очередь улучшает текстуру и увеличивает срок хранения хлебобулочного изделия [16]. Стоит также отметить положительное влияние цельнозерновой муки на биотехнологические свойства заквасок.

Положительное влияние повышенного потребления цельного зерна на организм доказано многочисленными исследованиями. Среди положительных эффектов наблюдается снижение заболеваемости сахарным диабетом 2 типа, хроническими и сердечно-сосудистыми заболеваниями, и заболеваниями кишечника [17-20].

В предыдущих исследованиях авторами были проведены экспериментальные работы по изучению влияния молочнокислых бактерий на качество ферментированного продукта, результаты которого позволили сделать выводы, что внесение молочнокислых бактерий в технологический процесс производства квашеной продукции ускоряет процессы молочнокислого брожения и увеличивает содержание исследуемых показателей. Данный фактор был доказан ежедневными лабораторными измерениями и различиями пиковых показателей образцов капусты.

Органолептическая оценка показывала высокие характеристики исследуемого продукта. Полученный результат позволил выстроить дальнейшую методологию исследования, которая заключается в применении рассола квашеной капусты при приготовлении заквасок [21].

Полученные результаты анализа позволили выдвинуть гипотезу, основная идея которой заключается в применении рассола квашеной капусты, содержащего молочнокислые микроорганизмы, как благоприятной среды для процессов, происходящих при формировании хлебных заквасок. На основании этого была поставлена цель – изучить особенности влияния рассола квашеной капусты на процесс брожения хлебных заквасок и разработать технологию его введения.

Задачи исследования: определить максимальные значения молочнокислых бактерий в двух образцах квашеной капусты; провести оценку качества муки, применяемой в технологии приготовления заквасок; подготовить образцы ржаных и пшеничных заквасок; определить максимальный пик подъема хлебных заквасок и их качественные характеристики; на основе полученных качественных показателей разработать технологию введения рассола в хлебные закваски.

Методология. Среди сырья, которое применялось в технологическом процессе приготовления квашеной капусты, использовалась капуста белокочанная (сорт «Зенон F1») и морковь (сорт «Вита Лонга»), качество которого соответствовало ТР ТС 021/2011 «О безопасности пищевой продукции».

В качестве вспомогательных ингредиентов для квашения использована соль пищевая «Илецкая» высший сорт. В технологию приготовления второго образца входила закваска для овощей бактериальная ST 22.22 L (изготовитель ООО «Зелёные линии»), содержащая в своем составе грамположительные анаэробные неспорообразующие молочнокислые бактерии (Lactobacillus plantarum). Количество сырья для приготовления квашеной капусты, представлено в таблице 1 [21].

Процесс приготовления образцов квашенной капусты представлен на рисунке 1 [21].

В технологическом процессе приготовления пшеничной и ржаной закваски спонтанного брож-ения использовались два вида муки – пшеничная цельнозерновая высшего сорта и ржаная обдирная, качество которых определялась на соответствие ГОСТ 26574-2017 и ГОСТ 7045-2017.

Органолептические показатели – вкус, запах, цвет, наличие минеральной примеси, металломагнит-ная примесь (мг в 1 кг муки). Физико-химические показатели включали влажность, зольность и кислотность.

Влажность муки определялась способом вы-сушивания двух навесок в сушильном шкафу по ГОСТ 9404-88, показатель кислотности определяли по ГОСТ 27493-87 методом титрования.

Зольность по ГОСТ 27494-2016 при помощи муфельной печи ПМ-1.0-7, которая была предва-рительно разогрета до 500°C с последующим увеличением температуры озоления до 750°C и полного исчезновения черных частиц и дости-жения постоянной массы навесок. Наличие металломагнитной примеси по ГОСТ 20239-74 «Мука, крупа и отруби.

Метод определения металломагнитной при-меси» методом выделения вручную с помощью подковообразного магнита из предварительно под-готовленной навески муки.

Наличие вредителей в муке определяли на основе ГОСТ 27559-87 с использованием сита лабораторно-го №056 и ГОСТ 34165-2017. Также дополнительно была проведена проверка загрязненности образцов муки при помощи микроскопа.

Для более четкого понимания этапов экс-периментального исследования была разработана ме-тодологическая схема, представленная на рисунке 2.

Таблица 1 – Расход сырья для приготовления образцов квашеной капусты, кг (нетто)

Образец	Капуста белокочанная	Морковь	Соль	Заквасочная культура
Стандартный образец	1,00	0,10	0,07	-
Образец с использованием заквасочных культур	1,00	0,10	0,07	0,01

Рисунок 1 – Технологический процесс приготовления квашенной капусты

Рисунок 2 – Методологическая схема проведения эксперимента

Методологическая схема проведения исследо-вания включала в себя 4 основных этапа:

1) Теоретический, заключающийся в проведении патентно-информационного поиска работ по схожей тематике и выявлении основных данных, необходимых для дальнейшего исследования.

