nbsprotВестник войск РХБ защитыJournal of NBC Protection Corps2587-57283034-279127 Научный центр10.35825/2587-5728-2024-8-1-65-77nbsprot-341Research ArticleВооружение и средства войск РХБ защитыWeapons and Means of NBC Protection TroopsОбоснование архитектуры перспективной автоматизированной системы мониторинга радиационной, химической и биологической обстановки с использованием искусственного интеллектаJustification of the Architecture a Promising Automated System for Monitoring Radiation, Chemical and Biological Environment Using Artificial IntelligenceШаровС. А.SharovS. A.

Шаров Сергей Андреевич. Начальник отдела, канд. хим. наук

412918, п. Шиханы-2, ул. Краснознаменная, д. 1

Sergey A. Sharov. Head of Department, Cand. Sci. (Chem.)

412918, v. Shikhany-2, st. Krasnoznamenaya, 1

БатиновД. С.BatinovD. S.

Батинов Дмитрий Семенович. Младший научный сотрудник отдела

412918, п. Шиханы-2, ул. Краснознаменная, д. 1

Dmitrii S. Badinov. Junior scientific worker

412918, v. Shikhany-2, st. Krasnoznamenaya, 1

ОсиповМ. А.OsipovM. A.

Осипов Михаил Алексеевич. Докторант, канд. техн. наук

156015, г. Кострома, ул. Горького, д. 16

Mikhail A. Osipov. Doctoral student, Cand. Sci. (Techn.)

156015, Kostroma, st. Gorkogo, 16

ДомнинМ. В.DomninM. V.

Домнин Михаил Владимирович. Курсовой офицер-преподаватель

156015, г. Кострома, ул. Горького, д. 16

Mikhail V. Domnin. Course officer-teacher

156015, Kostroma, st. Gorkogo, 16

МорозовС. А.MorozovS. A.

Морозов Сергей Александрович. Начальник кафедры, канд. пед. наук, профессор

156015, г. Кострома, ул. Горького, д. 16

Sergey A. Morozov. Head of the Department, Cand. Sci. (Ped.), Professor

156015, Kostroma, st. Gorkogo, 16

ГолышевМ. А.GolyshevM. A.

Голышев Максим Алексеевич. Заместитель начальника отдела, канд. хим. наук

111024, г. Москва, проезд Энтузиастов, д. 19

Maxim A. Golyshev. Deputy Head of Department, Cand. Sci. (Chem.)

111024, Moscow, Entuziastov Proezd, 19

27nc1@mil.ruХрипковЮ. И.KhripkovYu. I.

Хрипков Юрий Иванович. Ведущий научный сотрудник отдела, доцент, доктор техн. наук

111024, г. Москва, проезд Энтузиастов, д. 19

Yuri I. Khripkov. Leading researcher, Dr. Sci. (Techn.), Associate Professor

111024, Moscow, Entuziastov Proezd, 19

НадеинА. В.NadeinA. V.

Надеин Алексей Владимирович. Научный сотрудник отдела, канд. техн. наук

111024, г. Москва, проезд Энтузиастов, д. 19

Aleksey V. Nadein. Scientific employee, Cand. Sci. (Techn.)

111024, Moscow, Entuziastov Proezd, 19

ЧебыкинИ. В.ChebykinI. V.

Чебыкин Илья Владимирович. Начальник расчетно-аналитической группы

412918, п. Шиханы-2, ул. Краснознаменная, д. 2

Ilya V. Chebykin. Head of the calculation and analytical group

412918, v. Shikhany-2, St. Krasnoznamenaya, 2

ВасинВ. Д.VasinV. D.

Васин Василий Дмитриевич. Старший помощник начальника отделения боевой подготовки

412918, п. Шиханы-2, ул. Краснознаменная, д. 4

Vasily D. Vasin. Senior Assistant to the head of the combat training department

412918, Shikhany-2, St. Krasnoznamenaya, 4

БецМ. М.BetsM. M.

