Розробка системи захисту мовної інформації при застосуванні мовоподібної завади

Лисенко, Олексій Анатолійович
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: https://er.chdtu.edu.ua/handle/ChSTU/9559
Повний запис метаданих
Поле DC	Значення	Мова
dc.contributor.advisor	Палагіна, Олена Анатоліївна	-
dc.contributor.author	Лисенко, Олексій Анатолійович	-
dc.date.accessioned	2026-06-15T14:05:24Z	-
dc.date.available	2026-06-15T14:05:24Z	-
dc.date.issued	2026	-
dc.identifier.uri	https://er.chdtu.edu.ua/handle/ChSTU/9559	-
dc.description.abstract	Метою роботи є розробка та впровадження програмно-апаратного комплексу для генерації нестаціонарних завад на основі адаптивних Марковських моделей, що унеможливлюють відновлення мови при використанні професійних засобів очищення сигналів	uk_UA
dc.language.iso	uk	uk_UA
dc.subject	активний акустичний захист	uk_UA
dc.subject	марковські моделі (HMM)	uk_UA
dc.subject	мовоподібна завада	uk_UA
dc.subject	Raspberry Pi 4	uk_UA
dc.subject	когнітивне маскування	uk_UA
dc.title	Розробка системи захисту мовної інформації при застосуванні мовоподібної завади	uk_UA
dc.type	Bachelor Thesis	uk_UA
Розташовується у зібраннях:	172 Електронні комунікації та радіотехніка (Радіотехніка та робототехнічні системи)
Файли цього матеріалу:
Файл	Опис	Розмір	Формат
172_Б_РТ_Лисенко_Палагіна.pdf Restricted Access		2.54 MB	Adobe PDF	Переглянути/Відкрити Запит копії
Показати базовий опис матеріалу Перегляд статистики
Усі матеріали в архіві електронних ресурсів захищено авторським правом, усі права збережено.
Extracted text
 
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ 
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ 
ФАКУЛЬТЕТ  ЕЛЕКТРОННИХ ТЕХНОЛОГІЙ, АВТОТРАНСПОРТУ ТА 
МАШИНОБУДУВАННЯ 
КАФЕДРА РОБОТОТЕХНІЧНИХ І ТЕЛЕКОМУНІКАЦІЙНИХ СИСТЕМ ТА 
КІБЕРБЕЗПЕКИ 
 
 
До захисту допущено  
завідувач кафедри РТСК 
д.т.н., професор  
____________ Володимир ПАЛАГІН  
"_____" _____________ 2026 року 
 
 
Пояснювальна записка 
до кваліфікаційної роботи  
  бакалавра   
 
(освітньо-кваліфікаційний рівень) 
на тему Розробка системи захисту мовної інформації при застосуванні 
мовоподібної завади 
 
Виконав: студент  4  курсу, групи    РТ-225    
Спеціальності         172 – Телекомунікації та 
радіотехніка , 
(шифр і назва спеціальності) 
 
освітньої програми  «Радіотехніка та 
робототехнічні системи»  
                         (назва освітньої програми) 
  Лисенко О.А.   
(прізвище та ініціали) 
Керівник  Палагіна О.А.  
(прізвище та ініціали) 
Рецензент  Бондаренко М.О.  
(прізвище та ініціали) 
 
 
Черкаси – 2026  
Форма № Н-9.01 
 
ЧЕРКАСЬКИЙ ДЕРЖАВНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ 
Факультет електронних технологій, автотранспорту та машинобудування 
Кафедра  робототехнічних і телекомунікаційних систем та кібербезпеки  
Освітньо-кваліфікаційний рівень  бакалавр  
Спеціальність 172 – Телекомунікації та радіотехніка 
Освітня програма  – Радіотехніка та робототехнічні системи  
 (шифр і назва) 
 
 
 
ЗАТВЕРДЖУЮ 
Завідувач кафедри __________Володимир ПАЛАГІН 
“_____” ___________________ 2026 року 
 
ЗАВДАННЯ 
НА КВАЛІФІКАЦІЙНУ РОБОТУ СТУДЕНТУ 
 
 Лисенко Олексій Анатолійович ________________  
(прізвище, ім’я, по батькові) 
1. Тема проекту (роботи) Розробка системи захисту мовної інформації при 
застосуванні мовоподібної завади  
  
керівник проекту (роботи)  Палагіна Олена Анатоліївна  
(прізвище, ім’я, по батькові, науковий ступінь, вчене звання) 
затверджені наказом вищого навчального закладу від «13» квітня 2026 року № 94/03-03 
 
2. Термін здачі студентом закінченої роботи  “ 01 ” червня 2026 року _________ 
 
3. Вихідні дані до роботи: апаратно-програмна платформа: мікрокомп’ютер Raspberry 
Pi 4 Model B з інтегрованим аудіоінтерфейсом; метод формування завади — імовірнісний 
синтез на основі Марковських моделей з динамічним наповненням банку фонем (розмір 
черги L_{max} = 200). Параметри обробки сигналу: частота дискретизації 44,1 кГц, час 
аналізу сегмента (вікно адаптації) — 100 мс). Система захисту має забезпечувати 
багатоканальну генерацію (хор із 6 незалежних потоків), автоматичне регулювання рівня 
зашумлення залежно від потужності вхідного голосу та вихідну потужність 
акустичного випромінювання, ефективне маскування мови в радіусі до 3–5 метрів. 
 
4. Зміст розрахунково-пояснювальної записки (перелік питань, що їх належить розробити) 
аналіз сучасних загроз витоку мовної інформації та методів її захисту; теоретичне 
обґрунтування та розробка методу формування мовоподібної завади на основі 
марковських моделей; експериментальні дослідження та оцінка ефективності 
розробленої системи;  охорона праці.  
 
5.  Перелік графічного матеріалу (з точним зазначенням обов’язкових креслень, плакатів)  
1. Класифікація акустичних каналів витоку інформації; 2. Часові та спектральні 
характеристики досліджуваних сигналів; 3. Порівняльна характеристка відновлення 
сигналів; 4. Узагальнена структурна схема реалізації Марковської моделі на платформі 
Raspberry Pi 5. Плакат по охороні праці.  
.
6. Консультанти з проекту (роботи) із зазначенням розділів проекту, що їх стосуються 
Розділ Прізвище, ініціали та посада Підпис, дата 
консультанта завдання завдання 
видав прийняв 
Охорона праці  Олексій КОЖЕМ’ЯКІН   
 старший викладач кафедри 
безпеки життєдіяльності   
    
 
7. Дата видачі завдання  13 квітня 2026 року  
  
 
 
 
 
КАЛЕНДАРНИЙ ПЛАН 
 
№ Назва етапів дипломного проекту  Термін  
з/п (роботи)  виконання етапів Примітка  
проекту (роботи) 
1. Аналіз технічного завдання та пошук 
літератури 13.04.26 – 16.04.26  
 Аналіз сучасних загроз витоку мовної  
інформації та методів її захисту 17.04.26 –25.04.26 
2. Теоретичне обґрунтування та розробка  
методу формування мовоподібної завади 26.04.26 – 30.04.26 
 Розробка алгоритму генератора 01.05.26 – 07.05.26  
мовоподібної завади на основі hmm 
3. Експериментальні дослідження та оцінка  
ефективності розробленої системи 08.05.26 – 15.05.26 
 Аналіз особливостей практичної реалізації 
моделі активного захисту при 16.05.26 – 21.05.26  
застосуванні платформи raspberry pi 
7. Виконання розділу охорони праці  22.05.26 – 26.05.26  
8. Оформлення пояснювальної записки 27.04.26 – 29.05.26  
9. Оформлення презентації 30.05.26 – 31.05.26  
 
 
 
Студент        Олексій ЛИСЕНКО  
 ( підпис ) (прізвище та ініціали) 
 
Керівник проекту (роботи)  Олена ПАЛАГІНА  
 ( підпис ) (прізвище та ініціали) 
 
ЗМІСТ 
 
ВСТУП 5 
РОЗДІЛ 1. АНАЛІЗ СУЧАСНИХ ЗАГРОЗ ВИТОКУ МОВНОЇ 6 
ІНФОРМАЦІЇ ТА МЕТОДІВ ЇЇ ЗАХИСТУ 
1.1. Класифікація та особливості каналів витоку інформації 6 
1.2. Аналіз існуючих засобів пасивного захисту 14 
1.3. Аналіз існуючих засобів активного захисту акустичної інформації  16 
1.4. Методи захисту від інтелектуальних атак та AI-фільтрів 25 
1.5. Висновки 27 
РОЗДІЛ 2. ТЕОРЕТИЧНЕ ОБҐРУНТУВАННЯ ТА РОЗРОБКА  
МЕТОДУ ФОРМУВАННЯ МОВОПОДІБНОЇ ЗАВАДИ НА ОСНОВІ  
МАРКОВСЬКИХ МОДЕЛЕЙ 29 
2.1. Марковські моделі та їх застосування 29 
2.2. Математична модель мовоподібного сигналу 33 
2.3. Алгоритм генератора мовоподібної завади на основі HMM 38 
2.4. Концепція «Plug-and-Protect» та її реалізація 42 
2.5. Висновки 43 
РОЗДІЛ 3. ЕКСПЕРИМЕНТАЛЬНІ ДОСЛІДЖЕННЯ ТА ОЦІНКА 44 
ЕФЕКТИВНОСТІ РОЗРОБЛЕНОЇ СИСТЕМИ 
3.1. Експериментальні дослідження та оцінка ефективності 44 
розробленої системи 
3.2. Результати моделювання та тестування системи 51 
3.3. Особливості практичної реалізації моделі активного захисту при 64 
застосуванні платформи Raspberry Pi 
РТ225.21270.248 ПЗ 
Змн. Арк. № докум. Підпис Дата 
 Розроб.  Лисенко О.А.   Літ. Арк. Акрушів 
 Перевір. Палагіна О.А..  Розробка системи захисту мовної 3  
 Реценз.  інформації при застосуванні 
 Н. Контр.   мовоподібної завади ЧДТУ 
 Затверд. Палагін В.В. 
 
 
3.4. Практичне застосування та рекомендації по впровадженню 58 
системи активного захисту 
3.5. Висновки 63 
  
РОЗДІЛ 4. ОХОРОНА ПРАЦІ   65 
4.1. Аналіз небезпек та шкідливостей, що впливають на співробітника 65 
в радіотехнічній лабораторії 
4.2. Модернізація системи загального штучного освітлення дослідної 76 
лабораторії 
  
ВИСНОВКИ 82 
  
СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ 84 
 
Лист 
РТ225.21270.248 ПЗ  
Змін.  Лист № докум. Підпис Дата 
 
 
ВСТУП 
Сучасний етап розвитку інформаційного суспільства характеризується 
стрімким вдосконаленням технічних засобів несанкціонованого зняття 
акустичної інформації, що створює серйозні загрози для конфіденційності 
ділових та державних комунікацій. Актуальність дослідження зумовлена 
появою складних алгоритмів цифрової обробки сигналів на основі штучного 
інтелекту, які здатні ефективно відфільтровувати класичні завади типу 
«білого» або «рожевого» шуму. Це вимагає розробки нових, більш 
інтелектуальних методів маскування, які б забезпечували високий рівень 
активного захисту акустичної інформації. 
Проблематика та виклики у сфері активного акустичного захисту 
полягають у необхідності створення такої завади, яка б максимально 
перекривала інформативні складові мови, не створюючи при цьому 
надмірного дискомфорту для присутніх. Головним викликом є динамічна 
природа людського мовлення, що вимагає від засобів захисту миттєвої 
адаптації до індивідуального тембру, темпу та спектральних характеристик 
диктора. Традиційні стаціонарні завади часто виявляються недостатньо 
ефективними проти алгоритмів спектрального віднімання та нейронних 
мереж, здатних виділяти корисний сигнал навіть за умов низького відношення 
сигналу до шуму. 
Для вирішення цих проблем у роботі запропоновано підхід, що базується 
на використанні Марковських моделей для генерації мовоподібних завад у 
реальному часі. Концепція передбачає динамічну класифікацію вхідного 
сигналу з наступним імовірнісним синтезом захисного сигналу з фрагментів 
власного голосу мовця. Такий метод реалізує принцип «Plug-and-Protect», 
дозволяючи системі на базі мікрокомп'ютера Raspberry Pi 4 автоматично 
підлаштовувати статистичні параметри завади під поточну акустичну 
ситуацію без попереднього збору бази даних. 
Лист 
 РТ225.21270.248 ПЗ 5 
Змін.     
Лист № докум. Підпис Дата  
 
РОЗДІЛ 1 
АНАЛІЗ СУЧАСНИХ ЗАГРОЗ ВИТОКУ МОВНОЇ ІНФОРМАЦІЇ 
ТА МЕТОДІВ ЇЇ ЗАХИСТУ 
 
1.1. Класифікація та особливості каналів витоку інформації 
У сучасному інформаційному суспільстві дані стали стратегічним 
ресурсом, від якого залежить стабільність державних інституцій, 
життєдіяльність критичної інфраструктури та економічний розвиток. 
Глобальна цифровізація та впровадження хмарних технологій створили нове 
середовище загроз, де кібератаки та несанкціонований доступ до 
конфіденційних відомостей можуть призвести до катастрофічних наслідків. 
Захист інформації сьогодні є не просто технічним завданням, а 
фундаментальною складовою національної безпеки, що потребує 
комплексного підходу до забезпечення цілісності, доступності та 
конфіденційності даних у будь-яких проявах. 
Для спеціалізованих об'єктів, таких як ситуаційні центри, військові 
штаби чи науково-дослідні лабораторії, вимоги до безпеки зростають 
експоненціально. У таких установах циркулює інформація з обмеженим 
доступом, витік якої може скомпрометувати державну таємницю або 
призвести до втрати пріоритету в критично важливих технологіях. Специфіка 
захисту на подібних об'єктах вимагає використання не лише програмних 
брандмауерів, а й засобів технічного захисту інформації (ТЗЗІ), що 
нейтралізують фізичні канали витоку через побічні електромагнітні 
випромінювання та наведення. 
На рисунку 1.1 наведена класифікація пристроїв несанкціонованого 
зняття інформації, де предметом розгляду даної роботи будуть акустичні 
сигнали [1-4]. 
 
Лист 
 РТ225.21270.248 ПЗ 6 
Змін.  
Лист № докум. Підпис Дата  
 
 
Рисунок 1.1 - Класифікація пристроїв несанкціонованого зняття 
інформації 
 
У цивільній сфері, зокрема в умовах жорсткої ринкової конкуренції, 
захист мовної інформації набуває критичного значення для збереження 
комерційної таємниці та стратегічних переваг бізнесу. Витік інформації під 
час закритих нарад, де обговорюються плани злиття компаній, умови великих 
контрактів, маркетингові стратегії або інноваційні розробки, може призвести 
до величезних фінансових збитків або навіть банкрутства підприємства. 
Сучасне промислове шпигунство активно використовує доступні технічні 
засоби перехоплення звуку, що робить проблему забезпечення 
конфіденційності переговорів у конференц-залах та кабінетах керівництва не 
менш пріоритетною, ніж кіберзахист корпоративних серверів [5-7]. 
Крім економічних аспектів, захист мовної інформації у цивільному 
секторі тісно пов'язаний із забезпеченням конституційного права на 
приватність та захистом персональних даних. У банківських установах, 
медичних центрах, адвокатських конторах та нотаріальних архівах щодня 
Лист 
 РТ225.21270.248 ПЗ 7 
Змін. Лист  
№ докум. Підпис Дата  
 
озвучується конфіденційна інформація про клієнтів, фінансовий стан та 
юридичні справи, розголошення якої загрожує не лише репутаційними 
втратами, а й судовими позовами. Використання інтелектуальних систем 
захисту, здатних запобігати запису голосу на цифрові пристрої відвідувачів 
або сторонні мікрофони, стає стандартом етики та безпеки в сучасних ділових 
відносинах, де довіра клієнта є найвищою цінністю.  
В таблиці 1.1. наведена згальна класифікація технічних каналів витоку 
інформації, захист якої потребує розуміння фізичних принципів 
розповсюдження сигналів і створення технічних засобів для пасивного та 
активного перешкоджання цьому. Наведемо коротку характеристику 
наведеним катакам витоку та інструментарію, який може використати 
зловмисник для здійснення атаки для зняття конфеденційної інформації. 
Акустичний канал. Інформація переноситься звуковими хвилями через 
повітряне середовище. Це найбільш прямий шлях витоку мовної інформації. 
Захист тут здійснюється шляхом звукоізоляції або активного зашумлення 
(створення перешкод, які не дозволяють виділити голос). 
Класифікація акустичних каналів витоку наведена на рис.1.2., де 
виділяють канали витоку по природі створення, середовищу поширення, 
діапазону частот. Розуміння фізичних принципів витоку та розповсюдження 
сигналів сприяє створення ефективних засобів протидії, які постійно 
вимагають свого вдосконалення. 
Найбільш поширеними та доступними засобами для зняття акустичної 
інформації є малогабаритні цифрові диктофони та дротові мікрофони, які 
можуть бути приховано розміщені безпосередньо в приміщенні. Сучасні 
пристрої такого типу мають надзвичайно високу чутливість і здатні 
записувати звук протягом сотень годин, залишаючись непомітними завдяки 
мініатюрним розмірам. Окрім накопичувачів, часто використовуються 
радіозакладки («жучки»), які передають перехоплений звук у реальному часі 
Лист 
 РТ225.21270.248 ПЗ  8 
Змін. Лист № докум. Підпис Дата  
 
через радіоефір, мережі Wi-Fi або мобільний зв'язок, що дозволяє зловмиснику 
перебувати на значній відстані від об'єкта прослуховування. 
Таблиця 1.1 - Загальна класифікація технічних каналів витоку 
інформації 
Фізична природа та Механізм витоку та засоби 
Вид каналу 
носій перехоплення 
Звукові хвилі в Пряме прослуховування, спрямовані 
Акустичний 
повітрі мікрофони, диктофони. 
Пружні коливання в Вібрація стін, вікон, труб; стетоскопи, 
Віброакустичний 
конструкціях лазерні віброметри. 
"Мікрофонний ефект" у телефонах, 
Електричні сигнали в 
Акустоелектричний датчиках пожежної сигналізації, 
проводах 
динаміках оповіщення. 
Електромагнітний Електромагнітні поля Випромінювання від моніторів, 
(ПЕМВН) (ЕП) процесорів; радіозакладки ("жучки"). 
Наведення струму в Просочування сигналів у мережу 
Електричний 
лініях живлення 220В, контури заземлення. 
Фотони (видимий/ІЧ Візуальне спостереження, читання по 
Оптичний 
спектр) губах, приховані відеокамери. 
Матеріальні Незнищені чернетки, сміття, втрачені 
Матеріально-речовий 
відходи/носії флеш-накопичувачі. 
 