2) Изучение качества используемой муки по ряду показателей. На основании полученных результатов принятие решение о продолжении исследования.

3) Экспериментальный этап. Данный этап заключается в определении пропорций вносимых компонентов в хлебные закваски (пшеничная и ржаная) и внесении рассола квашеной капусты в разных соотношениях. Процесс брожения контрольных и экспериментальных образцов проводили в термостате при температуре 24°C в течении 18 часов. Основная цель данного этапа заключалась в проведении замеров подъемной силы испытуемых образцов.

4) Данный этап заключался в подведении итогов проведения экспериментального исследования влия-ния рассола квашеной капусты на развитие заквасок на основании результатов предыдущих этапов работы.

Выстраивание схемы проведения эксперимента дает четкое представление о каждом этапе и позволяет определить критические точки, при которых стоит скорректировать экспериментальное исследование.

Результаты проведенной оценки качества ис-пользуемой муки представлены в таблице 2.

Проведенная оценка не показала отклонений от показателей, что говорит о высоком качестве используемой муки. В таблице 3 представлено количество сырья, используемое в технологичес-ком процессе приготовления образцов заквасок спонтанного брожения.

Таблица 2 – Результаты оценки качества пшеничной и ржаной муки

Показатель	Пшеничная мука	Ржаная мука
Вкус	Отсутствие постороннего привкуса	Отсутствие постороннего привкуса
Запах	Отсутствие постороннего запаха	Отсутствие постороннего запаха
Минеральная примесь	Отсутствовал хруст	Отсутствовал хруст
Металломагнитная примесь, мг в 1 кг муки	Менее 0,1	Менее 0,1
Цвет	Белый с кремовым оттенком	Серовато-белый
Зольность, %	0,44	0,51
Влажность, %	12	13
Загрязненность вредителями	Не обнаружена	Не обнаружена

Таблица 3 – Расход сырья для приготовления образцов хлебных заквасок

Образец	Мука, г	Вода, мл
Пшеничная закваска	40	40
Ржаная закваска	30	40

Методика определения титруемой кислотности состояла в предварительном отборе 5 г. образца, с последующим разведением в дистиллированной воде, взятой в объеме 50 см3, после чего проводили титрование в присутствии индикатора 0,1 Н гид-роокиси натрия [22].

В подготовленных полуфабрикатах определялась подъемная сила при помощи метода «шарика». В химические стаканы, предварительно наполненные дистиллированной водой (250 см3), поместили под-готовленные образцы и выдерживали в термостате ТС-1/80 при следующих параметрах температуры – для ржаной закваски 32°C, пшеничной 25°C. Данный процесс протекал до момента всплытия шарика на поверхность воды с учетом времени поднятия при помощи секундомера.

За конечный результат – брали среднеариф-метическое двух параллельных определений. По-лученный показатель определялся как среднее значение двух параллельных испытаний.

Органолептическую оценку проводили по таким показателям, как вкус, аромат, внешний вид и консис-тенция [22].

Результаты. Для проведения эксперимента из подготовленных образцов квашеной капусты [21] были отобраны образцы рассола в дни, когда наб-людались пиковые значения молочной кислоты.

Хлебные закваски подготавливались в соотно-шениях, представленных в таблице 4.

Из предварительно подготовленной закваски производился отбор опытного образца в объеме 10 г., который смешивался с образцом рассола квашеной капусты и воды в пропорциях, указанных в таблице 4. Подготовленные образцы заквасок выдержи-вали в термостате марки ТС-1/80 при температуре 24°C в течении 18 часов. Данная температура яв-ляется оптимальной для жизнедеятельности мик-роорганизмов в процессе формирования хлебных заквасок.

Среди основных показателей, влияющих на проведение эксперимента, авторы учитывали скорость увеличения объема каждой хлебной закваски, замеры которых производились через равные промежутки времени. На данный показатель влияют такие факторы, как температура окружающей среды, кислотность, уровень ферментативной активности муки, что в совокупности оказывает воздействие на степень дрожжевой активности.

Наблюдения показали, что добавление рассола с заквасочной культурой в большей концентрации (образцы пшеничной и ржаной закваски под номерами 3 и 4) ускоряют подъемную силу хлебных заквасок по сравнению с контрольными. Подъем закваски у рассматриваемых образцов наблюдался через 3 часа по сравнению с контрольным, рост которой наблюдался через 5 часов.

Внешний вид заквасок представлен на рисунке 3.

Подъемную силу подготовленных полуфабрикатов определяли методом «шарика» для определения характеристики активности микрофлоры. Данный параметр непосредственно влияет на продолжи-тельность брожения и расстойки тестовых заготовок.

