Методика обнаружения, классификации и координирован-ного реагирования на многовекторные атаки в децентрализованной киберфизической среде с замкнутой обратной связью по параметрам доверия

В. И. Петренко

Аннотация


Рассматривается задача защиты роботизированных агентов, функционирующих в децентрализованной киберфизической среде без доверенного центра, от многовекторных атак – координированных воздействий, сочетающих сетевые, поведенческие и физические каналы в рамках единого сценария. Предложена методика обнаружения и классификации, построенная как согласованная по входам и выходам композиция шести алгоритмических компонентов: группового зонирования с учётом доверия, гибридного обнаружения на основе генеративно-состязательной сети и обучения с подкреплением, федеративного обучения, многомерной реконструкции трафика, распределённой верификации на основе PoV-консенсуса и нейросетевой классификации вредоносных агентов. Отличительной особенностью является замкнутая двунаправленная обратная связь по параметрам доверия: подтверждённое обнаружение каскадно обновляет функцию доверия и инициирует перераспределение задач, а обновлённые уровни доверия перенастраивают веса федеративной агрегации подсистемы обнаружения. Имитационное моделирование в среде ns-3 (2 400 экспериментов, до 1 000 узлов) показало полноту обнаружения 0,97 при доле ложных срабатываний 2,6 %, сокращение времени обнаружения на 49,7 %, времени реагирования на 56,2 % и долю нейтрализованных атак 93,4 % при времени реакции не более 5 с; устойчивость эмпирически подтверждена при доле скомпрометированных агентов до 0,30, что согласуется с теоретической границей 1/3.

Ключевые слова


Роботизированные агенты; децентрализованные системы; глубокое обучение с подкреплением; доверенная оркестрация; механизм доверия; координация; интеллектуальные системы.

Полный текст:

PDF

Литература


Abshari D., Sridhar M. A Survey of anomaly detection in cyber-physical systems // arXiv preprint. 2025. DOI: 10.48550/arXiv.2502.13256.

Amine M. S., Nada F. A., Hosny K. M. Improved model for intrusion detection in the Internet of Things // Scientific Reports. 2025. Vol. 15, article 21547. DOI: 10.1038/s41598-025-92852-6. EDN: zzbifw.

Anand R. V., Magesh G., Alagiri I., et al. Design of an improved model using federated learning and LSTM autoencoders for secure and transparent blockchain network transactions // Scientific Reports. 2025. Vol. 15, article 1615. DOI: 10.1038/s41598-024-83564-4.

Anand S., Narayanan A. V. Addressing rogue nodes and trust management: leveraging deep learning-enhanced hybrid trust to optimize wireless sensor networks management // J. of Robotics and Control. 2025. Vol. 6, no. 2. Pp. 846–861. DOI: 10.18196/jrc.v6i2.25600. EDN: opjcgf.

Anwer R. W., Abrar M., Ullah M., et al. Advanced intrusion detection in the industrial Internet of Things using federated learning and LSTM models // Ad Hoc Networks. 2025. Vol. 178, art. 103991. DOI: 10.1016/j.adhoc.2025.103991. EDN: qargqw.

Lamport L., Shostak R., Pease M. The Byzantine Generals Problem // ACM Transactions on Programming Languages and Systems. 1982. Vol. 4, no. 3. Pp. 382–401. DOI: 10.1145/357172.357176.

Zohourian A., Dadkhah S., Molyneaux H., et al. IoT-PRIDS: Leveraging packet representations for intrusion detection in IoT networks // Computers & Security. 2024. Vol. 146, article 104034. DOI: 10.1016/j.cose.2024.104034. EDN: iwfxnc.

Zuo J., Cao R., Qi J., et al. A Hierarchical Blockchain-Based Trust Measurement Method for Drone Cluster Nodes // Drones. 2023. Vol. 7, art. 627. DOI: 10.3390/drones 7100627. EDN: kftljp.

Архипова А. Б., Медведев М. А. и др. Перспективы использования машинного обучения для классификации сетевого трафика в технологиях доверенного взаимодействия // Безопасность цифровых технологий. 2022. № 3 (106). С. 49–61. EDN: iyoemy.

