НЕЙРОМЕРЕЖЕВИЙ ПІДХІД ДО ЗАБЕЗПЕЧЕННЯ СТІЙКОСТІ ПРОМИСЛОВИХ IOT-СИСТЕМ ЗА УМОВ ПОРУШЕННЯ ЦІЛІСНОСТІ ПЕРИФЕРІЙНИХ ВУЗЛІВ

Станіслава Кудренко; Валерій Козловський; Віталій Алькема

doi:10.28925/2663-4023.2026.33.1147

Автор(и)

Станіслава Кудренко Державний університет «Київський авіаційний інститут» https://orcid.org/0000-0002-0759-3908
Валерій Козловський Державний університет «Київський авіаційний інститут» https://orcid.org/0000-0002-8301-5501
Віталій Алькема Державний університет «Київський авіаційний інститут» https://orcid.org/0009-0000-0009-8237

DOI:

https://doi.org/10.28925/2663-4023.2026.33.1147

Ключові слова:

промисловий інтернет речей, кібербезпека IIoT, рекурентні нейронні мережі, кіберризики, механізми кіберзахисту

Анотація

У статті розглянуто проблему забезпечення функціональної стійкості промислових IoT-систем за умов часткового порушення цілісності периферійних вузлів. Актуальність дослідження зумовлена зростанням кіберризиків у багаторівневих архітектурах edge–fog–cloud, у яких периферійні пристрої виконують первинну обробку та передавання телеметричних даних. Деградація або компрометація окремих вузлів у таких системах призводить до накопичення похибок під час агрегування даних, спотворення результатів аналітики та потенційного прийняття некоректних управлінських рішень. Традиційні підходи, засновані на повному відключенні підозрілих вузлів, можуть негативно впливати на безперервність технологічного процесу та знижувати відмовостійкість системи загалом. Запропоновано нейромережевий підхід до підтримання функціональної стійкості, що поєднує оцінювання поточного стану вузлів із адаптивною зміною їхнього вагового внеску в результати обробки без повного виключення з обчислювального контуру. Формалізовано модель впливу збурень на агрегований сигнал, у межах якої введено змінну стану вузла як інтегральний показник інформаційної достовірності та рівня його потенційної компрометації. Для оцінювання стану використано рекурентну нейронну мережу типу GRU, яка враховує часову динаміку поведінки вузлів та дозволяє виявляти аномальні відхилення у телеметричних потоках. Проведене імітаційне моделювання продемонструвало зменшення системної похибки агрегування та стабілізацію результуючого сигналу порівняно з класичними пороговими методами реагування. Отримані результати підтверджують ефективність запропонованого підходу для промислових IoT-середовищ та його здатність забезпечувати баланс між вимогами кібербезпеки, достовірністю даних і безперервністю технологічного процесу.

Завантаження

Дані завантаження ще не доступні.

Посилання

Bukhari, S. M. S., Zafar, M. H., Houran, M. A., et al. (2024). Enhancing cybersecurity in edge IIoT networks: An asynchronous federated learning approach with a deep hybrid detection model. Internet of Things, 27, 101252. https://doi.org/10.1016/j.iot.2024.101252

European Union Agency for Cybersecurity (ENISA). (2024). ENISA threat landscape 2024. Publications Office of the European Union. https://doi.org/10.2824/0710888

Faure, E., Rozlomii, I., & Naumenko, S. (2026). Hybrid digital twin-driven anomaly detection in IoT telemetry using LSTM autoencoder. CEUR Workshop Proceedings, 4155. http://ceur-ws.org/Vol-4155/paper06.pdf

Fagan, M., & Megas, K. (2021). IoT device cybersecurity guidance for the federal government (NIST Special Publication 800-213). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-213

Kumar, R., & Agrawal, N. (2023). Analysis of multi-dimensional industrial IoT data in edge–fog–cloud frameworks: A survey. Journal of Industrial Information Integration, 35, 100504. https://doi.org/10.1016/j.jii.2023.100504

Rahman, M. M., Al Shakil, S., & Mustakim, M. R. (2025). A survey on intrusion detection systems in IoT networks. Cyber Security and Applications, 3, 100082. https://doi.org/10.1016/j.csa.2024.100082

Shrestha, R., Mohammadi, M., Sinaei, S., et al. (2024). Anomaly detection based on LSTM and autoencoders using federated learning in smart electric grid. Journal of Parallel and Distributed Computing, 193, 104951. https://doi.org/10.1016/j.jpdc.2024.104951

Alotaibi, B. (2023). A survey on industrial Internet of Things security: Requirements, attacks, AI-based solutions, and edge computing opportunities. Sensors, 23(17), 7470. https://doi.org/10.3390/s23177470

Loumaichi, F. Y., Ghanem, M. C., & Ferrag, M. A. (2025). Advancing cyber incident timeline analysis through retrieval-augmented generation and large language models. Computers, 14(2), 67. https://doi.org/10.3390/computers14020067

Kong, J., Zhang, Y., Sun, G., Liu, Y., & Liu, J. (2023). Industrial Internet edge computing security risk analysis: Access and architectural risks. In Proceedings of the ACM Conference. ACM. https://doi.org/10.1145/3656766.3656861