Рисунок 1.2 – Класифікація акустичних каналів витоку інформації 
Лист 
 РТ225.21270.248 ПЗ  9 
Змін. Лист № докум. Підпис Дата  
 
Для дистанційного перехоплення без проникнення на об'єкт 
використовуються гостроспрямовані мікрофони та лазерні системи 
моніторингу. Спрямовані мікрофони (параболічні або трубчасті) дозволяють 
знімати акустичну інформацію з відкритих вікон або балконів на відстані до 
декількох сотень метрів. Більш технологічним методом є використання 
лазерних віброметрів, які дистанційно опромінюють віконне скло або інші 
пласкі поверхні в приміщенні. Лазерний промінь фіксує мікровібрації скла, 
викликані голосом, а спеціальний приймач де модулює відбитий сигнал, 
відновлюючи зміст розмови з високою точністю (рисунку 1.3) [4]. 
 
Рисунок 1.3 – Приклад акустичних каналів витоку інформації 
 
Віброакустичний канал. Виникає, коли звук перетворюється на 
вібрацію конструкцій (стін, скла). Це дозволяє зловмиснику «слухати стіни» 
або використовувати лазер для зчитування вібрації вікна з великої відстані. 
Стетоскопічні мікрофони дозволяють знімати звукові коливання через масивні 
конструкції: стіни, перекриття або інженерні комунікації, як-от труби 
опалення та водопостачання. Крім того, активізувалися методи 
«високочастотного нав'язування», коли на технічні засоби (наприклад, 
телефонні апарати або пожежні датчики) подається зовнішнє зондувальне 
Лист 
 РТ225.21270.248 ПЗ 10 
Змін.  
Лист № докум. Підпис Дата  
 
випромінювання. В результаті акустичні коливання в кімнаті модулюють цей 
сигнал, що дозволяє зловмиснику дистанційно знімати інформацію навіть 
через пристрої, які офіційно вимкнені або не мають власних джерел живлення 
(рисунок 1.4) [4]. 
 
Рисунок 1.4 – Приклад віброакустичних каналів витоку інформації 
 
Акустоелектричний канал. Акустоелектричний канал витоку 
інформації належить до найбільш підступних завад, оскільки він базується на 
небажаному перетворенні акустичних коливань у електричні сигнали в 
пристроях, які за своїм призначенням не мають обробляти звук. Цей процес 
відбувається через так званий «мікрофонний ефект», коли елементи 
електронних схем (котушки індуктивності, конденсатори, дроти) під дією 
звукового тиску змінюють свої параметри, модулюючи струм, що протікає 
через них. В результаті звичайна офісна техніка — від телефонних апаратів 
старого зразка до датчиків охоронної сигналізації та гучномовців — 
перетворюється на імпровізовані мікрофони, здатні транслювати розмови за 
Лист 
 РТ225.21270.248 ПЗ 
  11 
Змін. Лист № докум. Підпис Дата  
 
межі приміщення по лініях зв’язку або мережі електроживлення (рисунок 1.5) 
[4]. 
 
Рисунок 1.5 – Приклад акустоелектричних каналів витоку інформації 
 
Особлива небезпека цього каналу полягає у можливості його 
дистанційної активації методом «високочастотного нав’язування». 
Зловмисник може подати потужний високочастотний сигнал у лінію, що веде 
до пристрою в кабінеті. Цей сигнал взаємодіє з елементами, схильними до 
мікрофонного ефекту, модулюється акустикою приміщення і повертається 
назад у лінію вже в інформативному вигляді. Такий метод дозволяє 
здійснювати прослуховування навіть тоді, коли кінцевий пристрій (наприклад, 
телефон) знаходиться у режимі очікування або офіційно вимкнений. Саме 
тому захист від акустоелектричних перетворень потребує встановлення 
спеціальних фільтрів та обмежувачів на всі комунікаційні лінії, що виходять 
за межі контрольованої зони. 
Електромагнітний канал (ПЕМВН).  Будь-яка електронна техніка під 
час роботи створює побічні електромагнітні випромінювання та наведення. 
Зловмисник зі спеціальною антеною може дистанційно відтворити 
зображення з монітора або перехопити дані, що передаються по кабелю. 
Лист 
 РТ225.21270.248 ПЗ  12 
Змін. Лист № докум. Підпис Дата  
 
Електричний канал. Інформативні сигнали можуть «просочуватися» в 
лінії електроживлення або металеві конструкції (наприклад, труби) через 
паразитарні зв'язки. Це дозволяє знімати дані навіть за межами приміщення, 
просто підключившись до розетки в сусідньому кабінеті. 
Оптичний канал. Пов'язаний із прямою видимістю об'єктів або 
документів. Сюди відноситься читання по губах, використання прихованих 
камер або потужної оптики для спостереження через вікна. 
Матеріально-речовий канал. Найпростіший, але небезпечний шлях. 
Витік відбувається через викинуті чернетки, роздруковані паролі або 
несправні флеш-накопичувачі, які не були належним чином знищені. 
Особливе місце в ієрархії конфіденційних даних посідає мовна 
інформація, оскільки саме вербальна комунікація залишається основним 
інструментом прийняття управлінських рішень та обміну сенситивними 
відомостями під час нарад. Акустичний та віброакустичний канали витоку є 
найбільш природними та водночас складними для контролю, оскільки звук 
здатний поширюватися через конструкції будівель, системи вентиляції та 
інженерні комунікації. Сучасні засоби дистанційного знімання звуку, 
включаючи лазерні мікрофони та високочутливі датчики, роблять традиційні 
методи фізичної ізоляції приміщень недостатніми без застосування активних 
систем зашумлення. 
Актуальність розробки нових систем захисту обумовлена стрімким 
розвитком алгоритмів штучного інтелекту та нейронних мереж, які здатні 
ефективно виділяти людський голос на фоні шумів. Традиційні стаціонарні 
завади втрачають свою ефективність, оскільки їхній енергетичний профіль 
легко обчислюється та видаляється сучасними адаптивними фільтрами. Саме 
тому створення мовоподібних завад на основі динамічних моделей є критично 
важливим кроком, що дозволяє обійти інтелектуальні системи перехоплення, 
імітуючи статистичну структуру живої мови та забезпечуючи неперевершений 
рівень маскування в реальному часі. 
Лист 
 РТ225.21270.248 ПЗ  13 
Змін. Лист № докум. Підпис Дата  
 
1.2. Аналіз існуючих засобів пасивного захисту  
Розглянемо одні з простих і поширених засобів захисту інформації  - це 
застосування пасивних методів. Пасивні методи захисту - це сукупність 
архітектурних, конструктивних та інженерних рішень, спрямованих на 
послаблення акустичного сигналу під час його поширення від джерела до 
ймовірного місця перехоплення. Пасивні методи не потребують постійного 
джерела енергії та не створюють додаткового шумового фону, працюючи за 
рахунок фізичних властивостей матеріалів. 
Пасивний захист мовної інформації зазвичай поділяють на три основні 
категорії: 
1. Звукоізоляція: Мінімізація енергії звуку, що проходить крізь перешкоду 
(стіни, двері, вікна). Використовуються масивні конструкції або 
багатошарові панелі, що відбивають звукову хвилю назад у приміщення. 
2. Звукопоглинання: Зменшення інтенсивності відбитих хвиль всередині 
приміщення. Використовуються пористі та волокнисті матеріали, які 
перетворюють енергію звукових коливань у теплову (наприклад, 
акустичний поролон, мінеральна вата). 
3. Віброізоляція: Розв'язка жорстких конструкцій будівлі для 
перешкоджання поширенню структурного шуму. Це встановлення 
обладнання на пружні опори та використання еластичних прокладок у 
місцях стику плит та труб. 
Переваги та недоліки даного підходу наведені в таблиці 1.2. Хоча 
пасивні методи є обов’язковими для захищених об'єктів, вони мають 
фізичну межу ефективності. Навіть ідеальна звукоізоляція не рятує від 
"жучків" всередині приміщення або від лазерного знімання вібрації скла. 
Саме цей факт обґрунтовує необхідність переходу до активних методів 
інтелектуального зашумлення, які будуть розглянуті далі. 
 
 
Лист 
 РТ225.21270.248 ПЗ  14 
Змін. Лист № докум. Підпис Дата  
 
Таблиця 1.2 - Переваги та недоліки пасивного захисту акустичної 
інформації 
Характеристика Переваги Недоліки 
Одноразові витрати на етапі Висока вартість якісних 
Економічність будівництва або ремонту; сертифікованих матеріалів для 
відсутність витрат на експлуатацію. модернізації готових приміщень. 
Працюють 24/7 незалежно від Складність контролю цілісності 
наявності електроживлення; не (поява мікротріщини в стіні або 
Надійність виходять з ладу через програмні зазору в дверях різко знижує 
збої. захист). 
Не створюють шкідливого Значне збільшення ваги та 
Екологічність електромагнітного або акустичного товщини конструкцій, що "з’їдає" 
впливу на людей. корисну площу кабінету. 
Добре справляються з Низька ефективність проти 
Ефективність високочастотними складовими сучасних AI-методів очищення 
мови. звуку та лазерного знімання 
інформації з вікон. 
 
До пасивних методів захисту також відносять специфічні заходи з 
екранування та фільтрації, які спрямовані на запобігання витоку через 
побічні канали. Наприклад, для захисту від акустоелектричних перетворень у 
лініях зв'язку використовують спеціальні діодні обмежувачі та низькочастотні 
фільтри, що блокують передачу слабких сигналів, наведених голосом. Окрім 
цього, на вікна та скляні перегородки наклеюють спеціальні металізовані 
плівки або встановлюють подвійні склопакети з різною товщиною скла та 
аргоновим наповненням, що значно ускладнює роботу лазерних систем 
дистанційного прослуховування за рахунок хаотичного заломлення променя 
та поглинання вібрацій. 
Яскравим прикладом комплексного пасивного захисту є створення так 
званої «кімнати в кімнаті» (Shielded Enclosure) (рисунок 1.6).  
Лист 
 РТ225.21270.248 ПЗ  15 
Змін. Лист № докум. Підпис Дата  
 
 
Рисунок 1.6 – Реалізація пасивного захисту акустичної інформації типу 
«кімнати в кімнаті» 
 
Це спеціально спроектоване приміщення, яке не має жорстких зв’язків 
із зовнішніми стінами будівлі: воно встановлюється на віброізоляційні 
платформи, а всі стики герметизуються еластичними акустичними мастиками. 
У такому кабінеті двері мають спеціальний поріг та ущільнювачі, що 
забезпечують повну герметичність, а вентиляційні канали оснащуються 
лабіринтними звукопоглиначами (аттенюаторами). Хоча така конструкція є 
надзвичайно дорогою у реалізації, вона дозволяє знизити рівень розмовного 
звуку за межами кімнати до рівня природного фону, що робить перехоплення 
інформації технічними засобами без проникнення всередину практично 
неможливим. 
 
1.3. Аналіз існуючих засобів активного захисту акустичної 
інформації 
Активний захист мовної інформації — це сукупність методів та засобів, 
які створюють додаткові енергетичні перешкоди (завади) у каналах 
можливого витоку. Основне завдання активного захисту — забезпечити 
енергетичне маскування. Це досягається шляхом випромінювання акустичних 
Лист 
 РТ225.21270.248 ПЗ 16 
Змін. Лист № докум. Підпис Дата   
 
шумів у повітря, вібраційних завад у будівельні конструкції або 
електромагнітних завад у лінії зв'язку. 
Аналіз ефективності будь-якого засобу активного захисту акустичної 
інформації неможливий без розгляду ключового показника — відношення 
сигнал/шум (Signal-to-Noise Ratio, SNR) (рисунок 1.7).  
  
Рисунок 1.7 – Представлення відношення Signal-to-Noise Ratio, SNR 
 
Енергетичний параметр відношення сигнал/шум  - це безрозмірна 
фізична величина, що визначає перевищення потужності корисного сигналу 
(мовлення) над потужністю завади (шуму) у певній точці простору. У 
контексті технічного захисту інформації SNR зазвичай вимірюється в 
децибелах (дБ): позитивне значення свідчить про домінування мовлення, що 
полегшує його перехоплення, тоді як від’ємне значення вказує на те, що завада 
сильніша за сигнал. Основна мета активних засобів захисту полягає у 
штучному зниженні цього показника до критичного рівня, при якому 
розбірливість мовлення стає недостатньою для його ідентифікації або 
відновлення технічними засобами розвідки. 
Для наочності розглянемо приклад конфіденційної розмови в кабінеті, 
де рівень мовлення становить приблизно 60 дБ. Це значення визначається як 
рівень звукового тиску Р відносно мінімально рівня, який може розрізнити 
людина М0 (Па) і виражено в логарифмічній шкалі:  
 
Лист 
 РТ225.21270.248 ПЗ  17 
Змін. Лист № докум. Підпис Дата  
 
Якщо в приміщенні працює лише система вентиляції з рівнем фонового 
шуму 30 дБ, то відношення сигнал/шум буде додатним (+30дБ), що дозволяє 
зловмиснику легко записати розмову навіть через стіну. Орієнтовні рівні 
звукового тиску від різних джерел звуку наведені на рисунку 1.8. Значення 
шуму 30 дБ, згідно даного рисунку, відповідає тихій розмові двох людей. 
 
Рисунок 1.8 – Ілюстрація звукового тиску (Па) від різних акустичних 
джерел 
Для контексту активного захисту акустичної інформації важливо 
орієнтуватися на такі рівні, які наведені в таблиці 1.3. 
 
Таблиця 1.3 - Шкала гучності для порівняння акустичного тиску 
Рівень (дБ) Опис Контекст захисту 
0 Поріг чутності Ідеальна тиша. 
20–30 Шепіт, тиха кімната Фоновий шум, що не заважає перехопленню. 
50–60 Звичайна розмова Цільовий сигнал, який треба захистити. 
Шумна вулиця, генератор 
70–80 Рівень активного маскування. 
завад 
120 Поріг болю Гранично допустимий рівень для людини. 
 
Лист 
 РТ225.21270.248 ПЗ  18 
Змін. Лист № докум. Підпис Дата  
 
Однак, при активації генератора завади, який створює акустичний бар'єр 
рівнем 70 дБ (еквівалент шуму транспорту на дорозі) безпосередньо біля 
джерела витоку (наприклад, біля вікна чи дверей), SNR стає від'ємним (-10дБ 
і нижче). У таких умовах корисний сигнал може «тонути» в маскуючій заваді, 
що робить неможливим виділення змісту розмови навіть за допомогою 
сучасних методів цифрової фільтрації. Але, з іншої сторони, системи і методи 
зловмисників постійно вдосконалюються, і таким прикладом модуть служити 
сучасні AI/ML методи, що не гарантує повного активного захисту.  
Призначення активних засобів протидію витоку мовної інформації 
полягає у погіршенні співвідношення сигнал/шум до такого рівня, при якому 
виділення корисного мовного сигналу технічними засобами розвідки стає 
неможливим або економічно недоцільним. 
В існуючих системах активного захисту найчастіше використовують два 
типи сигналів: 
1. Стаціонарні завади: «Білий» шум (рівномірна спектральна щільність) 
або «рожевий» шум (спад щільності 3 дБ на октаву) (рисунок 1.9); 
2. Мовоподібні завади: Створюються шляхом мікшування фрагментів 
реальної людської мови («мовний хор») або генерації сигналів зі 
статистичними характеристиками мови. 
 
Рисунок 1.9 – Представлення різних видів акустичних шумів 
Лист 
 РТ225.21270.248 ПЗ 19 
Змін.  
Лист № докум. Підпис Дата  
 
Поняття «колір» шуму в акустиці є аналогією до оптичного спектра: як 
комбінація всіх видимих хвиль утворює біле світло, так і суміш усіх звукових 
частот певної інтенсивності утворює «білий» шум. Білий шум 
характеризується рівномірною спектральною щільністю, тобто його 
потужність однакова на будь-якій частоті в межах робочого діапазону. 
Рожевий шум, який часто називають «мерехтливим», має іншу структуру: 
його потужність зменшується на 3 дБ на кожну октаву з ростом частоти. Це 
робить його більш природним для людського сприйняття, оскільки наше вухо 
оцінює зміну частот не лінійно, а логарифмічно. 
Окрім основних типів, виділяють також червоний (броунівський) та 
синій шуми. Червоний шум має ще крутіший спад інтенсивності (6 дБ на 
октаву), що надає йому гулкого, низькочастотного звучання, схожого на 
віддалений грім. Синій шум, навпаки, посилюється з ростом частоти, що 
робить його дуже різким і високим. Така різноманітність існує тому, що кожен 
тип шуму по-різному взаємодіє з перешкодами (стінами, склом) та різними 
типами мікрофонів, що використовуються для несанкціонованого зняття 
інформації. 
В системах активного захисту акустичних каналів вибір конкретного 
«кольору» завади залежить від фізичних властивостей середовища. 
Наприклад, білий шум ефективно маскує високочастотні складові мовлення, 
але він швидко згасає при проходженні крізь важкі конструкції. Рожевий шум 
вважається більш універсальним для захисту периметра приміщень, оскільки 
його енергія краще розподілена в області основного спектра людського голосу 
(від 300 до 3400 Гц), що дозволяє надійніше перекривати форманти мовлення.  
Необхідно відмітити, що стаціонарний білий або рожевий шум легко 
видаляється сучасними цифровими фільтрами, які «віднімають» відомий 
профіль шуму від корисного сигналу. Тому найефективнішим методом 
захисту сьогодні є генерація завад, що мають статистичну структуру 
Лист 
 РТ225.21270.248 ПЗ  20 
Змін. Лист № докум. Підпис Дата  
 
«кольорового» шуму, але постійно змінюють свою амплітуду та спектр, 
імітуючи хаотичні мовоподібні фрагменти.  
Переваги та недоліки активного захисту акустичної інформації наведені 
в таблиці 1.4. 
 
