Архитектура конструктора мультимодальной обработки данных: графовые модели и их применение в задачах информационной безопасности
(Стр. 55-67)
Чаругин Валерий Валерьевич
Чаругин Валентин Валерьевич
Ставцев Алексей Вячеславович
Чесалин Александр Николаевич
Подробнее об авторах
Чаругин Валерий Валерьевич
преподаватель, кафедра компьютерной и информационной безопасности, Институт искусственного интеллекта, @mirea
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Чаругин Валентин Валерьевич преподаватель, кафедра компьютерной и информационной безопасности, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация Ставцев Алексей Вячеславович кандидат физико-математических наук; доцент, кафедра компьютерной и информационной безопасности, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация@mirea Чесалин Александр Николаевич кандидат технических наук, доцент; заведующий, кафедра компьютерной и информационной безопасности, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Чаругин Валентин Валерьевич преподаватель, кафедра компьютерной и информационной безопасности, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация Ставцев Алексей Вячеславович кандидат физико-математических наук; доцент, кафедра компьютерной и информационной безопасности, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация@mirea Чесалин Александр Николаевич кандидат технических наук, доцент; заведующий, кафедра компьютерной и информационной безопасности, Институт искусственного интеллекта; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Рост объемов и разнородности данных в современном цифровом пространстве создает дополнительные сложности при разработке систем анализа информации и выявления угроз безопасности. Традиционные подходы обработки оказываются недостаточно гибкими для адаптации к изменяемым условиям, усложняющимся требованиям и необходимости комплексного анализа разнородных источников. Возникает потребность в создании конструктора мультимодальной обработки, способном динамически формировать сценарии анализа и согласовывать работу различных модулей. Для обеспечения корректности и предсказуемости работы такого конструктора требуется формализация процессов на основе графовых моделей, позволяющих описывать структуру вычислений, взаимосвязи потоков данных и правила выполнения операций. Цель исследования: сформировать архитектуру конструктора мультимодальной обработки данных, основанную на применении графовых моделей. Предложенная архитектура должна обеспечивать согласованную обработку различных модальностей и управление последовательностью выполнения операций в сложных аналитических сценариях. Методология исследования представляет собой объединение ориентированного ациклического графа, цветной сети Петри и графа состояний в единую формальную модель, описывающую структуру, потоки данных и логику функционирования конструктора мультимодальной обработки. На основе сформированной модели проводится моделирование аналитического сценария для проверки согласованности процессов и корректности взаимодействия модальностей. Результаты исследования: сформирована формальная архитектура конструктора мультимодальной обработки данных на основе графовых моделей, отражающая структуру сценариев, потоки данных и поведение компонентов. Проведенное моделирование показало, что система обеспечивает устойчивое взаимодействие модальностей и корректное выполнение операций.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Чаругин В.В., Чаругин В.В., Ставцев А.В., Чесалин А.Н. Архитектура конструктора мультимодальной обработки данных: графовые модели и их применение в задачах информационной безопасности // Computational Nanotechnology. 2026. Т. 13. № 1. С. 55-67. DOI: 10.33693/2313-223X-2026-13-1-55-67. EDN: MMLKSN
Список литературы:
Бабкин А.Н., Акчурина Л.В., Алексеенко С.П. Моделирование угроз информационных атак в сети Internet на основе сетей Петри // Вестник Воронежского института МВД России. 2023. № 2. С. 101–106.
Федосеев А.И., Пономарева Л.А., Заболотникова В.С. Моделирование учебного процесса в нотации сетей Петри для принятия эффективных управленческих решений // Прикладная математика и вопросы управления. 2024. № 2. С. 76–87. DOI: 10.15593/2499-9873/2024.4.06.
Чаругин В.В., Чаругин В.В., Чесалин А.Н. Конструктор мультимодальной обработки данных // Инновационные, информационные и коммуникационные технологии (INFO-2024). 2024. С. 146–150.
