МЕТОДЫ КОНТРОЛЯ И МОНИТОРИНГА ПРОЦЕССА ПРИВЕДЕНИЯ ВОЙСК В БОЕВУЮ ГОТОВНОСТЬ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ

Абидов Акмал Ахматович

и.о. профессоров Института информационно-коммуникационных технологий и военной связи Университета военной безопасности и обороны Республики Узбекистан

Бабаджанов Салохиддин Собитджонович

и.о. профессоров Института информационно-коммуникационных технологий и военной связи Университета военной безопасности и обороны Республики Узбекистан

Keywords: боевая готовность, мониторинг, машинное обучение, обнаружение аномалий, журнал событий, анализ процессов, прогностический мониторинг.


Abstract

В статье рассматриваются методы контроля и мониторинга процесса приведения войск в боевую готовность. Показано, что системы отчётности о готовности, описанные в открытых источниках, ориентированы главным образом на оценку состояния подразделения, а мониторинг динамики процесса на уровне событий как отдельный метод не описан. Предложены формализация процесса через журнал событий и нормативную модель, показатели своевременности и полноты, а также комплексный показатель готовности. Для выявления отклонений обоснованы z-оценка, расстояние Махаланобиса и Isolation Forest, для упреждающего прогнозирования задержки – Random Forest, XGBoost и LSTM. Приведены архитектура и алгоритм работы системы мониторинга на основе цикла MAPE-K.


References

[1]. U.S. Department of Defense. Summary of the Joint All-Domain Command and Control (JADC2) Strategy. Washington, DC, March 2022. URL: https://media.defense.gov/2022/Mar/17/2002958406/-1/-1/1/SUMMARY-OF-THE-JOINT-ALL-DOMAIN-COMMAND-AND-CONTROL-STRATEGY.pdf.

[2]. NATO STO. C2 Agility: Task Group SAS-085 Final Report (STO-TR-SAS-085). Brussels: NATO Science and Technology Organization, 2014.DOI:10.14339/STO-TR-SAS-085.

[3]. U.S. Department of Defense. DoD Directive 7730.65: Department of Defense Readiness Reporting System (DRRS). Washington, DC, 2018. URL: https://www.esd.whs.mil/Portals/54/Documents/DD/issuances/dodd/773065p.pdf.

[4]. U.S. Government Accountability Office. Military Readiness: Department of Defense Domain Readiness Varied from Fiscal Year 2017 through Fiscal Year 2019 (GAO-21-279). Washington, DC, April 7, 2021. URL: https://www.gao.gov/ products/gao-21-279.

[5]. Schirmer P., Léveillé J. AI Tools for Military Readiness (RR-A449-1). Santa Monica, CA: RAND Corporation, 2021. URL: https://www.rand.org/pubs/ research_reports/RRA449-1.html.

[6]. Endsley M.R. Toward a theory of situation awareness in dynamic systems // Human Factors. 1995. Vol. 37, No. 1. P. 32–64. DOI: 10.1518/001872095779049543.

[7]. Van Der Aalst W.M.P. Process Mining: Data Science in Action. 2nd ed. Berlin; Heidelberg: Springer, 2016. 467 p. DOI: 10.1007/978-3-662-49851-4.

[8]. Tax N., Verenich I., La Rosa M., Dumas M. Predictive business process monitoring with LSTM neural networks // Advanced Information Systems Engineering (CAiSE 2017). Lecture Notes in Computer Science, vol. 10253. Cham: Springer, 2017. P. 477–492. DOI: 10.1007/978-3-319-59536-8_30.

[9]. Teinemaa I., Dumas M., La Rosa M., Maggi F.M. Outcome-oriented predictive process monitoring: review and benchmark // ACM Transactions on Knowledge Discovery from Data. 2019. Vol. 13, No. 2. Art. 17. DOI: 10.1145/3301300.

[10]. IEEE Std 1849-2016. IEEE Standard for eXtensible Event Stream (XES) for Achieving Interoperability in Event Logs and Event Streams. New York: IEEE, 2016. DOI: 10.1109/IEEESTD.2016.7740858.

[11]. Saaty T.L. The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. New York: McGraw-Hill, 1980.

[12]. Chandola V., Banerjee A., Kumar V. Anomaly detection: a survey // ACM Computing Surveys.2009.Vol.41,No.3. Art.15. P. 1–58. DOI: 10.1145/ 1541880.1541882.

[13]. De Maesschalck R., Jouan-Rimbaud D., Massart D.L. The Mahalanobis distance // Chemometrics and Intelligent Laboratory Systems. 2000. Vol. 50, No. 1. P. 1–18. DOI: 10.1016/S0169-7439(99)00047-7.

[14]. Liu F.T., Ting K.M., Zhou Z.-H. Isolation forest // Proceedings of the 8th IEEE International Conference on Data Mining (ICDM). 2008. P. 413–422. DOI: 10.1109/ICDM.2008.17.

[15]. Nolle T., Luettgen S., Seeliger A., Mühlhäuser M. BINet: Multi-perspective business process anomaly classification // Information Systems. 2022. Vol. 103. Art. 101458. arXiv:1902.03155.

[16]. Malhotra P., Ramakrishnan A., Anand G., Vig L., Agarwal P., Shroff G. LSTM-based encoder-decoder for multi-sensor anomaly detection // ICML 2016 Anomaly Detection Workshop. arXiv:1607.00148.

[17]. Verenich I., Dumas M., La Rosa M., Maggi F.M., Teinemaa I. Survey and cross-benchmark comparison of remaining time prediction methods in business process monitoring // ACM Transactions on Intelligent Systems and Technology. 2019. Vol. 10, No. 4. Art. 34. DOI: 10.1145/3331449.

[18]. Breiman L. Random forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–32. DOI: 10.1023/A:1010933404324.

[19]. Chen T., Guestrin C. XGBoost: a scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: 10.1145/2939672.2939785.

[20]. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.