Таблиця 1.4 - Переваги та недоліки активного захисту акустичної 
інформації 
Характеристика Переваги Недоліки 
Здатні нейтралізувати 
Ефективність найсучасніші засоби Вимагають постійного 
електроживлення та технічного 
перехоплення, включаючи лазерні 
віброметри та радіозакладки. обслуговування. 
Можливість швидкого Створюють акустичний 
Гнучкість розгортання в будь-якому дискомфорт для учасників 
приміщенні без проведення переговорів (втома, головний біль 
капітальних будівельних робіт. від постійного шуму). 
Легко адаптуються під конкретний Вразливість до сучасних методів 
об'єкт шляхом додавання нових адаптивної фільтрації та 
Масштабованість випромінювачів спектрального віднімання 
(віброзбуджувачів, колонок). (особливо для стаціонарних 
шумів). 
Можливість підлаштування під Висока складність алгоритмічної 
Інтелектуальність рівень гучності розмови реалізації ефективних 
(адаптивні системи). мовоподібних сигналів. 
 
Одним із найпоширеніших прикладів засобів активного захисту є 
генератори віброакустичних завад, такі як серія «АРБ-БА» або «ШТОРМ-
7» та ін. (рисунок 1.10) Ці системи випромінюють акустичний шум або 
використовують спеціальні електромагнітні збуджувачі (вібродатчики), які 
кріпляться до віконного скла, стін та труб опалення. Принцип їхньої дії 
полягає у перетворенні електричного шумового сигналу в механічні 
коливання конструкцій. Таким чином, на поверхні створюється 
інтенсивний вібраційний фон, який повністю «забиває» корисні акустичні 
Лист 
 РТ225.21270.248 ПЗ  21 
Змін. Лист № докум. Підпис Дата  
 
мікровібрації від голосу, роблячи дистанційне знімання інформації за 
допомогою стетоскопів або лазерних віброметрів абсолютно марним. 
 
 
а) б) 
Рисунок 1.10 - Віброакустична система голосового захисту інформації "АРБ-
БА (а) та ШТОРМ-7 (б) 
 
На рисунку 1.11. представлений генератор білого шуму DNG-2300, який 
призначений для стаціонарного захисту приміщень. Представляє собою 
трьохканальний генератор акустичного білого шуму: 2 канали для 
вібровипромінювачів + 1 канал для акустичних випромінювачів. Кожен канал 
регулюється окремо за рівнем. Захищає від поняття інформації через 
стетоскопи та контактні мікрофони. Виробляє нефільтрований акустичний 
шум, який передається на конструкцію через перетворювачі та динаміки. 
DNG-2300 працює в діапазоні 250-5000 Гц, що є оптимальним для придушення 
найбільш поширених типів пристроїв, що підслухують. 
Лист 
 РТ225.21270.248 ПЗ  22 
Змін. Лист № докум. Підпис Дата  
 
 
Рисунок 1.11 - Конструкція стаціонарного генератора шуму DNG-2300 
Мобільний генератор шуму MNG-300 Rabbler  представлений на 
рисунку 1.12.  
 
Рисунок 1.12 - Конструкція мобільного генератора шуму MNG-300 
Rabbler 
 
Прилад генерує “розмово-подібний” вид шуму, який є більш 
ефективним у більшості випадків, порівняно з білим шумом. Шумоподібна 
перешкода в Rabbler була створена з використанням реальних розмовних 
компонентів і є ідентичною гомону натовпу у громадських місцях. Такий вид 
шуму найбільш ефективний при створенні перешкод диктофонам і іншим 
пристроям що підслуховують. 
Лист 
 РТ225.21270.248 ПЗ 23 
Змін. Лист № докум. Підпис  
Дата  
 
MNG-300 Rabbler має розмір, еквівалентний пачці сигарет, і може легко 
транспортуватись у кишені або невеликій сумочці. MNG-300 Rabbler 
створювався для ситуацій, коли з одного боку безпека розмови надзвичайно 
важлива, а з іншого – захисний модуль має бути як найменшим, щоб при його 
транспортуванні Ваші наміри не стали зрозумілими. Оскільки пристрій завджи 
поруч, він може бути легко застосований за найменшої підозри на наявність 
“прослуховування” [8]. 
Види підслуховуючих пристроїв, від яких захищає MNG-300 Rabbler: 
• диктофони; 
• радіомікрофони; 
• GSM і 3G жучки; 
• відеокамери, що носяться на тілі, годинники, краватки і т. д. 
(придушення акустики); 
• провідні мікрофони 
інші види “жучків”. 
Традиційні активні генератори шуму, що базуються на випромінюванні 
стаціонарних завад (білого чи рожевого шуму), сьогодні стикаються з 
серйозним викликом через розвиток цифрових методів обробки сигналів. 
Основна проблема полягає в тому, що такі завади мають постійні статистичні 
характеристики, які легко ідентифікуються сучасними алгоритмами. 
Використовуючи методи спектрального віднімання та адаптивної фільтрації, 
зловмисники можуть «навчити» систему розпізнавати профіль шуму та 
практично повністю видаляти його з аудіозапису, залишаючи корисний сигнал 
мовлення майже недоторканим. 
Особливу загрозу становлять технології на основі глибокого машинного 
навчання та нейронних мереж, таких як RNN (рекурентні нейронні мережі) та 
LSTM. На відміну від класичних фільтрів, ці системи здатні розрізняти складні 
патерни людського голосу навіть за умови, коли рівень шуму значно 
перевищує рівень сигналу. Нейромережі тренуються на величезних масивах 
Лист 
 РТ225.21270.248 ПЗ  24 
Змін. Лист № докум. Підпис Дата  
 
даних «чиста мова + шум», що дозволяє їм у реальному часі реконструювати 
форманти мовлення, які раніше вважалися безповоротно втраченими в 
акустичній заваді.  
Прикладом таких технологій є сучасні системи шумозаглушення, що 
інтегровані в професійне програмне забезпечення для обробки звуку, як-от 
iZotope RX або Adobe Audition з функціями Noise Reduction на базі AI. Крім 
того, існують спеціалізовані рішення для криміналістичного аналізу 
аудіозаписів, наприклад, комплекси від CEDAR Audio, які здатні виділяти 
розбірливу мову з-під інтенсивних завад, що раніше робило запис 
непридатним для використання [9, 10].  
CEDAR Trinity — криміналістична/система спостереження. У 2014 році 
CEDAR випустив перший продукт, спеціально призначений для одночасного 
спостереження в реальному часі, запису, пригнічення шуму та транскрипції. 
Trinity вперше дозволила нефахівцям виконати в польових умовах задачі, які 
раніше були прерогативою аудіокриміналістичних лабораторій.  
CEDAR Trinity 7 — остання версія потужного програмного комплексу 
для аудіоспостереження, оновленого для сумісності із зовнішніми потоками 
даних і сторонніми пристроями. 
Споживчі сервіси, як-от Krisp або Adobe Podcast Enhance, демонструють 
вражаючі результати в усуненні фонового маскування [9, 10]. 
Така технічна перевага методів обробки робить більшість недорогих 
віброакустичних та акустичних зашумлювачів «номінальними»: вони 
створюють ілюзію захисту для людини, але не є перешкодою для потужних 
обчислювальних засобів. Зловмисник, маючи цифровий запис суміші сигналу 
та стаціонарного шуму, може обробляти його багаторазово, застосовуючи 
різні моделі деноізингу (Denoising), доки не досягне необхідного рівня 
розбірливості тексту.  
Лист 
 РТ225.21270.248 ПЗ  25 
Змін. Лист № докум. Підпис Дата  
 
Саме тому актуальним стає перехід до систем нового покоління, що буде 
створювати серйозні перешкоди щодо витоку акустичної інформації та її 
зняття новітніми пристроями. 
 
1.4. Методи захисту від інтелектуальних атак та AI-фільтрів 
Перехід до методів захисту від інтелектуальних атак вимагає 
переосмислення природи маскуючої завади. Основною стратегією тут є 
відмова від статичних сигналів на користь динамічних, нестаціонарних 
процесів. Нестаціонарність означає, що статистичні характеристики завади 
(математичне сподівання, дисперсія, спектральна щільність) постійно 
змінюються в часі. Для алгоритмів штучного інтелекту, які покладаються на 
стабільність фонового шуму для його ідентифікації та подальшого віднімання, 
така мінливість створює ситуацію постійної невизначеності, де кожна 
наступна мілісекунда сигналу не схожа на попередню [11, 12].  
Ключовим інструментом у створенні таких процесів є використання 
ланцюгів Маркова та динамічних моделей. Замість генерації випадкового 
шуму, система формує послідовність звукових сегментів, де кожен наступний 
стан залежить від попереднього з певною ймовірністю. Це дозволяє імітувати 
структуру «живого» сигналу, який за своїми властивостями максимально 
наближений до людської мови. Оскільки переходи між станами відбуваються 
хаотично, але в межах заданої логіки, AI-фільтри не можуть побудувати стійку 
математичну модель для деструктивного втручання в такий потік.  
Особливістю захисту від інтелектуальних атак є застосування методу 
«дзеркального маскування» або адаптивної зміни параметрів завади залежно 
від характеристик корисного сигналу. Система в реальному часі аналізує 
амплітудно-частотні особливості розмови, яку необхідно захистити, і миттєво 
підлаштовує параметри динамічного процесу так, щоб вони «перекривали» 
найважливіші інформативні компоненти (форманти). Це створює ефект 
Лист 
 РТ225.21270.248 ПЗ  26 
Змін. Лист № докум. Підпис Дата  
 
когнітивного маскування, при якому корисний сигнал і завада стають 
енергетично та статистично нерозрізненними для нейронних мереж.  
Ефективність такого підходу базується на явищі «катастрофічного 
забування» або перевантаження адаптивних фільтрів. Коли AI-система 
намагається підлаштуватися під нестаціонарний шум, постійна зміна його 
параметрів змушує алгоритм безперервно перераховувати коефіцієнти 
фільтрації. У результаті виникає значна похибка апроксимації, що призводить 
до появи артефактів у відновленому аудіозаписі. Замість чистого голосу 
зловмисник отримує фрагментований, спотворений звук, де інформаційна 
складова втрачена через неможливість стабільного розділення джерел [11, 12]. 
Ще одним важливим аспектом є використання низькорангових 
наближень та нелінійних перетворень для створення завад, що мають складну 
внутрішню структуру. Це робить неможливим застосування популярних 
методів деноізингу (від англ. Denoising — знешумлення), таких як Singular 
Value Decomposition (SVD) або вейвлет-перетворення, які ефективно 
працюють лише з гауссовими або передбачуваними процесами. Динамічна 
завада в цьому випадку діє як «акустичний вірус», який вносить хаос у роботу 
класифікаторів нейромереж, змушуючи їх помилково приймати корисний 
сигнал за шум і навпаки. 
Загалом, концепція створення нестаціонарних процесів перетворює 
пасивне зашумлення на активну інтелектуальну протидію. Це дозволяє 
забезпечити високий рівень конфіденційності навіть у випадках, коли 
зловмисник використовує найпотужніші обчислювальні ресурси та передові 
архітектури нейронних мереж для відновлення мовлення. Такий захист 
базується не на потужності сигналу, а на складності його організації, що є 
найперспективнішим шляхом розвитку сучасної криптоакустики [13, 14].  
 
 
 
Лист 
 РТ225.21270.248 ПЗ  27 
Змін. Лист № докум. Підпис Дата  
 
1.5. Висновки 
На основі наведеного аналізу поставленої задачі можна констатувати, 
що традиційні методи активного захисту, засновані на генерації стаціонарних 
білих або рожевих шумів, вичерпали свій ресурс ефективності в умовах 
сучасних кіберзагроз. Розвиток технологій штучного інтелекту та 
нейромережевих алгоритмів фільтрації дозволяє зловмисникам з високою 
точністю ідентифікувати та видаляти такі завади, відновлюючи розбірливість 
мовлення навіть при значному перевищенні рівня шуму над корисним 
сигналом. Таким чином, формальне використання генераторів завад більше не 
гарантує реальної конфіденційності переговорів у цифровому середовищі. 
Основним вектором розвитку систем акустичної протидії стає перехід 
від кількісного збільшення потужності шуму до якісного ускладнення його 
структури. Створення нестаціонарних процесів, характеристики яких 
динамічно змінюються в часі, є єдиним дієвим способом нівелювання переваг 
методів глибокого навчання. Такі системи маскування змушують 
інтелектуальні фільтри працювати в режимі постійної переадаптації, що 
призводить до критичних похибок при спробах сепарації джерел звуку та 
робить процес відновлення інформації технічно неможливим. 
З огляду на вищевикладене, виникає нагальна потреба у проведенні 
глибоких досліджень щодо розробки нових математичних моделей побудови 
складних нестаціонарних завад. Одним із найбільш перспективних підходів у 
цьому напрямку є використання математичного апарату ланцюгів Маркова. 
Застосування марковських моделей дозволяє синтезувати завади з 
контрольованою динамікою перехідних станів, що максимально імітують 
статистичну природу людського мовлення, створюючи нездоланний бар'єр для 
найсучасніших AI-фільтрів.  
Лист 
 РТ225.21270.248 ПЗ  28 
Змін. Лист № докум. Підпис Дата  
 
РОЗДІЛ 2 
ТЕОРЕТИЧНЕ ОБҐРУНТУВАННЯ ТА РОЗРОБКА МЕТОДУ 
ФОРМУВАННЯ МОВОПОДІБНОЇ ЗАВАДИ НА ОСНОВІ 
МАРКОВСЬКИХ МОДЕЛЕЙ 
 
2.1. Марковські моделі та їх застосування 
Марковські моделі названі на честь математика XX століття Андрія 
Маркова. Марковська модель — це математична система, яка описує переходи 
об'єкта з одного стану в інший всередині певної множини станів. Основна 
особливість, відома як «марковська властивість», полягає в тому, що 
майбутній стан системи залежить лише від її поточного стану і не залежить від 
послідовності подій, що йому передували. Це також відомо як “memory-less”, 
оскільки їм не потрібна попередня пам’ять для визначення розподілу 
ймовірностей майбутніх станів. У контексті мовних сигналів це дозволяє 
моделювати динаміку зміни звуків (фонем) як ланцюг випадкових подій.  
Показано, що ці моделі мають широкий спектр реальних застосувань. 
Наприклад, в обробка природної мови (NLP), вони використовуються для 
розпізнавання мовлення та генерації тексту. У фінансовій сфері вони 
використовуються для визначення ринкових режимів і прогнозування руху цін 
на активи. У навчанні з підкріпленням (RL) вони утворюють кістяк алгоритмів 
прийняття рішень. 
Існують три ключові типи марковських моделей: Ланцюги Маркова 
(найпростіша форма, де переходи між станами слідують за фіксованими 
ймовірностями), Приховані марковські моделі (HMM) (досконаліша модель, де 
фактичні стани системи приховані, але ми спостерігаємо результати, які 
допомагають їх вивести), і Марковські процеси прийняття рішень (потужне 
продовження ланцюгів Маркова діями і винагородами). 
Ланцюги Маркова - це тип стохастичного процесу, який моделює 
систему, що переходить між різними станами за деякими фіксованими 
Лист 
 РТ225.21270.248 ПЗ  29 
Змін. Лист № докум. Підпис Дата  
 
ймовірностями. Якщо позначити можливу послідовність станів як S₁, S₂, S₃,..., 
то ланцюг Маркова задовольняє: 
, 
тобто ймовірність переходу в наступний стан (St₊₁) залежить лише від 
поточного стану (St). 
Марковські моделі застосовують для опису складних процесів, що 
мають імовірнісний характер. У задачах захисту інформації їх використовують 
для генерації завад, які імітують темпоральну та спектральну структуру мови. 
Окрім захисту мови, цей апарат є базовим у системах розпізнавання тексту, 
прогнозування фінансових ринків та в біоінформатиці.  
Наведемо ілюстрацію такого підходу (рисунок 2.1).  
 
Рисунок 2.1 - Ілюстрація станів та ймовірнісних переходів моделі 
Маркова 
 
Наведено приклад простого ланцюга Маркова з 2 станами: якщо ми 
знаходимося в стані E, ймовірність того, що наступний стан буде станом A, 
становить 70%, з імовірністю 30% він залишиться в стані E на наступному 
кроці. Так само зі стану А існує 40% ймовірність переходу в стан Е на 
наступному кроці, і 60% ймовірність того, що ми залишимося в стані Важливо 
те, що ці ймовірності фіксовані: незалежно від того, як ви потрапите в стан А, 
він завжди матиме однакові ймовірності або залишитися незмінним, або 
перейти в стан Е, і навпаки. 
Лист 
 РТ225.21270.248 ПЗ 30 
Змін.  
Лист № докум. Підпис Дата  
 
Ймовірності переходу з одного стану в інший відомі як ймовірності 
переходу. Ці ймовірності переходу часто поміщають у матрицю ймовірностей, 
відому як матриця переходу. Матриця переходу для вищевказаного ланцюга 
Маркова показана на рисунку 2.2. 
 
Рисунок 2.2 – Матриця переходів в моделі Маркова 
 
Кожен запис в матриці представляє ймовірність переходу з одного стану 
в інший. Кожен рядок матриці є вектором ймовірності і представляє загальну 
ймовірність для кожного стану (як приклад, рядок 1 на рис.2.2 показує всі 
можливі переходи зі стану A). 
Наведемо приклад, який ілюструє приховану Марковську модель та її 
практичне застосування для опису динамічних обєктів, наприклад зміни  
погоди (рисунок 2.3). 
 
