ПНСТ 1056-2026. Предварительный национальный стандарт Российской Федерации. Системы искусственного интеллекта на автомобильном транспорте. Мониторинг выброса вредных веществ в атмосферу. Общие положения

(утв. и введен в действие Приказом Росстандарта от 11.03.2026 № 13-пнст)

Утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 11 марта 2026 г. № 13-пнст

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА АВТОМОБИЛЬНОМ ТРАНСПОРТЕ

МОНИТОРИНГ ВЫБРОСА ВРЕДНЫХ ВЕЩЕСТВ В АТМОСФЕРУ

ОБЩИЕ ПОЛОЖЕНИЯ

Artificial intelligence systems on road transport. Monitoring the emission of harmful substances into the atmosphere. General provisions

ПНСТ 1056-2026

ОКС 35.240.60

Срок действия с 15 июня 2026 года до 15 июня 2029 года

Предисловие

1 РАЗРАБОТАН Федеральным государственным бюджетным учреждением «Российский институт стандартизации» (ФГБУ «Институт стандартизации»), Федеральным государственным бюджетным образовательным учреждением высшего образования «Сибирский государственный автомобильно-дорожный университет» (ФГБОУ ВО «СибАДИ»)

2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 «Искусственный интеллект»

3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 11 марта 2026 г. № 13-пнст

Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТ Р 1.16-2011 (разделы 5 и 6).

Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: 644080 Омск, пр. Мира, д. 5 и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д. 10, стр. 2.

В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе «Национальные стандарты» и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

Введение

Интенсификация автомобильного транспорта при одновременном ужесточении экологических нормативов создает потребность в создании высокоэффективных систем мониторинга выбросов вредных веществ. Существующие методы измерений зачастую не обеспечивают необходимой оперативности, масштабируемости и глубины анализа в условиях динамично изменяющейся дорожной обстановки.

Применение технологий искусственного интеллекта открывает новые возможности для создания систем, обеспечивающих непрерывный контроль, точную идентификацию источников загрязнения и прогнозирование уровня эмиссии в реальном времени. Однако отсутствие единых требований к разработке, внедрению и эксплуатации систем искусственного интеллекта, предназначенных для мониторинга выбросов загрязняющих веществ автомобильного транспорта, создает риски применения неэффективных, недостоверных и несовместимых между собой решений.

Настоящий стандарт разработан для установления общих организационно-технических принципов и положений к системам искусственного интеллекта, используемым для мониторинга выбросов вредных загрязняющих веществ от автомобильного транспорта. Его применение направлено на обеспечение достоверности и надежности данных мониторинга, технологической совместимости компонентов систем от разных производителей, а также правовой определенности при использовании таких систем в сфере экологического контроля.

Стандарт входит в комплекс национальных стандартов по применению технологий искусственного интеллекта и относится к семейству стандартов для систем искусственного интеллекта.

Положения настоящего стандарта носят рекомендательный характер и не отменяют действие обязательных требований, установленных нормативными правовыми актами в области охраны окружающей среды, технического регулирования и обеспечения единства измерений.

1 Область применения

Настоящий стандарт устанавливает методологические принципы и технические требования к системам искусственного интеллекта, предназначенным для мониторинга, оценки и прогнозирования эмиссии загрязняющих веществ автомобильным транспортом. Стандарт регламентирует полный жизненный цикл системы искусственного интеллекта — от этапов проектирования и разработки до вывода из эксплуатации. Требования стандарта распространяются на бортовые диагностические системы транспортных средств, стационарные и мобильные комплексы экологического контроля, интегрированные системы мониторинга дорожно-транспортной инфраструктуры, распределенные системы сбора и обработки данных экологического мониторинга, а также платформы анализа данных дистанционного зондирования Земли.

В стандарте определены архитектурные решения и принципы построения систем искусственного интеллекта, методики обучения и валидации алгоритмов, процедуры метрологического обеспечения измерительных комплексов, протоколы информационной безопасности и защиты данных, критерии оценки эффективности и надежности систем. Стандарт предназначен для применения при разработке технических заданий на создание систем искусственного интеллекта, проведении испытаний и сертификации систем, формировании нормативной документации, а также при осуществлении надзорных функций в области экологического контроля.

2 Нормативные ссылки

В настоящем стандарте использованы нормативные ссылки на следующие стандарты:

ГОСТ 14254 (IEC 60529:2013) Степени защиты, обеспечиваемые оболочками (код IP)

ГОСТ 15150 Машины, приборы и другие технические изделия. Исполнения для различных климатических районов. Категории, условия эксплуатации, хранения и транспортирования в части воздействия климатических факторов внешней среды

ГОСТ ISO 8178-3 Двигатели внутреннего сгорания поршневые. Измерение выброса продуктов сгорания. Часть 3. Определения и методы измерения дымности отработавших газов на установившихся режимах

ГОСТ ISO 8178-11 Двигатели внутреннего сгорания поршневые. Измерение выброса продуктов сгорания. Часть 11. Стендовые измерения выбросов газов и частиц из двигателей внедорожных транспортных средств на переходных режимах

ГОСТ Р 8.000 Государственная система обеспечения единства измерений. Основные положения

ГОСТ Р 8.563 Государственная система обеспечения единства измерений. Методики (методы) измерений

ГОСТ Р 8.1030 Государственная система обеспечения единства измерений. Классификация средств измерений

ГОСТ Р 34.12 Информационная технология. Криптографическая защита информации. Блочные шифры

ГОСТ Р 34.13 Информационная технология. Криптографическая защита информации. Режимы работы блочных шифров

ГОСТ Р 52051 Механические транспортные средства и прицепы. Классификация и определения

ГОСТ Р 56162 Выбросы загрязняющих веществ в атмосферу. Метод расчета количества выбросов загрязняющих веществ в атмосферу потоками автотранспортных средств на автомобильных дорогах разной категории

ГОСТ Р 56939 Защита информации. Разработка безопасного программного обеспечения. Общие требования

ГОСТ Р 58973 Оценка соответствия. Правила к оформлению протоколов испытаний

ГОСТ Р 59898 Оценка качества систем искусственного интеллекта. Общие положения

ГОСТ Р 70462.1/ISO/IEC TR 24029-1-2021 Информационные технологии. Интеллект искусственный. Оценка робастности нейронных сетей. Часть 1. Обзор

ГОСТ Р 71476 (ИСО/МЭК 22989:2022) Искусственный интеллект. Концепции и терминология искусственного интеллекта

Примечание - При пользовании настоящим стандартом целесообразно проверить действие ссылочных стандартов в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет или по ежегодному информационному указателю «Национальные стандарты», который опубликован по состоянию на 1 января текущего года, и по выпускам ежемесячного информационного указателя «Национальные стандарты» за текущий год. Если заменен ссылочный стандарт, на который дана недатированная ссылка, то рекомендуется использовать действующую версию этого стандарта с учетом всех внесенных в данную версию изменений. Если заменен ссылочный стандарт, на который дана датированная ссылка, то рекомендуется использовать версию этого стандарта с указанным выше годом утверждения (принятия). Если после утверждения настоящего стандарта в ссылочный стандарт, на который дана датированная ссылка, внесено изменение, затрагивающее положение, на которое дана ссылка, то это положение рекомендуется применять без учета данного изменения. Если ссылочный стандарт отменен без замены, то положение, в котором дана ссылка на него, рекомендуется применять в части, не затрагивающей эту ссылку.

3 Термины и определения

В настоящем стандарте применены следующие термины с соответствующими определениями:

3.1

аугментация данных: Процесс создания синтетических элементов данных посредством модификации существующих данных и/или выполнения операций над ними. [ГОСТ Р 71476-2024, пункт 3.2.3]

3.2

аудируемость: Цель безопасности, которая гарантирует, что любые действия или активность в системе могут быть зарегистрированы. [ГОСТ Р 71807-2024, пункт 3.1.6]

3.3

верификация: Предоставление объективных свидетельств того, что данный объект соответствует установленным требованиям. ГОСТ ISO/IEC 17025-2019, [пункт 3.8]

3.4

валидационные данные; проверочные данные: Данные, используемые для сравнения показателей работы различных моделей-кандидатов. [ГОСТ Р 71476-2024, пункт 3.2.15]

3.5 передвижной источник выброса: Техническое устройство (транспортное средство, установка или двигатель), которое при совершении работы выделяет в атмосферный воздух загрязняющие вещества, но при этом не имеет постоянного места расположения и может перемещаться в пространстве.

3.6 стационарный источник выброса: Объект (техническое устройство или сооружение), который расположен на определенной территории (не перемещается в пространстве) и в процессе своей эксплуатации выделяет в атмосферный воздух загрязняющие вещества.

3.7

интернет вещей; ИВ: Инфраструктура взаимосвязанных сущностей, систем и информационных ресурсов, а также служб, позволяющих обрабатывать информацию о физическом и виртуальном мире и реагировать на нее. [ГОСТ Р 71476-2024, пункт 3.1.18]

3.8

персональные данные; ПДн: (a) Любая информация, с помощью которой может быть установлена связь между этой информацией и личностью (физическим лицом) того, к кому относится эта информация; (b) информация, которая прямо или косвенно может быть отнесена к определяемому физическому лицу. Примечание — Для того чтобы определить, является ли субъект ПДн идентифицируемым, следует учесть все средства, которые могут быть корректно использованы лицом, заинтересованным в обеспечении безопасности ПДн, владеющим данными, или любой другой стороной для идентификации этого физического лица. [ГОСТ ISO/IEC 29100-2021, пункт 2.9]

3.9 средства измерений; СИ: Технические средства, предназначенные для измерений, имеющие нормированные метрологические характеристики, воспроизводящие и (или) хранящие единицу величины, размер которой принимают неизменным (в пределах установленной погрешности) в течение известного интервала времени.

3.10

поверка средств измерений: Совокупность операций, выполняемых в целях подтверждения соответствия средств измерений метрологическим требованиям. [[1], статья 2]

3.11

методика (метод) измерений: Совокупность конкретно описанных операций, выполнение которых обеспечивает получение результатов измерений с установленными показателями точности. [[1], статья 2]

3.12

метрологическая прослеживаемость: Свойство эталона единицы величины, средства измерений или результата измерений, заключающееся в документально подтвержденном установлении их связи с государственным первичным эталоном единицы величины или национальным эталоном единицы величины иностранного государства посредством сличений эталонов единиц величин, передачи единиц величин эталонам единиц величин, поверки, калибровки средств измерений, аттестации методик (методов) измерений. Примечание — Применительно к СИИ прослеживаемость обеспечивается получением результатов измерений с применением средств измерений утвержденного типа, поверенных в установленном порядке, с документально подтвержденной установленной связью с государственными первичными эталонами единиц соответствующих величин. [[1], статья 2]

3.13

предельно допустимый выброс; ПДВ: Норматив выброса вредного (загрязняющего) вещества в атмосферный воздух, который определяется как объем или масса химического вещества либо смеси химических веществ, микроорганизмов, иных веществ, как показатель активности радиоактивных веществ, допустимый для выброса в атмосферный воздух стационарным источником и (или) совокупностью стационарных источников, и при соблюдении которого обеспечивается выполнение требований в области охраны атмосферного воздуха. [[2], статья 5б]

3.14 предельно допустимая концентрация; ПДК: Установленный в законодательном порядке гигиенический норматив, определяющий максимальную концентрацию загрязняющих веществ в атмосферном воздухе, при постоянном воздействии которого в течение всей жизни не оказывается прямого или косвенного неблагоприятного влияния на настоящее или будущие поколения, не снижает работоспособности человека, не ухудшает его самочувствия и санитарно-бытовых условий жизни.