Рецептура, по которой подготавливались тесто-вые шарики, представлена в таблице 5.

На рисунке 4 и 5 представлены результаты про-веденного испытания.

Полученные данные позволили сделать вывод, что применение рассола с заквасочной культурой в рецептуре хлебных заквасок, улучшает подъемную силу тестовых заготовок хлебобулочных изделий за счет активности дрожжей.

В ходе исследования до и после брожения изучаемых полуфабрикатов определялась титруемая кислотность. Значение кислотности муки имеет прямую зависимость от содержания в своем хими-ческом составе белков и карбоксильных групп. Помимо этого, показатель кислотности пищевого продукта формируется от содержания липаз, фос-форной и органических кислот, действие которых высвобождает жирные кислоты [22].

Проведенный анализ позволил сделать вывод о влиянии аскорбиновой и молочной кислот, сформированных в процессе ферментации квашеной капусты, на конечную кислотность заквасок.

Результаты представлены в таблице 6 и 7.

Показатель кислотности в разных заквасках характеризуется составом сырья, вносимого в процессе проведения экспериментального исследования. В заквасках, в технологическом процессе которых используется рассол квашеной капусты, наблюдается увеличение показателя титруемой кислотности

Результаты проведенной органолептической оценки исследуемых образцов хлебных заквасок представлены в таблице 8 и 9.

Таблица 4 – Соотношение сырья в подготовленных образцах

№ Образца	Хлебная закваска	Мука	Вода	Рассол
1	2	3	4	5
Пшеничная закваска / рассол с заквасочной культурой
Контроль	1	1	1	-
2	1	1	0,7	0,3
3	1	1	0,4	0,6
4	1	1	0,1	0,9
Пшеничная закваска / рассол без заквасочной культуры
5	1	1	0,7	0,3
6	1	1	0,4	0,6
7	1	1	0,1	0,9
Ржаная закваска / рассол с заквасочной культурой
Контроль	1	1	1	-
2	1	1	0,7	0,3
3	1	1	0,4	0,6
4	1	1	0,1	0,9
Ржаная закваска / рассол без заквасочной культуры
5	1	1	0,7	0,3
6	1	1	0,4	0,6
7	1	1	0,1	0,9

а)

б)

Рисунок 3 – Внешний вид хлебных заквасок: а) пшеничные закваски; б) ржаные закваски

Таблица 5 – Рецептура для тестовых шариков

Состав теста	Пшеничная закваска	Ржаная закваска
Полуфабрикат, г	16	18
Мука, г	6	4

Таблица 6 – Результаты определения кислотности в пшеничных заквасках

Образец	Контроль	2	3	4	5	6	7
Начальная кислотность, град. кисл.	0,7	0,8	1,0	1,3	0,7	0,8	0,7
Конечная кислотность, град. кисл.	10,8	10,8	11,2	11,6	10,7	10,7	10,8
Разница кислотности, град. кисл	+10,1	+10,0	+10,2	+10,3	+10,0	+9,9	+10,1

Таблица 7 – Результаты определения кислотности в ржаных заквасках

Образец	Контроль	2	3	4	5	6	7
Начальная кислотность, град. кисл.	0,9	1,3	1,5	1,9	0,9	1,2	1,3
Конечная кислотность, град. кисл.	11,3	11,6	11,7	12,1	11,3	11,3	11,5
Разница кислотности, град. кисл	+10,4	+10,3	+10,2	+10,2	+10,4	+10,1	+10,2

Таблица 8 – Результаты органолептической оценки пшеничных хлебных заквасок

Образец	Контроль	2	3	4	5	6	7
Аромат	Кислый	Кислый	Кислый	Кислый	Кислый	Кислый	Кислый
Вкус	Слабокислый	Слабокислый	Слабокислый	Кислый	Слабокислый	Слабокислый	Слабокислый
Внешний вид	Поверхность покрыта пузырьками	Поверхность покрыта пузырьками	Поверхность покрыта пузырьками	Поверхность покрыта пузырьками	Поверхность покрыта пузырьками	Поверхность покрыта пузырьками	Поверхность покрыта пузырьками
Консистенция	Жидкая	Жидкая	Жидкая	Жидкая	Жидкая	Жидкая	Жидкая

Таблица 9 – Результаты органолептической оценки ржаных хлебных заквасок

Образец	Контроль	2	3	4	5	6	7
Аромат	Кислый	Кислый	Кислый	Кислый	Кислый	Кислый	Кислый
Вкус	Кислый	Кислый	Кислый	Кислый	Кислый	Кислый	Кислый
Внешний вид	Пористая	Пористая	Пористая	Пористая	Пористая	Пористая	Пористая
Консистенция	Густая	Густая	Густая	Густая	Густая	Густая	Густая

Анализируя данные таблицы 7 и 8, стоит отметить, что введение в закваски рассола не оказывает существенного влияние на качество органолептических показателей рассматриваемых образцов полуфабрикатов, что позволяет исполь-зовать их в процессе приготовления хлебобулочных изделий.