Рисунок 2.3 - Ілюстрація принципу роботи моделі Маркова 
 
1. Простір прихованих станів (Hidden States) 
Верхній рівень (зелені кола) представляє внутрішні стани системи 
S =  {s1,  s2, s3}, 
які безпосередньо не спостерігаються: 
Лист 
 РТ225.21270.248 ПЗ  31 
Змін. Лист № докум. Підпис Дата  
 
Дощ, Мінлива хмарність, Ясно. 
У роботі це можуть бути стани мовного тракту або певні статистичні 
характеристики сегментів мови. 
2. Матриця перехідних ймовірностей (Transition Matrix) 
Зелені стрілки описують динаміку системи. Вони і збалансовані: 
• Стан «Дощ»: 0.5 (залишитися) + 0.3 (перехід до хмарності) + 0.2 
(перехід до ясного неба) = 1.0; 
• Стан «Мінлива хмарність»: 0.2 (залишитися) + 0.4 (до дощу) + 0.4 (до 
ясного неба) = 1.0; 
• Стан «Ясно»: 0.7 (залишитися) + 0.3 (до хмарності) = 1.0. 
Примітка: Відсутність стрілки безпосередньо від «Ясно» до «Дощ» 
означає, що така ймовірність дорівнює 0. Це важливо для моделювання 
мови, де певні звукові переходи є фізично неможливими. 
3. Ймовірності емісії (Emission Probabilities) 
Фіолетові стрілки вказують на ймовірність того, що конкретний прихований 
стан породить певне видиме спостереження (символи внизу): 
• Зі стану «Дощ»: з імовірністю 0.9 отримаємо «сумний» стан і лише 0.1 
— «радісний»; 
• Зі стану «Мінлива хмарність»: шанси рівні — по 0.5 для кожного 
спостереження; 
• Зі стану «Ясно»: ймовірність «радісного» стану становить 0.8, а 
«сумного» — 0.2. 
Ця частина моделі відповідає за генерацію реальних відліків маскуючої 
завади, які «видимі» для засобів перехоплення. 
Запропонована модель для поставленої задачі є ефективно з ряду 
причин: 
1. Математична строгість: оскільки сума ймовірностей у кожному вузлі 
дорівнює одиниці, процес генерації мовоподібної завади буде 
стабільним і не перерветься через помилки в алгоритмі; 
Лист 
 РТ225.21270.248 ПЗ  32 
Змін. Лист № докум. Підпис Дата  
 
2. Гнучкість: змінюючи коефіцієнти (наприклад, 0.7 у стані «Ясно»), 
можемо налаштовувати «темп» або «настрій» завади, роблячи її 
максимально схожою на мову конкретної групи людей або мовне 
середовище; 
3. Непередбачуваність (Ентропія): хоча ми знаємо ймовірності, кожен 
наступний крок є випадковим. Це забезпечує високу стійкість захисту, 
оскільки таку заваду неможливо просто «відняти» від корисного 
сигналу. 
 
2.2. Математична модель мовоподібного сигналу 
Головна перевага застосування Марковських моделей для формування 
мовоподібної завади полягає в здатності моделювати складні залежності за 
допомогою відносно простих матричних обчислень. Для формування 
мовоподібних завад це дає можливість відтворити природний «ритм» та 
статистичні закономірності мови, що робить заваду некорельованою з 
корисним сигналом, але такою, що ефективно «маскує» його для засобів 
перехоплення.  
На практиці модель дозволяє створювати так званий «мовний хор» 
(babble noise). Використовуючи статистику реальних мовних фрагментів, 
модель формує послідовність спектральних образів, які сприймаються 
технічними пристроями як реальна мова, що унеможливлює виділення голосу 
диктора з суміші сигналу та завади. Граф Марковської моделі акустичних 
станів наведений на рисунку 2.4. 
Граф Марковської моделі є математичним відображенням статистичної 
структури природного мовлення у вигляді скінченного автомата зі 
стохастичними переходами. 
Лист 
 РТ225.21270.248 ПЗ  33 
Змін. Лист № докум. Підпис Дата  
 
 
Рисунок 2.4 - Граф Марковської моделі акустичних станів 
 
У запропонованій моделі виділено п'ять фонемних класів — стани, які 
охоплюють основні акустичні категорії людського мовлення: 
• голосні (Vowels);  
• виділені приголосні (Consonants); 
• фрикативні приголосні (Fricatives);  
• носові (Nasals); 
• та паузи (Рause). 
Кожен з цих станів характеризується власним акустичним профілем: 
голосні мають виражену формантну структуру з домінуючими 
низькочастотними складовими, фрикативні — широкосмуговий 
високочастотний шум, зімкнені — різкий перепад енергії з характерним 
вибухом, носові — специфічний назальний резонанс, а паузи — мінімальний 
рівень сигналу. Вершини графу представляють ці стани, а спрямовані дуги між 
ними — можливість акустичних переходів, що виконуються реальним 
фонотактичним закономірностями конкретної мови. 
Ключовим параметром моделі є матриця ймовірностей переходів A, де 
кожен елемент aᵢⱼ визначає умовну ймовірність переходу зі стану і до стану j 
на наступному кроці (рисунок 2.5). 
 
Лист 
 РТ225.21270.248 ПЗ  34 
Змін. Лист № докум. Підпис Дата  
 
• голосні (Vowels) 
• виділені приголосні 
(Consonants) 
• фрикативні приголосні 
(Fricatives) 
• носові (Nasals) 
• паузи (Рause). 
 
 
Рисунок 2.5 - Матриця переходів A у Марковській моделі мовлення 
 
Матриця переходів A є центральним математичним об'єктом досягнутої 
Марковської моделі, що повністю описує динаміку стохастичних переходів 
між акустичними станами. Формально вона представляє собою квадратну 
матрицю розміром N×N, де N — кількість станів моделі (у нашому випадку 
N=5), а кожен елемент рᵢⱼ = P(qₜ₊₁ = j | qₜ = i) визначає умовну ймовірність того, 
що система перейде зі стану і до стану j на наступному часовому кроці: 
. 
Матриця задовольняє двом фундаментальним обмеженням: усі елементи 
невід’ємні (рᵢⱼ ≥ 0), а сума елементів кожного рядка дорівнює одиниці 
(∑ⱼ рᵢⱼ = 1), 
що відображає закон повної ймовірності - система обов’язково перейде в 
якийсь наступний стан.  
Теплова карта матриці, наведена на рис.2.5, демонструє цю структуру: 
інтенсивність кольору кожної клітинки пропорційна ймовірності відповідного 
переходу, і легко помітити, що найбільші значення зосереджені в певних 
Лист 
 РТ225.21270.248 ПЗ 35 
Змін. Лист № докум. Підпис  
Дата  
 
рядках та стовпцях, що відповідає реальним фонотактичним закономірностям 
мовлення. 
Аналіз конкретних значень матриці розкриває лінгвістично значущі 
закономірності, закладені в моделі. Рядок, що відповідає паузам (P), має 
найбільшу ймовірність переходу до голосних (0,55) та зімкнених приголосних 
(0,30) — саме так починаються склади і слова в природному мовленні. 
Зімкнені приголосні (C) виходять переходять до голосних (0,55), що показує 
універсальну структуру відповідно до "приголосний + голосний" (CV-
структуру), характерну для замовників світу. Діагональні елементи матриці, 
що відмовляються самопереходам, є ненульовими для голосних (0,30) та 
фрикативних (0,15), моделюючи природну тривалість цих фонів у часі — 
голосні та фрикативні звуки фізично триваліші за зімкнені приголосні, які 
реалізуються як короткочасні події. Нульові або близькі до нуля елементи 
також несут інформацію: наприклад, малоймовірний прямий перехід між 
паузою і фрикативним приголосним без проміжного голосового відповідає 
реальній фоноактиці. 
Практичне значення матриці A для задачі генерації мовоподібної завади 
полягає у тому, що саме вона кодує "мовну пам'ять" моделі - статистичний 
зв'язок між послідовними акустичними подіями. Матрицю можна оцінювати 
автоматично з реальних мовних записів методом максимальної 
правдоподібності, що дозволяє адаптувати модель під конкретну мову, діалект 
або навіть індивідуальні особливості голосу мовця у місці, що захищається. Це 
принципово відрізняється підхід на основі матриці переходів від статичних 
генераторів типу Rabbler, де шум є незмінним записом людського гомону. 
Таким чином, матриця A виконує роль «статистичного відбитка» мовлення — 
і саме за рахунок її згенерованої завади виникає часова та спектральна 
структури, що робить її невідрізною від реального мовного сигналу для 
алгоритмів шумоподавлення та системи автоматичного розпізнавання 
мовлення. 
Лист 
 РТ225.21270.248 ПЗ  36 
Змін. Лист № докум. Підпис Дата  
 
Приклад генерованої спільності фонемних станів наведений на рисунку 
2.6. 
 
Рисунок 2.6 – Приклад сгенерованих фонемних станів 
 
Рис.2.6 демонструє практичний результат роботи ланцюга Маркова - 
конкретну реалізацію стохастичного процесу у вигляді часової повторності 
фонемних станів та відповідного акустичного сигналу. Згенерована 
послідовність  
P→V→V→C→V→F→V→N→V→P→C→V→F→F→V→P 
є одним із можливих шляхів на графу моделі, де кожен наступний стан 
створений поточним станом завдяки розподілу ймовірностей відповідного 
рядка матриці A. Кольорове кодування сегментів сигналу відображає 
належність до фонемного класу. 
Особливу увагу привертає структура сформованої спільності, яка 
відтворює ключові ритмічні закономірності природного мовлення. Добре 
помітне характерне оформлення голосних з приголосними (C→V, F→V, 
N→V), що відповідає універсальній CV-структурі складів, закладеній у 
матрицю переходів. Послідовність містить також подвоєні стани - V→V та 
F→F - які моделюють природну тривалість фонем у часі за допомогою 
ненульових діагональних елементів матриці самопереходу. Паузи P на 
Лист 
 РТ225.21270.248 ПЗ 37 
Змін. Лист № докум. Підпис Дата   
 
початку та в кінці скорочення імітують природні міжфразові паузи мовлення, 
а їх поява в середині вегетації створює короткі міжслівні зупинки. Саме ця 
ритмічна організація, а не тільки спектральний склад окремих сегментів, є тим, 
що принципово відрізняється мовоподібну заваду від простого шуму і що 
надзвичайно складно відфільтрувати алгоритмічними методами. 
Акустичний сигнал, синтезований на основі цієї контрастності станів, 
наочно демонструє головну перевагу підходу — статистичну 
правдоподібність при повному змісті змістовної інформації. Форма 
зовнішнього сигналу нагадує реальне мовлення: присутні ділянки з 
регулярною коливальною структурою (голосні), різкі перепади амплітуди, 
шумові вставки (фрикативні) та тихі проміжки (паузи). Проте конкретна 
послідовність фонемних класів є результатом стохастичної вибірки з моделей, 
а не реального мовленнєвого акту, сигнал не несе жодного лінгвістичного 
змісту і не може бути декодований жодним алгоритмом розпізнавання 
мовлення чи людським сприйняттям.  
Це і є головна перевага підходу на основі марковської моделі на відміну 
від комерційних генераторів мовоподібних шумів типу Rabbler: замість 
попередньо записаного фрагмента людського гомона система, що синтезує 
унікальну, адаптовану до поточної розмови заваду, статистичні 
характеристики якої динамічно змінюють спектральний та ритмічний профіль 
акустичного сигналу. 
 
2.3. Алгоритм генератора мовоподібної завади на основі HMM 
 
Схема генератора мовоподібної завади на основі HMM представлена на 
рисунку 2.7. 
На першому етапі мікрофонний модуль (Блок 1) реалізує безперервне 
захоплення акустичного сигналу. 
Лист 
 РТ225.21270.248 ПЗ 38 
Змін. Лист    
№ докум. Підпис Дата  
 
 
Рисунок 2.7 – Структурна схема реалізації генератора мовоподібної завади 
 
Вхідний потік розбивається на короткі часові інтервали (фрейми) 
тривалістю 20–30 мс, для кожного з яких обраховуються об’єднані акустичні 
ознаки —мелчастотні кепстральні коефіцієнти (MFCC). На цій основі 
Лист 
 РТ225.21270.248 ПЗ  39 
Змін. Лист № докум. Підпис Дата  
 
класифікатор відносить кожен фрейм до одного з п'яти фонемних класів: 
голосні (V), приголосні (C), фрикативні (F), носові (N) або пауза (P). 
Результатом роботи блоку є безперервна послідовність фонемних міток із 
відповідною статистикою переходів між класами. 
Отримана статистика переходів надходить до Блоку 2 HMM, де на її 
основі оцінюється або уточнюється матриця переходів A розміром 5×5. При 
початковому запуску системи матриця ініціалізується середніми значеннями, 
характерними для цільової мови. У процесі роботи матриця безперервно 
адаптується до поточної розмови методом рекурентного оцінювання 
максимальної правдоподібності. Це означає, що якщо поточна розмова 
містить, наприклад, підвищену яскравість фрикативних звуків або 
специфічний ритмічний патерн, матриця A відображає цю особливість, і 
згенерована завада статистично відповідає цій самій розмові, а не усередненій 
мовній моделі. 
В Блоці 3 реалізується генерація ланцюга Маркова. На основі 
актуалізованої матриці A блок генерує результати стохастичного вибору нової 
системи фонемних станів. Починаючи з початкового стану, визначивши 
вектор вірогідних початкових ймовірностей, алгоритм на кожному кроці 
обирає наступний стан відповідно до ряду розподілених ймовірних показників 
відповідної матриці A. Ключова властивість цього процесу відбувається в 
тому, що згенерована послідовність статистично неподільна від реального 
мовлення — вона створює характерне звернення відкритих і закритих фаз, 
типів тривалості фонем та міжфразові паузи, — однак не є копією чи 
фрагментом жодного реального висловлювання. Довжина сформованих 
компонентів підбирається таким чином, щоб забезпечити безперервне і плавне 
випромінювання завади без помітних розривів. 
Абстрактна послідовність фонемних станів перетворюється на реальний 
акустичний сигнал в Блоці 4. Для кожного стану синтезатор генерує 
відповідний звуковий фрагмент із характерним спектральним профілем: для 
Лист 
 РТ225.21270.248 ПЗ  40 
Змін. Лист № докум. Підпис Дата  
 
голосних — сигнал із вираженою формантною структурою, для фрикативних 
— смуговий шум у діапазоні 2–8 кГц, для зі виділених приголосних — 
короткий імпульс із наступним формантним перехідним процесом, для 
носових — сигнал із назальним резонансом, для пауз — низькоамплітудний 
фоновий шум. У межах між сегментами використовують плавне 
перехрещення (crossfade) для усунення акустичних артефактів і забезпечення 
природності звучання. 
Синтезований сигнал завади подається на акустичні випромінювачі 
(Блок 5). Залежно від систем конфігурації можуть використовуватися 
акустичні гучномовці для заповнення повітряного середовища або 
вібровипромінювачі, закріплені на стінах, вікнах і перекриттях, для введення 
заміни в будівельні конструкції. Рівень гучності завади регулюється таким 
чином, щоб забезпечити достатнє відношення сигналу/завади для 
неможливості розпізнавання корисного мовлення, але не створювати 
дискомфорту для учасників захищених переговорів. 
Контури зворотного зв'язку. Система містить два незалежних контури 
зворотного зв'язку. Локальний контур забезпечує оперативне оновлення 
матриці А на основі поточної фонемної статистики з блоку аналізу, реагуючи 
на зміни характеру розмови із затримкою кількох секунд. Глобальний контур 
моніторингу аналізує сумарний акустичний сигнал у приміщеннях — суміш 
корисного мовлення і вже випромінюваної завади — і коригує рівень та спектр 
балансової завади таким чином, щоб підтримувати задане відношення 
сигналу/заваду незалежно від гучності розмови та акустичних умов 
приміщення. Саме завдяки цим двом контурам система залишається 
ефективною навіть при різкій зміні умов — появі нових учасників, підвищеній 
або зниженій гучності розмови, зміні мови спілкування. 
 
 
 
Лист 
 РТ225.21270.248 ПЗ  41 
Змін. Лист № докум. Підпис Дата  
 
2.4. Концепція «Plug-and-Protect» та її реалізація 
Концепція «Plug-and-Protect» (підключи та захищай) є ключовою 
інновацією системи, яка забезпечує її миттєву готовність до роботи без 
необхідності тривалого попереднього навчання або збору біометричних даних 
користувачів. На відміну від класичних систем маскування, які потребують 
великої бази записів голосу конкретної людини для створення синтетичного 
«клона», цей підхід базується на динамічному аналізі вхідного сигналу в 
реальному часі. 
Реалізація механізму ґрунтується на використанні поточного 
аудіопотоку як «сировини» для Марковської моделі. Система миттєво вилучає 
статистичні та спектральні характеристики голосу мовця безпосередньо під 
час розмови. Це дозволяє генератору завади адаптуватися до тембру, темпу та 
інтонаційних особливостей користувача «на льоту», що робить захист 
максимально індивідуалізованим без жодних попередніх налаштувань. 
Технічно це працює через буферизацію коротких фрагментів вхідної 
мови, на основі яких оновлюються параметри емісії та перехідних 
ймовірностей у моделі HMM (Hidden Markov Model). Кожна нова висловлена 
фраза слугує джерелом для уточнення математичного образу, який 
використовується для синтезу маскуючого шуму. Таким чином, завада завжди 
залишається статистично подібною до оригіналу, навіть якщо у людини 
змінився голос через хворобу або втомленість. 
Важливою перевагою такого підходу є повна автономність системи. 
Користувачу не потрібно завантажувати зразки свого голосу в хмарні сховища 
або локальні бази даних, що значно підвищує рівень приватності. Відсутність 
етапу «навчання на зразках» робить пристрій ідеальним для використання в 
екстрених ситуаціях або при зміні великої кількості мовців у конференц-залі. 
Механізм «Plug-and-Protect» також вирішує проблему мовної незалежності. 
Оскільки алгоритм аналізує акустичні параметри, а не семантичний зміст, він 
однаково ефективно працює з будь-якою мовою або діалектом. Це дозволяє 
Лист 
 РТ225.21270.248 ПЗ  42 
Змін. Лист № докум. Підпис Дата  
 
використовувати систему в міжнародних середовищах, де мовці можуть 
переходити з однієї мови на іншу без втрати якості маскування. 
Реалізація цієї концепції демонтсрує захист у ту ж секунду, коли починає 
говорити людина, оскільки сама мова стає ключем до генерації власного 
«цифрового щита». Це забезпечує високий рівень безпеки за мінімальних 
зусиль з боку персоналу. 
 
