СЕРЕДОВИЩНО-ЦЕНТРИЧНА ПАРАДИГМА УПРАВЛІННЯ БЕЗПЕКОЮ: КОНЦЕПТУАЛЬНА ЗАСАДА РОЗВИТКУ КОНТРДРОННИХ СИСТЕМ

О.В. Дейнека

doi:10.17721/2519-481X/2025/89-10

Автор(и)

О.В. Дейнека Навчально-науковий інститут публічного управління та державної служби Київського національного університету імені Тараса Шевченка Автор

DOI:

https://doi.org/10.17721/2519-481X/2025/89-10

Ключові слова:

публічне управління, національна безпека, державна обороноздатність, дронні загрози, БПЛА, контрдронні технології, раннє попередження, системи ситуаційної обізнаності

Анотація

Стаття присвячена протидії дронним загрозам, спричинені застосуванням безпілотних систем у військових цілях, виходить далеко за межі суто технологічної задачі, сягаючи виміру державного управління у сфері військової безпеки. Масове впровадження і стрімке поширення технології роїння безпілотних літальних апаратів (БПЛА) висуває нові вимоги до організації сенсорних мереж алгоритмів обробки інформації та прийняття рішень у системах раннього попередження. Відтак питання їхньої ефективності слід розгляати не лише як інженерну проблему, але і як завдання формування нової парадигми у безпековому управлінні. У статті запропоновано концептуальну засаду для побудови архітектур систем виявлення безпілотних загроз на базі аналізу реакції навколишнього середовища на присутність або активність технічних об’єктів. У межах такого середовищно-центричного підходу детекція здійснюється не шляхом прямого спостереження за об’єктом, а через індикацію змін фізичних (акустичних, електромагнітних, гравітаційних) та інформаційних полів, які виникають у результаті взаємодії об’єкта з середовищем.
Методологічну основу дослідження становлять системний аналіз, міждисциплінарний порівняльний підхід, метод аналогії та концептуальне моделювання. Як емпіричні та теоретичні аналогії розглянуто такі системи, як глобальна гідроакустична мережа SOSUS, інтерферометричні гравітаційні обсерваторії LIGO, акустичні масиви для виявлення безпілотників та методи статистичного виявлення аномалій у кібербезпеці.
Отримані результати свідчать, що середовищно-центричний підхід може розглядатися як перспективна парадигма розвитку систем раннього попередження технологічних загроз, а середовищно-центрична детекція - як концептуальна засада систем попередження і виявлення множинних безпілотних загроз. Зокрема, акустичні сенсорні мережі можуть стати основою масштабованих систем моніторингу повітряного простору, здатних функціонувати як елементи розподіленої інфраструктури безпеки.
Проведений аналіз показує, що більшість існуючих систем детекції БПЛА орієнтовані на пряме виявлення самого об’єкту за допомогою радарів, камер або радіочастотного моніторингу – на відміну від аналізу змін навколишнього середовища, спричинених рухом безпілотного апарата: акустичних аномалій, змін повітряних потоків або інших фізичних параметрів середовища. За рахунок багатомодального паралельного підтвердження первинних сигналів детекції БПЛА подібні підходи підвищують надійність виявлення та скорочують час верифікації, а також дозволяють завчасно приводити контрдронну систему у стан готовності для реагування на дронні загрози, у тому числі у вигляді роїв БПЛА.

Біографія автора

автор О.В. Дейнека, афіліація Навчально-науковий інститут публічного управління та державної служби Київського національного університету імені Тараса Шевченка

ORCID: 0009-0003-3296-8710

Посилання

1. Wang, J., Liu, Y., & Song, H. (2020). Counter-unmanned aircraft systems: State of the art, challenges, and future trends. Journal of Defense Management. https://doi.org/10.48550/arXiv.2008.12461

2. NATO Science and Technology Organization. (2021). Threat: Counter unmanned aircraft systems (STO-MP-MSG-SET-183). https://doi.org/10.14339/STO-MP-MSG-SET-183-KN-1P-PDF

review. ISPRS Journal of Photogrammetry and Remote Sensing, 92, 79–97. https://doi.org/10.1016/j.isprsjprs.2014.02.013

