Analiza sztucznej sieci neuronowej modelu frakcyjnej cyber-epidemii w czujnikach bezprzewodowych z użyciem operatora proporcjonalnego Hadamard–Caputo

Dlaczego cyfrowe infekcje mogą się utrzymywać

Złośliwe oprogramowanie nie zawsze rozprzestrzenia się w sieciach komputerowych w szybkich, jednoetapowych wybuchach. W sieciach czujników bezprzewodowych — małych urządzeniach rozmieszczonych w budynkach, na polach czy w miastach do pomiaru otoczenia — ataki mogą tlić się przez długi czas i odradzać, gdy dawne połączenia lub opóźnione aktualizacje wracają, by zaszkodzić systemowi. W artykule przedstawiono nowe podejście do opisu takich „długopamięciowych” cyberwzlotów, które pomaga inżynierom zrozumieć, kiedy złośliwe oprogramowanie zaniknie szybko, a kiedy może uporczywie przetrwać.

Od chorych ludzi do chorych czujników

Autorzy zapożyczają pomysły z klasycznego modelowania chorób, gdzie populacje dzieli się na grupy takie jak podatni, zarażeni i odporni. Tutaj „populacją” jest sieć czujników bezprzewodowych. Urządzenia podzielono na sześć klas: zdrowe, lecz podatne; wystawione, ale jeszcze nie szerzące złośliwego oprogramowania; aktywnie zakaźne; kwarantannowane; wyzdrowiałe; oraz zaszczepione (wzmocnione przez aktualizacje lub poprawki). Taka struktura pozwala modelowi śledzić, jak urządzenia przechodzą między stanami w wyniku kontaktów, izolacji, naprawy lub zabezpieczania. Przenosząc myślenie epidemiologiczne z medycyny do sfery cyfrowej, praca łączy dekady matematyki zdrowia publicznego z nowoczesną obroną cybernetyczną.

Wbudowywanie pamięci w matematykę

Standardowe modele zakładają, że liczy się tylko bieżący stan sieci: to, co stanie się dalej, zależy wyłącznie od teraźniejszości, a nie od szczegółowej historii. To często jest nierealistyczne. W praktyce dawne połączenia, powolne łatanie i utrzymujące się podatności sprawiają, że przeszłość wciąż wpływa na teraźniejszość. Aby to uchwycić, autorzy używają „frakcyjnej” wersji rachunku, która pozwala, by tempo zmian zależało od ważonej historii wcześniejszej aktywności. Specjalistyczne narzędzie — proporcjonalny operator Hadamard–Caputo — umożliwia strojenie tej pamięci i wyrażenie jej na logarytmicznej skali czasu, co dobrze pasuje do procesów zwalniających z upływem czasu. Dwa kluczowe parametry kontrolują, jak silnie przeszłość wpływa na przyszłość, tak że klasyczne, pozbawione pamięci zachowanie pojawia się jako szczególny przypadek graniczny.

Gwarantowanie sensownego działania modelu

Każdy użyteczny model musi być nie tylko realistyczny, lecz także matematycznie poprawny. Autorzy dowodzą, że ich układ ma przynajmniej jedno rozwiązanie, które gładko ewoluuje w czasie, oraz że to rozwiązanie jest unikalne przy łagodnych założeniach. Osiągają to poprzez przepisanie oryginalnych równań frakcyjnych jako równania całkowego, a następnie zastosowanie potężnych twierdzeń o punktach stałych — narzędzi, które pokazują, że równanie odwzorowuje funkcję z powrotem na siebie w kontrolowany sposób. Ustanawiają także formę stabilności znaną jako stabilność Ulam–Hyersa: jeśli równania lub dane są nieco zaburzone z powodu szumu pomiarowego lub błędu numerycznego, otrzymane rozwiązania pozostają bliskie prawdziwym. Oznacza to, że symulacje i prognozy oparte na modelu można ufać w ramach jasno określonych marginesów błędu.

Symulowanie długich cyfrowych epidemii

Aby uczynić ramy praktycznymi, zespół zaprojektował krok po kroku metodę numeryczną, dostosowując dobrze znany schemat predyktor–korektor do obsługi specjalnego jądra pamięci ich operatora. Pracując w przekształconej zmiennej czasu, wyprowadzili proste wagi kodujące, ile wpływu zachowują stany z przeszłości. Symulacje rozprzestrzeniania się złośliwego oprogramowania w sieci czujników ujawniają uderzający wzorzec: gdy pamięć jest silna lub rząd frakcyjny niższy, zakażenie spada wolniej, a faza „aktywnego rozprzestrzeniania” trwa dłużej. W miarę zbliżania ustawień modelu do klasycznego, pozbawionego pamięci przypadku, szczyty zakażeń i ich wygasanie następują dużo szybciej, prowadząc do szybkiej stabilizacji sieci.

Co to oznacza dla ochrony sieci

Mówiąc prosto, badanie pokazuje, że uwzględnienie cyfrowej pamięci — przeszłych kontaktów, opóźnionego czyszczenia i wolno zanikających podatności — może istotnie zmienić oczekiwania co do długości krążenia złośliwego oprogramowania w systemach czujników bezprzewodowych. Model frakcyjny oferuje pokrętła pozwalające planistom bezpieczeństwa dopasować się do obserwowanych długich ogonów w danych rzeczywistych, podczas gdy wyniki dotyczące stabilności zapewniają, że te prognozy są odporne na umiarkowaną niepewność. Gdy efekty pamięci są słabe i potrzebne są szybkie decyzje, prostszy model klasyczny może wystarczyć. Ale gdy infekcje wydają się „utrzymywać” mimo działań zaradczych, to frakcyjne, świadome pamięci podejście daje bardziej ostrożny i realistyczny przewodnik przy projektowaniu strategii kwarantanny, łatania i szczepień dla sieci czujników, które po cichu monitorują nasz świat.

Cytowanie: 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

Słowa kluczowe: sieci czujników bezprzewodowych, propagacja złośliwego oprogramowania, rachunek frakcyjny, cyber-epidemiologia, modelowanie zabezpieczeń sieci