3.15

программное обеспечение автоматизированной системы; программное обеспечение АС: Совокупность программ и программных документов, предназначенная для отладки, функционирования и проверки работоспособности АС. [ГОСТ Р 59853-2021, пункт 62]

3.16

семантическая онтология: Семантические вычисления: Область вычислений, стремящаяся определить смысл обрабатываемого контента (информации) и намерения пользователей и представить их в машинно-обрабатываемой форме. [ГОСТ Р 71476-2024, пункт 3.1.31]

3.17

система искусственного интеллекта: Техническая система, использующая одну или несколько моделей ИИ, которая порождает такие конечные результаты, как контент, прогнозы, рекомендации или решения для заданного набора определенных человеком целей. Примечания 1 В технической системе могут применяться различные связанные с искусственным интеллектом методы и подходы к разработке модели для представления данных, знаний, процессов и т.д., которая может быть использована для решения задач. 2 Системы ИИ проектируются для эксплуатации с различными уровнями автоматизации. [ГОСТ Р 71476-2024, пункт 3.1.4]

3.18 валидация идентификации: Процесс доказательства того, что используемая методика идентификации (химическая реакция, спектральный анализ, время удерживания в хроматографе) пригодна для своей цели и позволяет однозначно и достоверно установить подлинность объекта.

3.19 референтный метод: Методика, принятая для получения результатов измерений, которые могут быть использованы для оценки правильности измеренных значений величины, полученных по другим методикам, а также для калибровки или для определения характеристик стандартных образцов.

3.20 эталонный метод: Процедура измерения, выполняемая на первичном эталоне для воспроизведения единицы величины с наивысшей точностью.

4 Сокращения

В настоящем стандарте применены следующие сокращения:

ББП — блоки бесперебойного питания;

ГИБДД — государственная инспекция безопасности дорожного движения;

ГИС — геоинформационная система;

ЗВ — загрязняющие вещества;

ИИ — искусственный интеллект;

КАВ — контроль атмосферного воздуха;

ПО — программное обеспечение;

СИИ — система искусственного интеллекта;

СКЗИ — средства криптографической защиты информации;

ТС — транспортное средство;

ФИФ ОЕИ — Федеральный информационный фонд по обеспечению единства измерений;

ФСБ — Федеральная служба безопасности;

ФСТЭК РФ — Федеральная служба по техническому и экспортному контролю Российской Федерации;

ЦОД — центр обработки данных;

API — программный интерфейс (Application Programming Interface);

CPU — центральный процессор, выполняет все вычисления и управляет другими системами (Central Processing Unit);

GPU — графический процессор, который ускоряет обработку графики и рендеринг видео (Graphics Processing Unit);

HSM — аппаратный модуль безопасности (Hardware Security Module);

IoT — концепция сети передачи данных между физическими объектами («вещами»), оснащенными встроенными средствами и технологиями для взаимодействия друг с другом или с внешней средой (Internet of Things);

MAE — мера ошибок между парными наблюдениями, отражающими одно и то же явление (Mean Absolute Error);

MAPE — средняя абсолютная процентная ошибка (Mean Absolute Percentage Error);

MSE — средний квадрат ошибки определения какой-либо величины, квадратный корень из MSE есть среднеквадратическое отклонение определяемой величины от ее математического ожидания (Mean Square Error);

OBD — бортовые системы диагностики (On-Board Diagnostics);

PEMS — программное решение, которое использует математические модели для оценки выбросов загрязняющих веществ (Predictive Emission Monitoring System);

VPU — микропроцессор, предназначенный для ускорения работы искусственного интеллекта и машинного обучения (Vision Processing Unit).

5 Общие требования

5.1 СИИ должны разрабатываться и функционировать в соответствии с действующими международными, национальными и региональными экологическими нормативами, а также действующим законодательством в области охраны атмосферного воздуха, обеспечения единства измерений (включая [1]), защиты ПДн и использования ИИ.

Требования настоящего стандарта к мониторингу дифференцируются по двум основным направлениям:

а) мониторинг источника выбросов — измерение параметров выбросов непосредственно от ТС (бортовой уровень, выхлопная система). Требования к точности определяются на основе метрологических характеристик СИ в соответствии с 5.4;

б) мониторинг состояния атмосферного воздуха — измерение концентраций ЗВ в приземном слое атмосферы на полевом, городском и региональном уровнях. Требования к точности определяются на основе нормативов качества атмосферного воздуха (ПДК) и методик, аттестованных для КАВ.

5.2 СИИ должны измерять выбросы ЗВ в соответствии с установленными экологическими классами ТС. Данные стандарты определяют предельно допустимые уровни выбросов для таких ключевых загрязнителей, как оксиды азота NOx, углеводороды CH, оксид углерода CO, взвешенные частицы PM, диоксид углерода CO2, дымность и др.

СИИ должны измерять массовые выбросы ЗВ и/или их концентрацию в отработавших газах в точках, репрезентативных для общего выброса ТС. Измерения выбросов в соответствии с установленной номенклатурой осуществляются в первую очередь на бортовом уровне ТС (уровень 0). Конкретное место контроля (точка отбора проб) должно быть указано в документации на систему (технические условия, руководство по эксплуатации) и выбираться исходя из конструкции ТС и применяемой методики измерений. Основными рекомендуемыми точками являются:

• выхлопная система ТС: отбор проб непосредственно из потока отработавших газов. Для этого СИИ должна быть интегрирована с датчиками, установленными в выхлопной трубе на расстоянии, исключающем подсос воздуха, или с использованием пробоотборных зондов в соответствии с требованиями методик измерений, на которые даются ссылки в 5.4;
• окружающая атмосфера в непосредственной близости от источника выброса (передвижной источник): измерение концентраций ЗВ в приземном слое атмосферы вблизи ТС (с использованием лазерных или оптических методов дистанционного зондирования). В данном случае в документации системы должен быть четко определен протокол измерений, включая расстояние до источника, метеорологические условия и геометрию измерений.

Примечание - Обоснование выбора точек контроля:

• согласованность с законодательством (измерения в выхлопной системе напрямую сопоставимы с процедурами сертификации ТС и контроля экологического класса, которые регламентируют отбор проб именно из потока отработавших газов);
• обеспечение единства измерений (четкое определение точки отбора проб является обязательным требованием (см. [1]) для аттестации методик измерений и позволяет обеспечить воспроизводимость и точность результатов);
• практическая реализуемость (для бортовых систем мониторинга в режиме реального времени наиболее технически осуществима установка датчиков непосредственно в выхлопной системе. Дистанционные методы требуют отдельного метрологического обеспечения и протокола, который также должен быть стандартизирован).

5.3 СИИ должны обеспечивать расчет и визуализацию комплексных показателей загрязнения атмосферного воздуха, включая индекс загрязнения атмосферы и другие установленные нормативной документацией показатели. Для определения содержания ЗВ СИИ должны использовать следующие типы СИ:

• газоаналитическое оборудование: инфракрасные газоанализаторы (для измерения CO, CO2); хемилюминесцентные анализаторы (для измерения NOx); фотометрические анализаторы (для измерения CH, NH2); лазерные газоанализаторы (для измерения различных газовых компонентов);
• анализаторы частиц: оптические сенсоры частиц и анализаторы дымности (для оценки непрозрачности выхлопных газов);
• датчики физических параметров: расходомеры выхлопных газов; датчики температуры и давления и влагоанализаторы.

Все применяемые СИ должны быть утвержденного типа, внесены в Государственный реестр СИ и проходить периодическую поверку в установленном порядке.

5.4 СИИ должны обеспечивать точность измерений выбросов в соответствии с метрологическими характеристиками применяемых СИ, указанными в свидетельствах об утверждении типа этих СИ, внесенных в Государственный реестр СИ. Требования к точности измерений должны соответствовать характеристикам, установленным в свидетельствах об утверждении типа СИ в соответствии с [1], и методам измерений по ГОСТ ISO 8178-3, ГОСТ ISO 8178-11 и другим стандартам в соответствии с областью применения.

5.4.1 Требования к точности измерений при мониторинге источника

Точность измерений выбросов на бортовом уровне определяется метрологическими характеристиками применяемых СИ в соответствии с ГОСТ ISO 8178-3, ГОСТ ISO 8178-11 и свидетельствами об утверждении типа СИ.

5.4.2 Требования к точности измерений при мониторинге среды

Точность измерений концентраций ЗВ в атмосферном воздухе определяется требованиями к методикам измерений, применяемым при КАВ, в соответствии с [3] и методическими указаниями федерального органа исполнительной власти, осуществляющего функции по управлению государственным имуществом и оказанию государственных услуг в области гидрометеорологии и смежных с ней областях, мониторингу состояния и загрязнения окружающей среды, федеральному государственному контролю за проведением работ по активным воздействиям на гидрометеорологические процессы. Относительная расширенная неопределенность измерений не должна превышать +/- 25% при P = 0,95 для концентраций на уровне ПДК.

5.5 Валидация систем искусственного интеллекта

Валидация СИИ должна проводиться с использованием следующих методов: сравнительный анализ с результатами измерений передвижными лабораториями и референтными методами (хроматография, хемилюминесценция, инфракрасная спектроскопия), статистический анализ в соответствии с ГОСТ Р 58973, верификация на контрольных тестовых наборах данных с известными параметрами выбросов, кросс-валидация моделей на независимых выборках. Конкретные метрики валидации (включая показатели точности, полноты, достоверности и воспроизводимости) и их целевые значения устанавливаются в техническом задании на систему с учетом решаемых задач и требуемой точности измерений.

5.6 Требования к критически важным системам искусственного интеллекта

Критически важные СИИ должны проходить периодическую независимую оценку качества по ГОСТ Р 59898 на предмет корректности, надежности, отсутствия смещений и соответствия заявленным характеристикам.

5.6.1 К критически важным СИИ относятся модели, выходные данные которых используются для принятия решений, влекущих за собой возникновение рисков для безопасности дорожного движения, применение мер административного воздействия, формирование обязательной отчетности перед контролирующими органами, распределение финансовых средств, а также управление объектами транспортной инфраструктуры.

5.6.2 Идентификация критически важных моделей должна осуществляться на основе комплексной оценки рисков и документироваться в технической документации системы. Критерии отнесения моделей к категории критически важных включают оценку вероятности причинения существенного вреда при ошибочных решениях, анализ масштаба воздействия принимаемых решений, оценку правовых последствий использования выходных данных моделей и определение степени автономности принимаемых решений.