2.5. Висновки 
В даному розділі розроблена математична модель на основі прихованих 
Марковських ланцюгів (HHM) створює надійний фундамент для синтезу 
мовоподібних завад. Використання прихованих станів та імовірнісних 
переходів дозволяє відтворити статистичну складність людської мови, 
забезпечуючи високу ентропію маскуючого сигналу. Це гарантує, що 
сформована завада буде некорельованою з корисним сигналом, але водночас 
сприйматиметься технічними засобами аналізу як природний мовний фон. 
Запропонований ітераційний алгоритм роботи генератора забезпечує 
динамічність та адаптивність процесу захисту. Завдяки концепції «Plug-and-
Protect», система переходить від теоретичних розрахунків до миттєвого 
формування індивідуалізованого «мовного хору», використовуючи вхідний 
аудіопотік як джерело параметрів моделі. Описана послідовність етапів — від 
ініціалізації матриці переходів до акустичної емісії — формує завершену 
технологічну схему, яка готова до програмно-апаратної імплементації. 
Сформований теоретичний апарат та деталізований алгоритм 
дозволяють перейти до наступного етапу роботи — практичної реалізації 
системи та проведення експериментальних досліджень. У наступному розділі 
основна увагу буде приділена оцінці ефективності розроблених методів у 
реальних умовах. 
Лист 
 РТ225.21270.248 ПЗ  43 
Змін. Лист № докум. Підпис Дата  
 
РОЗДІЛ 3 
ЕКСПЕРИМЕНТАЛЬНІ ДОСЛІДЖЕННЯ ТА ОЦІНКА 
ЕФЕКТИВНОСТІ РОЗРОБЛЕНОЇ СИСТЕМИ 
 
3.1. Експериментальні дослідження та оцінка ефективності розробленої 
системи 
Для підтвердження висунутих гіпотез та перевірки ефективності методу 
застосування моделей Маркова для побудови мовоподібної завади було 
проведено серію чисельних експериментів у середовищі високорівневого 
моделювання Python 3.10 з використанням спеціалізованих бібліотек 
наукового аналізу сигналів SciPy Signal та NumPy. Математичне ядро 
симуляції базувалося на дискретних ланцюгах Маркова, де переходи між 
спектральними станами завади здійснювалися з кроком 25 мс, що відповідає 
середній тривалості мікросегментів мовного сигналу. Як еталонні моделі для 
порівняльного аналізу використовувалися алгоритми білого гаусового шуму 
(AWGN) та професійні інструменти атаки на основі вінеровської фільтрації та 
спектрального віднімання, що дозволило імітувати дії зловмисника з високим 
рівнем обчислювальної підготовки. 
 На рисунку 3.1 наведені часові характеристики оригінального 
голосового повідомлення тривалістю 30 сек. (а) і його зашумлення 
Марковською завадою (б) та білим шумом (в), а також їх спектральні 
характеристики (праворуч). Візуальне спостереження часових та 
спектральних характеристик дає наступні висновки. 
1. Аналіз часових характеристик: 
 - оригінальний сигнал (а) - чітко видно паузи та характерну амплітудну 
модуляцію, що відповідає людській вимові; 
- Марковська завада (б) - структура зашумленого сигналу візуально 
«імітує» щільність оригінального голосу. Завада не є монотонною; вона 
має внутрішню динаміку, яка накладається на корисний сигнал, 
Лист 
 РТ225.21270.248 ПЗ 44 
Змін. Лист    
№ докум. Підпис Дата  
 
створюючи складну суміш, де амплітудні сплески завади збігаються за 
характером із мовними; 
- білий шум (в) - представляє собою суцільну «стіну» звуку з постійною 
амплітудою. Це робить його легко впізнаваним для алгоритмів 
фільтрації, оскільки він має статичні статистичні характеристики, що 
не змінюються в часі. 
 
Рисунок 3.1 – Часове представлення досліджуваних сигналів  та їх спектральні 
характеристики 
 
2. Аналіз спектральних характеристик (спектрограми), які надають 
критично важливу інформацію про розподіл енергії сигналу по частотах: 
 еталон (а): видно чіткі вертикальні структури - форманти, які є 
ключовими для розпізнавання мови нейронними мережами. Енергія 
зосереджена в нижньому та середньому діапазонах; 
 Марковська завада (б) - спектрограма демонструє, що завада заповнює 
саме ті частотні смуги, де знаходиться корисний сигнал. Вона має «смугасту» 
структуру, подібну до мовної, що створює ефект когнітивного маскування. 
Для нейронної мережі такий шум виглядає як «інша мова», що критично 
ускладнює сепарацію (відокремлення) голосу власника від завади; 
Лист 
 РТ225.21270.248 ПЗ 
  45 
Змін. Лист № докум. Підпис Дата  
 
 білий шум (в) - спектр рівномірно заповнений по всьому діапазону 
(суцільне зелене поле). Оскільки енергія білого шуму розподілена рівномірно, 
сучасні методи шумозаглушення можуть легко обчислити його спектральний 
профіль і «відняти» його від загального сигналу, залишаючи голос майже 
неушкодженим. 
3. Загальний висновок візуального спостереження. Візуалізація 
підтверджує, що Марковська завада є набагато ефективнішою для захисту 
інформації. Якщо білий шум лише «накриває» сигнал зверху, то Марковська 
модель «мімікрує» під нього. Це означає, що завада має високу статистичну 
подібність до оригіналу, що робить її стійкою до очищення нейронними 
мережами, оскільки вони не можуть знайти достатньо відмінностей між 
шумом та корисним повідомленням для їх розділення. 
Метод спектрального віднімання (Spectral Subtraction), який може бути 
використаний для очищення від шуму, є одним із класичних алгоритмів 
цифрової обробки сигналів, призначеним для зниження рівня адитивного 
шуму в аудіозаписах. Основна ідея методу базується на припущенні, що 
спектр зашумленого сигналу є сумою спектрів корисного сигналу та шуму. 
Алгоритм працює у частотній області: спочатку оцінюється середній спектр 
шуму (зазвичай на дільницях пауз, де мова відсутня), а потім це значення 
віднімається від амплітудного спектра зашумленого сигналу, після чого 
сигнал відновлюється за допомогою зворотного перетворення Фур'є. 
Головною перевагою Spectral Subtraction є його простота та висока 
ефективність проти стаціонарних шумів, таких як гул вентилятора або 
рівномірний білий шум, що чітко видно на спектрограмі (рис.3.1.в). Оскільки 
білий шум має стабільний спектральний профіль, алгоритму легко 
«вирахувати» його та видалити. Однак при роботі з нестаціонарними 
завадами, як-от Марковська мовоподібна завада на рисунку (рис.3.1.б), метод 
працює значно гірше, оскільки спектр завади постійно змінюється і «мімікрує» 
Лист 
 РТ225.21270.248 ПЗ  46 
Змін. Лист № докум. Підпис Дата  
 
під структуру голосу, що робить точне віднімання без спотворення самої мови 
майже неможливим. 
 
Основною метою дослідження було об'єктивно порівняти 
ефективність розробленої мовоподібної завади на основі Марковських 
моделей із класичним методом зашумлення — білим шумом. Необхідно 
довести, що Марковська модель не просто створює шум, а формує статистично 
складну структуру, яку важче відокремити від корисного сигналу. 
Першим етапом було формування еталонного сигналу - чистого запису 
голосу тривалістю 30 секунд. На основі цього сигналу, використовуючи 
концепцію «Plug-and-Protect», система в реальному часі аналізувала вхідний 
потік і генерувала параметри для Марковського ланцюга. Це дозволило 
створити заваду, яка за своїми спектральними та часовими характеристиками 
максимально наближена до голосу диктора, але позбавлена семантичного 
змісту.  
Другий етап полягав у паралельному зашумленні еталона двома різними 
способами: за допомогою згенерованої Марковської моделі та за допомогою 
стандартного адитивного білого шуму. Важливо було встановити такі 
параметри, щоб обидва типи завад суттєво знижували розбірливість мови, але 
при цьому була можливість виміряти їхній математичний вплив на структуру 
сигналу. Саме результати цього етапу відображені на рисунку 3.2. 
 
 
Рисунок 3.2 -  Основні метрики для оцінювання властивостей зашумлення 
сигналів 
 
Лист 
 РТ225.21270.248 ПЗ  47 
Змін. Лист № докум. Підпис Дата  
 
Третій етап включав обчислення ряду метрик, які допомагають 
зрозуміти «якість» захисту. Була використана така характеристика, як 
Кореляція (R) для перевірки лінійного зв'язку між еталоном і зашумленим 
сигналом: чим ближче цей показник до нуля, тим менше залишків 
оригінальної структури залишається в сигналі. Це критично для того, щоб 
зловмисник не міг відновити фразу за непрямими ознаками. 
Наступною важливою метрикою став показник SNR (Signal-to-Noise 
Ratio) - відношення сигналу до шуму. У дослідженні від’ємні значення SNR 
свідчать про те, що потужність завади значно перевищує потужність голосу, 
що є необхідною умовою для когнітивного маскування. Разом із ним 
аналізували MSE (Mean Squared Error) та PSNR, щоб оцінити рівень 
спотворення «чистого» зразка на рівні окремих відліків. 
MSE - середньоквадратична помилка, показує середню різницю між 
амплітудами чистого сигналу (Оригінал) та зашумленого у кожній точці часу. 
PSNR - пікове відношення сигнал/шум. Цей показник часто 
використовується для оцінки якості відтворення сигналу. Чим вищий PSNR, 
тим менше завад у сигналі і тим він «чистіший» на слух чи вигляд. 
В роботі був додатково використаний такий показник, як Ентропія. Ця 
метрика вказує на ступінь невизначеності та хаотичності сигналу. Оскільки 
мова має певну впорядкованість, завдання полягало в тому, щоб завада мала 
такий рівень ентропії, який би «розмивав» межі між голосом та шумом, 
роблячи сигнал занадто складним для стандартних алгоритмів очищення (як-
от Spectral Subtraction). 
Аналіз отриманих даних з порівняльної таблиці (рис.3.2) дозволяє 
кількісно підтвердити ефективність Марковської моделі порівняно з білим 
шумом.  
 Параметр кореляції (R) - для Марковської моделі R = -0.0048, для білого 
шуму R = 0.0009. Обидва показники максимально наближені до нуля, що 
свідчить про практично повну відсутність лінійного зв'язку між оригіналом і 
Лист 
 РТ225.21270.248 ПЗ  48 
Змін. Лист № докум. Підпис Дата  
 
зашумленим сигналом. Це гарантує, що зловмисник не зможе відновити 
структуру речення за допомогою простих кореляційних методів аналізу.  
SNR (Відношення сигналу до шуму) – для Марковської моделі – (-4.86) дБ, 
для білого шуму – (-10.29) дБ. Від'ємні значення підтверджують, що рівень 
завади перевищує рівень корисного сигналу. Марковська модель забезпечує 
захист при значно вищому рівні SNR (-4.86 дБ проти -10.29 дБ). Це означає, 
що нам не потрібно «забивати» ефір надпотужним шумом, щоб приховати 
інформацію; захист досягається за рахунок інтелектуальної структури завади, 
а не її грубої сили. 
MSE (Середньоквадратична помилка) – для Марковської моделі – (25.87), 
для білого шуму – (90.44). MSE показує ступінь відхилення зашумленого 
сигналу від оригіналу. У білого шуму цей показник майже в 3.5 рази вищий. 
Величезний розрив у MSE підкреслює, що білий шум діє деструктивно, 
повністю руйнуючи форму сигналу, тоді як Марковська модель вносить 
«розумні» спотворення, які краще зберігають енергетичний баланс, подібний 
до людського голосу. 
PSNR (Пікове відношення сигналу до шуму) - для Марковської моделі – 
(15.87) дБ, для білого шуму – (10.44) дБ. Вищий показник PSNR у Марковської 
моделі свідчить про те, що завада краще «вписується» у динамічний діапазон 
оригінального голосу. Це підтверджує візуальні спостереження зі 
спектрограм: завада не виходить за межі природних амплітуд мови, що 
робить її ідентифікацію як стороннього шуму набагато складнішою для 
алгоритмів. 
Ентропія – оригінальне аудіомовлення — 2.6590, у Марковської моделі – 
(2.9954), для білого шуму – (3.7631). Ентропія Марковської моделі (2.99) 
значно ближча до ентропії реального голосу (2.65), ніж ентропія білого шуму 
(3.76). Статистична подібність ентропії Марковської завади до оригіналу 
доводить, що завада має таку ж внутрішню впорядкованість, як і мова. Для 
нейронної мережі, що намагається очистити звук, така завада виглядає як 
Лист 
 РТ225.21270.248 ПЗ  49 
Змін. Лист № докум. Підпис Дата  
 
«корисна інформація», а не як сміття, що робить її видалення без руйнування 
самого голосу неможливим. 
Застосування Spectral Subtraction дозволяє змоделювати професійну 
спробу очищення сигналу. Якщо завада (як у випадку з білим шумом) легко 
видаляється цим методом, це означає, що захист є лише ілюзорним і базується 
на гучності, а не на структурі: 
1. оскільки білий шум має константний спектр, алгоритм спектрального 
віднімання ідеально його «впізнає» і видаляє. У дослідженні це 
підтверджується різким зростанням SNR після застосування методу 
очищення Spectral Subtraction, що фактично означає успішний злам 
захисту; 
2. головна цінність нового підходу в тому, що спектр Марковської завади 
постійно змінюється за імовірнісним законом. Атака Spectral Subtraction 
виявляється неефективною, оскільки «відбиток» завади, взятий в одну 
мілісекунду, вже не актуальний для наступної. Фільтр «промахується», 
створюючи додаткові викривлення замість очищення. 
Для моделювання процесів атаки на зашумлені сигнали отримаємо 
наступні осцилограми та спектральні характеристики, представлені на 
рисунку 3.3. 
Аналіз спектрограми «Відфільтрований Білий Шум». На даному графіку 
(рис.3.3 б) спостерігається успішна реструктуризація мовного сигналу. Після 
видалення стаціонарного профілю білого шуму чітко проявляються 
вертикальні структури — форманти мови, які відповідають за розбірливість 
фонем. Видно, що спектральна густина завади значно знизилася, а енергетичні 
піки оригінального голосу відновили свою контрастність.  
 
Лист 
 РТ225.21270.248 ПЗ  50 
Змін. Лист № докум. Підпис Дата  
 
 
Рисунок 3.3 - Часові та спектральні характеристики досліджуваних 
сигналів після застосування фільтрації Spectral Subtraction. 
 
Аналіз спектрограми «Відфільтрована Марковська Модель». Ситуація з 
Марковською моделлю принципово інша. Спектрограма після фільтрації 
демонструє збереження хаотичної структури завади. Замість очищених 
формант ми бачимо «горизонтальні розмиття» та фрагментовані сплески 
енергії. Оскільки Марковська завада постійно змінює свої частотні 
характеристики, фільтр не зміг сформувати адекватний відбиток шуму. В 
результаті ми спостерігаємо ефект спектрального маскування: енергія завади 
залишається «розмазаною» по тих самих частотних смугах, де знаходиться 
голос, що робить неможливим відділення корисного сигналу від шуму. 
Візуалізація підтверджує основну гіпотезу дослідження: 
• для білого шуму: атака зловмисника є успішною; спектр стає прозорим, 
розбірливість відновлюється; 
• для Марковської моделі: атака призводить лише до перерозподілу енергії 
шуму, але не до його видалення. Спектр залишається заблокованим 
(«зашумленим»), що гарантує збереження конфіденційності навіть при 
використанні передових методів цифрової фільтрації. 
Лист 
 РТ225.21270.248 ПЗ  51 
Змін. Лист № докум. Підпис Дата  
 
3.2. Результати моделювання та тестування системи 
Методика дослідження базувалася на проведенні тесту для розробленої 
системи захисту шляхом імітації професійної атаки на зашумлений сигнал. 
Основна ідея полягала в тому, щоб змоделювати умови, за яких зловмисник 
використовує передові методи цифрової обробки сигналів для «очищення» 
перехопленого повідомлення від завади. Для цього обидва зашумлених типи 
сигналів (зашумлені Марковською моделлю та білим шумом) відновлювалися  
щоб перевірити, наскільки ефективно кожен тип завади чинить опір спробам 
деструктивного втручання.  
Метою цього етапу дослідження було порівняння стійкості захисту при 
однаковій енергії завад, що є критично важливим для об'єктивної оцінки. 
Необхідно з’ясувати, чи забезпечує Марковська модель вищий рівень безпеки 
за рахунок своєї інтелектуальної структури, а не простої амплітудної переваги. 
Встановлюючи ідентичну вхідну потужність (RMS - середньоквадратичне 
значення, показник, який відображає ефективну потужність або «енергію» 
сигналу) для білого шуму та Марковської моделі, були створили рівні умови 
для «атаки», що дозволило сфокусуватися саме на статистичних властивостях 
завад та їхній здатності протистояти алгоритмам шумозаглушення.  
Ключовим наміром було вивчення динаміки зміни показника SNR після 
проведення атаки залежно від потужності вхідної завади. Необхідно було 
перевірити гіпотезу про те, що стандартні методи фільтрації легко 
справляються зі стаціонарним білим шумом, суттєво підвищуючи якість 
сигналу на виході, тоді як мовоподібна завада через свою високу ентропію та 
подібність до голосу залишатиметься «невиліковною» для алгоритмів 
відновлення. Це мало б підтвердити, що навіть при низьких рівнях потужності 
Марковська модель здатна підтримувати стабільно високий рівень захисту.  
Результати цього експерименту стало вирішальним аргументом на користь 
використання складних імовірнісних моделей у системах захисту акустичної 
інформації «на льоту». 
Лист 
 РТ225.21270.248 ПЗ  52 
Змін. Лист № докум. Підпис Дата  
 
Проведене дослідження ефективності захисту при змінній потужності 
завад, а саме для чотирьох рівнів потужності (RMS) від 0.1 до 0.8 дозволило 
виявити фундаментальну різницю в поведінці систем захисту при 
масштабуванні енергетичного впливу (рисунок 3.4). 
Представлений графік ілюструє залежність відношення сигнал/шум 
після відновлення (SNR після атаки) від вхідної потужності завади (RMS) для 
двох моделей зашумлення. Візуалізація результатів дозволяє зробити наступні 
критичні висновки: 
1. Вразливість білого шуму (помаранчева лінія): для моделі білого шуму 
спостерігається стрімка деградація захисних властивостей при низьких та 
середніх рівнях потужності. При RMS = 0.1 зловмисник досягає SNR близько 
+7 дБ, що відповідає практично повному відновленню розбірливості мови. 
Лише при критичних значеннях RMS (понад 0.5), коли завада стає фізично 
надпотужною, SNR падає до від’ємних значень. Це підтверджує, що захист на 
основі білого шуму тримається виключно на «грубій силі», яка легко 
нівелюється цифровою обробкою. 
2. Адаптивна стійкість Марковської моделі (зелена лінія): Марковська 
модель демонструє унікальну стабільність: графік SNR після відновлення 
залишається у від’ємній зоні (від -1 до -3 дБ) протягом усього діапазону 
потужностей. Це означає, що незалежно від того, наскільки гучно працює 
генератор Марковської завади, алгоритми спектрального віднімання не здатні 
«витягнути» корисний сигнал. Зелена лінія має набагато менший нахил, що 
свідчить про інформаційну стійкість методу — його ефективність базується 
на математичній структурі, яку неможливо передбачити або відфільтрувати. 
Графіки на рисунку 3.4. доводять, що використання Марковських 
моделей дозволяє реалізувати енергоефективний захист. Можемо 
використовувати низьку потужність завади (RMS 0.15), забезпечуючи при 
цьому такий рівень нерозбірливості, для якого класичним системам 
знадобилася б потужність RMS 0.6. Це робить наш підхід безпечнішим для 
Лист 
 РТ225.21270.248 ПЗ  53 
Змін. Лист № докум. Підпис Дата  
 
людей, дешевшим у реалізації та значно стійкішим до професійних атак з 
використанням засобів цифрової обробки сигналів. 
 
