Адаптивные модели управления сетевым трафиком в гетерогенных сетях IIoT на основе графовых нейронных сетей с учетом динамических сбоев и кибератак

Рассматриваются адаптивные модели управления сетевым трафиком в гетерогенных сетях промышленного Internet вещей (IIoT), функционирующих в условиях динамических отказов и кибератак. Предложен подход, основанный на гибридной архитектуре графовых нейронных сетей (GNN), сочетающий сверточные слои для учета топологии и механизм внимания для фильтрации аномальных сигналов от скомпрометированных узлов. Представлена математическая модель сети в виде взвешенного ориентированного графа с динамически корректируемыми весами ребер. Экспериментальная оценка, проведенная в среде симуляции NS-3 для сетей размером до 2000 узлов с внедренной моделью нарушителя (скомпрометировано до 15% узлов, имитация DDoS-атак и атак типа «серая дыра»), показала, что предложенный алгоритм обеспечивает долю успешных передач более 92% в условиях, где традиционные протоколы теряют до 11,8% пакетов. Предложенные модели могут быть использованы в промышленных системах управления с повышенными требованиями к киберустойчивости и надежности.

Аффилиация авторов
Поборуева Мария Сергеевна – аспирант,
ФГБОУ ВО «Рязанский государственный радиотехнический университет имени В.Ф. Уткина».
E-mail: imerm01@yandex.ru

Список литературы
1. Da Xu L., He W., Li S. Internet of things in industries: A survey // IEEE Transactions on Industrial Informatics. 2014. Vol. 10, No. 4. Pp. 2233–2243.
2. Борисов А.В. Алгоритм робастной фильтрации марковских скачкообразных процессов по высокочастотным считающим наблюдениям // Автоматика и телемеханика. – 2020. – № 4. – С. 3-20.
3. Perkins C., Belding-Royer E. Ad-hoc On-Demand Distance Vector Routing // Proceedings of the 2nd IEEE Workshop on Mobile Computing Systems and Applications. 1999. Pp. 90–100.
4. Brandt A., Hui J., Kelsey R. et al. RPL: IPv6 Routing Protocol for Low-Power and Lossy Networks: RFC 6550 // Internet Engineering Task Force (IETF), 2012. 157 p.
5. Sobral J.V.V., Rodrigues J.J.P.C., Rabêlo R.A.L. et al. Routing protocols for low power and lossy networks in internet of things applications // Sensors. 2019. Vol. 19, No. 9. Art. 2144.
6. Труфанов В.Н., Огарок А.Л., Нестеров С.Г. Исследование сетевых систем обнаружения вторжений, использующих методы машинного обучения // Информатизация и связь. 2023. № 4. С. 59-72.
7. Xiao B., Yin W. Balanced BiEGCN for Anomaly Detection // Entropy. 2025. Vol. 27, No. 10. Art. 1045.
8. Scarselli F. et al. The Graph Neural Network Model // IEEE Transactions on Neural Networks. 2009. Vol. 20, No. 1. P. 61-80.
9. William L. Hamilton. (). Graph Representation Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. 2020. Vol. 14, No. 3, Pp. 1-159.
10. Xu K. et al. How Powerful are Graph Neural Networks? // ICLR 2019. P. 1-16.