5.6.3 Критически важные модели подлежат обязательной периодической независимой экспертизе, проводимой не реже одного раза в три года. Экспертиза должна включать проверку:

• соответствия математических методов и алгоритмов поставленным задачам;
• достоверности заявленных характеристик точности;
• отсутствия систематических смещений в выходных данных;
• устойчивости работы в различных условиях эксплуатации.

Внеочередную экспертизу проводят при изменении нормативных требований к допустимым выбросам, существенной модификации алгоритмов модели (переобучение на новых данных, изменение архитектуры), а также при выявлении систематических расхождений с результатами референтных измерений, превышающих установленные допуски.

5.6.4 Результаты экспертизы оформляются в виде заключения, содержащего:

• оценку соответствия модели установленным требованиям;
• перечень выявленных недостатков и рекомендации по их устранению;
• вывод о возможности дальнейшей эксплуатации модели.

5.7 СИИ должны быть совместимы с технологиями Vehicle-to-Everything (V2X), обеспечивая обмен данными между ТС, инфраструктурой и системами мониторинга в реальном времени. Под реальным временем понимается режим обработки и передачи данных с задержкой, не превышающей заданного порогового значения, необходимого для конкретного приложения мониторинга (например, 100 мс). Это значение должно быть определено в технической документации системы. Кроме того, СИИ должны в автоматическом режиме осуществлять обнаружение аномалий в данных о выбросах. К аномалиям относятся: внезапные пиковые увеличения концентраций ЗВ; статистически значимые отклонения от установленных нормативных или прогнозных моделей. Целью обнаружения аномалий является идентификация потенциальных неисправностей ТС, случаев намеренного искажения данных или несоответствия установленным регуляторным требованиям.

5.8 Требования к использованию синтетических данных

5.8.1 Применение синтетических данных допускается для дополнения реальных данных при обучении СИИ на редкие или опасные сценарии, а также для тестирования устойчивости моделей. Генерация синтетических данных должна осуществляться методами физико-математического моделирования процессов выбросов, обеспечивающими адекватное воспроизведение реальных процессов.

5.8.2 Для каждой генерации синтетических данных должен быть сформирован паспорт данных, содержащий:

• описание использованных методов генерации с указанием математических моделей и их параметров;
• перечень исходных данных, использованных для калибровки моделей генерации;
• документацию по валидации моделей генерации против реальных данных;
• оценку погрешности генерируемых данных.

5.8.3 Верификация синтетических данных должна включать статистический анализ соответствия распределений с использованием метрик, учитывающих специфику данных мониторинга выбросов, таких как:

• расхождения между вероятностными распределениями реальных и синтетических данных;
• метрики, устойчивые к особенностям многомерных распределений;
• статистические методы, учитывающие пространственно-временные зависимости в данных.

Конкретные методы верификации и допустимые пороговые значения метрик должны устанавливаться в технической документации на систему с учетом характеристик реальных данных и целевых сценариев использования синтетических данных.

5.8.4 Синтетические данные могут использоваться для обучения СИИ только после успешной верификации, подтверждающей их соответствие реальным данным по установленным метрикам качества. Доля синтетических данных в обучающих выборках не должна превышать 30% от общего объема данных, за исключением специально обоснованных случаев.

5.9 СИИ должны функционировать в режиме реального времени с частотой измерения и обработки данных о выбросах не менее 1 Гц.

Примечание - Режим реального времени понимается как обработка информации, обеспечивающая взаимодействие системы с внешними процессами в темпе, соизмеримом со скоростью протекания этих процессов, в соответствии с установленными требованиями к временным характеристикам.

5.10 Требования к системе оповещения и реагирования

5.10.1 СИИ должна предусматривать иерархическую систему оповещения и реагирования при превышении установленных нормативов выбросов.

5.10.2 Участники системы оповещения и их обязанности:

• водитель ТС получает оперативное предупреждение в салоне ТС (визуальное и/или звуковое) о факте превышения нормативов выбросов в реальном времени с рекомендацией по действиям (см. 5.10.4);
• оператор автопарка (лицо, ответственное за эксплуатацию и экологическую безопасность группы ТС юридического лица) получает уведомление с данными о ТС (идентификатор, место, время, параметры превышения) для планирования технического обслуживания, ремонта и формирования отчетности;
• СИИ обеспечивает автоматическую передачу в уполномоченные органы исполнительной власти (в сфере охраны окружающей среды и транспорта) агрегированных и обезличенных данных о выбросах ЗВ, сформированных на основе анализа транспортных потоков в зоне мониторинга. Передаваемая информация включает статистические показатели концентраций ЗВ, частоту превышения нормативов в разрезе временных периодов и географических координат, а также обобщенные метеорологические параметры, влияющие на экологическую обстановку. Идентификационные данные ТС (государственные регистрационные знаки) в рамках данного информационного взаимодействия не раскрываются, что обеспечивает соблюдение требований законодательства о защите ПДн при одновременном выполнении функций экологического мониторинга и выработки регуляторных мер. Порядок идентификации конкретных ТС — нарушителей нормативов выбросов и формирования протоколов нарушений устанавливается в 5.17.4 и осуществляется по отдельным защищенным каналам, исключающим передачу ПДн в рамках общего информационного обмена, предусмотренного настоящим пунктом.

5.10.3 Содержание и условия оповещения

Содержание оповещения должно включать: идентификатор ТС; временную метку фиксации превышения; координаты места фиксации (данные ГЛОНАСС/GPS); вещество, концентрация или масса выброса которого превышены; величину превышения (в % или абсолютных единицах).

Оповещение должно передаваться в режиме, максимально приближенном к реальному времени, с задержкой, определяемой техническими возможностями каналов связи (V2X, сотовые сети), но не превышающей значений, установленных в технической документации на СИИ для данного типа уведомлений.

5.10.4 Критерии эскалации оповещений (частота и продолжительность превышений) должны быть определены в технической документации на систему.

5.11 СИИ должны поддерживать безопасные и стандартизированные протоколы обмена данными для международного сотрудничества в области мониторинга выбросов. Это позволяет агрегировать данные из разных регионов для глобального анализа и разработки политики, что особенно важно для оценки влияния транспортных выбросов на глобальное изменение климата.

5.12 СИИ должны быть энергоэффективными, минимизируя собственное воздействие на окружающую среду, учитывая значительное энергопотребление СИИ.

5.13 СИИ должны обеспечивать верифицируемость расчетов и аудитируемость управленческих решений; формализованное документирование используемых алгоритмических моделей и генерацию интерпретируемых отчетов, идентифицирующих ключевые факторы, влияющие на результаты расчетов (включая дорожные условия, техническое состояние ТС и метеорологические параметры). Выполнение этих требований гарантирует регуляторную легитимность за счет соответствия критериям проверки; научную достоверность на основе принципов воспроизводимости и социальную акцептацию через предоставление общественности верифицируемых обоснований экологических показателей.

5.14 Функционирование систем должно реализовывать иерархический принцип управления эмиссиями, обеспечивая:

а) на индивидуальном уровне ТС — синхронизацию с бортовыми диагностическими системами для сбора данных в реальном времени и генерации оперативной обратной связи, оптимизирующей режимы эксплуатации;

б) на уровне автопарка — агрегацию гетерогенных потоков данных с применением алгоритмов машинного обучения для выявления паттернов эмиссионного поведения и калибровки логистических решений;

в) на городском/региональном уровне — интеграцию с системами ИТС для пространственно-временной оптимизации потоков и обеспечения соответствия установленным нормативам качества атмосферного воздуха;

г) на национальном/глобальном уровне — формирование верифицируемых инвентаризационных баз данных, поддерживающих выполнение международных экологических конвенций и моделирование динамики показателей качества атмосферного воздуха.

Примечание — Под нормативами качества атмосферного воздуха понимаются ПДК ЗВ, установленные [3] и другими действующими нормативными документами. Моделирование динамики показателей качества атмосферного воздуха включает анализ многолетних изменений концентраций ЗВ и оценку эффективности природоохранных мероприятий.

5.15 Архитектура системы мониторинга выбросов вредных веществ на базе СИИ строится по распределенному иерархическому принципу, включающему три основных уровня: полевой, периферийный и центральный, как показано на функциональной схеме (см. приложение А). Каждый уровень выполняет строго определенные функции, обеспечивая тем самым масштабируемость, отказоустойчивость и эффективность системы в целом. Конкретная реализация архитектуры (степень развертывания периферийных узлов, централизация вычислительных ресурсов) определяется целевым назначением системы и требованиями экономической эффективности.

5.16 Обеспечение единства измерений

5.16.1 Все СИ, используемые в СИИ для мониторинга выбросов вредных веществ (газоанализаторы, датчики концентрации частиц, метеорологические датчики и др.) и применяемые в сфере государственного регулирования обеспечения единства измерений, подлежат первичной и периодической поверке в установленном порядке. Перечень таких СИ определяется действующим законодательством.

5.16.2 Результаты измерений, полученные с помощью СИИ, должны обладать метрологической прослеживаемостью к государственным первичным эталонам единиц соответствующих величин.

5.16.3 Методики (методы) измерений концентраций ЗВ, реализуемые с использованием СИ, входящих в состав СИИ, должны быть аттестованы в установленном порядке в соответствии с ГОСТ Р 8.563. Методики прямых измерений вносятся в эксплуатационную документацию на СИ; подтверждение их соответствия обязательным метрологическим требованиям осуществляется при утверждении типа СИ.

5.16.4 Операторы СИИ должны обеспечивать соблюдение установленных метрологических требований к условиям эксплуатации СИ (температура, влажность, вибрация и пр.).

5.17 Требования к мониторингу и оценке соответствия экологическим нормативам

5.17.1 СИИ должны в режиме, близком к реальному времени, не только фиксировать фактические концентрации и параметры выбросов, но и осуществлять их автоматическую привязку и оценку на соответствие установленным гигиеническим и экологическим нормативам, включая:

• ПДК ЗВ в атмосферном воздухе населенных мест в соответствии с [3] и другими действующими нормативными документами;
• ПДВ для конкретных источников или территорий в рамках установленных разрешительной документацией нормативов;
• целевые показатели качества атмосферного воздуха, установленные региональными программами.

5.17.2 СИИ должны обеспечивать не только мониторинг концентраций ЗВ, но и расчет массовых выбросов от автомобильного транспорта. Расчет должен выполняться на основе:

• измеренных или прогнозируемых концентраций ЗВ;
• данных о параметрах транспортных потоков (интенсивность, скорость, состав);
• метеорологических условий (скорость и направление ветра, температура, класс устойчивости атмосферы);
• применения актуализированных методик расчета выбросов (например, на основе принципов ГОСТ Р 56162), адаптированных и верифицированных с использованием СИИ.

5.17.3 Для обеспечения достоверности и признания юридической силы данных, формируемых СИИ, должна быть обеспечена обязательная верификация результатов мониторинга. Верификация проводится путем периодического сравнения данных СИИ с результатами измерений, полученными с помощью эталонных или референтных методов измерений, включенных в ФИФ ОЕИ. Периодичность, методы и процедуры верификации должны быть регламентированы в эксплуатационной документации на СИИ и утверждены в установленном порядке. Результаты верификации подлежат документированию и хранению.

