Análise por rede neural artificial de um modelo ciber-epidêmico fracionário em sensores sem fio sob o operador proporcional Hadamard–Caputo

Por que infecções digitais podem persistir

Software malicioso nem sempre se espalha por redes de computadores em explosões rápidas e limpas. Em redes de sensores sem fio — pequenos dispositivos espalhados por prédios, campos ou cidades para medir o ambiente — os ataques podem fumegar por longos períodos, reacendendo quando conexões antigas ou atualizações atrasadas voltam a afetar o sistema. Este artigo apresenta uma nova forma de descrever esses surtos cibernéticos de “memória longa”, ajudando engenheiros a entender quando um malware desaparecerá rapidamente e quando poderá persistir teimosamente.

De pessoas doentes a sensores infectados

Os autores tomam emprestadas ideias da modelagem clássica de doenças, na qual populações são divididas em grupos como suscetíveis, infectados e recuperados. Aqui, a “população” é uma rede de sensores sem fio. Os dispositivos são separados em seis classes: saudáveis mas vulneráveis, expostos mas ainda não disseminando malware, ativamente infecciosos, quarentenados, recuperados e vacinados (endurecidos por atualizações ou patches). Essa estrutura permite ao modelo seguir como os dispositivos transitam entre estados ao se conectarem, serem isolados, reparados ou protegidos. Ao traduzir o raciocínio das epidemias humanas para o domínio digital, o trabalho liga décadas de matemática em saúde pública à defesa cibernética moderna.

Incorporando memória à matemática

Modelos padrão assumem que apenas o estado atual da rede importa: o que acontece adiante depende só do presente, não de um histórico detalhado. Isso frequentemente é irrealista. Na prática, conexões antigas, correções lentas e vulnerabilidades persistentes fazem o passado puxar o presente. Para capturar isso, os autores usam uma versão “fracionária” do cálculo que permite que as taxas de variação dependam de um histórico ponderado de atividades anteriores. Uma ferramenta especializada, o operador proporcional Hadamard–Caputo, permite ajustar essa memória e expressá‑la numa escala logarítmica de tempo, bem adequada a processos que desaceleram com o tempo. Dois parâmetros chave controlam quão fortemente o passado influencia o futuro, de modo que o comportamento clássico sem memória aparece como um caso limite especial.

Garantindo comportamento matematicamente sensato

Qualquer modelo útil deve não só ser realista, mas também matematicamente sólido. Os autores provam que seu sistema tem pelo menos uma solução que evolui de forma suave no tempo, e que essa solução é única sob condições moderadas. Eles fazem isso reescrevendo as equações fracionárias originais como uma equação integral e então aplicando teoremas poderosos de ponto fixo — ferramentas que mostram que uma equação mapeia uma função de volta sobre si mesma de maneira controlada. Eles também estabelecem uma forma de estabilidade conhecida como estabilidade de Ulam–Hyers: se as equações ou os dados estiverem ligeiramente imprecisos por ruído de medição ou erro numérico, as soluções resultantes permanecem próximas das verdadeiras. Isso significa que simulações e previsões baseadas no modelo podem ser confiáveis dentro de margens de erro claras.

Simulando surtos digitais prolongados

Para tornar a estrutura prática, a equipe projeta um método numérico passo a passo, adaptando um conhecido esquema preditor‑corretor para lidar com o núcleo de memória especial do operador. Trabalhando em uma variável de tempo transformada, eles derivam pesos simples que codificam quanto influência os estados passados retêm. Simulações da propagação de malware em uma rede de sensores revelam um padrão marcante: quando a memória é forte ou a ordem fracionária é menor, a infecção diminui mais lentamente e a fase de “propagação ativa” dura mais. À medida que os parâmetros do modelo se aproximam do caso clássico sem memória, os picos de infecção ocorrem e desaparecem muito mais rapidamente, levando a uma estabilização rápida da rede.

O que isso significa para proteger redes

Em termos claros, o estudo mostra que levar em conta a memória digital — contatos passados, limpeza atrasada e vulnerabilidades que se apagam lentamente — pode alterar de forma significativa as expectativas sobre quanto tempo um malware circula em sistemas de sensores sem fio. O modelo fracionário oferece controles que permitem aos planejadores de segurança ajustar‑se às caudas longas observadas em dados reais, enquanto os resultados de estabilidade garantem que essas previsões sejam robustas a incertezas moderadas. Quando os efeitos de memória são fracos e decisões rápidas são necessárias, um modelo clássico mais simples pode ser suficiente. Mas quando infecções parecem “persistir” apesar de contramedidas, essa estrutura fracionária e consciente da memória fornece um guia mais cauteloso e realista para projetar estratégias de quarentena, correção e vacinação para as redes de sensores que monitoram silenciosamente nosso mundo.

Citação: 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

Palavras-chave: redes de sensores sem fio, propagação de malware, cálculo fracionário, ciber-epidemiologia, modelagem de segurança de rede