Выводы. По результатам проведенных исследований можно сделать вывод о том, что использование в технологическом процессе произ-водства хлебных заквасок рассола квашеной капусты имеет положительные стороны. Внесение молочнокислых бактерий при приготовлении квашеной капусты позволяет ускорить процесс формирования качества и органолептических показателей продукции.

Предыдущие исследования авторов показали, что за счет жизнедеятельности микроорганизмов происходит увеличение содержания молочной кислоты. Данный фактор оказал непосредственное влияние на качество исследуемых полуфабрикатов.

Необходимо отметить, что важным этапом лю-бого исследования является правильный выбор используемого пищевого сырья, для чего необходимо включать в методологию проведения экспери-мента анализ качества на соответствие параметрам нормативной документации.

Использование рассола квашенной капусты с заквасочной культурой способно ускорять процессы брожения, происходящие при формирование пше-ничных и ржаных заквасок без существенного изменения качества полуфабрикатов, подъем которых наблюдался уже на третьем часу эксперимента, по сравнению с контрольными образцами, процесс которых фиксировался на пятом часу. Помимо этого, с увеличением рассматриваемого рассола в составе заквасок было установлено увеличение бродильной активности полуфабрикатов в экспериментальных образцах, что может говорить об ускорении про-цессов приготовления хлебобулочных изделий.

Показатель конечной кислотности изменялся в соответствии с количеством вносимых компонентов и составил: для пшеничных заквасок (рассол с микроорганизмами) – 10,8;11,2;11,6; рассол без микроорганизмов – 10,7;10,7;10,8; контроль – 10,8. Для ржаных заквасок данный показатель составил соответственно – 11,6;11,7;12,1 и 11,3;11,3;11,5 при показателе контрольного образца – 11,3.

Органолептическая оценка исследуемых об-разцов не показала значительных отклонений от контрольных образцов, что позволит использовать их в дальнейших исследованиях при приготов-лении функциональных хлебобулочных изделий с возможностью расширения ассортимента за счет изменения количества витаминов и пищевых волокон.

СПИСОК ЛИТЕРАТУРЫ:

1. Chatterjee C., Gleddie S., Xiao C.-W. Soybean Bioactive Peptides and Their Functional Properties // Nutrients. 2018. 10(9):1211. DOI:10.3390/nu10091211.

2. Demir H., Simsek M., Yıldırım, G. (2021). Effect of oat milk pasteurization type on the characteristics of Yoghurt // LWT. 2021. 135:110271. DOI:10.1016/j.lwt.2020.110271.

3. De Vuyst, L., Comasio, A., & Kerrebroeck, S.V. (2021). Sourdough production: fermentation strategies, microbial ecology, and use of non-flour ingredients. Critical Reviews in Food Science and Nutrition, 63(15), 2447–2479. https://doi.org/10.1080/10408398.2021.1976100.

4. Свистунов, А.И. Классификация способов ферментации и ферментеров // Вестник НГИЭИ. – 2013. – № 10(29). – С. 109-114.

5. Типы брожения. Качественные реакции спиртового, молочнокислого, маслянокислого брожения: методические указания к выполнению лабораторной работы по дисциплинам «Микробиология», «Фармакология, биохимия, микробиология» и «Биотехнология» для студентов ИПР, ИФВТ дневной формы обучения / сост. А.П. Асташкина; Томский политехнический университет. – Томск: Изд-во Томского политехнического университета, 2015. – 18 с.

6. Янченко Е.В., Волкова Г.С., Куксова Е.В., Вирченко И.И., Янченко А.В., Серба Е.М., Иванова М.И. Химический состав и микробиологические показатели квашеной капусты, приготовленной из разных гибридов // Техника и технология пищевых производств. – 2023. – Т. 53. – № 1. – С. 131-139. https://doi.org/10.21603/2074-9414-2023-1-2420.

7. Шишлова Е.С., Посокина Н.Е., Лялина О.Ю. Основы ферментирования белокочанной капусты // Вестник Воронежского государственного университета инженерных технологий. – 2018;80(2):242-248. DOI: 10.20914/2310-1202-2018-2-242-248.

8. Савкина О.А., Локачук М.Н., Кузнецова Л.И., Павловская Е.Н., Парахина О.И., Мартиросян В.В., Костюченко М.Н. Классификация заквасок, применяемых в отечественном и зарубежном хлебопечении // Хлебопечение России. – 2022;(5):22-28. DOI: 10.37443/2073-3569-2022-1-5-22-28.