5.17.4 В отличие от обезличенного информационного обмена с регулирующими органами (см. 5.10.2) СИИ в автоматическом режиме осуществляет идентификацию ТС, превышающих установленные нормативы выбросов ЗВ, с формированием структурированных электронных протоколов, содержащих полный состав данных, необходимых для привлечения к ответственности. Каждый протокол включает временные метки и пространственные координаты фиксации нарушения, государственный регистрационный знак ТС, количественные характеристики выбросов по видам ЗВ с указанием величины превышения нормативных значений, а также условия проведения измерений (метеорологические параметры и режим движения ТС). Сформированные протоколы направляются по защищенным каналам связи исключительно в адрес органов, уполномоченных на рассмотрение дел об административных правонарушениях, в строгом соответствии с требованиями законодательства о ПДн и процессуальными нормами.

5.17.5 Алгоритмы прогнозирования должны обеспечивать комплексное моделирование уровней загрязнения атмосферного воздуха на основе анализа многопараметрических данных. Моделирование должно учитывать: динамику изменения транспортных потоков в пространственно-временном аспекте; прогнозируемые метеорологические условия, влияющие на процессы рассеивания ЗВ; планируемые мероприятия по организации дорожного движения, способные оказать воздействие на эмиссионные характеристики.

5.17.6 СИИ должна поддерживать оперативную актуализацию нормативной базы в автоматизированном режиме. Срок актуализации не должен превышать 30 календарных дней с момента вступления в силу изменений законодательства. После каждого обновления нормативной базы должна проводиться обязательная верификация работоспособности и корректности работы алгоритмов СИИ с оформлением соответствующего акта испытаний.

6 Требования к конфигурации систем искусственного интеллекта

6.1 СИИ должны быть адаптированы для работы на различных уровнях мониторинга — от индивидуальных ТС до автопарков, городских, региональных и глобальных систем. Конфигурация должна учитывать аппаратные, программные, коммуникационные и регуляторные аспекты, а также обеспечивать энергоэффективность и защиту данных.

6.2 Функционирование СИИ требует тщательно спроектированной и сбалансированной аппаратной платформы, способной обрабатывать большие объемы разнородных данных в реальном времени, выполнять ресурсоемкие ИИ-алгоритмы и функционировать в сложных условиях.

6.3 СИИ должны быть построены по принципу распределенной иерархической архитектуры, включающей следующие уровни:

а) уровень источника выбросов (бортовой уровень ТС):

1. назначение: первичное измерение концентраций и/или массовых выбросов ЗВ непосредственно в выхлопной системе ТС, сбор данных о параметрах работы двигателя и условиях эксплуатации;

2. компоненты: OBD, датчики концентрации газов (NOx, CO, CO₂, CH и др.), датчики сажевых частиц, датчики расхода топлива, блоки предварительной обработки данных, простейшие модели ИИ для первичного анализа и обнаружения аномалий в реальном времени;

3. функции: непрерывный или периодический мониторинг выбросов в соответствии с номенклатурой 5.2; идентификация нештатных режимов работы; буферизация и передача данных на последующие уровни;

б) полевой уровень (уровень дорожной инфраструктуры):

1. назначение: сбор данных от множества ТС в точках концентрации транспорта (дороги, тоннели, эстакады), дистанционное зондирование выбросов, агрегация информации;

2. компоненты: стационарные посты мониторинга, камеры видеонаблюдения, датчики, дорожные сенсоры, шлюзы сбора данных;

3. функции: валидация данных от ТС, дополнение бортовых измерений независимыми данными, первичная пространственно-временная привязка и агрегация данных о выбросах;

в) периферийный уровень (уровень локальной обработки):

1. назначение: углубленная обработка и анализ данных, поступивших с уровня ТС и полевого уровня, выполнение более сложных алгоритмов ИИ;

2. компоненты: периферийные серверы, микро-ЦОДы, телекоммуникационные шлюзы, расположенные вблизи зон мониторинга;

3. функции: выполнение ресурсоемких алгоритмов ИИ для детектирования аномалий, прогнозирования выбросов, корреляции данных от разных источников; буферизация данных при нарушении связи с центром;

г) центральный уровень (уровень консолидации и аналитики):

1. назначение: консолидация всех данных, хождение сложных ИИ-моделей, формирование отчетности и аналитических представлений;

2. компоненты: высокопроизводительные серверы, системы хранения данных, аналитические платформы;

3. функции: обучение и ретренинг глобальных моделей ИИ; долгосрочное хранение данных; формирование сводных отчетов; обеспечение взаимодействия с внешними системами (например, регулирующие органы).

6.4 Для полевого уровня требуются процессоры с достаточным количеством ядер и поддержкой векторных инструкций (AVX, Neon) или интегрированные GPU/VPU для ускорения инференса компактных ИИ-моделей распространяются и на бортовые системы (система для распознавания номеров автомобилей, детектирования ТС; простые модели регрессии/аномалий).

6.5 Для периферийного уровня необходимы вычислительные устройства, размещаемые вблизи точек сбора данных и обеспечивающие выполнение критичных по времени задач, включая первичную фильтрацию и валидацию данных, выполнение СИИ для идентификации аномалий или ТС, а также буферизацию данных при нарушении каналов связи, распространяясь на бортовые системы. Требования к производительности вычислительных устройств периферийного уровня определяются в техническом задании на систему исходя из временных характеристик обработки данных, сложности реализуемых СИИ, объема обрабатываемых данных и требований к энергоэффективности.

6.6 Для центрального уровня СИИ необходимы высокопроизводительные серверы с мощными многоядерными CPU, выделенными GPU для обучения и инференса сложных моделей глубокого обучения, а также достаточным объемом оперативной памяти с учетом бортовых систем.

6.7 Для задач мониторинга выбросов необходимы специализированные приборы, обеспечивающие надежное измерение концентраций ЗВ, включая NOx, CO, CO2, CH и другие ЗВ.

СИ данных приборов предусмотрены [1], статьей 1 (включая охрану окружающей среды и обеспечение безопасности), должны соответствовать требованиям нормативно-правовой базы.

6.7.1 СИ, подлежащие применению в сфере государственного регулирования обеспечения единства измерений, должны проходить первичную и периодическую поверку в установленном порядке, на бортовом уровне ТС (уровень 0) и на полевом уровне (уровень 1).

6.7.2 Метрологические характеристики применяемых СИ (диапазон измерений, погрешность, предел обнаружения) должны соответствовать характеристикам, указанным в описании типа этих СИ.

6.7.3 Перечень контролируемых ЗВ должен определяться областью применения СИИ и устанавливаться в технической документации на систему с учетом следующих принципов:

• для мониторинга прямых выбросов от ТС в соответствии с действующими нормативами контролируются NOx, CO, CH, CO₂ и взвешенные частицы;
• для стационарных постов мониторинга атмосферного воздуха дополнительно могут контролироваться SO2, взвешенные частицы, а также другие вещества согласно нормативным документам в области охраны атмосферного воздуха;
• контроль аммиака применяется для ТС, оснащенных системами селективного каталитического восстановления, в рамках мониторинга эффективности работы системы нейтрализации выбросов.

Дополнительными требованиями к СИ являются:

• предел обнаружения: должен быть не выше 0,2 от минимального контролируемого уровня концентрации для каждого ЗВ;
• условия эксплуатации СИ должны демонстрировать устойчивость к воздействию неблагоприятных климатических факторов и механических вибраций, характерных для условий эксплуатации на ТС и в дорожной инфраструктуре;
• интерфейсы связи должны обеспечивать цифровой вывод данных посредством стандартизированных промышленных протоколов связи согласно [4] (раздел 3).

6.8 Для обеспечения эффективной обработки и долговременного хранения данных в распределенной СИИ требуется реализация многоуровневой архитектуры хранения:

• на периферийном уровне необходима установка высокоскоростной энергонезависимой памяти (твердотельных накопителей NVMe SSD) достаточного объема для выполнения задач локальной буферизации данных при нарушении каналов связи, кэширования исполняемых моделей ИИ и временного хранения промежуточных результатов вычислений;
• на центральном уровне должна быть развернута гетерогенная система хранения, включающая: высокопроизводительные массивы NVMe SSD для обработки «горячих» данных (оперативные базы данных реального времени, инференс-модели), отказоустойчивые кластеры на базе высокопроизводительных SAS/SATA SSD или жестких дисков с организацией RAID-массивов для хранения «теплых» данных и рабочих наборов, горизонтально масштабируемые распределенные хранилища объектного или файлового типа для архивирования «холодных» данных с обязательной реализацией стратегии резервного копирования на отдельные физические носители и обеспечения георезервирования критичных информационных ресурсов.

Примечание - В настоящем стандарте применяется следующая классификация данных по частоте использования:

а) «горячие» данные — данные, требующие постоянного доступа для работы системы в реальном времени (данные с датчиков, результаты текущего мониторинга, оперативные базы данных);

б) «теплые» данные — данные, используемые для периодического анализа и формирования отчетов (исторические данные за текущий операционный период);

в) «холодные» данные — архивные данные, используемые для долгосрочного хранения и ретроспективного анализа (данные прошлых периодов, резервные копии).

Конкретные временные интервалы и критерии отнесения данных к указанным категориям устанавливаются в технической документации на систему.

6.9 Многоуровневой сетевой архитектуре также требуется для обеспечения надежной и производительной передачи данных в распределенной СИИ:

• на полевом уровне необходима организация отказоустойчивых каналов связи с использованием высоконадежных проводных технологий (оптоволоконный Ethernet) или беспроводных решений (сотовые сети LTE/5G, промышленный Wi-Fi стандартов 802.11ax/Wi-Fi 6/6E, низкоскоростные LPWAN-технологии, такие как LoRaWAN или NB-IoT, для подключения распределенных датчиков), обладающих достаточной пропускной способностью для обслуживания ресурсоемких потоков (включая видеоданные), с обязательной поддержкой механизмов приоритизации трафика и реализацией отказоустойчивых конфигураций для критически важных каналов;
• на уровне периферийных и центральных вычислительных узлов требуется развертывание высокоскоростной магистральной сети (поддерживающей скорости 10, 25, 40 или 100 Гбит Ethernet) с минимально возможной задержкой передачи данных (low latency), а также интеграция платформ гарантированной доставки сообщений (таких, как MQTT, AMQP или Apache Kafka) для обеспечения надежного асинхронного обмена данными между компонентами системы.