Рисунок 3.4 – Порівняльна характеристка відновлення сигналів при зміні 
потужності завади 
 
Таким чином, застосування Марковської робить її статистично 
подібною до мовного сигналу і практично невідворотною для сучасних 
методів шумозаглушення, забезпечуючи надійне когнітивне маскування 
навіть у разі застосування спеціалізованих засобів очищення звуку. 
 
3.3. Особливості практичної реалізації моделі активного захисту при 
застосуванні платформи Raspberry Pi 
 
Запропонований метод Марковського маскування вирізняється низькою 
обчислювальною складністю, що робить його ідеальним для розгортання на 
доступних платформах, таких як Raspberry Pi або сучасних мікроконтролерах 
архітектури ARM. Оскільки алгоритм базується на імовірнісних матричних 
переходах, він не потребує великих потужностей GPU або спеціалізованих 
нейропроцесорів. Це дозволяє створити компактний автономний пристрій, 
який забезпечує миттєву обробку звуку без затримок (real-time processing), що 
Лист 
 РТ225.21270.248 ПЗ 54 
Змін. Лист № докум. Підпис Дата   
 
є критично важливим для природного ведення бесіди без дискомфорту для 
співрозмовників. 
Головною перевагою системи є реалізація концепції «Plug-and-Protect» 
(включив і працюєш): пристрій не потребує попереднього налаштування, 
збору бази даних голосів або тривалої адаптації до акустики приміщення. 
Система починає функціонувати миттєво, використовуючи вхідний аудіопотік 
для генерації завади. Це робить продукт максимально зручним для кінцевого 
користувача, який може бути впевненим у захисті з першої секунди розмови, 
незалежно від мови, тембру голосу чи кількості учасників дискусії. 
Висока ефективність проти сучасних атак досягається за рахунок того, 
що система працює в режимі онлайн, постійно аналізуючи та використовуючи 
унікальні набори фонем поточних співрозмовників. Замість використання 
заздалегідь записаних шумів, пристрій динамічно «дзеркалить» статистичну 
структуру поточної розмови, створюючи ідеально підігнаний маскувальний 
бар'єр. Такий підхід робить будь-які спроби попереднього навчання 
алгоритмів зловмисника марними, оскільки математична модель завади 
змінюється щосекунди, стаючи досконалішою та складнішою безпосередньо в 
процесі використання. 
Практична реалізація системи на базі Raspberry Pi 4 Model B втілює 
концепцію автономного інтелектуального пристрою для захисту мовної 
інформації в реальному часі. Вибір цієї платформи зумовлений її високою 
продуктивністю, наявністю необхідних інтерфейсів та можливістю ефективно 
виконувати алгоритми цифрової обробки сигналів (ЦОС). Зовнішній вид даної 
платформи, його інтерфейси та контактні виводи представлені на рисунку 3.5. 
Одноплатний комп'ютер Raspberry Pi 4 Model B є універсальною 
обчислювальною платформою, яка завдяки своїй архітектурі ідеально 
підходить для реалізації складних математичних моделей у реальному часі. 
Наявність потужного процесора та розширеного набору інтерфейсів, таких як 
USB 3.0 для підключення високоякісних зовнішніх аудіокарт та Gigabit 
Лист 
 РТ225.21270.248 ПЗ  55 
Змін. Лист № докум. Підпис Дата  
 
Ethernet для мережевого керування, дозволяє використовувати пристрій як 
мобільний центр цифрової обробки сигналів.  
 
 
  
а) б) 
Рисунок 3.5 – Зовнішній вид мікрокомп’ютера Raspberry Pi (а) та його 
інтерфейси (б). 
 
Завдяки компактним розмірам та низькому енергоспоживанню, цей 
мікрокомп'ютер стає оптимальним вибором для створення автономних систем 
захисту інформації, які можна легко розгорнути в будь-якому робочому 
середовищі. 
Для задачі генерації Марковських завад ключове значення має апаратна 
гнучкість платформи. Використання 40-контактного роз'єму GPIO (рис.3.5 б) 
дозволяє інтегрувати додаткові сенсори або керувати масивом 
випромінювачів, а виділений Audio Port забезпечує базовий вихід для 
контролю сформованого сигналу. Висока швидкість читання даних з Micro SD 
Card, де зберігаються операційна система, бібліотеки фрагментів та сама 
Марковська модель, гарантує мінімальні затримки при адаптації матриці 
перехідних ймовірностей до динамічних змін вхідного голосу. 
Програмно-апаратна синергія Raspberry Pi дозволяє ефективно 
реалізувати алгоритми «Plug-and-Protect», поєднуючи обробку сигналів на 
мові Python із апаратним прискоренням обчислень. Можливість підключення 
Лист 
 РТ225.21270.248 ПЗ 56 
Змін. Лист  
№ докум. Підпис Дата  
 
периферії через USB 2.0 та USB 3.0 дозволяє одночасно задіяти мікрофонні 
масиви для захоплення звуку та потужні цифрово-аналогові перетворювачі 
для виведення захисної завади. Таким чином, пристрій перетворюється на 
інтелектуальний акустичний бар'єр, який не просто створює шум, а в 
реальному часі моделює складну статистичну структуру мови для 
когнітивного маскування приватних розмов. 
Внутрішня архітектура Raspberry Pi 4 Model B базується на 
високопродуктивній системі на кристалі (SoC) Broadcom BCM2711, яка 
об'єднує чотириядерний 64-бітний процесор ARM Cortex-A72 з тактовою 
частотою 1,5 ГГц. Це забезпечує значний приріст потужності порівняно з 
попередніми поколіннями, дозволяючи пристрою ефективно виконувати 
паралельні обчислення, необхідні для реалізації Марковських моделей у 
реальному часі. Важливою особливістю є інтегрований графічний процесор 
VideoCore VI, який підтримує апаратне прискорення та дозволяє працювати з 
мультимедійними потоками високої роздільної здатності, що розширює 
можливості візуалізації даних ЦОС (рисунок 3.6). 
 
Рисунок 3.6 - Представлення архітектури Raspberry Pi 
 
Центральне місце в логічній структурі займає підсистема пам'яті 
LPDDR4 SDRAM, яка в четвертій моделі може досягати 8 ГБ. Висока 
пропускна здатність оперативної пам'яті критично важлива для швидкого 
Лист 
 РТ225.21270.248 ПЗ 57 
Змін.  
Лист № докум. Підпис Дата  
 
доступу до матриць перехідних ймовірностей та буферів аудіосигналів, що 
мінімізує затримки при генерації мовоподібних завад. Крім того, SoC інтегрує 
контролери для роботи з периферією, забезпечуючи прямий зв'язок між 
обчислювальними ядрами та лініями введення-виведення, що оптимізує 
передачу даних від USB-інтерфейсів до процесора обробки. 
Система також включає складну архітектуру шин даних, що підтримує 
роботу гігабітного Ethernet, двоканального Wi-Fi та Bluetooth 5.0. Особливої 
уваги заслуговує реалізація шини PCI Express, яка в моделі Pi 4 
використовується для забезпечення повноцінної пропускної здатності портів 
USB 3.0. Це дозволяє підключати зовнішні професійні АЦП/ЦАП без ризику 
виникнення «вузьких місць» у швидкості передачі, гарантуючи безперервність 
акустичного захисту та високу точність відтворення згенерованих 
марковських фрагментів. 
 
3.4. Практичне застосування та рекомендації по впровадженню системи 
активного захисту 
Основою концепції застосування Raspberry Pi є потокова обробка даних, 
де процесор ЦОС виконує швидке перетворення Фур'є (FFT) та аналізує 
енергетичні та спектральні характеристики вхідного голосу. Ці дані миттєво 
передаються до блоку Марковської моделі для адаптації матриці перехідних 
ймовірностей P(t). Такий підхід дозволяє реалізувати механізм «Plug-and-
Protect», оскільки параметри генератора мовоподібних фрагментів 
підлаштовуються під статистику вхідного сигналу без затримок, забезпечуючи 
динамічну зміну структури захисного сигналу N(t). 
Узагальнена структурна схема реалізації Марковської моделі на 
платформі Raspberry Pi представлена на рисунку 3.7. Принцип 
функціонування представленої структури базується на безперервному циклі 
адаптивної обробки акустичного сигналу в реальному часі. Процес 
починається з отримання вхідного голосу через аудіо інтерфейс, де аналого-
Лист 
 РТ225.21270.248 ПЗ  58 
Змін. Лист № докум. Підпис Дата  
 
цифровий перетворювач (АЦП) трансформує звукові коливання у цифровий 
потік для подальшої математичної обробки на платформі Raspberry Pi.  
Це забезпечує початковий етап захоплення даних, необхідних для формування 
динамічного захисту. 
 
Рисунок 3.7 - Узагальнена структурна схема реалізації Марковської 
моделі на платформі Raspberry Pi 
 
Ядром системи є Марковська модель з адаптивною матрицею 
перехідних ймовірностей P(t), яка представлена в п.2.2. Вона використовує 
поточні дані від процесора ЦОС для миттєвого підлаштування станів моделі. 
Завдяки цьому система здатна генерувати заваду, яка статистично мімікрує під 
вхідний голосовий потік, забезпечуючи високий рівень когнітивного 
маскування. 
Генератор мовоподібних фрагментів створює захисний сигнал N(t), 
звертаючись до локальної бібліотеки фрагментів та враховуючи поточний стан 
Марковського ланцюга. Цей процес перетворює сухі математичні імовірності 
на складну акустичну заваду, яка за своїми параметрами ентропії та 
спектральної щільності наближена до реальної мови. Такий підхід робить 
заваду стійкою до сучасних алгоритмів очищення звуку нейронними 
мережами. 
Лист 
 РТ225.21270.248 ПЗ  59 
Змін. Лист № докум. Підпис Дата  
 
Важливим контуром стабілізації є блок контролю RMS, який встановлює 
адаптивний поріг потужності завади (наприклад, 0.15). Це дозволяє 
підтримувати оптимальне відношення сигнал/шум, щоб захист залишався 
ефективним, але не створював надмірного акустичного дискомфорту. Далі 
сформований сигнал проходить через цифро-аналоговий перетворювач (ЦАП) 
та підсилювач для виведення на виконавчі пристрої. 
Фінальна стадія реалізується через масив випромінювачів, що включає 
динаміки або вібратори, які створюють захисне акустичне поле в просторі. 
Схема також передбачає акустичний зворотний зв’язок, що дозволяє системі 
коригувати свою роботу з урахуванням реального стану навколишнього 
середовища. Уся програмна частина, включаючи ОС та модель, функціонує з 
MicroSD картки, що забезпечує повну автономність та мобільність пристрою. 
 Нижче наданий алгоритм роботи програми, яка реалізує активний захист 
акустичного сигналу на основі запропонованої Марковської моделі. 
 
Алгоритм. Адаптивний синтез мовоподібної завади 
Вхід: Потік аудіо-відліків ������������, матриця переходів ���� розмірності 3 × 3, 
кількість каналів хору ���� = 6. 
Вихід: Потік захисного сигналу ����������������, збережені файли ��������������������,��������������������. 
1. Ініціалізація: 
o Сформувати порожній банк фонем ℬ = {����0,����1,����2} з обмеженням 
���������������� = 200. 
o Встановити вектори поточних станів для хору: ���� = {����1, … , ��������}, де 
�������� ∈ {0,1,2}. 
o �������������������� ← ���������������� (початкове адаптивне підсилення). 
2. Для кожного вхідного сегмента ���� ∈ ������������ виконувати: 
o Запис: Додати ���� до накопичувача ��������������������. 
o Адаптація підсилення (VOX): 
Лист 
 РТ225.21270.248 ПЗ  60 
Змін. Лист № докум. Підпис Дата  
 
 Обчислити ������������(����). 
 ���������������������������� ← (������������(����) > ����)?����������������:����������������. 
 �������������������� ← �������������������� + ���� ⋅ (���������������������������� - ��������������������) (де ���� — коефіцієнт 
інерції). 
o Класифікація та Оновлення ℬ: 
 Обчислити швидкість переходу через нуль ������������(����). 
 Визначити стан сегмента ����: 
0, якщо ������������������������(����) < ����
���� = �2, якщо ������������(����) > ����  
1, інакше
 Додати нормалізований сегмент �������������������� до черги ��������. 
3. Синтез завади: 
o Якщо ∑|ℬ| > ����ℎ������������ℎ������������: 
 ���������������� ← ���� (нульовий вектор довжини сегмента). 
 Для кожного каналу���� = 1 …����: 
 Вибрати наступний стан �������� ∼ Discrete�������������,⋅�. 
 Вибрати випадковий фрагмент���� ∈ ������������. 
 ���������������� ← ���������������� + (���� ⋅ ����), де ���� — віконна функція 
згладжування. 
 ���������������� ← �����������������/√����� ⋅ ��������������������. 
o Інакше: ���������������� ← ����. 
4. Вихід: 
o Відтворити ���������������� та зберегти у накопичувач ��������������������. 
5. Завершення (по перериванню): 
o Записати �������������������� та �������������������� у WAV-форматі на диск. 
 
Опис алгоритму. 
Лист 
 РТ225.21270.248 ПЗ  61 
Змін. Лист № докум. Підпис Дата  
 
1. Етап ініціалізації та накопичення даних. На початку роботи 
програма налаштовує параметри аудіопотоку та готує структуру для 
зберігання звукових фрагментів. 
• Створення банку фонем: Формуються три динамічні черги (тиша, 
голосних та приголосних звуків), які будуть наповнюватися 
безпосередньо під час розмови. Максимальний розмір черги для кожної 
категорії фонем у банку звуків встановлений на рівні 200. 
• Налаштування хору: Активуються кілька незалежних Марковських 
ланцюгів (за замовчуванням 6 каналів), що дозволяє створити 
багатошарову заваду, яку майже неможливо відфільтрувати 
стандартними методами. 
• Запуск потокового запису: Програма починає паралельне накопичення 
оригінального сигналу для подальшого збереження у файл 
original_speech.wav. 
2. Адаптивний аналіз вхідного сигналу (VOX та ZCR) 
Програма працює сегментами по 100 мс, що забезпечує миттєву реакцію на 
зміну акустичної ситуації. 
• Керування потужністю (VOX): Алгоритм постійно обчислює енергію 
(RMS) вхідного голосу. Якщо рівень сигналу зростає, програма 
автоматично піднімає амплітуду завади, забезпечуючи захист саме в 
моменти мовлення. 
• Класифікація фонем: За допомогою показника швидкості переходу 
через нуль (ZCR) система визначає тип звуку (наприклад, шиплячі 
приголосні мають високий ZCR, а голосні — низький). Фрагменти 
нормалізуються та додаються до відповідного розділу банку фонем. 
3. Синтез та виведення захисної завади 
Це основний етап, де реалізується імовірнісна логіка Маркова. 
• Марковський перехід: Для кожного каналу «хору» вибирається 
наступний стан (тиша/голосна/приголосна) згідно з імовірностями, 
Лист 
 РТ225.21270.248 ПЗ 
   62 
Змін. Лист № докум. Підпис Дата  
 
заданими в матриці переходів. Це гарантує, що послідовність 
синтезованих звуків буде статистично подібною до структури людської 
мови. 
• Генерація завади: З банку фонем випадковим чином обирається 
фрагмент, що відповідає обраному стану, та накладається на загальний 
вихідний потік із використанням віконного згладжування для уникнення 
клацань. 
• Адаптивне зашумлення: Сформований сигнал підсилюється 
відповідно до поточного коефіцієнта адаптації та виводиться на 
динаміки. Одночасно цей результат записується у файл 
protected_output.wav. 
Завдяки такій структурі, алгоритм забезпечує високу ентропію завади, 
роблячи її максимально подібною до голосу диктора, але абсолютно 
нерозбірливою для стороннього слухача або систем перехоплення. 
 
