Artificiellt neuralt nätverksanalys av en fraktionell cyber-epidemimodell i trådlösa sensorer under den proportionella Hadamard–Caputo-operatorn

Varför digitala infektioner kan dröja kvar

Skadlig programvara sprider sig inte alltid genom datornätverk i snabba, tydliga utbrott. I trådlösa sensornätverk — små enheter utspridda i byggnader, fält eller städer för att mäta omvärlden — kan attacker glöda länge och blossa upp igen när gamla förbindelser eller fördröjda uppdateringar åter blir ett problem. Denna artikel presenterar ett nytt sätt att beskriva sådana ”långminnes” cyberutbrott, vilket hjälper ingenjörer att förstå när malware snabbt försvinner och när det envist kan bestå.

Från sjuka människor till sjuka sensorer

Författarna lånar idéer från klassisk sjukdomsmodellering, där populationer delas in i grupper som mottagliga, smittade och återhämtade. Här utgörs ”populationen” av ett trådlöst sensornätverk. Enheterna delas in i sex klasser: friska men sårbara, exponerade men ännu inte spridande malware, aktivt smittsamma, i karantän, återhämtade och vaccinerade (härdade genom uppdateringar eller patchar). Denna struktur gör det möjligt för modellen att följa hur enheter rör sig mellan tillstånd när de kontaktar varandra, isoleras, repareras eller skyddas. Genom att översätta epidemitänkande från människovärlden till den digitala domänen kopplar arbetet årtionden av folkhälsomatematik till modern cybersäkerhet.

Bygga in minne i matematiken

Standardmodeller antar att endast nätverkets aktuella tillstånd spelar roll: vad som händer härnäst beror bara på nuet, inte på detaljerad historik. Det är ofta orealistiskt. I praktiken innebär gamla förbindelser, långsam patchning och kvarstående sårbarheter att det förflutna fortsätter påverka nuet. För att fånga detta använder författarna en ”fraktionell” variant av kalkyl som tillåter att förändringstakten beror på en viktad historia av tidigare aktivitet. Ett specialiserat verktyg, den proportionella Hadamard–Caputo-operatorn, låter detta minne justeras och uttryckas på en logaritmisk tidskala, vilket är väl lämpat för processer som avtar med tiden. Två nyckelparametrar styr hur starkt det förflutna påverkar framtiden, så att den klassiska, minnesfria beteendet framträder som ett särskilt gränsfall.

Säkerställa att modellen beter sig rimligt

En användbar modell måste inte bara vara realistisk utan också matematiskt sund. Författarna bevisar att deras system har minst en lösning som utvecklas kontinuerligt i tiden, och att denna lösning är unik under milda villkor. De gör detta genom att skriva om de ursprungliga fraktionella ekvationerna som en integralekvation och sedan tillämpa kraftfulla så kallade ”fixpunkts”satser — verktyg som visar att en avbildning tar en funktion tillbaka till sig själv på ett kontrollerat sätt. De etablerar också en form av stabilitet känd som Ulam–Hyers‑stabilitet: om ekvationerna eller data avviker något på grund av mätbrus eller numeriska fel, håller sig de resulterande lösningarna nära de verkliga. Det innebär att simuleringar och prognoser baserade på modellen kan litas på inom tydliga felmarginaler.

Simulera långa digitala utbrott

För att göra ramverket praktiskt utformar teamet en steg‑för‑steg numerisk metod och anpassar ett välkänt predictor–corrector‑schema för att hantera den speciella minneskärnan i deras operator. Genom att arbeta i en transformerad tidsvariabel härleder de enkla vikter som kodar hur mycket inflytande tidigare tillstånd behåller. Simuleringar av malware‑spridning i ett sensornät visar ett slående mönster: när minnet är starkt eller den fraktionella ordningen är lägre avtar infektionen långsammare och fasen med ”aktiv spridning” varar längre. När modellinställningarna närmar sig det klassiska, minnesfria fallet, kulminerar infektionen och dör ut mycket snabbare, vilket leder till snabbare stabilisering av nätverket.

Vad detta betyder för att skydda nätverk

Enkelt uttryckt visar studien att hänsyn till digitalt minne — tidigare kontakter, fördröjd sanering och långsamt avklingande sårbarheter — kan förändra förväntningarna avsevärt om hur länge malware cirkulerar i trådlösa sensorsystem. Den fraktionella modellen erbjuder rattar som gör det möjligt för säkerhetsplanerare att matcha observerade långsvansbeteenden i verkliga data, medan stabilitetsresultaten säkerställer att dessa prognoser är robusta mot måttlig osäkerhet. När minneseffekter är svaga och snabba beslut krävs kan en enklare klassisk modell räcka. Men när infektioner verkar ”hänga kvar” trots motåtgärder ger detta fraktionella, minnesmedvetna ramverk en mer försiktig och realistisk vägledning för att utforma karantän-, patchnings- och vaccinationsstrategier för de sensornätverk som tyst övervakar vår värld.

Citering: 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

Nyckelord: trådlösa sensornätverk, malware‑spridning, fraktionell kalkyl, cyberepidemiologi, modellering av nätverkssäkerhet