6.10 Для обеспечения непрерывности функционирования и минимизации времени простоя распределенной СИИ необходима реализация комплексной стратегии отказоустойчивости на всех уровнях:

• критически важные компоненты инфраструктуры (серверы, сетевое оборудование, системы хранения) должны оснащаться схемами резервирования (N+1 или 2N), включая дублирование ББП, сетевых интерфейсов, организации RAID-массивов для дисковых подсистем, а также кластеризацию вычислительных узлов с поддержкой режима высокой доступности и возможностью горячей замены компонентов без прерывания функционирования системы;
• для защиты от потери данных необходима реализация механизмов синхронной или асинхронной репликации данных между географически распределенными периферийными узлами и ЦОД с автоматизированными процедурами восстановления после сбоев;
• на уровне энергообеспечения требуется развертывание стабилизированных систем ББП на всех узлах инфраструктуры (включая полевые телекоммуникационные шкафы), установка резервных дизель-генераторов для питания ЦОД и ключевых периферийных узлов, а также оснащение удаленных датчиков автономными источниками энергии на базе фотоэлектрических преобразователей с буферными аккумуляторными батареями.

6.11 Для обеспечения долговременной работоспособности и минимизации экологического воздействия распределенной СИИ в условиях эксплуатации требуется:

• на уровне полевых устройств (датчики, камеры, шлюзы) — применение корпусов с высокой степенью защиты от проникновения твердых частиц и жидкостей (соответствующих стандартам IP65/IP67 согласно ГОСТ 14254), устойчивостью к экстремальным климатическим условиям согласно ГОСТ 15150 (диапазон рабочих температур от минус 40 °C до плюс 70 °C), механическим вибрациям, деградации под воздействием ультрафиолетового излучения, а также конструктивной защитой от несанкционированного физического воздействия (антивандальное исполнение);
• на уровне ЦОД и периферийного оборудования — обязательное использование серверов и систем хранения с высшим классом энергоэффективности (подтвержденным сертификатами 80 PLUS Titanium или Platinum), внедрение современных систем теплоотвода, включая жидкостное охлаждение для высоконагруженных компонентов (особенно графических ускорителей — GPU) и максимальное использование режимов пассивного охлаждения при благоприятных климатических условиях для снижения энергопотребления и углеродного следа.

6.12 Для обеспечения комплексной защиты критичных компонентов СИИ от несанкционированного доступа и компрометации требуется реализация многоуровневой стратегии безопасности:

• на физическом уровне необходимо оснащение полевых устройств защищенными шкафами с устойчивостью к внешним воздействиям, а также внедрение систем контроля и разграничения физического доступа в помещениях ЦОД и периферийных узлов обработки данных;
• на аппаратном уровне должно осуществляться обязательное использование специализированных микросхем доверенной платформы версии 2.0 или HSM, интегрированных в серверы, шлюзы и контроллеры, для криптографической защиты критичных операций, включая безопасное хранение и генерацию ключей шифрования, аппаратную аутентификацию устройств в сети, обеспечение целостности загружаемого ПО АС и микропрограммных обновлений (прошивок) посредством механизмов криптографической верификации.

6.13 Для обеспечения адаптивности СИИ к растущим объемам данных и вычислительным нагрузкам требуется реализация двух взаимодополняющих стратегий масштабируемости:

• горизонтальная масштабируемость должна обеспечивать возможность бесшовного добавления новых периферийных устройств (сенсоров, шлюзов), вычислительных узлов (серверных платформ, графических ускорителей) и емкостей систем хранения данных без необходимости модификации базовой архитектуры или остановки функционирования системы;
• вертикальная масштабируемость должна предоставлять возможность увеличения производительности отдельных вычислительных узлов за счет замены или добавления компонентов (более мощных центральных или графических процессоров, увеличения объема оперативной памяти, установки высокопроизводительных накопителей) в существующей аппаратной платформе.

6.14 Для обеспечения оперативного контроля, диагностики и администрирования распределенной инфраструктуры СИИ требуется развертывание централизованной платформы, обеспечивающей непрерывный сбор и визуализацию метрик состояния всех компонентов (включая сенсорные устройства, вычислительные серверы, сетевое оборудование) в режиме реального времени на базе интегрированных решений, с реализацией функций автоматического оповещения о критических событиях; дополнительно платформа должна предоставлять инструменты для безопасного удаленного управления конфигурацией оборудования, выполнения диагностических процедур, а также централизованного распространения и установки обновлений ПО АС и микропрограмм (прошивок) через защищенные каналы связи.

6.15 Для минимизации энергопотребления периферийных компонентов СИИ, особенно критичного для устройств с автономными источниками питания, требуется реализация двух взаимосвязанных стратегий:

• на аппаратном уровне — целенаправленный выбор процессоров, микроконтроллеров и сопутствующих электронных компонентов с экстремально низким показателем расчетной тепловой мощности для полевых шлюзов и сенсорных устройств;
• на программно-алгоритмическом уровне — обязательная оптимизация вычислительных и коммуникационных алгоритмов (включая методы сжатия данных, адаптивную частоту дискретизации, интеллектуальные режимы сна и пробуждения) с целью кардинального снижения энергозатрат при обработке данных непосредственно на периферийных узлах без ущерба для функциональности системы.

6.16 Для обеспечения бесшовной интеграции компонентов СИИ со сторонними промышленными системами и устройствами требуется обязательная поддержка широкого спектра стандартизированных физических интерфейсов связи (включая последовательные интерфейсы RS-232 и RS-485, проводной Ethernet, универсальную последовательную шину USB, а также специализированную шину контроллеров CAN) и промышленных коммуникационных протоколов (таких, как Modbus для взаимодействия с полевым оборудованием, MQTT для обмена сообщениями в архитектурах «издатель-подписчик», OPC UA для безопасного межплатформенного обмена данными в АС и HTTP(S)/REST API для веб-ориентированного управления и интеграции) на уровне критически важных элементов инфраструктуры, в особенности датчиков и шлюзовых устройств.

Примечание - Под архитектурой «издатель-подписчик» понимается шаблон проектирования систем обмена сообщениями, при котором отправители сообщений (издатели) не направляют сообщения непосредственно конкретным получателям (подписчикам), а классифицируют сообщения по темам без знания того, какие подписчики могут их получать. К поддерживаемым интерфейсам и протоколам относятся физические интерфейсы (RS-232, RS-485, Ethernet, USB, CAN), промышленные протоколы (Modbus, MQTT, OPC UA) и веб-ориентированные интерфейсы [HTTP(S)/REST API].

6.17 Для устранения узких мест в конвейере обработки данных и обеспечения максимальной пропускной способности вычислительной инфраструктуры на уровне центрального ЦОД требуется реализация высокопроизводительных интерфейсов ввода-вывода, характеризующихся экстремально высокой пропускной способностью и минимальной латентностью. Критически важные подсистемы (включая шины подключения графических ускорителей и накопителей NVMe, а также магистральные сетевые соединения) должны соответствовать современным стандартам, таким как PCI Express поколений 4.0 или 5.0 для обеспечения низкоуровневого взаимодействия между CPU, GPU и системами хранения данных, Ethernet-интерфейсам со скоростями 10 или 25 Гбит для минимизации задержек передачи больших массивов данных между серверами, кластерами хранения и вычислительными ресурсами.

6.18 Для обеспечения эффективной изоляции и управления ресурсами при развертывании критичных рабочих нагрузок (включая сервисы ИИ, системы управления базами данных и платформы обмена сообщениями) на центральных и периферийных вычислительных узлах требуется обязательная реализация аппаратной поддержки технологий виртуализации для базовой изоляции виртуальных машин, а также механизма Single Root I/O Virtualization для прямого аппаратного доступа к сетевым устройствам в виртуализированных средах, что обеспечивает высокопроизводительное исполнение как в контейнеризированных средах, так и в традиционных гипервизорных инфраструктурах.

6.19 Для обеспечения корректной эксплуатации, обслуживания и соответствия нормативным требованиям необходима разработка и поддержка в актуальном состоянии исчерпывающей технической документации на все компоненты системы, включающей детализированные схемы электрических и коммуникационных подключений, спецификации требований к параметрам электропитания (напряжение, ток, пиковая мощность, TDP) и допустимым условиям окружающей среды (температурный диапазон, влажность, вибрационные нагрузки), а также формализованное описание поддерживаемых коммуникационных протоколов, API и аппаратных интерфейсов взаимодействия с обязательным указанием версий и сертификационных статусов.

7 Требования к обучению систем искусственного интеллекта

7.1 Для эффективного обучения СИИ необходим тщательно подготовленный и размеченный набор данных. Набор данных должен интегрировать исторические данные, включающие параметры транспортных потоков (интенсивность, скорость, тип ТС), детальные характеристики ТС (тип двигателя, экологический класс, масса, тип топлива), метеорологические условия (температура, влажность, скорость и направление ветра, атмосферное давление, инсоляция) и результаты инструментальных измерений концентраций ЗВ или массовых выбросов. Общие требования к обучению моделей ИИ устанавливаются в соответствии с ГОСТ Р 71476, ГОСТ Р 59898 и ГОСТ Р 70462.1.

7.2 Ключевым элементом обеспечения интероперабельности и структурированного представления знаний является разработка формальной семантической онтологии. Данная онтология должна детально описывать:

а) номенклатуру ЗВ: перечень целевых ЗВ с их классификацией по дискретным классам (например, оксиды азота, углеводороды, твердые частицы как категории химических соединений или веществ) и физико-химическими характеристиками;

б) классификацию источников эмиссии: иерархическую таксономию ТС (легковые автомобили, легкие/тяжелые грузовики, автобусы, мототранспорт) с атрибутами типа двигателя (бензиновый, дизельный, гибридный, электрический, на газомоторном топливе), экологического стандарта (Евро-0 — Евро-7 и перспективные), массы и загрузки;

в) факторы формирования выбросов: параметры, детерминирующие уровень эмиссии, такие как мгновенная и средняя скорость движения ТС, режим эксплуатации (равномерное движение, разгон, торможение, холостой ход), продольный уклон дорожного полотна;

г) внешние воздействующие условия: метеорологические параметры (температура воздуха, относительная влажность, скорость и направление ветра, атмосферное давление, солнечная радиация), характеристики дорожной инфраструктуры (категория, тип покрытия, конфигурация перекрестков, наличие тоннелей), уровень транспортной загрузки (интенсивность движения);

д) пространственно-временные атрибуты: географические координаты (широта, долгота), высота над уровнем моря, временные метки (дата, время суток, день недели, месяц, сезон), пространственные привязки к элементам дорожной сети или зонам контроля.

7.3 Процесс разработки онтологии

Процесс разработки онтологии должен включать последовательные этапы:

а) идентификацию базовых концептов: четкое определение ключевых сущностей;

б) структурирование классов в построении таксономии (иерархии «как есть») для источников и ЗВ, определение объектных свойств («тип топлива», «выбросы») и атрибутов данных («имеет значение», «имеет модуль») с установлением семантических связей;

в) создание строгой иерархической структуры классов и подклассов; определение доменов и диапазонов для свойств, установление допустимых типов данных и физически обоснованных диапазонов значений для числовых атрибутов (например, скорость ТС: 0 — 200 км/ч; температура: от минус 50 °C до плюс 50 °C);

г) спецификация вариативных диапазонов: явное задание интервалов значений для количественных характеристик, включая статистические распределения и типичные режимы эксплуатации.

