Analisi con reti neurali artificiali di un modello cibernetico frazionario in sensori wireless sotto l’operatore proporzionale Hadamard–Caputo

Perché le infezioni digitali possono persistere

Il software dannoso non sempre si diffonde nelle reti informatiche in ondate rapide e nette. Nelle reti di sensori wireless — minuscoli dispositivi sparsi in edifici, campi o città per misurare l’ambiente — gli attacchi possono covare a lungo, riesplodendo quando vecchie connessioni o aggiornamenti ritardati tornano a creare problemi. Questo articolo introduce un nuovo modo di descrivere tali focolai cibernetici a “memoria lunga”, aiutando gli ingegneri a capire quando un malware svanirà rapidamente e quando invece potrà persistere ostinatamente.

Dalle persone malate ai sensori malfunzionanti

Gli autori prendono in prestito idee dalla modellistica classica delle malattie, dove le popolazioni sono suddivise in gruppi come suscettibili, infetti e guariti. Qui, la “popolazione” è una rete di sensori wireless. I dispositivi sono classificati in sei categorie: sani ma vulnerabili, esposti ma non ancora diffusori di malware, attivamente infettanti, messi in quarantena, recuperati e vaccinati (irrobustiti tramite aggiornamenti o patch). Questa struttura consente al modello di seguire come i dispositivi transitano tra gli stati quando entrano in contatto, vengono isolati, riparati o protetti. Trasponendo il pensiero epidemiologico umano nel dominio digitale, il lavoro collega decenni di matematica della sanità pubblica alla difesa informatica moderna.

Inserire la memoria nella matematica

I modelli standard presumono che conti solo lo stato attuale della rete: ciò che accade dopo dipende soltanto dal presente, non dalla storia dettagliata. Spesso questo è irrealistico. In pratica, vecchie connessioni, patch lente e vulnerabilità persistenti fanno sì che il passato continui a influenzare il presente. Per cogliere questo, gli autori usano una versione “frazionaria” del calcolo che permette alle velocità di cambiamento di dipendere da una storia pesata delle attività precedenti. Uno strumento specializzato, l’operatore proporzionale Hadamard–Caputo, consente di tarare questa memoria ed esprimerla su una scala temporale logaritmica, adatta ai processi che rallentano nel tempo. Due parametri chiave controllano quanto il passato influenzi il futuro, in modo che il comportamento classico senza memoria emerga come caso limite speciale.

Garantire che il modello si comporti in modo sensato

Un modello utile non deve essere solo realistico, ma anche matematicamente solido. Gli autori dimostrano che il loro sistema possiede almeno una soluzione che evolve in modo regolare nel tempo e che tale soluzione è unica sotto condizioni moderate. Lo fanno riscrivendo le equazioni frazionarie originali come un’equazione integrale e applicando potenti teoremi del punto fisso — strumenti che mostrano come un’equazione mappi una funzione su sé stessa in modo controllato. Stabiliscono anche una forma di stabilità nota come stabilità di Ulam–Hyers: se le equazioni o i dati sono leggermente imprecisi a causa di rumore di misura o errore numerico, le soluzioni risultanti rimangono vicine a quelle vere. Ciò significa che le simulazioni e le previsioni basate sul modello possono essere fidate entro margini di errore chiari.

Simulare focolai digitali di lunga durata

Per rendere il quadro pratico, il team progetta un metodo numerico passo dopo passo, adattando uno schema predittore–correttore noto per gestire il nucleo di memoria particolare del loro operatore. Lavorando in una variabile temporale trasformata, ricavano pesi semplici che codificano quanto influsso conservano gli stati passati. Le simulazioni della diffusione di malware in una rete di sensori rivelano un pattern notevole: quando la memoria è forte o l’ordine frazionario è più basso, l’infezione diminuisce più lentamente e la fase di “diffusione attiva” dura più a lungo. Man mano che i parametri del modello si avvicinano al caso classico privo di memoria, i picchi di infezione si attenuano e si spengono molto più rapidamente, portando a una stabilizzazione rapida della rete.

Cosa significa per la protezione delle reti

In termini pratici, lo studio mostra che tenere conto della memoria digitale — contatti passati, pulizie ritardate e vulnerabilità che si attenuano lentamente — può modificare significativamente le aspettative sulla durata della circolazione di malware nei sistemi di sensori wireless. Il modello frazionario offre manopole che permettono ai responsabili della sicurezza di adattarsi alle code lunghe osservate nei dati reali, mentre i risultati di stabilità assicurano che tali previsioni siano robuste rispetto a incertezze modeste. Quando gli effetti di memoria sono deboli e servono decisioni rapide, un modello classico più semplice può essere sufficiente. Ma quando le infezioni sembrano “permanere” nonostante le contromisure, questo quadro frazionario e consapevole della memoria fornisce una guida più prudente e realistica per progettare strategie di quarantena, patching e vaccinazione per le reti di sensori che sorvegliano silenziosamente il nostro mondo.

Citazione: 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

Parole chiave: reti di sensori wireless, propagazione di malware, calcolo frazionario, epidemiologia cibernetica, modellazione della sicurezza di rete