Интеллектуальные
информационные технологии
для  индустрии

Петренко Сергей Анатольевич

Доктор технических наук, профессор, Научно-технологический университет «Сириус», Россия

Технологии противодействия новой квантовой киберугрозе

Актуальность проблемы обеспечения квантовой устойчивости национальных блокчейн-экосистем и платформ Цифровой экономики РФ объясняется появлением новой квантовой угрозы, ростом требований безопасности к критической информационной инфраструктуре РФ, ростом структуры и поведения блокчейнэкосистем и платформ, и уже недостаточностью (неспособностью) известных технологий (моделей, методов и средств) обеспечения информационной безопасности и киберустойчивости для решения задач обнаружения, нейтрализации и упреждения упомянутой угрозы. Достижения IBM, а также ряда других высокотехнологичных производителей квантовых компьютеров, убедительно свидетельствуют о реалистичности так называемой «квантовой угрозы». По этой причине в ряде технологических стран мира уже начали подготовку к противодействию будущим квантовым кибератакам.

Целью проводимых исследований является создание перспективной технологии (математические модели, методы и средства) мирового уровня для обеспечения квантовой устойчивости ведущих национальных блокчейн-экосистем и платформ Цифровой экономики РФ (Enterprise Ethereum Alliance, Waves Enterprise (Waves, Vostok), Hyperledger Fabric (Linux, IBM), Corda Enterprise, Мастерчейн, Microsoft Azure Blockchain и др.) в условиях ранее неизвестных кибератак злоумышленников с применением квантового компьютера, которая в отличие от известных технологий позволит упреждать приведение упомянутых блокчейн к существенным или катастрофическим последствиям. В том числе, разработать новые методы и алгоритмы анализа и параметрического синтеза квантово-устойчивых блокчейн-экосистем и платформ Цифровой экономики РФ, а также соответствующие методики и прототипы программных комплексов обеспечения квантовой устойчивости упомянутых блокчейн в условиях новой квантовой угрозы безопасности. Существенно, что предлагаемая технология, в отличие от известных технологий, позволяет упреждать приведение упомянутых блокчейн к существенным или катастрофическим последствиям в условиях ранее неизвестных атак злоумышленников с применением квантового компьютера.

Информация о докладчике

Руководитель научной группы Научного центра информационных технологий и искусственного интеллекта. Руководитель Государственной научной школы «Математическое обеспечение критически важных объектов (КВО) национальной инфраструктуры» (с 2011 г.). Эксперт секции по проблемам информационной безопасности научного совета при Совете Безопасности Российской Федерации (с 2013 г.). Профессор ряда государственных университетов, в 2024 году вошел в ТОП-10 ведущих ученых России по компьютерным наукам и компьютерной безопасности.

Доктор технических наук (2011), cпециальности: 20.02.12 – Системный анализ, математическое моделирование, компьютерные технологии (технические науки); 20.02.27 - Информационное противоборство (технические науки). Научный редактор журнала «Инсайд. Защита информации». Автор и соавтор 17 монографий и более 550 статей по вопросам компьютерной безопасности. Создал новое направление в области искусственного интеллекта для защиты киберфизических систем от компьютерных атак злоумышленников.

Область научных интересов: компьютерные науки, технологический суверенитет, экономика данных, цифровая экономика, сквозные информационные технологии, квантовые технологии, искусственный интеллект, блокчейн-экосистемы и платформы, квантовая информатика, квантовые вычисления, квантовые алгоритмы, технология (модели, методы и средства) обеспечения квантовой устойчивости цифровых платформ и блокчейн.

Жилякова Людмила Юрьевна

Доктор физико-математических наук, Институт проблем управления им. В.А. Трапезникова РАН, Россия

Проблема временного кодирования в биологически инспирированных интеллектуальных системах

Кодирование временной информации – базовая функция биологических систем, лежащая в основе восприятия, обучения, принятия решений и синхронизации поведения. Несмотря на обширный массив эмпирических данных и разнообразие теоретических моделей, единой концепции временного кодирования по-прежнему нет. В докладе представлен обзор публикаций, посвящённых исследованиям запоминания, представления и воспроизведения временных интервалов живыми организмами, а также моделированию кодирования времени.