Бец Михаил Михайлович. Командир учебного взвода

142438, Московская обл., Ногинский район, д. Большое Буньково

Mihail M. Bek. The commander of the training platoon

142438, Moscow region, Noginsky district, Bolshoye Bunkovo village

Федеральное государственное бюджетное учреждение «33 Центральный научно-исследовательский испытательный институт» Министерства обороны Российской ФедерацииРоссияFederal State Budgetary Institution «33 Central Research Testing Institute» of the Ministry of Defense of the Russian FederationRussian FederationФедеральное государственное казенное военное образовательное учреждение высшего образования «Военная академия радиационной, химической и биологической защиты имени Маршала Советского Союза С.К. Тимошенко» Министерства обороны Российской ФедерацииРоссияFederal State Treasury Military Educational Institution of Higher Education «Military Academy of Radiation, Chemical and Biological Defense named after Marshal of the Soviet Union S.K. Timoshenko» Ministry of Defense of the Russian FederationRussian FederationФедеральное государственное бюджетное учреждение «27 Научный центр имени академика Н.Д. Зелинского» Министерства обороны Российской ФедерацииРоссияFederal State Budgetary Institution «27 Scientific Center Named after Academician N.D. Zelinsky» Ministry of Defense of the Russian FederationRussian FederationВойсковая часть 29753РоссияThe Military unit 29753Russian FederationВойсковая часть 71432РоссияThe Military Unit 71432Russian FederationВойсковая часть 19889РоссияThe Military Unit 19889Russian Federation202417062024816577Copyright © Шаров С.А., Батинов Д.С., Осипов М.А., Домнин М.В., Морозов С.А., Голышев М.А., Хрипков Ю.И., Надеин А.В., Чебыкин И.В., Васин В.Д., Бец М.М., 20242024Шаров С.А., Батинов Д.С., Осипов М.А., Домнин М.В., Морозов С.А., Голышев М.А., Хрипков Ю.И., Надеин А.В., Чебыкин И.В., Васин В.Д., Бец М.М.Sharov S.A., Batinov D.S., Osipov M.A., Domnin M.V., Morozov S.A., Golyshev M.A., Khripkov Y.I., Nadein A.V., Chebykin I.V., Vasin V.D., Bets M.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.nbsprot.ru/jour/article/view/341

Наиболее прогрессивным направлением выявление и оценка радиационной, химической и биологической (РХБ) обстановки является внедрение технологий на основе искусственного интеллекта.Цель работы – разработка архитектуры перспективной системы мониторинга радиационной, химической и биологической обстановки с использованием искусственного интеллекта.Информационная база исследования. Публикации по применению математических моделей в ИИ, доступные через сеть «Интернет». Метод исследования – аналитический, от общего к частному. Рассматривали особенности использования искусственного интеллекта в автоматизированных системах управления.Результаты и обсуждение. Конфронтации с Украиной под протекторатом Запада носят многовариантный пространственный характер, и требуют постоянного мониторинга в условиях недостатка конкретной информации. Применение технологий ИИ позволит выйти за рамки простого отображения текущей ситуации, предоставляя инструменты прогнозирования развития событий. Предлагаемая архитектура перспективной системы предполагает создание единой базы данных, наполняемой верифицированной информацией из открытых источников. Разработанная структура веб-приложения, представляющего собой интерактивный интерфейс для анализа и реагирования на изменения РХБ обстановки, включающая в себя возможность между информационными слоями и получение данных в режиме реального времени.Вывод. Применение нейросетевых технологий войсками РХБ защиты позволит осуществлять поиск по заданным параметрам и проводить ретроспективный анализ данных, тем самым качественно повлияет на эффективность мониторинга РХБ угроз для войск и населения Российской Федерации.

The most progressive direction for identifying and assessing the chemical warfare situation is the introduction of technologies based on artificial intelligence. The goal of the work is to develop the architecture of a promising system for monitoring the radiation, chemical and biological situation using artificial intelligence. Research information base. Publications on the use of mathematical models in artificial intelligence (AI), available via the Internet. The research method is analytical, from general to specific. We considered the features of using artificial intelligence in automated control systems. Results and discussion. Confrontations with Ukraine and NATO are multivariate and spatial in nature, and require constant monitoring in the face of a lack of specific information about attacks being prepared and already carried out. The use of AI technologies will allow us to go beyond simply displaying the current situation, providing tools for predicting the development of events. The proposed architecture of a promising system involves the creation of a single database filled with verified information from open sources. The developed structure of the web application, which is an interactive interface for analyzing and responding to changes in the chemical warfare situation, will allow flexible switching between information layers and obtaining data in real time. Conclusion. The use of neural network technologies by NBC protection troops will make it possible to search according to specified parameters and conduct retrospective data analysis, which will significantly simplify monitoring of NBC threats for the troops and population of the Russian Federation.

