在比例Hadamard–Caputo算子下无线传感器中分数网络-流行病模型的人工神经网络分析

为什么数字感染会长期存在

恶意软件并不总是以快速、干净的方式通过计算机网络传播。在无线传感器网络中——那些散布在建筑、田野或城市中用于测量环境的小型设备——攻击可能会长期潜伏，只有在旧连接恢复或延迟更新带来影响时才会爆发。本文引入了一种描述此类“长记忆”网络爆发的新方法，帮助工程师判断恶意软件何时会迅速消退，何时可能顽固地持续存在。

从病人到传感器

作者借鉴了经典疾病建模的思想，将总体分为易感、暴露和康复等不同群体。在这里，“总体”是一个无线传感器网络。设备被划分为六类：健康但易受攻击、已暴露但尚未传播恶意软件、主动感染、隔离、已恢复以及已接种（通过更新或补丁强化）的设备。该结构使模型能够跟踪设备在相互接触、被隔离、修复或受保护时的状态转换。通过将人类流行病学的思路转译到数字领域，这项工作把几十年来公共卫生数学的方法与现代网络防御联系起来。

在数学中引入记忆

标准模型假设只有网络的当前状态重要：未来的发展仅取决于现在，而与详细的过去无关。这在很多情况下并不现实。在实践中，旧的连接、缓慢的打补丁过程和持久的漏洞意味着过去会持续影响现在。为捕捉这种现象，作者使用了一种“分数”微积分，使变化率能够依赖于对先前活动的加权历史。一个专门工具——比例Hadamard–Caputo算子——允许在对数时间尺度上调节并表达这种记忆，这对随时间变慢的过程尤其合适。两个关键参数控制过去对未来的影响强度，使得经典的无记忆行为作为一个特殊的极限情形出现。

保证模型具有合理性

任何有用的模型不仅要现实，还要数学上可靠。作者证明了他们的系统至少存在一个随时间平滑演化的解，并在温和条件下该解是唯一的。他们通过将原始的分数微分方程重写为积分方程，然后应用强大的“不动点”定理来实现这一点——这些工具表明方程以可控的方式将函数映射到自身。他们还建立了一种称为Ulam–Hyers稳定性的稳定性形式：如果方程或数据因测量噪声或数值误差而略有偏差，所得解仍将保持接近真实解。这意味着基于该模型的模拟和预测在明确的误差范围内是可信的。

模拟长期的数字爆发

为使该框架具有实用性，团队设计了逐步数值方法，将一种著名的预测-校正方案改编以处理其算子的特殊记忆核。在变换后的时间变量中，他们导出了表示过去状态保留影响程度的简单权重。对传感器网络中恶意软件传播的模拟揭示了一个显著模式：当记忆强或分数阶更小时，感染衰减得更慢，“主动传播”阶段持续更长。随着模型设置趋近于经典的无记忆情形，感染峰值更快出现并消失，网络更快稳定。

对保护网络的意义

简而言之，这项研究表明，考虑数字记忆——过去的接触、延迟清理和缓慢消退的漏洞——会显著改变对恶意软件在无线传感系统中流通时间的预期。分数模型提供了可调节的参数，使安全规划者能够拟合真实数据中观察到的长尾现象，而稳定性结果则确保这些预测对适度不确定性具有鲁棒性。当记忆效应较弱且需要快速决策时，较简单的经典模型可能已足够。但当感染在采取对策后仍然“徘徊”时，这一考虑记忆的分数模型框架为设计传感器网络的隔离、修补和强化策略提供了更为谨慎和现实的指导。

引用: 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

关键词: 无线传感器网络, 恶意软件传播, 分数微积分, 网络流行病学, 网络安全建模