ЛЭТИ представил новый алгоритм для защиты «умных городов» от кибератак

В Санкт-Петербурге команда ученых ЛЭТИ совершила заметный прорыв в сфере цифровой безопасности городских систем. Их свежая разработка - усовершенствованный алгоритм федеративного обучения нейросетей - уже демонстрирует рекордные показатели точности при выявлении киберугроз и сетевых атак. По информации пресс-службы университета, в ходе экспериментов на реальных данных точность обнаружения вторжений достигла почти абсолютных 99,98%.

В основе инновации лежит модификация популярного алгоритма FedBN, который широко применяется для обучения нейросетей на разрозненных устройствах. Новая версия, получившая название MFedBN, не просто повторяет успехи предшественника, а значительно их превосходит. В частности, при анализе информации с датчиков грузовых автомобилей точность классификации составила 85%, а при работе с задачами кибербезопасности - почти 100%.

Руководитель проекта, проректор по цифровой трансформации ЛЭТИ Иван Холод, отмечает: «Мы не просто улучшили существующий алгоритм, а предложили принципиально иной подход к обработке данных. Вместо стандартного усреднения параметров моделей, как это принято в классических схемах, MFedBN использует градиентный метод с контролем скорости обучения на каждом устройстве. Это позволяет учитывать индивидуальные особенности локальных данных и добиваться более высокой точности».

Современные мегаполисы буквально пронизаны потоками информации. Сигналы поступают от смартфонов, камер наблюдения, транспортных сенсоров и множества других устройств. Управлять этим массивом данных - задача не из легких. Именно поэтому нейросети становятся незаменимым инструментом для сервисов «умного города». Они способны анализировать огромные объемы информации в реальном времени, выявлять аномалии и предотвращать угрозы еще до того, как они нанесут ущерб.

Федеративное обучение - относительно новый, но уже крайне востребованный метод в машинном обучении. Его суть в том, что нейросеть обучается сразу на множестве устройств, не передавая их личные данные на центральный сервер. Это не только ускоряет процесс, но и повышает уровень конфиденциальности. В условиях, когда вопросы приватности и безопасности становятся все более острыми, такой подход выглядит особенно актуальным.

Главная особенность MFedBN - умение гибко адаптироваться к разным источникам данных. Алгоритм не просто собирает информацию, а анализирует, как быстро и эффективно обучаются локальные модели. Такой подход позволяет минимизировать ошибки и повысить устойчивость системы к внешним воздействиям. В результате, даже при попытках хакерских атак или сбоях отдельных устройств, общая сеть продолжает работать стабильно и надежно.

В пресс-службе ЛЭТИ подчеркивают: внедрение подобных технологий - это не просто шаг вперед, а настоящая революция в обеспечении безопасности городских инфраструктур. В ближайшие годы можно ожидать, что подобные решения станут стандартом для всех крупных городов, стремящихся к статусу «умного».

Лично я считаю, что такие разработки - не просто технологический прогресс, а реальный вклад в защиту жизни и данных миллионов людей. В мире, где цифровые угрозы становятся все изощреннее, подобные инновации - не роскошь, а необходимость. И, возможно, именно российские ученые зададут новый вектор развития для всей отрасли.