Рассматривается современное представление о нейронных коррелятах временного кодирования. Прослеживается эволюция подходов и моделей: от классических моделей внутреннего хронометра к более сложным сетевым, популяционным и байесовским концепциям. Обозначаются ключевые тенденции и сдвиги парадигм в моделировании запоминания и предсказания времени. Указываются ключевые свойства кодирования времени, наблюдаемые у большинства видов позвоночных.

Подробно описываются две фундаментальные модели – модель внутренних часов и теория скалярного ожидания. Обосновывается их значимость для теории управления, искусственного интеллекта и робототехники.

Информация о докладчике

Заведующая лабораторией «Сетевых моделей в нейроинформатике и многоагентных системах» Института проблем управления им. В.А. Трапезникова РАН, Москва, Россия; д.ф.-м.н. Окончила Ростовский государственный университет (ныне ЮФУ), защитила кандидатскую диссертацию, посвященную исследованиям семантических сетей в Институте программных систем РАН (Переславль-Залесский) и докторскую диссертацию в области графовых динамических моделей в ИПУ РАН. Автор более 150 научных работ, в том числе, книг «Теория ресурсных сетей», «Ресурсные сети с ограничениями на ёмкость вершин», «Химические языки нервных систем». Научные интересы: графовые модели, распространение активности в сетях, гетерохимические модели взаимодействия нейронов, модели взаимодействия сложных агентов.

Вэй Ли

Профессор, Ph.D., Харбинский инженерный университет, Китай

Многомерное прогнозирование временных рядов в сценариях передовых вычислений и его приложениях

Периферийные вычисления, ключевой фактор промышленной автоматизации умных городов, повышают оперативность реагирования в режиме реального времени за счет обработки данных вблизи источника. Однако его применение в многомерном прогнозировании временных рядов сталкивается с тремя критическими проблемами: ограничениями ресурсов, динамической топологией сетей и фрагментированными потоками данных, что приводит к сбою традиционных методов из-за жестких статических моделей, плохой адаптивности и компромисса между простотой конструкции и точностью. Для решения этих задач в данном исследовании предлагается новая структура с замкнутым циклом, объединяющая динамические пространственно-временные примитивы, совместное моделирование с учетом фрагментации и вывод, не связанный с топологией. Эта платформа представляет собой легкое автономное решение для промышленного Интернета вещей, интеллектуальных сетей и других периферийных сценариев, обеспечивающее баланс между эффективностью и точностью, а также надежность в динамичных средах.

Информация о докладчике

Доктор Вэй Ли является профессором в Колледже компьютерных каук и технологий Харбинского инженерного университета, где он также занимает должность заместителя директора лаборатории новых сетевых технологий и информационной безопасности провинции Хэйлунцзян. Как член IEEE/ACM и старший член CCF, он занимает должности в исполнительном комитете CCF в технических комитетах по информационным системам/базам данных/взаимодействию человека и компьютера, а также в специальной группе по интеллектуальному транспорту. Получив степень Ph.D. в Школе компьютерных наук и инженерии Университета Нового Южного Уэльса в 2019 году, он работал научным сотрудником в Университете Нового Южного Уэльса, прежде чем вернуться в Китай. Его исследовательский опыт охватывает системы баз данных, управление/добычу графовых данных, пространственно-временной анализ данных и сервисы, основанные на местоположении, и насчитывает более 60 публикаций в этих областях. В настоящее время он является заместителем редактора JIHMSP и приглашенным редактором раздела «Прикладные науки», а также принимает активное участие в качестве члена программного комитета конференций (ICME, ICASSP, DASFAA) и рецензента ведущих журналов (TKDE, TKDD) и конференций (ICDE, VLDB, ACM MM).

Уткин Лев Владимирович

Доктор технических наук, профессор, Институт компьютерных наук и технологий СПбПУ, Россия

Модели анализа рисков, надёжности и выживаемости: современное состояние, новейшие результаты и применение в промышленности и медицине

В докладе представлен обзор современного состояния в области моделей анализа надежности и выживаемости при наличии цензурированных данных, когда события не наблюдаются. Обзор включает современные модели, основанные на ансамблевых подходах в машинном обучении и на моделях внимания. Рассматриваются вопросы представления задачи анализа выживаемости в виде задачи классификации с неточными вероятностями событий. Особое внимание уделяется проблемам объяснения и интерпретации результатов предсказания моделей. Также рассматривается новое направление обучения на концептах и затронуты вопросы обучения на концептах в рамках анализа выживаемости и вопросы интерпретации на основе концептов.

