Konformowalne Ułamkowe Głębokie Sieci Neuronowe (CFDNN) do wykrywania cyberataków w wysokiej prędkości

Inteligentniejsze zabezpieczenia dla połączonego świata

Codziennie nasze domy, biura i miasta polegają na sieciach, które cicho przesyłają miliardy cyfrowych komunikatów. W tym strumieniu ukrywają się cyberataki próbujące wykradać dane lub wyłączyć systemy. Narzędzia zabezpieczające muszą wykrywać te zagrożenia szybko i dokładnie, bez potrzeby korzystania z ogromnej mocy obliczeniowej. W artykule przedstawiono nowy rodzaj modelu sztucznej inteligencji — Konformowalną Ułamkową Głęboką Sieć Neuronową (CFDNN), zaprojektowaną do szybszego wykrywania cyberataków przy mniejszym zapotrzebowaniu na zasoby niż wiele obecnych podejść.

Dlaczego tradycyjne obrony zawodzą

Konwencjonalne systemy wykrywania włamań często opierają się na stałych regułach lub znanych sygnaturach ataków. Działają dobrze wobec zagrożeń, które już znamy, ale zawodzą, gdy napastnicy zmieniają taktykę lub uruchamiają ataki „zero‑day”. Głębokie sieci neuronowe poprawiły tę sytuację, ucząc się subtelnych wzorców w ruchu sieciowym, jednak mają swoje problemy: bywają wolne w treningu, potrzebują dużych zestawów oznaczonych danych i trudno je wdrożyć w czasie rzeczywistym na zwykłym sprzęcie. Mogą też przeoczyć złożone, długotrwałe kampanie ataków rozwijające się w wielu krokach, ponieważ ich reguły uczenia traktują każdy krok treningu zbyt lokalnie w czasie.

Nowy sposób nauczania sieci neuronowych

Kluczową innowacją w tej pracy nie jest większa ani głębsza sieć, lecz nowy sposób aktualizacji jej parametrów podczas uczenia. Zamiast standardowego schematu wstecznej propagacji autorzy używają techniki zwanej konformowalnym ułamkowym spadkiem gradientu. W prostych słowach metoda ta daje procesowi uczenia rodzaj regulowanej „pamięci” kroków przeszłych. Poprzez wybór ułamkowego parametru między 1.2 a 1.8, algorytm delikatnie przekształca krajobraz uczenia, tak aby sieć mogła płynniej przesuwać się w kierunku dobrego rozwiązania, zamiast utknąć lub wolno wędrować po nierównym terenie.

Testowanie pomysłu

Aby sprawdzić, czy to ułamkowe uczenie rzeczywiście pomaga, badacze trenowali CFDNN na dwóch powszechnie używanych zbiorach danych do wykrywania włamań: starszym zestawie NSL‑KDD oraz nowszym, znacznie większym CIC‑IDS2018, który zawiera ponad 1,6 miliona przykładów ruchu normalnego i złośliwego. Strukturę sieci utrzymano celowo prostą — stos czterech ukrytych warstw kurczących się w kierunku pojedynczego neuronu wyjściowego — tak aby ewentualne poprawy wydajności można było przypisać głównie nowej regule uczenia. Przeprowadzając pomiary dla różnych ułamkowych „rzędów” (od 0.5 do 1.8), zmierzono dokładność, współczynniki błędów oraz czas potrzebny na trening na zwykłym procesorze klasy laptopa.

Szybsze uczenie przy niemal doskonałym wykrywaniu

Wyniki ukazują wyraźny wzorzec: gdy parametr ułamkowy jest poniżej 1, model uczy się słabo i błędnie klasyfikuje wiele połączeń. Jednak po wejściu w wyższy zakres „ponad‑całkowity” między 1.2 a 1.8 wydajność skacze gwałtownie. Przy najlepszej wartości, 1.8, CFDNN osiąga około 99,4–99,9% dokładności na obu zbiorach, dorównując lub przewyższając najnowocześniejsze systemy uczenia głębokiego. Co równie ważne, robi to przy znacznie mniejszej liczbie cykli treningowych — tylko 30 rund zamiast często raportowanych 50 lub 100 — i w całości na standardowym CPU. Dla dużego zbioru CIC‑IDS2018 pełne szkolenie kończy się w przybliżeniu w 24 minuty, a ocena danych testowych zajmuje jedynie ułamki milisekundy na pakiet sieciowy.

Co to oznacza dla codziennego bezpieczeństwa

Dla osób niezajmujących się tematem najważniejsze jest to, że CFDNN oferuje wydajniejszy „mózg” dla cyfrowych strażników. Poprzez modyfikację sposobu uczenia się sieci, zamiast budowania coraz bardziej złożonych modeli, autorom udało się stworzyć system wykrywający cyberataki z niemal doskonałą dokładnością, pozostający jednocześnie szybki i lekki na tyle, by móc go realistycznie wdrożyć. Choć konieczne są dalsze testy na nowszym i bardziej zróżnicowanym ruchu, a sam parametr ułamkowy musi być dobrany ostrożnie, podejście to wskazuje kierunek dla narzędzi wykrywania włamań, które nadążą za rozwijającymi się zagrożeniami bez potrzeby korzystania z superkomputerów — pomagając zabezpieczać wszystko, od inteligentnych domów po systemy sterowania przemysłowego.

Cytowanie: Ajarmah, B., Iwidat, H. Conformable Fractional Deep Neural Networks (CFDNN) for high-speed cyber-attack detection. Sci Rep 16, 10616 (2026). https://doi.org/10.1038/s41598-026-45213-w

Słowa kluczowe: wykrywanie cyberataków, systemy wykrywania włamań, głębokie sieci neuronowe, rachunek ułamkowy, bezpieczeństwo sieci