9. Sun X, Wu S, Li W, Koksel F, Du Y, et al. (2023). The effects of cooperative fermentation by yeast and lactic acid bacteria on the dough rheology, retention and stabilization of gas cells in a whole wheat flour dough system – a review // Food Hydrocoll. 135:108212. DOI:10.1016/j.foodhyd.2022.108212.

10. Minervini, F., De Angelis, M., Di Cagno, R., & Gobbetti, M. (2014). Ecological parameters influenc-ing microbial diversity and stability of traditional sourdough. International journal of food microbiol-ogy, 171, 136–146. https://doi.org/10.1016/j.ijfoodmicro.2013.11.021.

11. De Bondt Y., Verdonck C., Brandt M.J., De Vuyst, L., Gänzle M.G., Gobbetti M., Zannini E., & Courtin C.M. (2024). Wheat Sourdough Breadmaking: A Scoping Review. Annual review of food science and technology, 15(1), 265-282. https://doi.org/10.1146/annurev-food-110923-034834.

12. Arendt, E.K., Ryan, L.A., & Dal Bello, F. (2007). Impact of sourdough on the texture of bread. Food microbiology, 24(2). – С. 165-174. https://doi.org/10.1016/j.fm.2006.07.011.

13. Calvert, M.D., Madden, A.A., Nichols, L.M., Haddad, N.M., Lahne, J., Dunn, R.R., & McKenney, E.A. (2021). A review of sourdough starters: ecology, practices, and sensory quality with applica-tions for baking and recommendations for future research. PeerJ, 9, e11389. https://doi.org/10.7717/peerj.11389

14. Devos F. 2018.. Traditional versus modern leavening systems. . Cereal Foods World 63::63–66.

15. Scherf, K.A., Wieser, H., & Koehler, P. (2018). Novel approaches for enzymatic gluten degradation to create high-quality gluten-free products. Food research international (Ottawa, Ont.), 110. – С. 62-72. https://doi.org/10.1016/j.foodres.2016.11.021.

16. Arezoo Fekri, Solmaz Abedinzadeh, Mohammadali Torbati, Sodeif Azadmard-Damirchi, Geoffrey P. Savage, Considering sourdough from a biochemical, organoleptic, and nutritional perspective, Jour-nal of Food Composition and Analysis, Volume 125, 2024, 105853, ISSN 0889-1575, https://doi.org/10.1016/j.jfca.2023.105853.

17. Ma, S., Wang, Z., Guo, X., Wang, F., Huang, J., Sun, B., & Wang, X. (2021). Sourdough improves the quality of whole-wheat flour products: Mechanisms and challenges-A review. Food chemistry, 360, 130038. https://doi.org/10.1016/j.foodchem.2021.130038.

18. Adams, J., Hofman, K., Moubarac, J.C., & Thow, A.M. (2020). Public health response to ultra-processed food and drinks. BMJ (Clinical research ed.), 369, m2391. https://doi.org/10.1136/bmj.m2391.

19. Hu, Y., Ding, M., Sampson, L., Willett, W.C., Manson, J.E., Wang, M., Rosner, B., Hu, F.B., & Sun, Q. (2020). Intake of whole grain foods and risk of type 2 diabetes: results from three prospective co-hort studies. BMJ (Clinical research ed.), 370, m2206. https://doi.org/10.1136/bmj.m2206.

20. Reynolds, A.N., Akerman, A.P., & Mann, J. (2020). Dietary fibre and whole grains in diabetes man-agement: Systematic review and meta-analyses. PLoS medicine, 17(3), e1003053. https://doi.org/10.1371/journal.pmed.1003053.

21. Буракова Л.Н., Исмагилова А.В., Плотников Д.А. Влияние молочнокислых бактерий на качество ферментированного продукта // Проблемы развития АПК региона. – 2024. – № 2(58). – С. 181-188. – DOI 10.52671/20790996_2024_2_181.

22. Гурьев С.С., Попов В.С. Изучение свойств заквасок, приготовленных на основе нетрадицион-ных видов муки // Техника и технология пищевых производств. – 2021. – Т. 51, № 3. – С. 470-479. – DOI: 10.21603/2074-9414-2021-3-470-479.

