Анализ искусственной нейронной сети фракционной кибер-эпидемической модели в беспроводных датчиках под пропорциональным оператором Хадамар–Капуто

Почему цифровые инфекции могут затягиваться

Вредоносное программное обеспечение не всегда распространяется по компьютерным сетям быстрыми, чистыми вспышками. В беспроводных сенсорных сетях — крошечных устройствах, рассредоточенных в зданиях, на полях или в городах для измерения окружающей среды — атаки могут тлеть длительное время, разгораясь вновь, когда старые соединения или отложенные обновления возвращают проблемы системе. В этой статье предложен новый способ описания таких «долгой памяти» кибервспышек, который помогает инженерам понять, когда вредоносное ПО быстро затухнет, а когда оно будет упрямо сохраняться.

От больных людей к больным датчикам

Авторы заимствуют идеи из классического моделирования заболеваний, где популяция делится на группы, такие как восприимчивые, инфицированные и выздоровевшие. Здесь «популяция» — это беспроводная сенсорная сеть. Устройства разделены на шесть классов: здоровые, но уязвимые; инфицированные, но пока не распространяющие ПО; активно заразные; помещённые в карантин; восстановленные; и вакцинированные (защищённые обновлениями или патчами). Такая структура позволяет модели отслеживать, как устройства переходят между состояниями при контактах, изоляции, ремонте или защите. Перенеся эпидемиологическое мышление человека в цифровую сферу, работа связывает десятилетия общественного здравоохранения с современными методами киберзащиты.

Встраивание памяти в математику

Стандартные модели предполагают, что имеет значение только текущее состояние сети: дальнейшее развитие зависит лишь от настоящего, а не от детальной истории. Это часто нереалистично. На практике старые соединения, медленные обновления и затяжные уязвимости означают, что прошлое продолжает влиять на настоящее. Чтобы отразить это, авторы используют «фракционную» версию исчисления, которая позволяет скоростям изменения зависеть от взвешенной истории предыдущей активности. Специализированный инструмент — пропорциональный оператор Хадамар–Капуто — даёт возможность настраивать эту память и выражать её на логарифмическом временном масштабе, что подходит для процессов, замедляющихся со временем. Два ключевых параметра контролируют силу влияния прошлого на будущее, так что классическое поведение без памяти появляется как частный предельный случай.

Обеспечение корректного поведения модели

Любая полезная модель должна быть не только реалистичной, но и математически корректной. Авторы доказывают, что их система имеет по крайней мере одно решение, эволюционирующее плавно во времени, и что это решение единственно при мягких условиях. Они делают это, переписывая исходные фракционные уравнения в виде интегрального уравнения и затем применяя мощные теоремы о неподвижной точке — инструменты, показывающие, что отображение возвращает функцию само в себя в контролируемом виде. Они также устанавливают форму устойчивости, известную как устойчивость Улама–Хайерса: если уравнения или данные слегка искажены из‑за шума измерений или численной ошибки, полученные решения остаются близкими к истинным. Это означает, что моделирование и прогнозы на основе этой модели можно доверять в рамках чётких границ погрешности.

Моделирование затяжных цифровых вспышек

Чтобы сделать метод практичным, команда разрабатывает пошаговую численную схему, адаптируя известную схему предсказатель‑корректор для работы со специфическим ядром памяти их оператора. Работая в преобразованной временной переменной, они выводят простые веса, кодирующие, насколько сильно прошлые состояния сохраняют влияние. Моделирование распространения вредоносного ПО в сенсорной сети выявляет характерную закономерность: при сильной памяти или меньшем фракционном порядке инфекция снижается медленнее, а фаза активного распространения длится дольше. По мере того как параметры модели приближаются к классическому случаю без памяти, пик инфекции проходит и затухает гораздо быстрее, что приводит к быстрому стабилизированию сети.

Что это значит для защиты сетей

Проще говоря, исследование показывает, что учёт цифровой памяти — прошлых контактов, отложенной очистки и медленно затухающих уязвимостей — может существенно изменить представления о том, как долго вредоносное ПО будет циркулировать в беспроводных сенсорных системах. Фракционная модель предоставляет регуляторы, позволяющие специалистам по безопасности подбирать соответствие наблюдаемым «длинным хвостам» в реальных данных, а результаты об устойчивости гарантируют, что такие прогнозы устойчивы к умеренной неопределённости. Когда эффекты памяти слабы и требуются быстрые решения, может быть достаточна более простая классическая модель. Но когда инфекции, несмотря на контрмеры, «затаиваются» и не исчезают, эта фракционная модель с учётом памяти предлагает более осторожное и реалистичное руководство по проектированию стратегий карантина, патчей и вакцинации для сенсорных сетей, которые незаметно следят за нашим миром.

Цитирование: 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

Ключевые слова: беспроводные сенсорные сети, распространение вредоносного ПО, фракционное исчисление, кибер-эпидемиология, моделирование безопасности сетей