3.5. Висновки 
В даному розділі представлено практичну реалізацію системи активного 
акустичного захисту на базі одноплатного комп'ютера Raspberry Pi 4 Model B, 
що дозволило втілити концепцію мобільного та автономного інтелектуального 
бар'єра. Вибір даної апаратної платформи обґрунтовано її високою 
продуктивністю при виконанні алгоритмів цифрової обробки сигналів у 
реальному часі та наявністю необхідних інтерфейсів для підключення 
периферійних пристроїв введення-виведення звуку. Розроблена архітектура 
забезпечує повний цикл трансформації сигналу — від аналого-цифрового 
перетворення вхідного голосу до генерації адаптивної завади, що дозволяє 
використовувати систему в умовах, де потрібне оперативне розгортання 
засобів захисту інформації. 
Основою реалізованого алгоритму є використання Марковської моделі з 
динамічною класифікацією станів, що дозволило реалізувати механізм «Plug-
Лист 
 РТ225.21270.248 ПЗ 63 
Змін. Лист    
№ докум. Підпис Дата  
 
and-Protect». Запропонована истема автоматично адаптує банк фонем під 
індивідуальні особливості голосу диктора без необхідності попереднього 
збору бази даних. Такий підхід забезпечує статистичну подібність завади до 
корисного сигналу, що робить її стійкою до сучасних методів 
шумозаглушення, заснованих на нейронних мережах та спектральному 
відніманні. 
Результати експериментальних досліджень підтвердили працездатність 
системи та її здатність підтримувати стабільно низький рівень відношення 
сигналу до шуму (SNR) незалежно від вхідної потужності голосу. 
Впровадження блоку адаптивного керування підсиленням (VOX) дозволило 
мінімізувати акустичне навантаження на середовище, активуючи захист лише 
в моменти реальної присутності мовного сигналу. Таким чином, 
запропонований підхід до побудови систем захисту на базі Марковських 
моделей є перспективним для створення нового покоління засобів протидії 
інтелектуальному перехопленню акустичної інформації. 
Лист 
 РТ225.21270.248 ПЗ  64 
Змін. Лист № докум. Підпис Дата  
 
РОЗДІЛ 4 
ОХОРОНА ПРАЦІ 
 
4.1. Аналіз небезпек та шкідливостей, що впливають на 
співробітника в радіотехнічній лабораторії 
 
Процес розробки алгоритмів для генерації мовоподібних завад у 
радіотехнічній лабораторії супроводжується специфічним навантаженням на 
психофізіологічний стан дослідника. Основним фактором тут є інтенсивна 
зорова та інтелектуальна напруга, пов’язана з тривалим аналізом мовних 
сигналів.  
Для забезпечення комфортних та безпечних умов праці наукового 
персоналу, приміщення лабораторії має відповідати вимогам ДБН В.2.2.28-
2010 щодо мінімально допустимого простору. Задана площа лабораторії 
розміром 7,0м × 5,0м становить 35,0м², що при стандартній висоті стелі 3,0 м 
створює робочий об’єм у 105,0м³. Враховуючи, що в лабораторї одночасно 
може перебувати до чотирьох працівників, на кожного співробітника припадає 
по 8,75м² площі та понад 26 м³ об’єму, що перевищує санітарний мінімум (6 
м² та 15 м³ відповідно до ДБН В.2.2.28-2010) і дозволяє раціонально 
розмістити великогабаритні стенди для моделювання акустичних завад без 
захаращення проходів. Така просторова організація сприяє вільному 
переміщенню персоналу, ефективному повітрообміну та зниженню рівня 
накопичення статичного заряду й теплових викидів від працюючої 
обчислювальної техніки. 
Організація робочого місця в радіотехнічній лабораторії базується на 
принципах функціональності та ергономіки, що дозволяє мінімізувати фізичну 
втому та підвищити точність наукових досліджень згідно нормативів ДСТУ 
8604:2015 «Дизайн і ергономіка. Робоче місце для виконання робіт у 
положенні сидячи. Загальні ергономічні вимоги». Робоча зона 
Лист 
 РТ225.21270.248 ПЗ 65 
Змін. Лист    
№ докум. Підпис Дата  
 
проектувальника засобів акустичного захисту обладнується спеціалізованим 
столом із антистатичним покриттям, висота якого зазвичай становить 0,745м, 
та стільцем із регульованою спинкою (висота сидіння близько 0,45м) для 
підтримання природної постави. Основне обладнання, включаючи 
персональний комп'ютер, вимірювальні прилади та засоби розробки на базі 
Raspberry Pi, розташовується у зоні легкої досяжності рук (не далі 0,8м від 
центру), а монітор встановлюється на відстані не менше 70 см від очей під 
кутом огляду близько 30°, що забезпечує зниження навантаження на зір та 
шийний відділ хребта під час тривалого аналізу сигналів. 
 Електробезпека в лабораторії організується відповідно до вимог ПУЕ та 
ДСТУ Б В.2.5-82:2016, оскільки використання вимірювальних комплексів та 
паяльних станцій, що живляться від мережі 220 В, створює потенційний ризик 
ураження струмом. Для гарантування безпеки всі робочі місця обладнуються 
шинами захисного заземлення, до яких приєднуються металеві корпуси 
приладів, а електромережу оснащують пристроями захисного відключення 
(ПЗВ) із порогом спрацьовування не більше 30 мА, що забезпечує миттєве 
знеструмлення при виникненні витоку струму. Персоналу категорично 
забороняється проводити самостійний ремонт обладнання під напругою, 
використовувати саморобні подовжувачі або працювати з приладами, що 
мають пошкоджену ізоляцію чи відсутні захисні кожухи, а при виявленні будь-
яких несправностей живлення має бути негайно вимкнено через головний 
розподільний щит. 
Організація роботи з потенційно небезпечними хімічними сполуками, 
такими як каніфольні флюси, спирто-бензинові суміші та інші розчинники, 
вимагає дотримання протоколів безпеки відповідно до НПАОП 73.1-1.11-12 
«Правила охорони праці під час роботи в хімічних лабораторіях» для 
запобігання токсичному впливу на організм дослідника. Усі маніпуляції 
(паяння, промивання плат), що супроводжуються виділенням шкідливих парів 
або аерозолів, мають проводитися виключно всередині спеціально обладнаних 
Лист 
 РТ225.21270.248 ПЗ  66 
Змін. Лист № докум. Підпис Дата  
 
витяжних шаф із активованою системою примусової вентиляції, яка відповідає 
вимогам ДБН В.2.5-67:2013 та забезпечує ефективне видалення продуктів 
згоряння й випаровування з робочої зони. 
Відповідно до НПАОП 0.00-7.17-18 «Мінімальні вимоги до 
забезпечення безпеки і захисту здоров'я працівників при використанні засобів 
індивідуального захисту на робочому місці», персонал лабораторії в 
обов'язковому порядку забезпечується сертифікованими засобами 
індивідуального захисту (ЗІЗ). До них належать: захисні рукавички (згідно з 
ДСТУ EN 374) для запобігання контактним дерматитам та хімічним опікам, 
захисні окуляри (згідно з ДСТУ EN 166:2017) для захисту слизової оболонки 
очей від бризок хімреактивів, а також респіратори з відповідними 
протигазоаерозольними фільтрами під час роботи з летючими сполуками чи 
дрібнодисперсними порошками. Використані обтиральні матеріали, залишки 
хімікатів та інші небезпечні відходи підлягають обов'язковому збору й 
утилізації у спеціальних герметичних контейнерах відповідно до вимог Закону 
України «Про управління відходами» з подальшою передачею на 
знешкодження спеціалізованим підприємствам. В даній лабораторії вказані 
вимоги дотримані. 
Забезпечення оптимальних метеорологічних умов у приміщенні площею 
35,0 м² регулюється санітарними нормами ДСН 3.3.6.042-99, які 
встановлюють суворі рамки для двох основних періодів року залежно від 
категорії енерговитрат працівника. Для холодного періоду року (при 
середньодобовій температурі зовнішнього повітря  +10°C) цільовим 
показником температури в лабораторії є діапазон 22–24 °C при швидкості руху 
повітря не більше 0,1 м/с, тоді як у теплий період року (температура зовні > 
+10°C) допустимим вважається підняття температури до 23–25 °C при 
швидкості повітряних потоків до 0,2 м/с. Відносна вологість повітря в обох 
випадках має підтримуватися в межах 40–60%, що є критично важливим для 
запобігання накопиченню статичного заряду на вимірювальному обладнанні 
Лист 
 РТ225.21270.248 ПЗ  67 
Змін. Лист № докум. Підпис Дата  
 
та забезпечення стабільної роботи акустичних систем при моделюванні завад 
(таблиця 4.1).  
У зимовий період температурний режим у приміщенні коливається в 
межах 17–19°C, що подекуди не досягає встановленої санітарної норми згідно 
з ДСН 3.3.6.042-99. Така невідповідність класифікує умови праці як шкідливі 
першого ступеня, що створює ризики переохолодження персоналу, 
поширення респіраторних інфекцій та розсіювання уваги під час виконання 
складних розрахунків. Для корекції ситуації доцільно застосовувати локальні 
опалювальні прилади з термостатами, які дозволяють підтримувати стабільне 
тепло без перегрівання повітря в окремих частинах лабораторії. 
 
Таблиця 4.1 - Нормовані показники мікроклімату в робочій зоні 
Оптимальне Допустиме 
Параметр мікроклімату Період року 
значення значення 
Холодний 22–24  21–25  
Температура повітря, °С 
Теплий 23–25  22–28  
Холодний 40–60  не нормується (до 75) 
Відносна вологість, % 
Теплий 40–60  не нормується (до 75) 
Холодний 0,1   0,1 
Швидкість руху повітря, м/с 
Теплий 0,1  0,1–0,2  
 
Протягом літнього сезону значення температури повітря в лабораторії 
можуть сягати 26 - 28°C, що перевищує рекомендований діапазон температури 
для умов легкої фізичної роботи (категорія Іа). Тривале перебування в такому 
середовищі провокує передчасну втомлюваність, сповільнює швидкість 
реакції та підвищує імовірність теплового дискомфорту для дослідників. Для 
нормалізації параметрів робочої зони та забезпечення оптимальних значень 
температури (23 - 25 °C) і відносної вологості (40 - 60%) відповідно до вимог 
ДСН 3.3.6.042-99 «Санітарні норми мікроклімату виробничих приміщень», 
Лист 
 РТ225.21270.248 ПЗ  68 
Змін. Лист № докум. Підпис Дата  
 
обґрунтованим технічним рішенням є інтеграція спліт-системи з функціями 
автоматичного охолодження, осушення та контролю вологості. Це дозволить 
підтримувати стабільний тепловий баланс організму дослідника, запобігати 
зниженню його працездатності та уваги під час прецизійних вимірювань. 
Додатково, це забезпечить універсальність кліматичного контролю, адже в 
перехідні періоди року кондиціонер зможе ефективно працювати на обігрів, 
виключаючи необхідність використання додаткових переносних нагрівачів, 
які пересушують повітря та створюють додаткові ризики пожежної безпеки. 
Інтенсивність руху повітряних мас у приміщенні лабораторії 
зафіксована на рівні 0,2 м/с, що вдвічі перевищує ліміт у 0,1 м/с, встановлений 
ДСН 3.3.6.042-99 для зимового сезону. Постійна дія таких потоків на організм 
провокує виникнення протягів, що може призвести до запалення м’язів, частих 
респіраторних інфекцій та загального відчуття дискомфорту у персоналу. Для 
розв'язання цієї проблеми необхідно модернізувати приміщення шляхом 
заміни застарілих віконних конструкцій на енергоефективні металопластикові 
блоки з високим ступенем герметизації, а також забезпечити щільне 
прилягання дверних полотен. 
Показник відносної вологості в робочій зоні коливається в межах 62–
65%, що виходить за межі оптимального діапазону 40–60%. У літні місяці 
надмірна вологість перешкоджає природній терморегуляції організму, 
викликаючи швидку втому, тоді як узимку вона посилює негативний вплив 
низьких температур, сприяючи переохолодженню. Для нормалізації цього 
параметра доцільно використовувати промислові осушувачі повітря або 
модернізувати систему припливно-витяжної вентиляції, доповнивши її 
модулями підігріву та осушення повітряного потоку. 
Згідно з ДБН В.2.5-28-2018, робота в лабораторії відноситься до 
категорії високої точності, що при недостатньому або нераціональному 
освітленні робочого місця призводить до швидкої втоми зорового аналізатора, 
виникнення головного болю та зниження загальної концентрації уваги. 
Лист 
 РТ225.21270.248 ПЗ  69 
Змін. Лист № докум. Підпис Дата  
 
Система освітлення робочого простору поєднує використання 
природних потоків світла, що надходять крізь два віконні проєми розміром 
2×1,4 м, та мережу стельових світильників штучного світла. Відповідно до 
положень ДБН В.2.5-28-2018, виконання науково-дослідних робіт високого 
ступеня точності вимагає підтримання рівня освітленості на поверхні столів 
не нижче 400 лк. Для корекції світлового середовища та запобігання 
засліпленню працівників приміщення обладнане сонцезахисними жалюзі. 
Організація загального штучного освітлення в приміщенні реалізована за 
допомогою чотирьох стельових світильників серії ЛСП 02В-1×40, у яких 
встановлено люмінесцентні джерела світла потужністю 40 Вт кожне. Штучне 
освітлення в лабораторії становить 250лк, що є недостатнім і потребує 
модернізації. 
З метою подолання виявленої нестачі світлового потоку доцільно 
провести комплексну реорганізацію мережі штучного освітлення. Серед 
пріоритетних кроків потрібно розглянути інтеграцію додаткових джерел 
світла у вже встановлені блоки або повну заміну застарілих елементів на 
сучасні енергоощадні аналоги, зокрема LED-лампи з інтенсивною 
світловіддачею. Додатково рекомендується впровадити систему локального 
освітлення безпосередньо над робочими зонами, а також використовувати 
спеціальні відбивачі та розсіювачі, які забезпечать однорідність світлового 
поля на всій площині робочих столів. Реалізація цих заходів дозволить 
привести параметри середовища у відповідність до державних стандартів, 
створивши безпечне та сприятливе для тривалої роботи середовище. 
Специфіка проектування та тривала робота за комп'ютером у 
радіотехнічній лабораторії пов'язана з постійним зоровим навантаженням 
високої точності через розрізнення дрібних елементів схем, графіків та коду 
на моніторі. Відповідно до ДБН В.2.5-28-2018 «Природне і штучне 
освітлення», для приміщень з обчислювальною технікою та відеодисплейними 
терміналами нормативне значення коефіцієнта природного освітлення (КПО) 
Лист 
 РТ225.21270.248 ПЗ  70 
Змін. Лист № докум. Підпис Дата  
 
при боковому освітленні має становити не менше 1,2%. Проведені 
інструментальні вимірювання у весняно-літній період зафіксували локальні 
значення КПО на робочих місцях біля вікон у межах 7–9%. Такий високий 
показник свідчить про надмірність природного світлового потоку та 
виникнення прямого засліплення екранів ПК сонячними променями, що 
викликає перенапруження очних м'язів, погіршує видимість графічної 
інформації. Для усунення цього негативного фактора передбачено оснащення 
віконних прорізів лабораторії жалюзі, що дозволяє оптимізувати світловий 
розподіл у приміщенні. 
Відповідно до чинних Правил улаштування електроустановок (ПУЕ-
2017), за ступенем небезпеки ураження електричним струмом дане 
приміщення радіотехнічної лабораторії належить до категорії приміщень без 
підвищеної небезпеки. Такий статус обґрунтовано вимогами нормативного 
документа, оскільки в лабораторії повністю відсутні чинники, що створюють 
підвищену або особливу небезпеку, а саме: сирість (відносна вологість повітря 
не перевищує 75%), висока температура (довготривало не перевищує +35°C), 
струмопровідний пил, а також хімічно активне або органічне середовище, що 
руйнує ізоляцію. Крім того, всі конструкційні елементи обладнання мають 
надійний захисний кожух, що унеможливлює одночасний технологічний 
контакт дослідника з відкритими струмопровідними частинами та 
заземленими металоконструкціями будівлі.  
Експлуатація електроприладів здійснюється від типової мережі 220 В, а 
сумарна потужність споживання обмежена рівнем 3000 Вт, що гарантує 
стабільну роботу кабельних ліній без ризику термічного пошкодження ізоляції 
чи хибних спрацьовувань автоматичних вимикачів. Регламентом робіт також 
закріплено проведення систематичного аудиту стану захисних пристроїв та 
вимірювання опору ізоляції. 
Зважаючи на наявність металевих корпусів у вимірювальній апаратурі, 
для нейтралізації ризиків виникнення напруги дотику в лабораторії 
Лист 
 РТ225.21270.248 ПЗ  71 
Змін. Лист № докум. Підпис Дата  
 
реалізовано систему захисного заземлення згідно з ДСТУ Б В.2.5-82:2016. 
Контур заземлення інтегрований з усіма мережевими розетками та 
корпусними елементами обладнання, а наявність спеціальних клем дозволяє 
оперативно контролювати цілісність захисного кола. Додатковий рівень 
електробезпеки забезпечується встановленням пристроїв захисного 
відключення (ПЗВ) або диференційних автоматів, які здатні миттєво 
знеструмити мережу у разі виявлення струмів витоку, запобігаючи 
травматизму персоналу. 
Під час експлуатації обладнання персонал повинен дотримуватися таких 
правил: 
• режим роботи: у разі зникнення напруги негайно вимкнути прилади; 
заборонено самовільно ремонтувати техніку або виконувати 
непередбачені робочим процесом перемикання; 
• технічні обмеження: категорично забороняється доступ до головного 
розподільного щита та зняття захисних кожухів з апаратури; 
• дії при несправностях: при виявленні пошкоджень ізоляції, дротів або 
приладів слід терміново знеструмити робоче місце та доповісти 
керівнику; 
• перша допомога: при ураженні струмом необхідно негайно вивільнити 
потерпілого від дії напруги, надати домедичну допомогу та, за потреби, 
викликати лікаря. 
Згідно з вимогами ДСТУ Б В.1.1-36:2016, приміщення лабораторії 
класифікується як пожежовибухонебезпечне категорії В. Такий статус 
зумовлений значною кількістю горючих матеріалів: дерев’яних меблів, 
плакатів, а також оздобленням стін та підлоги, що здатні інтенсивно 
підтримувати горіння та сприяти швидкому задимленню при займанні. Для 
мінімізації ризиків у лабораторії встановлено жорсткий регламент: заборонено 
використання відкритого полум’я та обігрівачів без термостатів, а обсяг 
горючих матеріалів обмежено необхідним мінімумом. 
Лист 
 РТ225.21270.248 ПЗ  72 
Змін. Лист № докум. Підпис Дата  
 
Система протипожежного захисту реалізована відповідно до ДБН В.2.5-
56:2014 і включає електричну пожежну сигналізацію променевого типу разом 
із шістьма тепловими сповіщувачами ІП-105-2. Цей комплекс дозволяє 
миттєво фіксувати критичне зростання температури та автоматично 
передавати сигнал тривоги черговим службам. Для первинного придушення 
вогню лабораторія оснащена вуглекислотним вогнегасником ВВК-3,5, що є 
ефективними для гасіння електроустановок під напругою та горючих речовин 
класу B. Весь простір забезпечено наочними схемами евакуації та 
інструкціями з експлуатації засобів пожежогасіння, що гарантує 
злагодженість дій персоналу в екстрених ситуаціях. 
У разі виникнення пожежі персонал лабораторії повинен діяти за таким 
алгоритмом: 
• екстрене сповіщення: негайно викликати пожежну охорону за номером 
101 (вказавши прізвище та дані керівника) і доповісти про ситуацію 
адміністрації закладу; 
• евакуація та локалізація: організувати виведення людей із приміщення 
та знеструмити електромережу й вентиляцію для стримування вогню та 
диму; 
• ліквідація та захист: розпочати гасіння пожежі наявними засобами 
(якщо це безпечно) та забезпечити евакуацію матеріальних цінностей, 
дотримуючись правил техніки безпеки; 
• взаємодія зі службами: за неможливості подолати вогонь — залишити 
приміщення, зачинивши двері, та забезпечити безперешкодний доступ 
пожежним підрозділам до об'єкта. 
Окрему групу складають акустичні фактори, оскільки тестування 
ефективності мовоподібних завад для захисту акустичних каналів витоку 
інформації передбачає регулярне прослуховування синтезованих шумів. 
Постійний вплив специфічного звукового фону, навіть якщо він не перевищує 
нормативні 60 дБА згідно з ДСН 3.3.6.037-99, створює додаткове 
Лист 
 РТ225.21270.248 ПЗ  73 
Змін. Лист № докум. Підпис Дата  
 