Статья поступила в редакцию 01.08.2024

Статья принята к публикации 13.09.2024

УДК 372:331.424.4(571.17)

EDN: BSWYTO

ИЗУЧЕНИЕ ВОПРОСА РАЦИОНАЛЬНОГО ИСПОЛЬЗОВАНИЯ ПЕРСОНАЛА

ШКОЛЬНЫХ СТОЛОВЫХ Г. КЕМЕРОВО

© Авторы 2024

SPIN: 1741-9576

AuthorID: 353426

ORCID: 0000-0001-8917-7299

ResearcherID: AAZ-3976-2021

ScopusID: 57216442162

КОСТИНА Наталья Геннадьевна, кандидат технических наук,

доцент кафедры технологии и организации общественного питания

Кемеровский государственный университет

(650000, Россия, Кемерово, улица Красная, 6, e-mail: oliegh.kostin@inbox.ru)

SPIN: 7743-5130

AuthorID: 361443

ORCID: 0000-0002-2170-1821

ResearcherID: G-6229-2018

ScopusID: 57214139422

КУРАКИН Михаил Сергеевич, доктор технических наук, доцент,

профессор кафедры технологии и организации общественного питания

Кемеровский государственный университет

(650000, Россия, Кемерово, улица Красная, 6, e-mail: kurakin1979@mail.ru)

SPIN: 5352-7112

AuthorID: 710027

ORCID: 0000-0001-5978-2850

ResearcherID: AAZ-5746-2021

ScopusID: 57220038026

ГРИГОРЬЕВА Роза Завдятовна, кандидат технических наук, доцент,

доцент кафедры технологии и организации общественного питания

Кемеровский государственный университет

(650000, Россия, Кемерово, улица Красная, 6, e-mail: roza-grigoreva@yandex.ru)

Аннотация. Изучение затрат рабочего времени персонала предприятий позволяет решить комплекс вопросов, связанных с организацией и нормированием их труда. Цель исследования проанализировать структуру расчетных и фактических значений затрат рабочего времени и рассчитать численный и должностной состав сотрудников школьных столовых г. Кемерово. Пищеблоки школьных столовых образовательных учреждений были выбраны с учетом количества обучающихся в них школьников. Численность работников производства определяли расчетным методом по нормам времени на изготовление единицы изделия (коэффициенту трудоемкости блюд). Фактическое наблюдение затрат рабочего времени проводили стандартизированным методом фиксирования хронометража разных видов деятельности непосредственно на рабочих местах в школьных столовых. Численность работников для столовой школы № 31 рекомендовано оставить без изменений. В штатное расписание других исследуемых столовых рекомендовано добавить штатные единицы должностей и пересмотреть соотношение их численности, что позволит сократить нагрузку на других сотрудников и в свою очередь уменьшить продолжительность рабочего дня, повысить качество выполняемых работ. Для анализа эффективности работы пищеблока школьной столовой при данной численности штатов, применяемом оборудовании и организации питания был рассчитан условный показатель «выработки на 1 сотрудника».

Ключевые слова: рабочее время, трудовые обязанности, должность, численность работников, фактические затраты, норма времени, столовая, образовательные учреждения, основное и вспомогательное время, коэффициент трудоемкости, работа по совмещению, перерыв, хронометраж.

STUDYING THE ISSUE OF RATIONAL USE OF STAFF IN SCHOOL CANTENSES OF KEMEROVO

© The Authors 2024

KOSTINA Natalia Gennadievna, candidate of technical sciences,

associate professor of Technology and Organization of Public Catering Department

Kemerovo State University

(650000, Russia, Kemerovo, street Krasnaya, 6, e-mail: oliegh.kostin@inbox.ru)

KURAKIN Mikhail Sergeevich, doctor of technical sciences, associate professor,

professor of Technology and Organization of Public Catering Department

Kemerovo State University

(650000, Russia, Kemerovo, street Krasnaya, 6, e-mail: kurakin1979@mail.ru)

GRIGORIEVA Roza Zavdyatovna, candidate of technical sciences, associate professor,

associate professor of Technology and Organization of Public Catering Department

Kemerovo State University

(650000, Russia, Kemerovo, street Krasnaya, 6, e-mail: roza-grigoreva@yandex.ru)

Abstract. The study of the cost of working time of the personnel of enterprises allows us to solve a complex of issues related to the organization and rationing of their work. The purpose of the study is to analyze the structure of calculated and actual values of working time costs and to calculate the numerical and official composition of employees of school canteens in Kemerovo. The food units of school canteens of educational institutions were selected taking into account the number of schoolchildren studying there. The number of production workers was determined by the calculation method according to the time standards for producing a unit of product (the labor intensity coefficient of dishes). Actual observation of working time was carried out using a standardized method of recording the timing of various types of activities directly at workplaces in school canteens. It is recommended to leave the number of employees for the canteen of school № 31 unchanged. It is recommended to add staff positions to the staffing table of other canteens under study and revise the ratio of their numbers, which will reduce the load on other employees and, in turn, reduce the length of the working day and improve the quality of work performed. To analyze the efficiency of the food department of a school canteen for a given number of staff, the equipment used and the organization of catering, a conditional indicator of «output per 1 employee» was calculated.