Информация о докладчике

Профессор Высшей школы искусственного интеллекта Санкт-Петербургского политехнического университета Петра Великого, Санкт-Петербург, Россия. Профессор, д.т.н. заведующий научно-исследовательской лабораторией нейросетевых технологий и искусственного интеллекта того же университета. В 1986 году окончил Санкт-Петербургский государственный электротехнический университет (бывший Ленинградский электротехнический институт). Защитил кандидатскую диссертацию в области систем обработки информации и управления (1989 г.) в том же университете и докторскую диссертацию в области математического моделирования (2001) в Санкт-Петербургском государственном технологическом институте. Награжден стипендией Фонда Александра фон Гумбольдта (2001–2003). Член Общества интервальных вероятностей и их применений (SIPTA) и Международного общества многокритериального принятия решений (ISMCDM). Автор более 300 научных публикаций, в том числе журналов по ИИ: Neurocomputing, Neural Networks, Knowledge-Based Systems, Applied Soft Computing, AI in Medicine и др. Научные интересы: машинное обучение, теория интервальных вероятностей, принятие решений.

Гнидко Константин Олегович

Доктор технических наук, доцент, Научно-технологический университет «Сириус», Россия

Технология раннего выявления угроз информационно-психологической безопасности обучающихся образовательных организаций на территории Федеральной территории «Сириус» на основе моделей и методов искусственного интеллекта

В докладе представлены научно-практические результаты исследований по разработке технологии раннего выявления и предупреждения угроз воздействия деструктивной информации на обучающихся образовательных организаций (на примере научно-технологического университета «Сириус»). Технология позволяет осуществлять непрерывный мониторинг мультимодальных данных – физиологических сигналов с носимых устройств, речевых и мимических реакций, активности в социальных сетях и межличностных взаимодействий в реальной жизни, поведенческих паттернов в ультраметрическом (p-адическом) пространстве, а также текстового контента – с целью раннего выявления признаков стресса или воздействия деструктивной информации на талантливую молодежь. Основными элементами разработанной системы являются: классификатор признаков стресса на основе физиологических данных, глубокие нейросетевые модели распознавания эмоций по голосу и мимике, алгоритмы анализа социальных графов, модели распространения информации по социальному графу, алгоритмы анализа текстового и мультимедийного контента с использованием дообученных моделей глубокого обучения, а также ансамблевый классификатор на основе метода адаптивного бустинга (AdaBoost), агрегирующий данные всех источников. Для каждого компонента приводится математическая формализация. Работа демонстрирует, что междисциплинарный подход, основанный на применении современных парадигм искусственного интеллекта, способен существенно повысить уровень информационной и психологической безопасности обучающихся.

Информация о докладчике

Доктор технических наук, доцент, заместитель руководителя научной группы Научного центра информационных технологий и искусственного интеллекта НТУ «Сириус». Научный руководитель гранта РНФ «Технология раннего выявления угроз информационно-психологической безопасности учащихся образовательных организаций Федеральной территории «Сириус» на основе моделей и методов искусственного интеллект» и проекта «Интеллектуальные технологии скрининга социальных и медицинских факторов риска для экономики устойчивого развития» в рамках третьей волны исследовательских центров в сфере ИИ. В 2004 году окончил Военно-космическую академию имени А.Ф. Можайского. Защитил кандидатскую диссертацию в области кибернетики и системного анализа (2010 г.) и докторскую диссертацию в области информационного противоборства (2017 г.). Автор более 100 научных трудов, лектор Российского Общества «Знание», награжден государственными и ведомственными наградами. Научные интересы: машинное обучение, моделирование когнитивных процессов, социогуманитарные аспекты информационной безопасности.

