Ученые МТУСИ создали уникальное программное решение на основе гибридных методов машинного обучения, способное в автоматическом режиме управлять параметрами гетерогенных сетей связи и мгновенно адаптировать конфигурацию защиты под текущие сетевые угрозы и уязвимости.
Разработка выполнена сотрудниками факультета «Информационные технологии» под руководством профессора, д.т.н. Юрия Леохина и доцента, к.т.н. Тимура Фатхулина.
Сегодня телекоммуникационные сети характеризуются сложной архитектурой, обилием протоколов и постоянным ростом внешних воздействий. Традиционные защитные алгоритмы часто не успевают реагировать на быстроизменяющиеся факторы и дрейф данных, что создает серьезные риски для стабильности цифровой инфраструктуры и информационной безопасности.
Для решения этой масштабной задачи специалисты МТУСИ разработали алгоритм динамического интеллектуального управления. В основе программы лежит синергия передовых ИТ-технологий: глубокого обучения с подкреплением (Double Dueling DQN) и графовых нейронных сетей с механизмом внимания (GATv2), дополненных байесовской оптимизацией.
Программная реализация включает встроенную имитационную модель сети, на которой ИИ непрерывно обучается выбирать оптимальные параметры. Разработчики внедрили шесть взаимодополняющих модификаций, которые позволили исключить появление недопустимых конфигураций оборудования и снизить потерю точности при изменении характера данных до минимума.
Архитектура программного решения обеспечивает высокую масштабируемость и универсальность, благодаря чему решение может эффективно применяться на физических и виртуальных контроллерах программно-конфигурируемых сетей, а также интегрироваться в ИТ-системы администрирования операторов связи.
«В рамках исследования нам удалось устранить ключевые недостатки базовых методов ИИ. Мы применили топологический энкодер, адаптировали функцию вознаграждения и внедрили механизм защиты от дрейфа данных. В результате время обучения системы сократилось на 63% — с 82 до 30 минут, а средний прирост точности (F1-метрики) составил 5,4 процентных пункта, достигнув внушительных 94,8%. При этом на самых сложных, инсайдерских угрозах, точность выросла сразу на 9,4 п.п.», — отметил профессор Юрий Леохин. Одним из главных преимуществ новой разработки стала ее доказанная обобщающая способность.
Верификация на независимых наборах данных TON_IoT подтвердила, что алгоритмы одинаково эффективно работают на инфраструктуре любого типа и успешно отражают даже те классы кибератак, которые не были представлены во время предварительного обучения.
В дальнейшем исследователи планируют внедрять разработанные алгоритмы в реальный сектор телекоммуникаций, а также использовать созданное программное обеспечение в образовательном процессе — при подготовке студентов отраслевых вузов связи и на курсах повышения квалификации ИТ-специалистов.