Keywords: working hours, work responsibilities, position, number of employees, actual costs, standard time, canteen, educational institutions, main and auxiliary time, labor intensity factor, part-time work, break, timing.

Для цитирования: Костина Н.Г. Изучение вопроса рационального использования персонала школьных столовых г. Кемерово / Н.Г. Костина, М.С. Куракин, Р.З. Григорьева // XXI век: итоги прошлого и проблемы настоящего плюс. – 2024. – Т. 13. – № 3(67). – С. 96-103. – EDN: BSWYTO.

Введение. В современных условиях ключевой задачей любого предприятия индустрии питания является обеспечение качественного обслуживания посетителей и высокой эффективности собственной деятельности. В условиях ограниченности экономических ресурсов особое значение приобретает рациональное использование, в первую очередь, трудовых ресурсов [1-3]. Производство кулинарной продукции и предоставление услуг по обслуживанию потребителей с наименьшими ресурсными затратами, является актуальным в любое время, особенно в нынешних условиях, когда наблюдается недостаток квалифицированных специалистов. Выявить проблемные места, в т. ч. потери рабочего времени, установить их причины, наметить мероприятия по совершенствованию труда и производства поможет изучение затрат рабочего времени [4-8]. Сегодня существуют различные подходы в области изучения затрат рабочего времени [9-14]. Исследование трудовых процессов и затрат рабочего времени имеет важное значение для решения задач, связанных с организацией эффективного производства, повышением производительности и качества труда, рациональным использованием трудовых ресурсов, совершенствованием деятельности предприятия в целом [15-19].

В течение длительного времени на предприятиях общественного питания (особенно в социальном сегменте) при расчете численности производственных работников применяют типовые нормы труда, не учитывающие особенности предприятия (мощность и тип предприятия), модернизацию производства, улучшение организации труда, использование полуфабрикатов высокой степени готовности. Измерение фактических затрат рабочего времени позволит руководству выявить недостаток или избыток работников той или иной специальности и квалификации. Необходимо сравнить расчетные и фактические значения затрат рабочего времени для работников. Приведенные выше доводы обусловили цель настоящего исследования: проанализировать структуру расчетных и фактических значений затрат рабочего времени и рассчитать численный и должностной состав сотрудников школьных столовых г. Кемерово.

Методология. В рамках исследования были выбраны пищеблоки школьных столовых г. Кемерово образовательных учреждений: № 31 (801 питающийся), 60 (196 питающихся), 69 (426 питающихся) и 89 (1303 питающихся), отличающихся количеством обучающихся, работающие на сырье и полуфабрикатах. В качестве объектов исследования рассматривали рабочее время работников (зав. производством, повар, кухонный работник, мойщик столовой посуды, официант, буфетчик, дозировщик) пищеблоков школьных столовых, меню образовательных учреждений и количество реализованных блюд за март 2023 г.

Расчетным методом определяли численность работников производства по нормам времени на изготовление единицы изделия (коэффициенту трудоемкости блюд) [20]. Условный показатель выработки на 1 сотрудника рассчитывали путем пересчета фактической продолжительности рабочего дня и фактического количества реализованных блюд (комплексы + буфет) на 8-часовой рабочий день, что позволяет проводить корректные сравнения показателя выработки для исследуемых школ.

Фактическое наблюдение затрат рабочего времени проводили стандартизированным методом фиксирования хронометража разных видов деятельности непосредственно на рабочих местах в школьных столовых («фотография рабочего процесса»). При использовании метода фиксирования хронометража (фактическое определение) руководствовались следующей классификацией затрат рабочего времени (рис. 1).

В исследуемых столовых зафиксированы работы по совмещению обязанностей дозировщика (Тсд), буфетчика (Тсб), мойщика столовой посуды (Тсм), повара (Тсп), официанта (Тсо), зав. производством (Тсз), кухонного работника (Тск).

Выполняемые трудовые обязанности для каждой должности и их структура по видам затрат рабочего времени представлены в таблице 1.