7.4 Онтологическая модель должна обладать следующими характеристиками:

а) адаптивность: возможность кастомизации под региональные особенности (специфика автопарка, преобладающие типы топлива, климатические условия, структура дорожной сети) без нарушения базовой структуры;

б) расширяемость: механизмы для бесшовной интеграции новых концептов: перспективные типы ТС (водородные, синтетическое топливо), новые классы ЗВ (например, ультрадисперсные частицы), дополнительные факторы влияния (степень износа двигателя, качество топлива), новые экологические стандарты. Особое внимание уделяется поддержке атрибутов для анализа пространственно-временной динамики (лаг-переменные, сезонные коэффициенты, пространственные автокорреляции).

7.5 Обучающий набор данных

Обучающий набор данных должен удовлетворять следующим критериям:

а) полнота охвата: набор должен репрезентативно отражать все целевые классы ЗВ, категории ТС, режимы движения (городской, загородный, пробочный), сезонные вариации, суточные циклы, разнообразные метеорологические сценарии и уровни транспортной нагрузки. Данные инструментальных замеров ЗВ должны выступать в качестве эталонных;

б) географическая и климатическая репрезентативность: необходимо включение данных из урбанизированных территорий различного масштаба (мегаполисы, средние и малые города), сельской местности, а также из различных климатических зон (арктическая, умеренная, континентальная, субтропическая) для обеспечения робастности модели;

в) корректность аннотации: все данные должны быть атрибутированы в строгом соответствии с разработанной семантической онтологией;

г) сбалансированность: распределение данных по ключевым классам должно быть сбалансированным для минимизации риска переобучения модели на доминирующие классы и обеспечения адекватного распознавания редких, но критически важных событий (например, сверхнормативные выбросы);

д) актуальность: набор данных подлежит регулярному обновлению (периодичностью не реже одного раза в год) для отражения динамики обновления парка ТС, эволюции топливной базы, введения новых экологических нормативов и изменений в дорожной сети;

е) стратифицированное разделение: данные разделяются на три непересекающихся подмножества: тренировочное (приблизительно 64% данных), валидационное (приблизительно 16%) и тестовое (приблизительно 20%). Разделение должно быть стратифицированным по ключевым факторам (сезонность, тип ТС, уровень загрязнения) и осуществляться с сохранением временной последовательности (тренировка на более ранних данных, тест — на более поздних) для корректной оценки прогностической способности;

ж) контроль качества данных (QC/QA), включающих выявление и обработку аномалий, устранение ошибок синхронизации разнородных источников данных, импутацию пропусков (с применением научно обоснованных методов), проверку на физическую достоверность значений и калибровку инструментальных измерений;

и) валидация входных данных: СИИ должны включать в себя модули проверки достоверности входных данных, включая сравнение с эталонными измерениями, проводимыми с использованием поверенных СИ (в соответствии с [1]). Валидация должна охватывать проверку на полноту, отсутствие искажений, метрологическую прослеживаемость и соответствие установленным нормативам точности. Пороговые значения для отклонений (например, не более 5% расхождения с эталонными данными) устанавливаются в техническом задании на систему. Результаты валидации документируются и используются для автоматической корректировки или отклонения недостоверных данных перед обучением модели;

к) правовое соответствие и защита данных: сбор и использование данных должны сопровождаться документированием источников (с указанием происхождения, даты получения и условий доступа), наличием согласий на обработку (включая информированное согласие субъектов ПДн в соответствии с [5] и соблюдение авторских прав на данные), а также процедурами анонимизации (удаление или маскировка идентифицирующей информации для предотвращения реидентификации). В случае использования синтетических данных или данных из открытых источников должен быть оформлен протокол соответствия требованиям конфиденциальности и этических норм.

7.6 В условиях ограниченности или несбалансированности реальных данных допускается применение техник аугментации для увеличения объема и разнообразия обучающей выборки. К допустимым методам относятся: добавление синтетического шума, имитирующего погрешности сенсоров; генерация новых сценариев на основе физико-математических моделей эмиссии; применение временных трансформаций (сдвиги, масштабирование сезонных компонент); осторожная интерполяция в пространственно-временном континууме.

7.7 Все представленные этапы подготовки данных подлежат детальному документированию. Документация обеспечивает воспроизводимость результатов и аудит процесса.

7.8 Обучение систем искусственного интеллекта

Обучение СИИ должно соответствовать следующим требованиям:

а) архитектурный выбор: определение оптимальной архитектуры вычислительной модели, адекватной решаемым задачам [регрессия (прогноз концентраций/выбросов), классификация (идентификация типа источника/загрязнения), временное прогнозирование];

б) оптимизация гиперпараметров: проведение систематического поиска и тщательного подбора гиперпараметров модели (скорость обучения, размер мини-пакета (размер партии), количество и типы слоев, количество нейронов/элементов внимания, функции потерь [MSE, MAE, Huber Loss для регрессии, Categorical Cross-Entropy для классификации), методы регуляризации (Dropout, L1/L2)];

в) итеративное обучение с валидацией: обучение проводится итеративно с обязательным мониторингом метрик на валидационной выборке. Применение кросс-валидации, в первую очередь временной кросс-валидации или скользящего контрольного окна, для надежной оценки производительности. Использование критериев ранней остановки для предотвращения переобучения;

г) экспериментальное исследование: проведение серии экспериментов с варьированием архитектурных решений, гиперпараметров, методов аугментации и предобработки данных для достижения оптимальных характеристик модели;

д) обеспечение надежности, воспроизводимости и оперативного управления долгосрочными экспериментами: требуется реализация автоматизированного механизма версионного сохранения контрольных точек (контрольных пунктов). Данный механизм должен активироваться при достижении экстремумов валидационных метрик (максимум F1 — score, минимум MAE) или с заданной периодичностью (эпохи/итерации). Каждая контрольная точка должна включать: тензоры весов модели, состояние оптимизатора, гиперпараметры текущей конфигурации, значения метрик обучения/валидации, идентификаторы эпохи и шага;

е) комплексная оценка производительности: оценка модели на всех этапах должна включать расчет специализированных метрик при решении задач регрессии [средняя абсолютная ошибка (MAE), среднеквадратическая ошибка (RMSE), MAPE, коэффициент детерминации R2, индекс согласия Уиллмотта (WIA)], классификации [точность (Accuracy), полнота (Recall), точность (Precision), F-мера (F1-Score), площадь под ROC-кривой], прогнозирования [симметричная MAPE (sMAPE), масштабированная средняя абсолютная ошибка (MASE)];

ж) оценка на независимом тестовом наборе: финализированная модель в обязательном порядке оценивается на изолированном тестовом наборе данных, не участвовавшем ни в обучении, ни в подборе гиперпараметров, для объективной проверки ее обобщающей способности;

и) контрольные выборки и OOD-тестирование: использование валидационной выборки для оперативного контроля в процессе обучения. Дополнительная оценка устойчивости модели на данных, выходящих за пределы распределения обучающей выборки, таких как экстремальные метеорологические явления, аварийные ситуации на дорогах, массовые мероприятия, данные из географически новых районов;

к) анализ устойчивости: оценка стабильности работы модели при наличии шума во входных данных, различном уровне пропусков значений, вариациях интенсивности трафика и воздействии экстремальных внешних факторов.

7.9 Все количественные метрики рассчитываются исключительно на независимом тестовом наборе данных. В качестве эталонных данных используются результаты измерений референтными или эквивалентными методами на стационарных постах КАВ, данные мобильных лабораторий высокого класса точности и/или результаты измерений PEMS. Тестирование включает широкий спектр сценариев: штатные условия эксплуатации, пиковые нагрузки (часы пик, массовые мероприятия), условия, способствующие накоплению ЗВ в приземном слое атмосферы.

Результаты представляются в виде интерактивных визуализированных диаграмм с возможностью фильтрации по типу ЗВ, категории ТС, временным интервалам, географическим зонам и условиям окружающей среды.

7.10 По завершении процесса обучения и валидации формируется итоговый отчет, содержащий детальное описание финальной модели ИИ и примененной методологии обучения; сводные таблицы достигнутых значений ключевых метрик производительности на валидационной и тестовой выборках для задач регрессии, классификации и прогнозирования; анализ ошибок модели: выявление систематических смещений, характеристика ситуаций с наибольшими ошибками (недооценка/переоценка), исследование зависимости точности от внешних условий (погода, загрузка дороги, тип ТС); оценку устойчивости модели к деградации входных данных (шум, пропуски) и экстремальным сценариям эксплуатации; выводы о применимости, сильных сторонах и ограничениях обученной модели в задачах мониторинга, оценки и прогнозирования выбросов. Четкое определение границ экстраполяции; научно обоснованные рекомендации по направлениям дальнейшего совершенствования: целевой сбор данных для покрытия «слепых зон», доработка онтологии, модификация архитектуры модели, тонкая настройка.

8 Методы контроля систем искусственного интеллекта

8.1 Комплексное тестирование направлено на верификацию точности, надежности, робастности и нормативного соответствия СИИ в решении ключевых задач: непрерывный мониторинг текущих уровней загрязнения атмосферы автотранспортными выбросами; количественная оценка вклада различных категорий ТС и факторов окружающей среды; краткосрочное и среднесрочное прогнозирование концентраций ЗВ; идентификация источников аномальных эмиссий.

8.2 Методы контроля для мониторинга источника: верификация осуществляется путем сравнения результатов СИИ с данными PEMS (Portable Emissions Measurement Systems) в соответствии с ГОСТ ISO 8178-11. Допустимое отклонение — не более +/- 15% относительной погрешности для газообразных ЗВ и не более +/- 20% для твердых частиц.

8.3 Методы контроля для мониторинга среды: верификация осуществляется путем сравнения с данными стационарных постов КАВ и мобильных лабораторий. Допустимое отклонение определяется в соответствии с требованиями к эквивалентным методам измерений, установленными нормативной документацией в области контроля качества атмосферного воздуха.

8.4 Тестовая среда должна максимально соответствовать эксплуатационной и использовать:

а) данные:

1. реальные данные: репрезентативный объем данных (один или более одного календарного года) от сети постов мониторинга КАВ, систем детекции и классификации ТС (систем обнаружения и классификации ТС на основе видеоаналитики, датчиков или ИИ для определения типов, скорости и интенсивности ТС), метеорологических станций, данных о структуре автопарка;

2. синтетические данные: специально сгенерированные наборы для моделирования критических и редких сценариев (протяженные дорожные заторы, комбинации неблагоприятных метеоусловий, ввод новых экологических стандартов);

3. контрольные наборы: данные с высокоточными эталонными измерениями (PEMS, референтные станции КАВ) для валидации точности системы;

б) вычислительные ресурсы, идентичные или эквивалентные эксплуатационным (GPU-серверы для обучения/инференса, CPU-edge устройства для сбора данных и предварительной обработки на периферии сети);

в) программные инструменты: использование специализированных платформ для трекинга экспериментов, библиотек для статистического анализа и бенчмаркинга, ГИС для пространственной визуализации и анализа.