Чаругин В.В., Чаругин В.В., Чесалин А.Н., Ушкова Н.Н. Конструктор блоков обработки естественного языка и применение его в задаче структурирования логов в информационной безопасности // International Journal of Open Information Technologies. 2024. Т. 12. № 9. С. 111–118.
Чаругин В.В., Чесалин А.Н. Применение генеративных алгоритмов в задачах информационной безопасности // Фундаментальные, поисковые, прикладные исследования и инновационные проекты: сб. тр. Национальной науч.-практ. конф. Москва: Ассоциация выпускников и сотрудников ВВИА им. проф. Н.Е. Жуковского, 2023. С. 146–150.
Bland J.A., Petty M.D., Whitaker T.S. Machine learning cyberattack and defense strategies // Computers & Security. 2020. Vol. 92. Art. 101738. DOI: 10.1016/j.cose.2020.101738.
Cardoso J., Valette R. Petri nets. Florianopolis: EdUFSC, 2024. DOI: 10.34849/t30e-ax86.
Diallo O., Rodrigues J.J.P.C., Sene M. Performances evaluation and Petri nets // Modeling and simulation of computer networks and systems. Methodologies and applications. Burlington: Morgan Kaufmann, 2015. Pp. 313–355. DOI: 10.1016/B978-0-12-800887-4.00011-0.
Healy P., Nikolov N.S. How to layer a directed acyclic graph. Springer Nature, 2001. Vol. 2265. Pp. 16–30. DOI: 10.1007/3-540-45848-42. (Lecture Notes in Computer Science)
Herodotou H., Chen Y., Lu J. A Survey on automatic parameter tuning for big data processing systems // ACM Computing Surveys (CSUR). 2020. Vol. 53. No. 2. Art. 43. Pp. 1–37. DOI: 10.1145/3381027.
Jiao T., Guo C., Feng X. et al. A comprehensive survey on deep learning multi-modal fusion: Methods, technologies and applications // Computers, Materials & Continua. 2024. Vol. 80. No. 1. Pp. 1–35. DOI: 10.32604/cmc.2024.053204.
Ozkaya M.Y., Catalyurek U.V. A simple and elegant mathematical formulation for the acyclic DAG partitioning problem // ArXiv Preprint. 2022. DOI: 10.48550/arXiv.2207.13638.
Taser P.Y., Taser M.M. Multimodal machine learning in cybersecurity // Innovative Artificial Intelligence. 2025. Vol. 1. Pp. 47–55.
Thomas C., Cosme M., Gaucherel C. et al. Model-checking ecological state-transition graphs // PLoS Comput Biol. 2022. Vol. 18. No. 6. Art. e1009657. DOI: 10.1371/journal.pcbi.1009657.
Wang J. Petri nets. Handbook of finite state based models and applications. Boca Raton: CRC Press, 2019. DOI: 10.1201/9780429184185-8.
Wang J., Zhu T., Xiong C. MultiKG: Multi-source threat intelligence aggregation for high-quality knowledge graph representation of attack techniques // ArXiv Preprint. 2024. DOI: 10.48550/arXiv.2411.08359.
Yao Z., Zhang Y., Deng N. et al. Multimodal embeddings for representation learning // SSRN Electronic Journal. 2025. DOI: 10.2139/ssrn.5189627.
Zhang Y., Zhao X., Ma Y. et al. MM-AttacKG: A multimodal approach to attack graph construction with large language models // ArXiv Preprint. 2025. DOI: 10.48550/arXiv.2506.16968.
Zhao F., Zhang C., Geng B. Deep multimodal data fusion // ACM Computing Surveys. 2024. Vol. 56. No. 9. Pp. 1–36. DOI: 10.1145/3649447.
Федосеев А.И., Пономарева Л.А., Заболотникова В.С. Моделирование учебного процесса в нотации сетей Петри для принятия эффективных управленческих решений // Прикладная математика и вопросы управления. 2024. № 2. С. 76–87. DOI: 10.15593/2499-9873/2024.4.06.
Чаругин В.В., Чаругин В.В., Чесалин А.Н. Конструктор мультимодальной обработки данных // Инновационные, информационные и коммуникационные технологии (INFO-2024). 2024. С. 146–150.