Таблица 1 – Трудовые обязанности работников по видам затрат рабочего времени

Виды затрат рабочего времени	Перечень трудовых обязанностей
Зав. производством
Подготовительно- заключительное время (Тпз)	Отправка информации в отдел кадров о наличии сотрудников, выдача денег для размена буфетчику, прием отчета от дозировщика о количестве проданных порций, прием отчета и денежных средств от буфетчика, подготовка к инкассации, передача служебной записки бухгалтеру, передача отчета о количестве питающихся, завершение рабочего дня (проверка выключения оборудования, вентиляции, закрытие окон, чистота производственных помещений, сдача под охрану), мытье и обработка рук, переодевание
Основное время (То)	Контроль за приготовлением блюд: закладкой продуктов и соблюдение технологии (согласно ТТК), контроль за работой официантов (персонала), бракераж готовых блюд (завтрак), бракераж готовых блюд (ланч), бракераж готовых блюд (обед), заполнение журнала бракеража готовой продукции, заполнение журнала бракеража скоропортящейся продукции, заполнение журнала "Выдача СИЗ", заполнение "Гигиенический журнал", заполнение журнала "Термометрия", заполнение журналов учета работы бактерицидных ламп, заполнение журнала температуры холодильного оборудования, заполнение журнала температуры и влажности складских помещений, журнала критических ситуаций, контроль за выходом блюд, температуры подачи блюд, контроль за наличием суточных проб, выдача товаров со склада буфетчику, проверка заполнения журнала кассира, передача заявки бухгалтеру на следующую неделю, передача заявки на ШБС (школьная базовая столовая), передача остатков в отдел снабжения, составление и передача заявок на буфетную продукцию, составление и передача заявок на моющие и дезинфицирующие средства, прием продуктов от поставщиков, прием продуктов от ШБС, работа с программами: Меркурий и УДО, выдача продуктов поварам на следующий день, контроль уборки пищеблока в конце дня, нахождение в обеденном зале во время приема пищи, заполнение заявки на ШБС
Вспомогательное время (Тв)	Корректировка заявки для ШБС, работа с чатами (фото сервировки, корректировки, зав. производством и т.д.), работа с родительским комитетом, школьниками, работа с педагогическим коллективом
Время обслуживания рабочего места (Тобс)	-
Время работы по совмещению (Тс)	В зависимости от совмещаемой должности
Время перерывов (Тп)	Обед, посещение туалета, простои в работе
Повар
Подготовительно-заключительное время (Тпз)	Переодевание в специальную одежду, включение теплового оборудования, проверка паровой рубашки в электрическом котле, подготовка рабочего места (протирание всех рабочих поверхностей), доставка продуктов в горячий цех, подготовка сырья и продуктов на следующий день, мытье и обработка рук после смены вида деятельности и после посещения туалета (не менее 6 раз по 2-3 мин.)
Основное время (То)	Мытье круп, нарезка лука, измельчение сыра, пассерование, нарезка для салатов, измельчение на протирочной машине, мытье сухофруктов, шиповника, кураги, приготовление сладких блюд, охлаждение сладких блюд, нарезка масла, приготовление салатов, холодных закусок, порционирование салатов, холодных закусок, нарезка лука для фарша, мытье сырья для рубленных изделий, измельчение на мясорубке, перемешивание ингредиентов, формовка изделий, панирование в муке или сухарях, выкладывание сверху начинки, обработка яиц, нарезка филе рыбы на порции, посыпка рыбы солью, панирование в муке или сухарях, приготовление блюда в пароконвектомате, порционирование блюд в тарелки, в термоконтейнер, мытье сырья для супов, приготовление бульона (варка мяса, птицы), нарезка мяса для супа, закладка продуктов для супа и варка, порционирование супа
Вспомогательное время (Тв)	Наливание воды в котлы, вскрытие упаковок, пакетов, взвешивание продуктов, перекладывание продуктов в гастроемкости, доставка сырья в цех для изготовления рубленных изделий, смазывание гастроемкости маслом, взвешивание полуфабрикатов, укладка полуфабрикатов в гастроемкости, перемещение в холодильное оборудование, доставка сырья в цех для изготовления рыбных полуфабрикатов, взвешивание полуфабрикатов, смазывание гастроемкостей, укладка полуфабрикатов в гастроемкость, перемещение в холодильное оборудование, перемещение в горячий цех, отбор суточных проб перед порционированием
Время обслуживания рабочего места (Тобс)	Сборка мясорубки, уборка рабочего места (мытье, дезинфекция), обработка термоконтейнеров
Время работы по совмещению (Тс)	В зависимости от совмещаемой должности
Время перерывов (Тп)	Обед, посещение туалета, простои в работе
Кухонный работник
Подготовительно- заключительное время (Тпз)	Переодевание в специальную одежду, подготовка рабочего места, проверка наличия моющих и дезинфицирующих средств, выгрузка продуктов из тары поставщика, мытье и обработка рук после смены вида деятельности и после посещения туалета (не менее 6 раз по 2-3 мин.)
Основное время (То)	Мытье фруктов и овощей, мытье термоконтейнеров, консервированной продукции и т.д., мытье пола всех производственных помещений, мытье холодильного оборудования, мытье стен, стеллажей, мытье склада сыпучих продуктов, мытье туалета, мытье сантехнического оборудования, выключателей, мытье кухонной посуды, мытье гастроемкостей, мытье деревянного инвентаря, мытье металлического инвентаря, мытье мясорубки, мытье привода универсального, мытье кухонных ножей, чистка овощей, вынос мусора и пищевых отходов