8.5 Требования к тестовым наборам данных

Тестовые наборы данных должны:

• представлять структурированные временные ряды (концентрации ЗВ, параметры трафика, метеоданные), пространственные данные (координаты, векторы дорог), статические атрибуты (характеристики автопарка);
• охватывать все типы ЗВ, категории ТС по ГОСТ Р 52051, режимы движения, сезонные и суточные вариации, включая экстремальные метеоусловия;
• содержать эталонные измерения с известной и документированной погрешностью;
• составлять не менее 20% от общего объема исходного датасета, при этом данные должны быть строго изолированы от обучающей и валидационной выборок и хронологически следовать за ними.

8.6 Все используемые данные должны проходить процедуры анонимизации (при необходимости), гарантировать отсутствие ПДн или коммерческой тайны, соответствовать требованиям действующего законодательства о защите ПДн. Данные на всех этапах (хранение, передача, обработка) должны быть защищены криптографическими методами.

8.7 При тестировании и валидизации применим научно обоснованный подход:

• стратифицированное разбиение с учетом временной зависимости: формирование тренировочной (примерно 64%), валидационной (примерно 16%) и тестовой (примерно 20%) выборок осуществляется с обязательным сохранением временного порядка данных (тренировка на прошлом, тест на будущем) и стратификацией по ключевым факторам (сезон, тип преобладающего ЗВ, уровень трафика) для сохранения репрезентативности;
• временная кросс-валидация: использование методов, учитывающих временную структуру данных, таких как метод скользящего начала или расширяющегося окна, с контролем баланса представленности различных сезонных и климатических условий;
• тестирование на данных вне распределения (OOD): оценка устойчивости и обобщающей способности модели на данных, характеризующихся аномалиями: экстремальные погодные условия (сильный мороз, аномальная жара, смог), технические сбои в системе сбора данных (массовый отказ датчиков), данные, полученные в географических регионах, не представленных в обучающей выборке;
• валидация входных данных в процессе контроля: СИИ должны включать в себя модули проверки достоверности входных данных в реальном времени, включая сравнение с эталонными измерениями, проводимыми с использованием поверенных СИ, а также автоматическую идентификацию и обработку аномалий (например, расхождения более 3% от эталонных значений), обеспечение метрологической прослеживаемости и корректировку данных для предотвращения распространения ошибок на этапы анализа и прогнозирования. Периодичность валидации (не реже одного раза в сутки для оперативных данных) и критерии приемлемости устанавливаются в эксплуатационной документации. Результаты валидации фиксируются в протоколах испытаний и используются для оценки общей надежности системы;
• тестирование на данных вне распределения: оценка устойчивости и обобщающей способности модели на данных, характеризующихся аномалиями, включая экстремальные погодные условия (сильный мороз, аномальная жара, смог), технические сбои в системе сбора данных (массовый отказ датчиков), данные из географических регионов, не представленных в обучающей выборке, или нестандартные сценарии транспортных потоков (например, массовые мероприятия или аварии). OOD-тесты должны проводиться в соответствии с ГОСТ Р 70462.1, с фиксацией метрик робастности (например, расхождение точности на OOD-данных относительно базовых) и рекомендациями по доработке модели для повышения устойчивости к новым условиям эксплуатации и аномалиям.

8.8 Программа испытаний формулируется в соответствии с требованиями к методам контроля по ГОСТ Р 8.000 и ГОСТ Р 8.1030 (в части метрологической аттестации измерительных каналов), по ГОСТ Р 56939 (в части проверки устойчивости ПО к атакам) и предусматривает контроль соответствия выходных данных и алгоритмов системы требованиям руководящих документов в сфере мониторинга атмосферного воздуха и экологического нормирования. Результаты испытаний оформляются в виде протокола по ГОСТ Р 58973, включающего: сводные таблицы метрик (MAE, RMSE для регрессии, F1-score для классификации); выводы о соответствии/несоответствии системы заявленным характеристикам.

8.9 Документирование результатов тестирования должно содержать: сводные таблицы рассчитанных значений всех метрик как основного тестового набора, так и OOD-сценариев; визуализацию результатов (графики временных рядов фактических и прогнозных концентраций, карты пространственного распределения выбросов и ошибок оценки, примеры успешного и неудачного распознавания аномалий выбросов); детальный анализ результатов (идентификацию трех ЗВ или сценариев с наибольшей ошибкой; исследование корреляции между точностью модели и качеством входных данных/внешними условиями; научно-практические рекомендации по калибровке модели, дообучению или модификации входных данных); комплексное заключение о соответствии или несоответствии системы установленным целевым показателям, требованиям технического задания и релевантным нормативным документам.

8.10 Оценка экологической достоверности данных и прогнозов

8.10.1 Контроль работы СИИ должен включать не только оценку метрик точности алгоритмов (MAE, RMSE и т.д.), но и комплексную проверку экологической достоверности формируемых системой данных, оценок и прогнозов.

8.10.2 Оценка экологической достоверности должна проводиться на независимом тестовом наборе данных, репрезентативно охватывающем различные сценарии, и включать:

• верификацию физической правдоподобности выходных данных модели: проверку того, что прогнозируемые концентрации ЗВ и массовые выбросы соответствуют известным физическим закономерностям и диапазонам возможных значений для данных типов ТС и условий эксплуатации (например, выбросы CO2 коррелируют с расходом топлива, рост выбросов NOx при определенных режимах нагрузки двигателя);
• анализ согласованности результатов, полученных СИИ, с данными референтных методов измерений (хроматография, хемилюминесценция и др.) и показаниями поверенных СИ, не входящих в контур СИИ. Расхождение не должно превышать суммарной погрешности применяемых методик;
• оценку адекватности прогнозных моделей: способности системы корректно предсказывать изменение уровней загрязнения при изменении ключевых факторов (резкое увеличение трафика, смена метеоусловий, введение ограничительных мероприятий). Прогнозы должны проверяться на ретроспективных данных с известным исходом.

8.11 Валидация способности идентификации нарушителей экологических норм

8.11.1 СИИ должна проходить специальную процедуру валидации, подтверждающую ее способность с заданной надежностью идентифицировать ТС, осуществляющие выбросы с превышением установленных нормативов.

8.11.2 Валидацию следует проводить на специализированном тестовом наборе данных, содержащем подтвержденные случаи превышений нормативов выбросов (например, зафиксированные передвижными лабораториями PEMS или на стендах), а также данные о заведомо исправных ТС.

8.11.3 Процедура валидации должна включать оценку следующих характеристик системы:

• полнота (Recall) обнаружения нарушителей: доля правильно идентифицированных ТС с реальным превышением нормативов от общего количества известных нарушителей в тестовой выборке. Целевой показатель полноты должен быть установлен в техническом задании на систему;
• точность (Precision) идентификации: доля ТС, корректно идентифицированных как нарушители, от общего количества ТС, классифицированных системой как нарушители. Низкая точность приводит к высокому уровню ложных тревог;
• достоверность верификации нарушения: система должна предоставлять не только факт идентификации нарушения, но и верифицируемые данные, его подтверждающие (например, данные о превышении пороговых концентраций, зафиксированные в течение заданного временного интервала, с привязкой к конкретному ТС, его режиму движения и внешним условиям);
• устойчивость к помехам: способность системы сохранять работоспособность и не выдавать ложные положительные срабатывания в сложных условиях (например, при наличии других источников загрязнения, неблагоприятных метеоусловиях, влияющих на рассеивание, одновременном нахождении в зоне контроля нескольких ТС — потенциальных нарушителей).

8.11.4 Для ТС, идентифицированных системой как нарушители, должна быть обеспечена возможность формирования автоматизированного отчета (протокола), содержащего все необходимые данные для проведения административного расследования. Отчет должен включать временные метки, координаты, идентификационные данные ТС (при наличии), зафиксированные параметры выбросов, ссылку на превышенный норматив и данные об условиях проведения измерений.

8.12 Метрологическое обеспечение контроля

8.12.1 Все СИ, используемые в составе СИИ, должны быть утвержденного типа. СИ должны иметь действующее свидетельство о поверке, выданное аккредитованной метрологической службой в соответствии с требованиями [1].

8.12.2 Периодический контроль метрологических характеристик СИ, входящих в СИИ, должен включать:

• проведение обязательной первичной и периодической поверки СИ;
• операционный контроль в процессе эксплуатации;
• внеочередную поверку при возникновении сомнений в достоверности показаний или после проведения ремонта.

8.12.3 Для обеспечения качества поверки СИ, входящих в СИИ, должны использоваться:

• эталонные СИ 1 — 2 разрядов с действующими свидетельствами о поверке;
• стандартные образцы состава и свойств веществ, внесенные в Государственный реестр;
• аттестованные методики выполнения измерений;
• процедуры сличений показаний рабочих СИ с эталонными СИ.

8.12.4 При верификации результатов мониторинга, проведенного с использованием СИИ, должны применяться аттестованные методики измерений, включенные в ФИФ ОЕИ.

Расхождение между результатами измерений, полученными с использованием СИ, входящего в СИИ, и аттестованной методики измерений не должно превышать значения, равного квадратному корню суммы квадратов их погрешностей.

При использовании процедуры измерений в автоматическом режиме должна быть предусмотрена возможность отбора параллельных с используемыми для проведения рабочих измерений контрольных проб, однородных с рабочими. В этом случае для контроля используют аттестованную методику измерений.

8.12.5 Для целей валидации идентификации нарушителей экологических норм (см. 8.9) должны использоваться поверенные СИ, не входящие в контур СИИ, с обязательным документированием условий и результатов проведения измерений.

9 Обеспечение информационной безопасности

9.1 СИИ должна проходить ежегодные (не реже) аудиты безопасности для выявления уязвимостей (включая атаки на модели, данные и геопозиционирование). Аудит должен включать тестирование на соответствие требованиям ФСТЭК РФ (при наличии сертификата) и профилю защиты СИИ.

9.2 Контроль доступа к данным через реализацию принципа минимальных привилегий (RBAC) и строгой многофакторной аутентификации для доступа к обучающим и тестовым наборам данных (включая геоданные и изображения); к моделям ИИ и их конфигурациям; к интерфейсам управления системой и результатам анализа. При этом учетные записи операторов дорожного контроля и инспекторов ГИБДД должны проходить отдельную авторизацию.

9.3 Защита данных дефектов:

а) обеспечение защиты от модификации и утраты данных обучения/тестирования (изображения, лидарные данные, GPS-треки); аннотаций (типы дефектов, геометрия, координаты) и результатов работы системы;

б) безопасная разработка и обучение (SecML) через внедрение практик Secure Development Lifecycle ИИ и защиту от специфичных атак:

1. отправление данных (Data Poisoning): контроль целостности обучающих выборок, особенно для критичных классов;

2. составные атаки (Adversarial Attacks): тестирование устойчивости модели к искажениям изображений;

3. инференс-атаки (Model Inversion/Extraction): защита эксплуатируемых моделей на edge-устройствах (автомобили контроля);

4. атаки на геопозиционирование: обеспечение целостности данных GPS/ГЛОНАСС.

9.4 Шифрование данных

Применение алгоритмов шифрования, соответствующих ГОСТ 34.12 и ГОСТ Р 34.13, уровню защищенности, заявленному для СИИ.

