Объяснимая модель внимания на базе LSTM с обучением по нескольким примерам для обнаружения вторжений в несимметричных сетях киберфизических систем

Почему более умные средства защиты важны для подключённых машин

От энергосетей и водозаборов до промышленных роботов и медицинского оборудования — наш физический мир всё больше управляется сетевыми устройствами, известными как киберфизические системы. Одно незаметное вторжение в такие сети может остановить службы, повредить оборудование или даже поставить под угрозу жизни. Тем не менее многие средства защиты всё ещё пропускают редкие, но опасные атаки или переполняют операторов необъяснимыми ложными сработками. В этом исследовании представлено новое решение для обнаружения вторжений, HeXAI-AttentionCPS, предназначенное для выявления как распространённых, так и редких угроз в этих критических сетях, причём с пояснениями для людей о причине срабатывания тревоги.

Скрытые опасности в цифровом трафике

Киберфизические системы постоянно обмениваются огромными объёмами данных, большая часть которых рутинна. Атаки в трафике похожи на несколько нитей необычного цвета, вплетённых в огромное полотно. Традиционные системы обнаружения вторжений склонны фокусироваться на самых частых шаблонах, которые они видят. В результате они отлично распознают обычные события, но пропускают редкие и возникающие атаки, такие как сложные атаки «посередине». Когда исследователи пытаются исправить это путём искусственного множения редких атак в данных, они часто вводят шум, что делает модели менее стабильными и медленными и всё ещё ненадёжными при встрече с новыми типами угроз.

Система обучения, ориентированная на редкое и важное

Предлагаемая структура HeXAI-AttentionCPS решает эти проблемы, меняя как процесс обучения, так и то, на что модель обращает внимание в сетевом трафике. Во-первых, она использует последовательную модель LSTM для чтения данных во времени, подобно тому, как мы понимаем смысл из предложения, а не из отдельных слов. Поверх этого механизм внимания действует как прожектор, выделяя наиболее показательные моменты в последовательности трафика вместо того, чтобы считать все точки данных одинаково важными. Модель обучается в режиме «few-shot»: во время тренировки она многократно практикуется в распознавании типов атак по всего нескольким примерам, что отражает реальные ситуации, когда доступно лишь несколько размеченных образцов новой атаки.

Выровнять баланс без подделки данных

Вместо генерации синтетических атак для коррекции несбалансированности система использует специальную функцию потерь, называемую focal loss, которая целенаправленно придаёт больше веса ошибкам на редких классах и уменьшает влияние легко классифицируемых примеров из частого трафика. Это смещает обучение в сторону труднообнаружимых атак без искажения самого набора данных. Перед обучением данные также сжимаются с помощью математического инструмента — анализа главных компонент (PCA), который сохраняет наиболее информативные закономерности и отбрасывает избыточность. Такое сочетание снижает вычислительную нагрузку и помогает механизму внимания сосредоточиться на действительно значимых вариациях трафика, улучшая как скорость, так и точность.

Преобразование чёрных ящиков в понятные подсказки

Основной барьер для доверия к автоматическим средствам защиты заключается в том, что многие из них работают как «чёрные ящики», выдавая тревоги без объяснений. HeXAI-AttentionCPS интегрирует метод объяснений, известный как SHAP, который разлагает каждое предсказание на вклад отдельных признаков, таких как порты источника и назначения, IP-адреса, длительность трафика и состояние соединения. Для оператора это означает, что когда система помечает атаку типа «человек посередине», она также может показать, какие порты, шаблоны IP или поведение по времени подтолкнули решение в сторону «вредоносно». При множестве срабатываний такой обзор выявляет, какие аспекты сети постоянно участвуют в атаках, давая рекомендации по её укреплению.

Что означают результаты на практике

Авторы протестировали свою систему на реалистичном эталонном наборе данных, имитирующем современные промышленные сети с девятью разными типами атак. По сравнению с несколькими базовыми моделями глубокого обучения HeXAI-AttentionCPS показала очень высокую точность и F1-метрики при чрезвычайно низком уровне ложных срабатываний, даже для редких атак, которые другие системы часто пропускают. Для команд по безопасности это означает меньше пропущенных серьёзных вторжений и меньше отвлекающих ложных тревог, а также прозрачное понимание причин срабатываний системы. Проще говоря, исследование показывает, что возможно создать стража для критической инфраструктуры, который не только лучше замечает необычные угрозы, но и объясняет свои выводы так, чтобы люди могли по ним действовать.

Цитирование: Abdulganiyu, O.H., Fadi, O., Moukafih, Y. et al. Explainable attention based few shot LSTM for intrusion detection in imbalanced cyber physical system networks. Sci Rep 16, 7217 (2026). https://doi.org/10.1038/s41598-026-38668-4

Ключевые слова: обнаружение вторжений, киберфизические системы, несбалансированные данные, объяснимая ИИ, обучение по нескольким примерам