Оценка динамического риска с учётом медленного дрейфа в кибер-физических системах с использованием квантово-неутрософического нечеткого моделирования

Почему тихие изменения в «умных» больницах важны

Современные больницы всё больше полагаются на подключённые устройства: аппараты ИВЛ, инфузионные насосы, мониторы и облачные сервисы, которые вместе образуют кибер‑физическую систему. Многие угрозы для таких систем эффектны — заметные взломы или внезапные отказы устройств. Но в статье рассматривается нечто более тонкое и не менее опасное: медленные, почти незаметные изменения в поведении сети, которые накапливаются со временем и могут подорвать безопасность пациентов, если их не обнаруживать и не устранять.

Скрытый износ в цифровых больничных сетях

В больничной сети данные от медицинских приборов постоянно перемещаются между прикроватным оборудованием и центральными серверами. В течение месяцев или лет этот трафик может постепенно изменяться: возникают задержки, небольшие потери пакетов становятся чаще, соединения ведут себя чуть иначе. Эти медленные сдвиги, называемые дрейфом, могут сигнализировать о старении оборудования, проблемах конфигурации или скрытых вторжениях, которые не вызывают традиционных сигналов тревоги. Существующие инструменты оценки риска обычно ищут явные краткосрочные аномалии и часто пропускают такого рода тихое ухудшение, особенно при шумных, неполных или противоречивых данных.

Многоуровневая защитная сеть для подключённой помощи

Авторы предлагают целостную рамочную систему для динамического мониторинга медицинских кибер‑физических систем, вместо разовых проверок. Сначала каждое медицинское устройство регистрируется на сервере больницы, а его данные передаются в систему обнаружения сетевых вторжений. Там заполняются пропущенные значения, нормализуются измерения и выделяются ключевые признаки поведения коммуникаций. Затем применяется новый подход — экспоненциально взвешенное скользящее среднее на основе квантового состояния — для отслеживания медленного дрейфа. Кодируя шаблоны трафика так, чтобы подчёркивать тонкие пересечения и долгосрочные тенденции, этот метод способен заметить плавные, но стойкие изменения, которые старые статистические методы не улавливают.

Умное обнаружение вторжений и оценка риска

Для распознавания реальных атак в такой динамичной среде рамка использует продвинутую нейросетевую модель, настроенную на устойчивость и быстродействие. Особый выбор инициализации весов и функций активации помогает сети учиться на длинных последовательностях трафика, не теряя внутренних сигналов и не застревая, что повышает и точность, и скорость обучения. После пометки возможных вторжений их сигналы комбинируются с другими индикаторами аномалий с использованием техники, которая явно учитывает, как различные предупреждения усиливают или дублируют друг друга. Вместо простого усреднения оценок метод моделирует парные и малые групповые зависимости, так что несколько слабых индикаторов, появляющихся вместе, могут рассматриваться как серьёзное основание для тревоги.

Прямой подход к неопределённости

Реальные больничные данные редко бывают однозначными. Измерения могут противоречить друг другу, и эксперты не всегда единодушны в оценке риска образца. Чтобы справиться с этим, авторы используют логику, представляющую каждую ситуацию тремя компонентами: доказательства наличия проблемы, доказательства нормальности и третью часть, фиксирующую истинную неопределённость. Перед объединением эти компоненты масштабируются в общий диапазон, чтобы итоговая мера риска оставалась интерпретируемой. Система затем объясняет свою логику с помощью расширенной формы анализа вклада, показывая, какие признаки трафика и сигналы аномалий повысили или понизили риск, что помогает клиницистам и инженерам доверять и верифицировать результаты.

Превращение понимания риска в своевременные действия

Знание о росте риска полезно только если оно приводит к разумным действиям. Финальный шаг в рамочной системе использует структурированную модель принятия решений для выбора стратегий смягчения — например, ужесточение контроля доступа, фильтрация подозрительного трафика или, в крайних случаях, изоляция устройств и переход на ручную работу. Движок принятия решений спроектирован так, чтобы расчёты оставались управляемыми даже по мере роста числа устройств и возможных ответных мер. На публичном наборе данных по сетевым вторжениям вся система показала высокую точность в обнаружении атак, надёжно отслеживала медленный дрейф и давала стабильные, понятные оценки риска. Проще говоря, работа показывает, как больницы могут перейти от реагирования на явные кризисы к непрерывному наблюдению за тихими признаками угроз, при этом оставляя людям контроль над решениями по безопасности.

Цитирование: Kiruthika, K., Rajesh, A., Dhapekar, N.K. et al. Slow drift aware dynamic risk assessment in cyber physical systems using quantum neutrosophic fuzzy modelling. Sci Rep 16, 15698 (2026). https://doi.org/10.1038/s41598-026-41732-8

Ключевые слова: кибер-физические системы, безопасность медицинского IoT, сетевая дрейф, обнаружение вторжений, динамическая оценка риска