Шифрование передаваемых и хранимых данных: изображений, облаков точек, треков, моделей, отчетов.

9.5 Управление криптографическими ключами

Управление криптографическими ключами включает:

• регулярную смену ключей шифрования (согласно корпоративной политике безопасности, но не реже одного раза в квартал);
• хранение ключей в HSM или сертифицированных СКЗИ (по требованиям ФСТЭК РФ).

Разделение ключей для данных обучения/эксплуатации/геопозиции.

9.6 Защита функциональности программного обеспечения автоматизированных систем

Защита функциональности ПО АС включает:

• контроль доступа к функциям СИИ: запуск/остановка анализа; изменение параметров моделей; экспорт данных дефектов;
• защиту от несанкционированного доступа к API и интерфейсам управления.

9.7 Защита обучающих данных

Защита обучающих данных включает:

• ограничение доступа к исходным обучающим наборам (включая эталонные геоданные и ручные замеры);
• предотвращение утечек и неправомерного использования.

9.8 Конфиденциальность тестовых данных при сертификации

Требования к конфиденциальности тестовых данных при сертификации:

• ключевое требование ФСТЭК РФ: тестовые наборы для сертификационных испытаний на соответствие требованиям безопасности (включая ФСТЭК РФ) должны быть строго конфиденциальны;
• разработчик и эксплуатирующая организация не должны иметь доступа к этим данным до и во время испытаний;
• данные передаются и обрабатываются только аккредитованным испытательным лабораториям по защищенным каналам.

9.9 Защита коммуникационных каналов с использованием взаимной аутентификации сторон (клиент-сервер, устройство ЦОД) с применением квалифицированных электронных подписей по [6]; сертифицированных криптографических сертификатов (ФСБ/ФСТЭК РФ) и применение защищенных протоколов (TLS 1.3+, IPSec) для передачи данных между компонентами системы (датчики -> автомобиль -> ЦОД).

9.10 Шифрование выходных данных: обязательное шифрование всей передаваемой информации; использование сертифицированных средств криптозащиты (средства защиты информации из реестра ФСТЭК РФ/ФСБ).

Приложение А (рекомендуемое)

ФУНКЦИОНАЛЬНАЯ СХЕМА СИСТЕМЫ МОНИТОРИНГА ВЫБРОСОВ ВРЕДНЫХ ВЕЩЕСТВ В АТМОСФЕРУ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

А.1 Общие положения

Функциональная схема системы мониторинга выбросов вредных веществ в атмосферу от автомобильного транспорта с использованием технологий ИИ представляет собой многоуровневую распределенную архитектуру, обеспечивающую сбор, предварительную обработку, анализ, прогнозирование и представление данных о выбросах ЗВ. Схема учитывает иерархический подход от источников данных к конечным потребителям с акцентом на реальном времени обработки, безопасности и интеграции AI-моделей. Коррекция описания включает уточнение уровней на основе визуальной схемы, добавление элементов, таких как безопасность данных, блокчейн для отчетов, поиск данных и API с TLS, для лучшего соответствия диаграмме, устранение смешанного языка и обеспечение полноты. На рисунке А.1 приведена функциональная схема системы мониторинга выбросов вредных веществ в атмосферу с применением ИИ.

Условные обозначения:

- компоненты с применением искусственного интеллекта;	- периферийная обработка;	- поток данных;
- источник данных;	- визуализация и API;	- защитный канал (API с TLS);
- центральная аналитика и хранение;	- потребители данных;	- связь со службами обеспечения

Рисунок А.1 — Функциональная схема системы мониторинга выбросов вредных веществ в атмосферу с применением ИИ

А.2 Уровни архитектуры системы

А.2.1 Уровень источников данных (Data Sources Layer):

• бортовые системы ТС (OBD-II, GPS/ГЛОНАСС);
• датчики IoT и источники данных;
• системы мониторинга;
• AI-камеры;
• метеостанции;
• сайты общественного использования и безопасности данных;
• стационарные посты КАВ;
• мобильные лаборатории (PEMS-системы);
• системы видеонаблюдения с ИИ-аналитикой.

А.2.2 Периферийный уровень обработки (Edge AI Processing Layer):

• шлюзы сбора данных и адаптеры протоколов;
• предварительная обработка данных (с частотой обновления, например, 21 Гц для ключевых потоков);
• протоколы IoT для передачи данных;
• устройства edge-вычислений для первичной фильтрации;
• системы буферизации и первичной фильтрации;
• периферийные модели ИИ: - детекция аномалий выбросов в реальном времени; - идентификация ТС по видеоаналитике; - классификация транспортных потоков;
• оптимизация передачи данных;
• системы предварительной агрегации данных;
• кэширование и синхронизация.

А.2.3 Центральный уровень аналитики (Central AI Analytics Layer):

• сервисы приема и валидации данных;
• многоуровневое хранилище данных (Data Lake, Big Data Storage);
• центральная ML-платформа: - обучение и тонкая настройка моделей ИИ; - автоматический подбор гиперпараметров; - версионность и управление моделями; - A/B-тестирование моделей;
• аналитические сервисы ИИ: - прогнозирование концентраций ЗВ; - детекция источников сверхнормативных выбросов; - оптимизация маршрутов для снижения эмиссии; - сегментация автопарка по эмиссионным характеристикам;
• агрегаторы данных и таблиц;
• поиск данных и анализ;
• службы отчетности и визуализации (включая блокчейн для обеспечения целостности отчетов);
• API-шлюзы для интеграции с внешними системами (с использованием TLS для безопасности).

А.2.4 Системы потребителей (Consumer Systems):

• регуляторные органы (Росприроднадзор);
• операторы городских транспортных систем;
• владельцы автопарков и логистические компании;
• научно-исследовательские организации;
• репозитории и платформы для хранения и доступа к данным;
• облачные сервисы для интеграции;
• системы научных вычислений и отчетов.

А.2.5 Службы обеспечения ИИ (AI Support Services):

• мониторинг качества работы моделей ИИ;
• деплой и обновление моделей на edge-устройства;
• защита от adversarial атак на модели ИИ;
• управление данными для обучения ИИ (включая аугментацию, валидацию и контроль качества);
• интеграция с системами безопасности данных и блокчейн для отчетов о прогнозах.

Приложение Б (рекомендуемое)

ВЗАИМОДЕЙСТВИЕ СИСТЕМЫ МОНИТОРИНГА ВЫБРОСОВ С ВНЕШНИМИ ИНФОРМАЦИОННЫМИ СИСТЕМАМИ

Б.1 Общие принципы взаимодействия

Б.1.1 Взаимодействие системы мониторинга выбросов с внешними информационными системами осуществляется на основе единых протоколов обмена данными и стандартов информационной безопасности.

Б.1.2 Обмен данными производится в режиме, близком к реальному времени, с использованием защищенных каналов связи и механизмов аутентификации.

На рисунке Б.1 приведена схема взаимодействия системы мониторинга выбросов с внешними информационными системами.

Рисунок Б.1 — Схема взаимодействия системы мониторинга выбросов с внешними информационными системами

Б.2 Взаимодействие с системами государственных органов

Б.2.1 Росгидромет:

• получение данных: метеорологическая информация, фоновые концентрации ЗВ, данные о неблагоприятных метеоусловиях;
• направление данных: передача данных о концентрациях ЗВ, карт загрязнения атмосферного воздуха;
• протоколы взаимодействия: REST API, SOAP, форматы данных JSON, XML.

Б.2.2 ГИБДД МВД России:

• получение данных: регистрационные данные ТС, информация о дорожно-транспортных происшествиях, данные о транспортных потоках;
• направление данных: информация о ТС с превышением нормативов выбросов, данные о потенциальных нарушениях экологических требований;
• протоколы взаимодействия: ЕАИСТО, защищенные VPN-каналы.

Б.2.3 Росприроднадзор:

• получение данных: нормативно-справочная информация, лимиты выбросов, данные о разрешительной документации;
• направление данных: сводные отчеты о выбросах ЗВ, данные инвентаризации выбросов, информация о нарушителях природоохранного законодательства;
• протоколы взаимодействия: ГИС-АТМОСФЕРА, веб-сервисы.

Б.3 Интеграция с транспортными системами

Б.3.1 Система мониторинга осуществляет сбор данных непосредственно с бортовых систем ТС через стандартизированные интерфейсы (OBD-II, CAN-шина).

Б.3.2 Взаимодействие с телематическими платформами обеспечивает получение данных о местоположении, скорости и режимах движения ТС.

Б.3.3 Обратная связь с транспортными системами включает передачу рекомендаций по оптимизации режимов движения для снижения эмиссии.

Б.4 Взаимодействие с инфраструктурными системами

Б.4.1 Интеграция с региональными сетями видеонаблюдения позволяет осуществлять автоматическую идентификацию ТС и анализ транспортных потоков.

Б.4.2 Взаимодействие с интеллектуальными транспортными системами обеспечивает оптимизацию дорожного движения с учетом экологических факторов.

Б.5 Порядок взаимодействия

Б.5.1 Обмен данными между системами осуществляется на основе регламентов взаимодействия, утверждаемых уполномоченными органами.

Б.5.2 Для обеспечения информационной безопасности используются сертифицированные СКЗИ.

Б.5.3 Процедуры взаимодействия включают:

• аутентификацию и авторизацию систем-участников;
• валидацию передаваемых данных;
• протоколирование операций обмена;
• мониторинг доступности каналов связи.

Б.6 Роль автомобильного транспорта в системе мониторинга

Б.6.1 ТС выступают как источники данных о параметрах работы двигателей и эмиссии ЗВ.

Б.6.2 Данные с ТС используются:

• для построения детализированных карт загрязнения атмосферного воздуха;
• идентификации ТС с повышенными выбросами;
• разработки оптимальных маршрутов движения;
• формирования экологических характеристик автопарков.

Б.6.3 Обратная связь с ТС позволяет осуществлять оперативную корректировку режимов эксплуатации для снижения экологической нагрузки.

БИБЛИОГРАФИЯ

[1]	Федеральный закон от 26 июня 2008 г. № 102-ФЗ «Об обеспечении единства измерений»
[2]	Федеральный закон от 21 июля 2014 г. № 219-ФЗ «О внесении изменений в Федеральный закон „Об охране окружающей среды“ и отдельные законодательные акты Российской Федерации»
[3]	СанПиН 1.2.3685-21 Гигиенические нормативы и требования к обеспечению безопасности и (или) безвредности для человека факторов среды обитания
[4]	Постановление Правительства Российской Федерации от 16 ноября 2020 г. № 1847 «Об утверждении перечня измерений, относящихся к сфере государственного регулирования обеспечения единства измерений»
[5]	Федеральный закон от 27 июля 2006 г. № 152-ФЗ «О персональных данных»
[6]	Федеральный закон от 6 апреля 2011 г. № 63-ФЗ «Об электронной подписи»

УДК 62-52:006.354	ОКС 35.240.60
Ключевые слова: системы искусственного интеллекта, автомобильный транспорт, мониторинг выбросов, вредные вещества

---