автоматизированная система мониторингабазы данныхбезопасностьинформационные технологииискусственный интеллектмашинное обучениемоделированиенейронные сетиугрозыartificial intelligenceautomated monitoring systemdatabasesinformation technologymachine learningmodelingneural networkssecurityReferencesKallenborn Z, Bleek PC. Swarming destruction: drone swarms and chemical, biological, radiological, and nuclear weapons. The Nonproliferation Review. 2018;25(5–6):523–43. https://doi.org/10.1080/10736700.2018.1546902Kallenborn Z, Bleek PC. Swarming destruction: drone swarms and chemical, biological, radiological, and nuclear weapons. The Nonproliferation Review. 2018;25(5–6):523–43. https://doi.org/10.1080/10736700.2018.1546902Borgonovi F, Calvino F, Criscuolo C, Nania J, Nitschke J, O’Kane L, et al. Emerging trends in AI skill demand across 14 OECD countries. OECD Artificial Intelligence Papers. 2023; No. 2, OECD Publ, Paris. https://doi.org/10.1787/7c691b9a-enBorgonovi F, Calvino F, Criscuolo C, Nania J, Nitschke J, O’Kane L, et al. Emerging trends in AI skill demand across 14 OECD countries. OECD Artificial Intelligence Papers. 2023; No. 2, OECD Publ, Paris. https://doi.org/10.1787/7c691b9a-enFilippucci F, Gal P, Jona-Lasinio C, Leandro A, Nicoletti G. The impact of Artificial Intelligence on productivity, distribution and growth: Key mechanisms, initial evidence and policy challenges, OECD Artificial Intelligence Papers, 2024; No. 15, OECD Publ, Paris. https://doi.org/10.1787/8d900037-enFilippucci F, Gal P, Jona-Lasinio C, Leandro A, Nicoletti G. The impact of Artificial Intelligence on productivity, distribution and growth: Key mechanisms, initial evidence and policy challenges, OECD Artificial Intelligence Papers, 2024; No. 15, OECD Publ, Paris. https://doi.org/10.1787/8d900037-enGuo X, Liu X, Zhu E, Yin J. Deep Clustering with Convolutional Autoencoders. In: Liu D, Xie S, Li Y, Zhao D, El-Alfy ES, Eds. Neural Information Processing. Vol. 10635. Cham: Springer; 2017. P. 373–82. https://doi.org/10.1007/978-3-319-70096-0_39Guo X, Liu X, Zhu E, Yin J. Deep Clustering with Convolutional Autoencoders. In: Liu D, Xie S, Li Y, Zhao D, El-Alfy ES, Eds. Neural Information Processing. Vol. 10635. Cham: Springer; 2017. P. 373–82. https://doi.org/10.1007/978-3-319-70096-0_39Vasudevan SK, Pulari SR, Vasudevan S. CNN – Convolutional Neural Networks: A Complete Understanding. In: Deep Learning. Chapman and Hall/CRC; 2021. P. 81–120. http://doi.org/10.1201/9781003185635-5.Vasudevan SK, Pulari SR, Vasudevan S. CNN – Convolutional Neural Networks: A Complete Understanding. In: Deep Learning. Chapman and Hall/CRC; 2021. P. 81–120. http://doi.org/10.1201/9781003185635-5.Chuan Z, du y. Early Identification Methods for Emerging Technologies Based on Weak Signals. 2022. http://doi.org/10.21203/rs.3.rs-2291140/v1Chuan Z, du y. Early Identification Methods for Emerging Technologies Based on Weak Signals. 2022. http://doi.org/10.21203/rs.3.rs-2291140/v1Ghayoumi M. Deep Convolutional Generative Adversarial Networks (DCGANs). In: Generative Adversarial Networks in Practice. New York: Chapman and Hall/CRC; 2023. P. 220–57. http://doi.org/10.1201/9781003281344-8Ghayoumi M. Deep Convolutional Generative Adversarial Networks (DCGANs). In: Generative Adversarial Networks in Practice. New York: Chapman and Hall/CRC; 2023. P. 220–57. http://doi.org/10.1201/9781003281344-8Layton J, Hu F. Attacks on Deep Reinforcement Learning Systems: A Tutorial. In: AI, Machine Learning and Deep Learning. CRC Press; 2023. P. 79–82. http://doi.org/10.1201/9781003187158-6Layton J, Hu F. Attacks on Deep Reinforcement Learning Systems: A Tutorial. In: AI, Machine Learning and Deep Learning. CRC Press; 2023. P. 79–82. http://doi.org/10.1201/9781003187158-6Бурков А. Машинное обучение без лишних слов. СПб.: Питер; 2020. 192 c. Burkov A. Machine learning without further ado. St. Petersburg: Peter; 2020. 192 p (in Russian).Бурков А. Машинное обучение без лишних слов. СПб.: Питер; 2020. 192 c. Burkov A. Machine learning without further ado. St. Petersburg: Peter; 2020. 