Чаругин В.В., Чаругин В.В., Чесалин А.Н., Ушкова Н.Н. Конструктор блоков обработки естественного языка и применение его в задаче структурирования логов в информационной безопасности // International Journal of Open Information Technologies. 2024. Т. 12. № 9. С. 111–118.
Чаругин В.В., Чесалин А.Н. Применение генеративных алгоритмов в задачах информационной безопасности // Фундаментальные, поисковые, прикладные исследования и инновационные проекты: сб. тр. Национальной науч.-практ. конф. Москва: Ассоциация выпускников и сотрудников ВВИА им. проф. Н.Е. Жуковского, 2023. С. 146–150.
Bland J.A., Petty M.D., Whitaker T.S. Machine learning cyberattack and defense strategies // Computers & Security. 2020. Vol. 92. Art. 101738. DOI: 10.1016/j.cose.2020.101738.
Cardoso J., Valette R. Petri nets. Florianopolis: EdUFSC, 2024. DOI: 10.34849/t30e-ax86.
Diallo O., Rodrigues J.J.P.C., Sene M. Performances evaluation and Petri nets // Modeling and simulation of computer networks and systems. Methodologies and applications. Burlington: Morgan Kaufmann, 2015. Pp. 313–355. DOI: 10.1016/B978-0-12-800887-4.00011-0.
Healy P., Nikolov N.S. How to layer a directed acyclic graph. Springer Nature, 2001. Vol. 2265. Pp. 16–30. DOI: 10.1007/3-540-45848-42. (Lecture Notes in Computer Science)
Herodotou H., Chen Y., Lu J. A Survey on automatic parameter tuning for big data processing systems // ACM Computing Surveys (CSUR). 2020. Vol. 53. No. 2. Art. 43. Pp. 1–37. DOI: 10.1145/3381027.
Jiao T., Guo C., Feng X. et al. A comprehensive survey on deep learning multi-modal fusion: Methods, technologies and applications // Computers, Materials & Continua. 2024. Vol. 80. No. 1. Pp. 1–35. DOI: 10.32604/cmc.2024.053204.
Ozkaya M.Y., Catalyurek U.V. A simple and elegant mathematical formulation for the acyclic DAG partitioning problem // ArXiv Preprint. 2022. DOI: 10.48550/arXiv.2207.13638.
Taser P.Y., Taser M.M. Multimodal machine learning in cybersecurity // Innovative Artificial Intelligence. 2025. Vol. 1. Pp. 47–55.
Thomas C., Cosme M., Gaucherel C. et al. Model-checking ecological state-transition graphs // PLoS Comput Biol. 2022. Vol. 18. No. 6. Art. e1009657. DOI: 10.1371/journal.pcbi.1009657.
Wang J. Petri nets. Handbook of finite state based models and applications. Boca Raton: CRC Press, 2019. DOI: 10.1201/9780429184185-8.
Wang J., Zhu T., Xiong C. MultiKG: Multi-source threat intelligence aggregation for high-quality knowledge graph representation of attack techniques // ArXiv Preprint. 2024. DOI: 10.48550/arXiv.2411.08359.
Yao Z., Zhang Y., Deng N. et al. Multimodal embeddings for representation learning // SSRN Electronic Journal. 2025. DOI: 10.2139/ssrn.5189627.
Zhang Y., Zhao X., Ma Y. et al. MM-AttacKG: A multimodal approach to attack graph construction with large language models // ArXiv Preprint. 2025. DOI: 10.48550/arXiv.2506.16968.
Zhao F., Zhang C., Geng B. Deep multimodal data fusion // ACM Computing Surveys. 2024. Vol. 56. No. 9. Pp. 1–36. DOI: 10.1145/3649447.
Ключевые слова:
мультимодальная обработка данных, графовые модели, ориентированный ациклический граф, цветная сеть Петри, граф состояний, управление потоками данных, информационная безопасность, моделирование процессов.