4. Finn, R., & Wright, D. (2016). Privacy, data protection and ethics for civil drone practice. Computer Law & Security Review, 32(4), 577–586. https://doi.org/10.1016/j.clsr.2016.04.004

5. Schmitt, F., & Schulz, D. (2021). Acoustic detection of small UAVs in urban environments. Sensors, 21(6), 2225. https://doi.org/10.3390/s21062225

6. Al-Emadi, S., & Al-Saadi, M. (2020). RF-based detection and classification of UAVs using machine learning. IEEE Access, 8, 111214–111227. https://doi.org/10.1109/ACCESS.2020.2991234

7.Zhang, Y., Wang, H., & Li, J. (2022). Multi-sensor data fusion for UAV detection and tracking. IEEE Sensors Journal, 22(12), 11734–11745. https://doi.org/10.1109/JSEN.2022.3165462

8. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org/

9. Sheihas, O. K., Stepanko, O. S., & Dubovyk, H. V. (2025). Vykorystannia shtuchnoho intelektu dlia navihatsii bezpilotnykh litalnykh aparativ. Systemy obrobky informatsii, 1(180), 101–108. https://doi.org/10.30748/soi.2025.180.11

10. Leha, O., Martovytskyi, V., Severin, I. (2025). Analiz metodiv vyiavlennia bezpilotnykh litalnykh aparativ. Systemy upravlinnia, navihatsii ta zviazku, 2(80), 101–108. https://doi.org/10.26906/SUNZ.2025.2

11. Tiutiunyk, V., Lievtierov, O., Tiutiunnyk, O., Usachov, D. (2025). Akustychnyi metod identyfikatsii zastosuvannia bezpilotnykh litalnykh aparativ yak dzherel nadzvychainykh sytuatsii. Social Development and Security, 15(1). https://doi.org/10.33445/sds.2025.15.1.26

12. Krutii, O. (2025). Prohramnyi modul detektuvannia droniv na osnovi akustychnoi identyfikatsii. Ternopil: ZUNU. 51 s. https://ЦОСace.wunu.edu.ua/handle/316497/54838

13. Dzelendziak, U., Pazyniuk, M. (2023). Systema vyiavlennia litalnykh aparativ na osnovi analizu zvukovykh syhnaliv. Computer Systems and Networks, 5(1). https://doi.org/10.23939/csn2023.01.029

14. Nyzhnyk, A., Partyka, A. (2025). Rozrobka kontseptsii systemy vyiavlennia ta zneshkodzhennia BPLA z vykorystanniam droniv-perekhopliuvachiv. Computer Systems and Networks, 7(1). https://doi.org/10.23939/csn2025.01.235

15. Thompson, A. R., Moran, J. M., & Swenson, G. W. (2017). Interferometry and synthesis in radio astronomy (3rd ed.). Springer. https://doi.org/10.1007/978-3-319-44431-4

16. Monnier, J. D., & Allen, R. J. (2012). Radio and optical interferometry: Basic observing techniques and data analysis. Annual Review of Astronomy and Astrophysics. https://arxiv.org/abs/1203.1037

17. Van Veen, B. D., & Buckley, K. M. (1988). Beamforming: A versatile approach to spatial filtering. IEEE ASSP Magazine, 5(2), 4–24. https://doi.org/10.1109/MASSP.1988.1162946

18. Azzouz, M., Bechler, D., & Zoubir, A. M. (2019). Drone detection using microphone arrays and machine learning. In Proceedings of ICASSP 2019. https://doi.org/10.1109/ICASSP.2019.8683231

19. Kim, J., Lee, S., & Kim, H. (2020). Acoustic drone detection using beamforming and deep neural networks. IEEE Sensors Journal, 20(15), 8786–8795. https://doi.org/10.1109/JSEN.2020.2962456

20. Schmidt, R., Schubert, M., & Dietrich, P. (2021). Direction-of-arrival estimation for UAV detection using acoustic sensor arrays. In Proceedings of IEEE Sensors Conference. https://doi.org/10.1109/IEEESensors.2021.9548963