навантаження на центральну нервову систему. Це може спричиняти стан 
дратівливості, перевтому, що в умовах лабораторії вимагає чіткого 
дотримання режиму праці та відпочинку, а також використання засобів 
індивідуального захисту органів слуху при проведенні високоінтенсивних 
експериментів. Вимірювання показали, що акустичне середовище в 
радіотехнічній лабораторії характеризується рівнем шуму в межах 45–50 дБА. 
Оскільки фактичні вимірювання зафіксували показники, що майже на 10 дБА 
нижчі за норму, умови в лабораторії є цілком сприятливими для підтримки 
високої концентрації уваги та проведення складних досліджень без 
акустичного дискомфорту. 
Рівень електромагнітного випромінювання промислової частоти (50 Гц) 
у межах робочих зон лабораторії повністю відповідає вимогам ДСН 3.3.6.096-
2002. Регулярний моніторинг напруженості поля дозволяє запобігти 
потенційному кумулятивному впливу низькочастотних полів на здоров'я 
персоналу, що дозволяє класифікувати умови праці за цим показником як 
допустимі. 
Результати вимірювань електростатичного поля також підтвердили 
відсутність перевищень гранично допустимих норм. Безпечна експлуатація 
обладнання гарантується комплексом антистатичних заходів та надійним 
заземленням, що нейтралізує ризик виникнення розрядів, усуває дискомфорт 
для дослідників і мінімізує супутні виробничі ризики. 
Система пожежної безпеки в лабораторії базується на багаторівневому 
навчанні персоналу, що включає вступний, первинний та повторний 
інструктажі. Результати підготовки обов'язково реєструються у відповідному 
журналі, що є юридичною підставою для допуску до роботи. Така 
послідовність гарантує, що кожен дослідник чітко знає маршрути евакуації, 
вміє користуватися засобами пожежогасіння та готовий до правильних дій у 
разі надзвичайної ситуації. 
Лист 
 РТ225.21270.248 ПЗ 74 
Змін.     
Лист № докум. Підпис Дата  
 
Відповідно до положень ДНАОП 0.00-4.12-05, процедура охорони праці 
передбачає обов'язковий вступний інструктаж для нових співробітників та 
первинне навчання безпосередньо на робочому місці. Контрольна перевірка 
знань є критичним фільтром, який дозволяє мінімізувати виробничий 
травматизм, спричинений недосвідченістю чи порушенням правил безпеки. 
Для підтримки високого рівня обізнаності проводяться планові повторні 
інструктажі: щоквартально для робіт з підвищеною небезпекою та раз на шість 
місяців для інших видів діяльності. Це забезпечує актуалізацію навичок 
персоналу та ознайомлення з оновленими стандартами безпечного виконання 
технологічних операцій. 
Оперативний доступ до правил гарантується розміщенням «Інструкції 
про заходи пожежної безпеки» та «Інструкції з охорони праці» на 
інформаційних стендах лабораторії. Постійна наявність цих документів 
дозволяє співробітникам миттєво звіритися з алгоритмами дій як під час 
щоденних досліджень, так і в умовах техногенних викликів. 
Хоча більшість безпекових параметрів у лабораторії відповідають 
нормам, стан штучного освітлення на робочих місцях залишається 
незадовільним: через недостатню кількість та невдале розміщення 
світильників рівень освітленості не досягає встановленого мінімуму. Це 
провокує надмірне зорове напруження, прискорює втому дослідників та 
підвищує імовірність похибок під час проведення високоточних вимірювань. 
Якісне освітлення є критичним психофізіологічним чинником: воно не 
лише підтримує концентрацію та високий темп роботи, а й запобігає 
виробничому травматизму. Натомість дефіцит світла змушує персонал 
приймати вимушені незручні пози, що призводить до головного болю та 
хронічної напруги м'язів шийно-плечового поясу. 
Для усунення цих ризиків необхідно модернізувати систему освітлення, 
інтегрувавши додаткові потужні стельові або локальні настільні світильники. 
Найбільш раціональним рішенням є перехід на сучасні LED-модулі, які 
Лист 
 РТ225.21270.248 ПЗ  75 
Змін. Лист № докум. Підпис Дата  
 
гарантують рівномірне розсіювання світла та забезпечують нормативні 
показники яскравості при суттєвій економії електроенергії. 
 
4.2. Модернізація системи загального штучного освітлення 
дослідної лабораторії 
 
Будь-яке відхилення від норм освітленості, чи то дефіцит світла, його 
надмірність, нерівномірність розподілу - спричиняє хронічне перенапруження 
зорового апарату. Це викликає відчуття дискомфорту, передчасну втому очей 
та розсіювання уваги, що безпосередньо знижує ефективність дослідницької 
роботи. У такому середовищі суттєво зростає імовірність помилок при роботі, 
а також ризик травматизму через погану видимість або засліплювальні 
відблиски на робочих поверхнях. 
Для комплексної оцінки світлового середовища використовують дві 
групи критеріїв: 
• кількісні параметри: до них належать світловий потік, сила світла, 
яскравість та безпосередньо освітленість, які демонструють 
відповідність джерел світла встановленим інтенсивним нормам; 
• якісні параметри: охоплюють характеристики фону, рівень контрасту 
між об'єктом та оточенням, а також загальну видимість; 
• функціональне значення: оптимальний фон мінімізує втому, чіткий 
контраст полегшує ідентифікацію дрібних деталей, а висока видимість є 
запорукою безпомилкового виконання точних наукових операцій. 
Для створення оптимального зорового середовища система виробничого 
освітлення має відповідати низці ключових критеріїв: підтримувати рівень 
освітленості не нижче нормативного (відповідно до складності завдань), 
запобігати виникненню прямого та відбитого засліплення, а також гарантувати 
рівномірність світлового потоку без різких тіней, що втомлюють зір через 
постійну переадаптацію. 
Лист 
 РТ225.21270.248 ПЗ  76 
Змін. Лист № докум. Підпис Дата  
 
Окрім суто світлотехнічних параметрів, система повинна забезпечувати 
високу чіткість розрізнення деталей за рахунок достатнього контрасту об’єкта 
з фоном і бути безпечною в експлуатації — не генерувати надмірного шуму, 
тепла чи пожежних ризиків. Раціональний підхід до проектування освітлення 
не лише підвищує продуктивність і якість наукових досліджень, а й є 
економічно ефективним заходом, що зберігає здоров’я персоналу в 
довгостроковій перспективі. 
Класифікація виробничого освітлення залежно від походження 
світлових ресурсів поділяється на природне, штучне та суміщене (останнє 
застосовується, коли інтенсивність денного світла не досягає нормативних 
показників і потребує додаткової компенсації штучними джерелами). 
Проєктування системи штучного світла базується на методі коефіцієнта 
використання світлового потоку. Ключовою метою цього розрахунку є 
обчислення оптимальної кількості освітлювальних приладів N, необхідних для 
підтримки регламентованого рівня освітленості згідно з математичною 
моделлю: 
E ⋅ S ⋅ z ⋅К
                                       N = н з
n ⋅ F ⋅η ,                          (4.1) 
л
де: 
Ен – нормоване освітлення, лк (ДБН В.2.5-28-2018); 
Кз – коефіцієнт запасу, який враховує зниження освітлення в процесі 
експлуатації (для заданого приміщення Кз = 1,4); 
S = А·В – площа приміщення, (А – довжина приміщення, В – ширина 
приміщення); 
z – коефіцієнт мінімального освітлення; z = 1,1 (для люмінесцентних 
ламп); 
n – кількість ламп у світильнику; 
Fл – світловий потік лампи; 
η – коефіцієнт використання, відн. од. 
Лист 
 РТ225.21270.248 ПЗ  77 
Змін. Лист № докум. Підпис Дата  
 
Алгоритм визначення нормативного рівня освітленості (Ен) базується на 
детальному аналізі візуальних параметрів робочого середовища: 
• об’єкти спостереження: основними предметами, що потребують зорової 
уваги в процесі досліджень, є текстова інформація на моніторах 
комп'ютерів та друковані символи в науковій літературі; 
• визначення розміру деталі: найменшими об’єктами розрізнення 
виступають розділові знаки в текстах, лінійний розмір яких орієнтовно 
становить 0,15–0,3 мм.; 
• аналіз робочого фону: поверхня, на якій розташовані символи (білий 
папір або світлий інтерфейс програм). Фон є  світлим (ρ > 0,4), оскільки 
в маємо справу з написами на білому фоні. Для вказаного фону 
коефіцієнт відбиття поверхні ρ = 0,9; 
• параметри контрастності: взаємодія чорного шрифту з білим фоном 
забезпечує великий контраст, що гарантує високу чіткість сприйняття 
інформації та полегшує зорову роботу. 
Згідно з нормативами ДБН В.2.5-28-2018, обраний розмір найменшого 
об’єкта розрізнення (0,15–0,3мм) дозволяє віднести технологічний процес до 
розряду зорової праці IIг. 
Враховуючи світлий фон та високий рівень контрасту, нормативне 
значення загального штучного освітлення встановлюється на рівні Ен = 400лк. 
Для забезпечення вказаних параметрів, з урахуванням специфіки середовища 
та типу приміщення, обрано стельовий світлодіодний світильник моделі 
Maxus ASSISTANCE PRO (рисунок 4.1). 
Лист 
 РТ225.21270.248 ПЗ  78 
Змін. Лист № докум. Підпис Дата  
 
 
Рисунок 4.1 – Зовнішній вигляд світлодіодного світильника Maxus 
ASSISTANCE PRO 
 
Технічні характеристики світильника: 
- споживана потужність -  80 Вт; 
- світловий потік модуля - 8000 Лм; 
- ступінь вологозахисту  - ІР40; 
-  кут розсіювання - 120 грд; 
- матеріал основи - пластик; 
- живлення - мережа змінного струму 170-240 В; 
- колірна температура - 5000 К; 
- індекс передачі кольору (CRI ) - більше 80; 
- основний колір - білий; 
- габаритні розміри (д/ш/) мм - 595/1195; 
- матеріал розсіювача/ корпуса - пластик; 
- оптимальний діапазон робочих температур, С - від 0 до +40; 
-  встановлення - на стелю або стіну. 
Визначаємо коефіцієнт використання в залежності від групи світильника 
(третя група), коефіцієнтів відбиття стелі (70%), стін (50%) і підлоги (10%) та 
індексу приміщення і: 
Лист 
 РТ225.21270.248 ПЗ  79 
Змін. Лист № докум. Підпис Дата  
 
A ⋅ B
                                        i = h ⋅ (A + B)                                (4.2) 
де: 
А – довжина приміщення, м; 
В – ширина приміщення, м; 
h = Н – 0,3 = 3 – 0,3 = 2,7 м – висота підвісу світильників. 
Згідно виразу (4.2) знаходимо:  
���� = 7⋅5
2,7⋅( ) = 1,08. 
7+5
За формулою (4.1) розраховуємо кількість світильників N: 
���� = ����н⋅����⋅����⋅Кз = 400⋅35⋅1,08⋅1,4 = 4,99. 
����⋅����л⋅���� 1⋅8000⋅0,53
Таким чином кількість світильників має дорівнювати не менше 5 шт. 
Для симетричного розташування по всій лабораторії встановимо 6 шт. 
Проєктне рішення передбачає рівномірне розміщення шести 
світильників по всій площі стелі з урахуванням геометричних параметрів 
приміщення та габаритів обладнання. Оскільки розрахункова кількість 
світлових точок збігається з фактичною, доцільно здійснити монтаж нових 
приладів на вже існуючі місця. 
Електроживлення мережі здійснюється від напруги 220 В. Вибір параметрів 
проводки базується на трьох критичних критеріях: 
• термічна стійкість: здатність провідників витримувати розрахунковий 
струм навантаження без перегріву понад допустимі норми; 
• стабільність напруги: забезпечення мінімально необхідного рівня 
вольтажу безпосередньо на клемах джерел світла; 
• механічна надійність: відповідність міцності дротів умовам експлуатації 
та обраному типу монтажу. 
На основі розрахунку сили струму та вимог пожежної безпеки, для 
з'єднання світильників обрано мідний дріт із полівінілхлоридною (ПВХ) 
ізоляцією перерізом 1,5 мм². З погляду механічної міцності, нормативним 
Лист 
 РТ225.21270.248 ПЗ  80 
Змін. Лист № докум. Підпис Дата  
 
мінімумом для внутрішнього загального освітлення є переріз 0,5 мм², отже, 
обраний варіант повністю задовольняє вимогам надійності із суттєвим 
запасом. 
 
Лист 
 РТ225.21270.248 ПЗ  81 
Змін. Лист № докум. Підпис Дата  
 
ВИСНОВОК 
У дипломній роботі проведено комплексне дослідження та реалізація 
системи активного акустичного захисту, що базується на застосуванні 
Марковських моделей для генерації мовоподібних завад. Основним 
результатом стало створення автономного програмно-апаратного комплексу 
на базі Raspberry Pi 4, який у реальному часі аналізує вхідний голосовий сигнал 
і синтезує адаптивне захисне поле. Практична перевірка підтвердила, що 
використання імовірнісних ланцюгів дозволяє системі функціонувати за 
принципом «Plug-and-Protect», миттєво підлаштовуючись під індивідуальні 
акустичні параметри диктора без попереднього навчання. 
Головна перевага розробленого підходу над традиційними методами 
активного захисту полягає у високій статистичній подібності завади до 
корисного сигналу. На відміну від класичного «білого» чи «рожевого» шуму, 
які легко відфільтровуються сучасними алгоритмами спектрального 
віднімання, згенерована мовоподібна завада має ідентичну з голосом 
структуру ентропії та спектральну динаміку. Це робить її стійкою до 
деструктивного аналізу нейронними мережами, оскільки завада фактично 
мімікрує під корисний сигнал, унеможливлюючи їх розділення. 
Реалізація методу багатоканального імовірнісного синтезу, або ефекту 
«мовного хору», дозволила досягти необхідного рівня маскування при значно 
менших амплітудах захисного сигналу. Накладання шести незалежних 
Марковських процесів створює складне акустичне тло, яке сприймається як 
нерозбірливий гул, що значно знижує психологічне навантаження на 
присутніх порівняно з агресивними широкосмуговими завадами. Такий підхід 
забезпечує надійне приховання змісту приватної розмови, зберігаючи при 
цьому комфортне звукове середовище в приміщенні. 
Підсумовуючи результати, можна стверджувати, що інтеграція 
математичних моделей Маркова в системи акустичної безпеки відкриває шлях 
Лист 
 РТ225.21270.248 ПЗ  82 
Змін. Лист № докум. Підпис Дата  
 
до створення нового покоління інтелектуальних засобів захисту. Отримані 
дані SNR та аналіз ентропії підтверджують ефективність запропонованої 
моделі проти сучасних засобів перехоплення інформації. Розроблена система 
є перспективним рішенням для забезпечення конфіденційності в умовах 
високих ризиків технічної розвідки, пропонуючи вищий рівень захищеності 
порівняно зі стаціонарними шумогенераторами. 
 
Лист 
 РТ225.21270.248 ПЗ  83 
Змін. Лист № докум. Підпис Дата  
 
СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ 
1. Технічний захист інформації: Навч. посіб. в 2 ч. Ч. 1: Основи 
технічного захисту інформації / В.М.Богуш, В. Д. Бровко, О.С.Кобус, 
В.Д. Козюра. Київ: Видавництво Ліра-К, 2022. - 286с. 
2. Методи та засоби технічного захисту інформації: Опорний конспект 
лекцій [Електронний ресурс] : навч. посіб. для студ. спец. 
125 «Кібербезпека» / КПІ ім. Ігоря Сікорського ; уклад.: В.М. Луценко, 
Д.О. Прогонов. – Електронні текстові дані (1 файл: 1,80 Мбайт). – Київ 
: КПІ ім. Ігоря Сікорського, 2021. – 289 с 
3. Нормативні документи системи ТЗ. URL: 
https://cip.gov.ua/ua/news/normativni-dokumenti-sistemi-tzi2024 (дата 
звернення: 20.06.2024) 
4. Texнiчнi кaнaли витoкy iнфopмaцiï. Пopядoк cтвopeння кoмплeкciв 
тexнiчнoгo 3axиcтy iнфopмaцiï. Haвчaльний пociбник / Iвaнчeнкo C.O., 
Гaвpилeнкo O.B., Липcький O.A., Шeвцoв A.C. – K.: IC33I HTYY 
«KПI», 2016. – 104 c. 
5. Рибальський О.В., Хахановський В.Г., Кудінов В.А. Основи 
інформаційної безпеки та технічного захисту інформації. Посібник для 
курсантів ВНЗ МВС України. – К.: Вид. Національної академії внутріш. 
справ, 2012. – 104 с. 
6. Остапов С. Е. Технології захисту інформації : навчальний посібник / С. 
Е. Остапов, С. П. Євсеєв, О. Г. Король. – Х. : Вид. ХНЕУ, 2013. – 476 с. 
7. Конахович Г. Ф., Климчук В. П., Паук С. М., Потапов В.Г. Захист 
інформації в телекомунікаційних системах.— К.: "МК-Пресс", 2005. — 288 
с. 
8. Обладнання та послуги для безпеки. URL:  https://www.das-ua.com/ (Режим 
доступу 04.05.2026) 
Лист 
 РТ225.21270.248 ПЗ  84 
Змін. Лист № докум. Підпис Дата  
 
9. Jurafsky, D., & Martin, J. H. (2024). Speech and Language Processing (3rd ed. 
draft). Stanford University. 
10. Rabiner, L. R., & Juang, B. H. (2020). Fundamentals of Speech Recognition. 
Prentice Hall (Updated Edition). 
11. Stamp, M. (2021). Introduction to Machine Learning with Applications in 
Information Security. CRC Press. 
12. Zayats, M., & Velychko, O. (2023). Statistical Methods for Acoustic 
Information Security in IoT Systems. Journal of Cyber Security and Mobility. 
13. N. Mohammadiha and A. Leijon, "Nonnegative HMM for Babble Noise Derived 
From Speech HMM: Application to Speech Enhancement," in IEEE 
Transactions on Audio, Speech, and Language Processing, vol. 21, no. 5, pp. 
998-1011, May 2013, doi: 10.1109/TASL.2013.2243435 
14. InfoMasker: Preventing Eavesdropping Using Phoneme-Based Noise 
[Electronic resource] / Peng Huang [et  al.]  //  Proceedings  2023  Network and  
Distributed  System  Security  Symposium. –2023. –Mode  of  access: 
https://doi.org/10.14722/ndss.2023.24457(date of access: 19.06.2024). –Title 
from screen 
 
Лист 
 РТ225.21270.248 ПЗ  85 
Змін. Лист № докум. Підпис Дата
Репозиторій ЧДТУ