192 p (in Russian).Suh C. Machine Learning Applications. Convex Optimization for Machine Learning. Ch. 3. Boston – Delft; 2022. P. 185–328. http://doi.org/10.1561/9781638280538.ch3Suh C. Machine Learning Applications. Convex Optimization for Machine Learning. Ch. 3. Boston – Delft; 2022. P. 185–328. http://doi.org/10.1561/9781638280538.ch3Thomas P. Trappenberg. Machine learning with sklearn. Fundamentals of Machine Learning. 2019. Р. 38–65. http://doi.org/10.1093/oso/9780198828044.003.0003Thomas P. Trappenberg. Machine learning with sklearn. Fundamentals of Machine Learning. 2019. Р. 38–65. http://doi.org/10.1093/oso/9780198828044.003.0003Girasa R. Applications of AI and Projections of AI Impact. Artificial Intelligence as a Disruptive Technology. Palgrave Macmillan, Cham.; 2020. P. 23–67. http://doi.org/10.1007/978-3-030-35975-1_2Girasa R. Applications of AI and Projections of AI Impact. Artificial Intelligence as a Disruptive Technology. Palgrave Macmillan, Cham.; 2020. P. 23–67. http://doi.org/10.1007/978-3-030-35975-1_2Кондауров РЮ, Ганган ДА. Направления развития перспективного вооружения и средств РХБ защиты с элементами искусственного интеллекта в системе автоматизации управления. Военная мысль. 2022;(7):79–85.Kondaurov RYu, Gangan DA. The Development Trend in Advanced Armaments and Means of Radiation, Chemical and Biological Protection with Artificial Intelligence Elements within the System of Control Automation. Military Thought. 2022;(7):79–85 (in Russian).Segev E. How to conduct semantic network analysis. Semantic Network Analysis in Social Sciences. 2021. P. 16–31. http://doi.org/10.4324/9781003120100-1Segev E. How to conduct semantic network analysis. Semantic Network Analysis in Social Sciences. 2021. P. 16–31. http://doi.org/10.4324/9781003120100-1Poola L, Aparna P. ‘A Mixed Parallel and Pipelined Efficient Architecture for Intra Prediction Scheme in HEVC’. IETE Technical Review. 20224;39(2):244–56. https://doi.org/10.1080/02564602.2020.1841686Poola L, Aparna P. ‘A Mixed Parallel and Pipelined Efficient Architecture for Intra Prediction Scheme in HEVC’. IETE Technical Review. 20224;39(2):244–56. https://doi.org/10.1080/02564602.2020.1841686Li Z. Pipeline Spatial Data Model. Pipeline Spatial Data Modeling and Pipeline WebGIS. 2020. P. 29–102. http://doi.org/10.1007/978-3-030-24240-4_3Li Z. Pipeline Spatial Data Model. Pipeline Spatial Data Modeling and Pipeline WebGIS. 2020. P. 29–102. http://doi.org/10.1007/978-3-030-24240-4_3Li Z, Yang L. Pipeline Real-Time Data, Pipeline SCADA and OPC. Pipeline Real-time Data Integration and Pipeline Network Virtual Reality System. 2021. P. 7–20. http://doi.org/10.1007/978-3-030-62110-0_2Li Z, Yang L. Pipeline Real-Time Data, Pipeline SCADA and OPC. Pipeline Real-time Data Integration and Pipeline Network Virtual Reality System. 2021. P. 7–20. http://doi.org/10.1007/978-3-030-62110-0_2Timm S, Yuan W, Benjamin D. Scale Tests of the New DUNE Data Pipeline. Scale Tests of the New DUNE Data Pipeline. 2023. http://doi.org/10.2172/1988450Timm S, Yuan W, Benjamin D. Scale Tests of the New DUNE Data Pipeline. Scale Tests of the New DUNE Data Pipeline. 2023. http://doi.org/10.2172/1988450Meedeniya D. Enhancement of Deep Learning Architectures. Deep Learning. 2023. P. 112–46. http://doi.org/10.1201/9781003390824-6Meedeniya D. Enhancement of Deep Learning Architectures. Deep Learning. 2023. P. 112–46. http://doi.org/10.1201/9781003390824-6Hemanand D, Bhavani NPG, Ayub S, Ahmad MW, Narayanan S, Haldorai A. Multilayer vectorization to develop a deeper image feature learning model. Automatika. 2023;64(2):355–64. https://doi.org/10.1080/00051144.2022.2157946Hemanand D, Bhavani NPG, Ayub S, Ahmad MW, Narayanan S, Haldorai A. Multilayer vectorization to develop a deeper image feature learning model. Automatika. 2023;64(2):355–64. https://doi.org/10.1080/00051144.2022.2157946Calvino F, Criscuolo C, Dernis H, Samek L. What technologies are at the core of AI?: An exploration based on patent data, OECD Artificial Intelligence Papers. 2023. No. 6. OECD Publ, Paris. https://doi.org/10.1787/32406765-en/Calvino F, Criscuolo C, Dernis H, Samek L. What technologies are at the core of AI?: An exploration based on patent data, OECD Artificial Intelligence Papers. 2023. No. 6. OECD Publ, Paris. https://doi.org/10.1787/32406765-en/

The authors declare that there are no conflicts of interest present.