Проектирование системы ситуационной осведомлённости о безопасности энергосети SCADA на основе улучшенной GWO-LSTM

Сохранение электроснабжения в мире взаимосвязанных систем

Современные энергетические сети делают гораздо больше, чем просто передают электроэнергию; это обширные цифровые системы, постоянно обменивающиеся данными с датчиками, компьютерами и диспетчерскими. Такая связность повышает эффективность, но одновременно открывает двери для кибератак, способных нарушить подачу электроэнергии в дома, больницы и на предприятия. В работе описан новый способ мониторинга «состояния» сети управления электроснабжением в режиме реального времени, позволяющий обнаруживать атаки и проблемы раньше и точнее, чем существующие инструменты.

Зачем сети цифровые телохранители

Электроэнергетические компании полагаются на информационные системы сети и SCADA для отслеживания потоков электроэнергии и отправки команд оборудованию. По мере того как эти системы становятся сложнее и всё больше подключаются к внешним сетям, они также сильнее подвергаются риску взломов и других цифровых угроз. Существующие средства безопасности часто пропускают тонкие сигналы тревоги, генерируют слишком много ложных срабатываний или не успевают за постоянно меняющимися шаблонами трафика в сети. Авторы утверждают, что компаниям нужны средства «ситуационной осведомлённости» — постоянно включённый обзор общей картины безопасности, способный выявлять аномальное поведение, оценивать уровень риска и прогнозировать, как угрозы могут развиваться со временем.

Обучение алгоритмов охоте на угрозы

Чтобы улучшить эту картину безопасности, исследование сочетает два подхода: метод оптимизации, вдохновлённый тем, как серые волки охотятся стаей, и сеть для прогнозирования временных рядов, часто используемая в обработке речи и языка. Метод, основанный на поведении волков, исследует множество возможных настроек прогнозной модели, подбирая комбинации, дающие наибольшую точность предсказаний. Сеть прогнозирования учится на прошлом поведении сети и событиях безопасности, таких как атаки и нормальный трафик, чтобы предсказывать будущую «позу» — единое значение, отражающее, насколько сеть выглядит защищённой или под угрозой. За счёт автоматической настройки ключевых внутренних параметров улучшенный волчий алгоритм помогает модели прогнозирования избегать застревания в плохих решениях и точнее отслеживать тонкие изменения в поведении.

Видеть каскадные проблемы до их распространения

Поскольку энергосети тесно взаимосвязаны, отказ или атака в одном месте может вызвать цепную реакцию. Поэтому исследователи связывают свою модель прогнозирования с анализом каскадных сбоев — того, как локальные проблемы могут распространиться по более широкой сети. Используя широко изученный набор данных кибербезопасности, имитирующий сетевой трафик энергосистемы, они показывают, что объединённый метод может более точно оценивать, где и когда вероятно появление проблем, и как они могут распространяться между сервисами, отдельными машинами и сетью в целом. Модель не только классифицирует текущий уровень безопасности (от «безопасно» до «чрезвычайно высокий риск»), но и прогнозирует предстоящие изменения, чтобы операторы могли среагировать до того, как мелкие проблемы перерастут в крупные отключения.

Построение более умного центра управления сетью

Поверх прогнозной модели авторы проектируют полноценную платформу безопасности SCADA с отдельными слоями для сбора данных, анализа, хранения и визуальных панелей мониторинга. Входящие сетевые данные очищаются и сжимаются, затем проходят через глубокую сеть достоверностей для оценки текущей ситуации и через волчью настроенную прогнозную модель для предсказаний. Дополнительные алгоритмы помогают снизить число ложных тревог, уточняя, как система взвешивает разные виды атак и их влияние на конфиденциальность, целостность и доступность данных сети. В тестах новый подход существенно сокращает типичные показатели ошибок, уменьшает ложные срабатывания и пропуски атак более чем вдвое по сравнению с несколькими стандартными методами и при этом работает достаточно быстро для практического использования в режиме реального времени.

Что это значит для повседневной надёжности

Для неспециалистов главное: авторы создали более умную систему раннего предупреждения о киберрисках для энергосети. Позволяя алгоритмам исследовать множество конфигураций и учиться на богатых данных трафика, их метод точнее оценивает, насколько сеть защищена в каждый конкретный момент и как это состояние может измениться. Это даёт операторам более ясные и ранние сигналы о том, куда направлять внимание и с какой срочностью реагировать. При дальнейшем подтверждении на реальных сетях коммунальных предприятий аналогичные подходы могут помочь поддерживать работу электроэнергии и других критически важных служб — таких как водоснабжение, газ и управление трафиком — в безопасности, даже по мере роста их взаимосвязанности и уязвимости к цифровым угрозам.

Цитирование: Chen, Z., Zheng, H., Gao, L. et al. Design of security situation awareness power grid SCADA system based on improved GWO-LSTM. Sci Rep 16, 8788 (2026). https://doi.org/10.1038/s41598-026-38382-1

Ключевые слова: кибербезопасность энергосети, ситуационная осведомлённость, обнаружение вторжений, машинное обучение для SCADA, безопасность критической инфраструктуры