Соответствующие дробные глубокие нейронные сети (CFDNN) для высокоскоростного обнаружения кибератак

Умные щиты для связанного мира

Каждый день наши дома, офисы и города зависят от сетей, которые незаметно пересылают миллиарды цифровых сообщений. В этом потоке скрываются кибератаки, пытающиеся украсть данные или вывести системы из строя. Инструменты безопасности должны обнаруживать такие угрозы быстро и точно, не требуя при этом огромных вычислительных мощностей. В этой статье представлен новый тип модели искусственного интеллекта — Соответствующая Дробная Глубокая Нейронная Сеть (CFDNN), разработанная для более быстрого обнаружения кибератак при меньших вычислительных затратах по сравнению со многими современными подходами.

Почему традиционные оборонительные средства испытывают трудности

Обычные системы обнаружения вторжений часто опираются на фиксированные правила или известные сигнатуры атак. Они хорошо справляются с угрозами, с которыми уже сталкивались, но дают сбой, когда злоумышленники меняют тактику или запускают «нулевые» уязвимости. Глубокие нейронные сети улучшили ситуацию, научившись распознавать тонкие закономерности в сетевом трафике, однако у них есть свои проблемы: обучение может быть медленным, требуется большие помеченные наборы данных, и их сложно развернуть для работы в реальном времени на обычном оборудовании. Они также могут пропускать сложные долгие кампании атак, разворачивающиеся поэтапно, потому что правила их обучения рассматривают каждый шаг обучения слишком локально во времени.

Новый способ обучать нейронные сети

Ключевая инновация этой работы — не более крупная или глубокая сеть, а новый способ обновления её внутренних параметров в процессе обучения. Вместо стандартного алгоритма обратного распространения авторы используют метод, называемый соответствующим дробным градиентным спуском. Проще говоря, этот метод придаёт процессу обучения своего рода настраиваемую «память» о прошедших шагах. Выбирая дробный параметр в диапазоне от 1.2 до 1.8, алгоритм мягко изменяет ландшафт обучения так, чтобы сеть могла более плавно скользить к хорошему решению, а не застревать или медленно блуждать по неровной поверхности.

Проверка идеи на практике

Чтобы выяснить, действительно ли такое дробное обучение полезно, исследователи обучили свою CFDNN на двух широко используемых наборах данных для обнаружения вторжений: старой коллекции NSL‑KDD и более современной, гораздо большей CIC‑IDS2018, которая содержит свыше 1.6 миллиона примеров нормального и вредоносного трафика. Они сознательно оставили структуру сети простой — стек из четырёх скрытых слоёв с убывающим размером к одному выходному нейрону — чтобы любые улучшения в производительности можно было в основном приписать новому правилу обучения. Перебирая разные дробные «порядки» (от 0.5 до 1.8), они измеряли точность, уровни ошибок и время, необходимое для обучения на обычном процессоре класса ноутбука.

Более быстрое обучение с почти идеальным обнаружением

Результаты показывают ясную закономерность: при дробных настройках ниже 1 модель обучается плохо и часто ошибается в классификации соединений. Но как только параметр переходит в более высокий «суперинтегральный» диапазон между 1.2 и 1.8, производительность резко возрастает. При оптимальном значении 1.8 CFDNN достигает примерно 99.4–99.9% точности на обоих наборах данных, сравнимой или превосходящей современные системы глубокого обучения. Не менее важно, что это достигается при значительно меньшем числе циклов обучения — всего 30 итераций вместо обычно используемых 50 или 100 — и полностью на стандартном CPU. Для большого набора CIC‑IDS2018 полный цикл обучения завершается примерно за 24 минуты, а оценка тестовых данных после этого занимает лишь доли миллисекунды на один сетевой пакет.

Что это значит для повседневной безопасности

Для неспециалистов вывод таков: CFDNN предлагает более эффективный «мозг» для цифровых сторожей. Изменяя способ обучения сети, а не создавая всё более сложные модели, авторы добиваются системы, которая обнаруживает кибератаки с почти идеальной точностью, оставаясь при этом достаточно быстрой и лёгкой для реального развёртывания. Хотя требуется дополнительное тестирование на более новых и разнообразных типах трафика, и само дробное значение нужно подбирать с осторожностью, этот подход указывает путь к инструментам обнаружения вторжений, способным поспе́ть за развивающимися угрозами без требований к суперкомпьютерам — помогая защищать всё, от умных домов до промышленных систем управления.

Цитирование: Ajarmah, B., Iwidat, H. Conformable Fractional Deep Neural Networks (CFDNN) for high-speed cyber-attack detection. Sci Rep 16, 10616 (2026). https://doi.org/10.1038/s41598-026-45213-w

Ключевые слова: обнаружение кибератак, системы обнаружения вторжений, глубокие нейронные сети, дробное исчисление, безопасность сети