Analyse eines künstlichen neuronalen Netzes eines fraktionalen Cyber-Epidemie‑Modells in drahtlosen Sensoren unter dem proportionalen Hadamard–Caputo‑Operator

Warum digitale Infektionen andauern können

Schädliche Software verbreitet sich in Computernetzwerken nicht immer in schnellen, klaren Ausbrüchen. In drahtlosen Sensornetzwerken — winzigen Geräten, die in Gebäuden, Feldern oder Städten verteilt sind, um die Umwelt zu messen — können Angriffe lange schwelend bestehen bleiben und aufflammen, wenn alte Verbindungen oder verzögerte Updates das System erneut gefährden. Dieser Artikel stellt eine neue Methode vor, solche «Langzeitgedächtnis»-Cyberausbrüche zu beschreiben, und hilft Ingenieuren zu verstehen, wann Malware schnell verschwindet und wann sie beharrlich bestehen bleiben kann.

Von kranken Menschen zu kranken Sensoren

Die Autoren übernehmen Konzepte aus der klassischen Krankheitsmodellierung, bei der Populationen in Gruppen wie anfällig, infiziert und genesen unterteilt werden. Hier ist die «Population» ein drahtloses Sensornetzwerk. Geräte werden in sechs Klassen eingeteilt: gesund aber verwundbar, exponiert aber noch nicht infektiös, aktiv infektiös, isoliert (Quarantäne), genesen und geimpft (durch Updates oder Patches gehärtet). Diese Struktur erlaubt es dem Modell, nachzuvollziehen, wie Geräte beim Kontakteknüpfen, Isolieren, Reparieren oder Schützen zwischen Zuständen wechseln. Durch die Übertragung epidemiologischer Denkweisen auf den digitalen Bereich verbindet die Arbeit jahrzehntelange Mathematik aus dem öffentlichen Gesundheitswesen mit moderner Cyberabwehr.

Erinnerung in die Mathematik einbauen

Standardmodelle gehen davon aus, dass nur der gegenwärtige Zustand des Netzwerks zählt: Was als Nächstes passiert, hängt nur vom Jetzt ab, nicht von der detaillierten Vergangenheit. Das ist häufig unrealistisch. In der Praxis ziehen alte Verbindungen, langsame Patch‑Vorgänge und verbleibende Schwachstellen an der Gegenwart. Um dies einzufangen, verwenden die Autoren eine «fraktionale» Variante der Analysis, die Änderungsraten von einer gewichteten Historie früherer Aktivität abhängig macht. Ein spezialisiertes Werkzeug, der proportionale Hadamard–Caputo‑Operator, erlaubt es, dieses Gedächtnis zu justieren und auf einer logarithmischen Zeitskala auszudrücken, die gut zu Prozessen passt, die sich im Zeitverlauf verlangsamen. Zwei Schlüsselparameter steuern, wie stark die Vergangenheit die Zukunft beeinflusst, sodass das klassische, gedächtnisfreie Verhalten als spezieller Grenzfall erscheint.

Sichere mathematische Eigenschaften des Modells

Jedes brauchbare Modell muss nicht nur realistisch, sondern auch mathematisch stimmig sein. Die Autoren beweisen, dass ihr System mindestens eine Lösung hat, die sich zeitlich glatt entwickelt, und dass diese Lösung unter milden Bedingungen eindeutig ist. Dazu schreiben sie die ursprünglichen fraktionalen Gleichungen als Integralgleichung um und wenden leistungsfähige Fixpunkt­sätze an — Werkzeuge, die zeigen, dass eine Abbildung eine Funktion in kontrollierter Weise auf sich selbst zurückführt. Sie etablieren außerdem eine Form von Stabilität, bekannt als Ulam–Hyers‑Stabilität: Wenn die Gleichungen oder Daten aufgrund von Messrauschen oder numerischen Fehlern leicht abweichen, bleiben die resultierenden Lösungen nahe bei den wahren. Das bedeutet, dass Simulationen und Vorhersagen auf Basis des Modells innerhalb klarer Fehlermargen vertrauenswürdig sind.

Simulation langanhaltender digitaler Ausbrüche

Um das Rahmenwerk praktisch nutzbar zu machen, entwirft das Team ein schrittweises numerisches Verfahren und passt ein bekanntes Prädiktor–Korrektor‑Schema an, um mit dem speziellen Gedächtniskern ihres Operators umzugehen. In einer transformierten Zeitvariablen leiten sie einfache Gewichte her, die kodieren, wie viel Einfluss frühere Zustände behalten. Simulationen der Malware‑Ausbreitung in einem Sensornetzwerk zeigen ein auffälliges Muster: Wenn das Gedächtnis stark ist oder die fraktionale Ordnung niedriger, nimmt die Infektion langsamer ab und die Phase der «aktiven Ausbreitung» dauert länger. Bewegen sich die Modelleinstellungen näher an den klassischen, gedächtnisfreien Fall, erreichen Infektionen schneller ihren Höhepunkt und klingen rasch ab, was zu einer schnellen Stabilisierung des Netzwerks führt.

Was das für den Schutz von Netzwerken bedeutet

Einfach ausgedrückt zeigt die Studie, dass die Berücksichtigung digitalen Gedächtnisses — vergangene Kontakte, verzögertes Säubern und langsam abklingende Schwachstellen — die Erwartungen darüber, wie lange Malware in drahtlosen Sensornetzsystemen zirkuliert, deutlich verändern kann. Das fraktionale Modell bietet Stellschrauben, mit denen Sicherheitsplaner beobachtete lange Ausläufer in realen Daten anpassen können, während die Stabilitätsresultate gewährleisten, dass diese Vorhersagen gegenüber moderater Unsicherheit robust sind. Wenn Memory‑Effekte schwach sind und schnelle Entscheidungen erforderlich sind, kann ein einfacheres klassisches Modell ausreichen. Scheinen Infektionen jedoch trotz Gegenmaßnahmen «anzudauern», liefert dieses fraktionale, gedächtnisbewusste Rahmenwerk eine zurückhaltendere und realistischere Anleitung zur Gestaltung von Quarantäne-, Patch‑ und Impfstrategien für die Sensornetzwerke, die unsere Umwelt still überwachen.

Zitation: Barakat, M.A., Hyder, AA., Aboelenen, T. et al. Artificial neural network analysis of a fractional cyber-epidemic model in wireless sensors under the proportional Hadamard–Caputo operator. Sci Rep 16, 10742 (2026). https://doi.org/10.1038/s41598-026-45202-z

Schlüsselwörter: drahtlose Sensornetzwerke, Malware‑Ausbreitung, fraktionale Analysis, Cyber‑Epidemiologie, Modellierung der Netzwerksicherheit