Analyse par réseau de neurones artificiels d’un modèle cyber-épidémique fractionnaire dans des capteurs sans fil sous l’opérateur proportionnel Hadamard–Caputo

Pourquoi les infections numériques peuvent perdurer

Les logiciels malveillants ne se propagent pas toujours dans les réseaux informatiques par des poussées rapides et nettes. Dans les réseaux de capteurs sans fil — de petits dispositifs disséminés dans des bâtiments, des champs ou des villes pour mesurer l’environnement — les attaques peuvent couver longtemps, s’enflammer à nouveau lorsque d’anciens liens ou des mises à jour retardées se manifestent. Cet article présente une nouvelle façon de décrire de telles flambées cybernétiques à « mémoire longue », aidant les ingénieurs à déterminer quand un malware s’éteindra rapidement et quand il pourrait persister obstinément.

Des personnes malades aux capteurs infectés

Les auteurs empruntent des idées à la modélisation classique des maladies, où les populations sont réparties en groupes tels que susceptibles, infectés et guéris. Ici, la « population » est un réseau de capteurs sans fil. Les dispositifs sont divisés en six classes : sains mais vulnérables, exposés mais ne propageant pas encore le malware, activement infectieux, mis en quarantaine, rétablis et vaccinés (renforcés par mises à jour ou correctifs). Cette structure permet au modèle de suivre les déplacements des dispositifs entre états lorsqu’ils entrent en contact, sont isolés, réparés ou protégés. En transposant la pensée épidémiologique humaine au domaine numérique, le travail relie des décennies de mathématiques de santé publique à la défense cybernétique moderne.

Intégrer la mémoire dans les équations

Les modèles standards supposent que seul l’état actuel du réseau compte : ce qui se passe ensuite dépend uniquement du présent, pas de l’histoire détaillée. Cela est souvent irréaliste. En pratique, d’anciens liens, un déploiement lent des correctifs et des vulnérabilités persistantes font que le passé continue d’influencer le présent. Pour capter cela, les auteurs utilisent une version « fractionnaire » du calcul qui permet aux taux de variation de dépendre d’un historique pondéré des activités antérieures. Un outil spécialisé, l’opérateur proportionnel Hadamard–Caputo, permet d’ajuster cette mémoire et de l’exprimer sur une échelle de temps logarithmique, bien adaptée aux processus qui ralentissent avec le temps. Deux paramètres clés contrôlent l’intensité de l’influence du passé sur l’avenir, de sorte que le comportement classique sans mémoire apparaît comme un cas limite particulier.

Garantir un comportement mathématiquement cohérent du modèle

Tout modèle utile doit être non seulement réaliste, mais aussi mathématiquement solide. Les auteurs prouvent que leur système admet au moins une solution évoluant de façon régulière dans le temps, et que cette solution est unique sous des conditions faibles. Ils le font en réécrivant les équations fractionnaires initiales sous forme d’équation intégrale puis en appliquant de puissants théorèmes du point fixe — des outils qui montrent qu’une application renvoie une fonction sur elle-même de façon contrôlée. Ils établissent aussi une forme de stabilité dite d’Ulam–Hyers : si les équations ou les données sont légèrement erronées à cause du bruit de mesure ou d’erreurs numériques, les solutions obtenues restent proches des vraies. Cela signifie que les simulations et prévisions fondées sur le modèle peuvent être considérées comme fiables dans des marges d’erreur claires.

Simuler de longues flambées numériques

Pour rendre le cadre pratique, l’équipe conçoit une méthode numérique pas à pas, adaptant un schéma prédicteur‑correcteur bien connu pour gérer le noyau mémoire particulier de leur opérateur. En travaillant dans une variable temporelle transformée, ils dérivent des poids simples qui codent l’influence résiduelle des états passés. Les simulations de propagation de malware dans un réseau de capteurs révèlent un schéma frappant : quand la mémoire est forte ou que l’ordre fractionnaire est plus faible, l’infection décroît plus lentement et la phase de « propagation active » dure plus longtemps. À mesure que les réglages du modèle se rapprochent du cas classique sans mémoire, les pics d’infection sont plus prononcés et s’éteignent beaucoup plus rapidement, conduisant à une stabilisation rapide du réseau.

Ce que cela implique pour la protection des réseaux

En termes clairs, l’étude montre que tenir compte de la mémoire numérique — contacts passés, nettoyage retardé et vulnérabilités qui s’estompent lentement — peut modifier sensiblement les attentes sur la durée de circulation d’un malware dans les systèmes de capteurs sans fil. Le modèle fractionnaire offre des leviers permettant aux responsables de la sécurité d’ajuster le modèle aux longues traînes observées dans les données réelles, tandis que les résultats de stabilité garantissent que ces prédictions sont robustes face à une incertitude modérée. Lorsque les effets de mémoire sont faibles et que des décisions rapides s’imposent, un modèle classique plus simple peut suffire. Mais lorsque les infections semblent « s’attarder » malgré les contre‑mesures, ce cadre fractionnaire tenant compte de la mémoire fournit un guide plus prudent et réaliste pour concevoir des stratégies de quarantaine, de correctifs et de vaccination pour les réseaux de capteurs qui surveillent discrètement notre monde.

Citation: 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

Mots-clés: réseaux de capteurs sans fil, propagation de logiciels malveillants, calcul fractionnaire, cybéro-épidémiologie, modélisation de la sécurité des réseaux