Сундеев Павел Викторович

Доктор технических наук, Научно-технологический университет «Сириус», Россия

Кластерная модель защиты информации

Разработана кластерная модель защиты информации, которая является расширением «классической» модели защиты информации с полным перекрытием. Кластерная модель позволяет формально описывать защиту при решении задач анализа и синтеза информационных систем. В кластерной модели защиты проблема точности формальной модели решается определением средств защиты, субъектов и объектов доступа в качестве функционально-информационных модулей, декомпозицией информационных связей между модулями на физические, синтаксические и семантические отношения с учетом их функциональных свойств существенных для обработки и защиты информации, формированием кластерной структуры, формально отражающей политику разграничения доступа и конструктивную защиту, с последующей оценкой безопасности статической или динамической топологии системы и эффективности средств защиты. Показан подход к анализу конструктивной защиты информационных систем на примере технологии распределенного реестра, возможность учета влияния на безопасность архитектуры политики доступа и угроз безопасности. Использованы методы теорий графов, матриц, модульно-кластерных сетей и системного анализа.

Информация о докладчике

В 2008 году защитил докторскую диссертацию в области системного анализа функциональной стабильности критических информационных систем. Научные интересы: защита информации, системный анализ.

Заборовский Владимир Сергеевич

Доктор технических наук, профессор, Высшая школа технологий искусственного интеллекта, Институт компьютерных наук и технологий СПбПУ, Россия

Поворотный момент в развитии компьютерных наук: генеративные большие языковые модели — это не всё, что нам нужно

Одной из актуальных задач развития компьютерных наук является повышение реальной производительности гибридных суперкомпьютеров, работающих в режимах центров коллективного пользования. В случае выбора критерия оптимизации на основе меры реальной производительности, требуется найти конструктивное решение целого ряда не только технологических, но и фундаментальных задач, часть из которых не имеет конечного алгоритмического описания, например, фундаментальная задача «останова». В докладе применительно к задаче управления ресурсами современных гибридных суперкомпьютеров обсуждаются методы повышения их реальной производительности на основе использования методов концептуального машинного обучение и применения специализированных трансформеров генеративных лингвистических моделей, изобретение которых стало поворотным пунктом в развитии компьютерных наук. В докладе показано, что применение лингвистических моделей без учета концептуальных требований и объяснения генерируемых результатов, может приводить к ошибочным выводам.

Основная идея предлагаемых подходов заключается в использовании результатов решения потока прикладных задач, размеченных диспетчером суперкомпьютера. Именно эти данные используются для обучения, так как они содержат в себе скрытые от явного наблюдения характеристики, такие как функции «выживаемости» прикладных задач, которые тем не менее и определяют функцию распределения вероятностей успешного решения задачи за заданное диспетчером время. Применение концептуальных моделей для управления ресурсами суперкомпьютеров позволяет повысить количество успешно завершенных прикладных задач, а применение механизмов внимания, самовнимания и многомерного внимания повышает точность оценок времени решения задач за счет учета контекстных условий, представленных в форме персональных моделей пользовательских компетенций. В докладе показано, что реальная производительность суперкомпьютерных платформ может быть повышена за счет использования экзоинтеллектуальной памяти-ориентированной вычислительной архитектуры со встроенным механизмом машинного обучения и накопления данных о результатах проведенных вычислений. Такую архитектуру можно рассматривать как альтернативу традиционному подходу к экстенсивному росту компьютерных ресурсов на основе применения специализированных графических ускорителей и программируемых логических интегральных микросхем.

Информация о докладчике

Профессор Высшей школы искусственного интеллекта Санкт-Петербургского политехнического университета Петра Великого, Санкт-Петербург, Россия. Профессор, д.т.н. заведующий научно-исследовательской лабораторией суперкомпьютерных технологий и машинного обучения. В 1979 году окончил Санкт-Петербургский политехнический университет (бывший Ленинградский политехнический институт). Защитил кандидатскую диссертацию по решению задач адаптивного управления на основе идентификации моделей крупных энергообъединений (1984 г.) и докторскую диссертацию в области управления процессами передачи информации и управления фрактальными процессами в сетях TCP/IP (1999 г.). В 2010 году стал лауреатом премии Правительства Санкт-Петербурга в области науки и образования. С 2008 по 2015 гг. был научным руководителем серии космических экспериментов «Контур» по телематическому управлению роботами с борта Международной космической станции, а с 2021 по настоящее время руководил исследования в области машинного обучения систем планирования ресурсов гибридных суперкомпьютеров, работающих в режиме центров коллективного пользования. Научные интересы: машинное обучение, теория компьютерных вычислений, методы принятия решений.