Басан Е. С., Абрамов Е. С. и др. Метод обнаружения атак на систему навигации БПЛА // Информатика и автоматизация. 2021. Т. 20, № 6. С. 1368–1394. EDN: obobih.

Басан Е. С. и др. Генерация данных для моделирования атак на БПЛА с целью тестирования систем обнаружения вторжений // Информатика и автоматизация. 2022. Т. 21, № 6. С. 1290–1327. EDN: iqvybm.

Васильев В. И., Вульфин А. М., и др. Гибридная интеллектуальная система обнаружения атак на основе комбинации методов машинного обучения // МОИТ. 2021. Т. 9, № 3 (34). С. 1–11. EDN: yiubvm.

Пат. 2822581 РФ, МПК G16Y 30/10. Способ доверенного взаимодействия агентов в децентрализованной киберфизической среде на основе группового зонирования / В. И. Петренко, Ф. Б. Тебуева и др. № 2023131407; опубл. 09.07.2024, Бюл. № 19. EDN: dbskha.

Петренко В. И. и др. Метод обнаружения нарушений информационной безопасности в роевых робототехнических системах с использованием технологий машинного обучения // Вестник ВГУ. Серия: Сист. анализ и информ. технологии. 2022. № 1. С. 43–55. EDN: uoujgv.

Петренко В. И., Тебуева Ф. Б. и др. Модель доверенного взаимодействия агентов в децентрализованной киберфизической среде // Вестник ДагГТУ. Технические науки. 2023. Т. 50, № 2. С. 134–141. EDN: qmazuq.

Петренко В. И., Тебуева Ф. Б. и др. Метод доверенного взаимодействия агентов в децентрализованной киберфизической среде на основе технологии распределенного реестра // Прикасп. журн.: управление и высокие технологии. 2023. № 3 (63). С. 115–125. EDN: tyzdhc.

Петренко В. И., Копытов В. В. и др. Модель угроз нарушения информационной безопасности процесса доверенного взаимодействия устройств IoT-системы, формализующая сценарии многовекторных атак // Вестник СПГУТД. Серия 1: Естественные и технические науки. 2024. № 2. С. 126–133. EDN: nrobwe.

Петренко В. И. и др. Масштабируемый метод обнаружения многовекторных атак на скомпрометированные устройства IoT-системы с использованием машинного обучения // Программная инженерия. 2025. Т. 16, № 4. С. 167–180. EDN: pnvcaw.

Петренко В. И. и др. Методика обнаружения и противодействия многовекторным угрозам нарушения информационной безопасности децентрализованной IoT-системы // International Journal of Open Information Technologies. 2025. Т. 13, № 1. С. 14–24. EDN: dorket.

Петренко В. И. и др. Имитационная модель масштабируемого метода выявления многовекторных атак с учетом ограничений вычислительных и информационных ресурсов IoT-устройств // Российский технологический журнал. 2025. Т. 13, № 5. С. 25–40. EDN: jkqmqm.

Петренко В. И., Наджаджра М. Х. и др. Метод управления доверием в децентрализованных сетях БПЛА на основе контекстно-ориентированного консенсуса // Информационные технологии. 2026. Т. 32, № 5. С. 251–262. EDN: wlhdso.

Петренко В. И., Наджаджра М. Х. и др. Метод распределенного контроля доступа при доверенном взаимодействии роботизированных агентов в децентрализованной киберфизической среде // Программная инженерия. 2026. Т. 17, № 6. С. 320–324. EDN: wjjhtw.

Тебуева Ф. Б. и др. Метод противодействия многовекторным атакам на агентов в децентрализованной среде Интернета вещей на основе группового зонирования // Кузнечно-штамповочное производство. Обработка материалов давлением. 2026. № 3. (В печати).

Тебуева Ф. Б. и др. Метод обнаружения и классификации угроз нарушения информационной безопасности при реализации многовекторных атак на агентов в децентрализованной среде Интернета вещей // Информационные технологии. 2026. № 8. С. 437-448. EDN: eyiyjb.




DOI: https://doi.org/10.54708/SIIT-2026-no4-p129

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2026 В. И. Петренко