Интеллектуальное обнаружение киберугроз на основе ИИ с использованием мультимодальных данных датчиков в умных устройствах

Почему вашим повседневным гаджетам нужны лучшие «нервы»

Телефоны, фитнес‑браслеты, умные колонки и термостаты незаметно окружают нас, фиксируя наши движения, речь и температуру в доме. Те же самые датчики, которые делают эти устройства полезными, могут быть использованы злоумышленниками для шпионажа, кражи данных или саботажа. В этой работе показано, как объединение сигналов от множества датчиков и их анализ с помощью передовых методов искусственного интеллекта позволяет быстро обнаруживать такие киберфизические атаки даже на небольших энергоэффективных устройствах.

Скрытые уязвимости умных устройств

Умные устройства проникают в дома, больницы, заводы и города, принося удобство и автоматизацию. Но они также легко становятся мишенью. Традиционные средства защиты ориентированы на сетевой трафик и фиксированные правила, которые не всегда успевают за быстро меняющимися атаками и не видят происходящее внутри устройства. Многие подключенные к интернету гаджеты ограничены в вычислительных ресурсах и батарее, поэтому не могут запускать тяжёлое защитное ПО. Между тем их встроенные датчики постоянно передают данные о движении, звуке и температуре, которые злоумышленники могут манипулировать, чтобы захватить устройство, нарушить сервисы или нарушить приватность.

Слушая сразу несколько «чувств»

Авторы предлагают новый подход к защите устройств, рассматривая датчики как систему раннего предупреждения. Вместо того чтобы смотреть только на сетевые пакеты, их платформа одновременно отслеживает четыре встроенных датчика: акселерометр, гироскоп, микрофон и датчик температуры. Каждый из них фиксирует разные аспекты физического поведения — вибрацию, вращение, звук и тепло. При слиянии эти потоки формируют богатую «историю» нормального поведения устройства. Любая необычная комбинация, например странные вибрации вместе с неожиданным повышением температуры или необычными звуками, может сигнализировать о подделке, спуфинге или других формах атаки — даже если сетевые соединения заблокированы или подделаны.

Как «мозг» на базе ИИ учится на потоках данных датчиков

Чтобы разобраться в потоке данных, исследование строит гибридную модель глубинного обучения, имитирующую обработку закономерностей во времени и пространстве. Сначала отдельные ветви сверточной сети анализируют сигналы каждого датчика, извлекая формы, соответствующие характерным вибрациям, акустическим отпечаткам или температурным сдвигам. Эти карты признаков затем объединяются в общее представление и передаются в рекуррентную сеть, отслеживающую эволюцию паттернов во времени и фиксирующую ритм нормального и злонамеренного поведения. Поверх этого модуль Transformer применяет механизм внимания, выделяя важнейшие междатчиковые связи и дальние зависимости, что помогает системе заметить тонкие, скрытые угрозы.

Подтверждение в лаборатории и на периферии

Исследователи проверяют свою платформу на контролируемом мультимодальном датасете, который они собрали, и на двух широко используемых бенчмарках по кибербезопасности — CICIDS-2017 и IoT-23. На этих наборах данных модель надёжно различает нормальную активность и несколько распространённых типов атак, включая отказ в обслуживании, спуфинг, повторную передачу, атаку «человек‑посередине» и физическое вмешательство. Модель достигает высокого значения площади под кривой (AUC) — 0,96 и F1‑метрики 0,94, превосходя современные методы, опирающиеся на один тип данных или более простые модели. Важно, что систему развернули на скромном Raspberry Pi 4 и показали, что она может принимать решения примерно за 23 миллисекунды при компактном размере модели около 4,2 мегабайта, что укладывается в жёсткие ресурсные ограничения многих потребительских устройств.

Что это значит для более безопасной подключённой жизни

По сути, статья демонстрирует, что слияние данных от нескольких датчиков и их анализ с помощью тщательно спроектированного конвейера глубинного обучения может дать умным устройствам своего рода встроенное «шестое чувство» для обнаружения опасности. Вместо того чтобы полагаться исключительно на отдалённые серверы или сетевые брандмауэры, гаджеты могут контролировать собственные физические сигналы и поднимать тревогу, когда что‑то идёт не так. Такой подход делает защиту более надёжной — она продолжает работать даже при ненадёжных соединениях — и достаточно эффективен для маленького энергоэффективного оборудования. По мере того как всё больше повседневных объектов выходит в сеть, подобная интеллектуальная сенсорика может стать краеугольным камнем безопасности наших домов, больниц и заводов.

Цитирование: Latif, M., Abro, A.A., Daniyal, S.M. et al. AI-based intelligent sensing detection of cybersecurity threats using multimodal sensor data in smart devices. Sci Rep 16, 11091 (2026). https://doi.org/10.1038/s41598-026-40614-3

Ключевые слова: Безопасность Интернета вещей, мультимодальные датчики, киберфизические атаки, обнаружение с помощью глубинного обучения, защита периферийных устройств