Бул системалуу сереп Өнөр жай буюмдарынын интернети (Industrial Internet of Things, IIoT) чөйрөлөрүндө чабуулду аныктоо системаларын генеративдик жасалма интеллект менен кантип күчөтүүгө болорун изилдейт. Изилдөөчүлөр IEEE Xplore, ACM Digital Library, Springer, ScienceDirect жана arXiv базаларында Январь 2019-Декабрь 2025 мезгилин карап чыккан; 342 баштапкы жазууну этап-этабы менен элей туруп, 42 изилдөөнү системалуу синтезге киргизген. Сереп төрт негизги генеративдик жасалма интеллект парадигмасына көңүл бурат: Генеративдик атаандаш тармактар (GAN), Transformer архитектуралары, генеративдик диффузия моделдери жана Вариациялык автокоддоочулар (VAE). Тогуз колдонмо алкагын салыштыруу Transformer негизиндеги гибриддер өзгөчө жогорку тактык жана туруктуулук жагынан күчтүү натыйжалар бергенин, Diff-IDS сыяктуу диффузия негизиндеги ыкмалар болсо модель кысуу жагынан ресурсту үнөмдүү колдонгон варианттарды сунуш кыларын көрсөтөт. Ошентсе да изилдөөлөр ар башка маалымат топтомдорун, эксперимент протоколдорун жана статистикалык текшерүү ыкмаларын колдонгондуктан, билдирилген жогорку тактык маанилерин түздөн-түз чыныгы өнөр жай талаасындагы ийгилик катары чечмелөөгө болбойт.
Серептин негизги билдирүүсү — IIoT коопсуздугунда бир эле генеративдик жасалма интеллект архитектурасы бардык чабуул жана аппараттык шарт үчүн артык эмес. GAN-дар сейрек кездешкен чабуул класстары үчүн синтетикалык маалымат өндүрүүдө, Transformer-лер узак убакыт аралыктарына жайылган көп этаптуу чабуул үлгүлөрүндө, VAE-лер белгиленген чабуул маалыматы чектелүү болгон аномалияларды жана zero-day коркунучтарын аныктоодо, диффузия моделдери болсо жогорку сапаттагы генерацияда жана айрым кысылган колдонмолордо ресурс натыйжалуулугунда алдыга чыгат. Ал эми чыныгы объект маалыматы, өнөр жай протоколдорунун көп түрдүүлүгү, concept drift, түшүндүрүлүмдүүлүк, төмөн жалган сигнал көрсөткүчү жана өтө катуу реалдуу убакыт талаптары дагы эле маанилүү изилдөө боштуктары бойдон калууда.
IIoT коопсуздугу эмне үчүн классикалык тармак коопсуздугунан айырмаланат?
Өнөр жай буюмдарынын интернети; сенсорлорду, актуаторлорду, программалануучу логикалык контроллерлерди (PLC), алыстагы терминалдык бирдиктерди (RTU), SCADA системаларын, өнөр жай колдонмолорун, тармак шлюздарын жана булут инфраструктураларын бири-бирине туташтырат. Бул туташуу өндүрүш жана башкаруу процесстерин көбүрөөк көрүнүктүү жана автоматташкан кылып, ошол эле учурда чабуул бетин да кеңейтет.
Сереп баса белгилеген негизги айырма: классикалык маалымат технологиясы чөйрөлөрүндө купуялуулук артыкчылыктуу болушу мүмкүн, бирок операциялык технология (Operational Technology, OT) чөйрөлөрүндө жеткиликтүүлүк, бүтүндүк жана физикалык процесс коопсуздугу критикалык мааниге ээ болот. Туура эмес коопсуздук чечими компьютер кызматын гана токтотпошу мүмкүн; өндүрүш линиясынын токтошуна, башкаруу буйруктарынын өзгөрүшүнө же коопсуздук механизмдеринин иштешине таасир тийгизиши мүмкүн. Ошондуктан IIoT чабуулду аныктоо системасы жогорку тактыкты гана эмес, төмөн жалган сигнал көрсөткүчүн, кабыл алына турган кечигүүнү жана физикалык процесс менен шайкештикти да камсыз кылышы керек.
Салттуу машиналык үйрөнүү эмне үчүн жетишсиз болушу мүмкүн?
Сереп төрт негизги маселени алдыга чыгарат. Биринчиден, чыныгы өнөр жай чабуулдары салыштырмалуу сейрек болгондуктан, белгиленген чабуул үлгүсү аз. Экинчиден, нормалдуу трафик айрым учурларда чабуул трафигинен 1000:1ден ашкан катыштарда көп болушу мүмкүн; мындай класс теңсиздиги жалпы тактыгы жогору көрүнгөн, бирок сейрек чабуулдарды өткөрүп жиберген моделдерди жаратышы мүмкүн. Үчүнчүдөн, чабуул ыкмалары жана нормалдуу иштөө жүрүм-туруму убакыт өткөн сайын өзгөрөт. Төртүнчүдөн, күчтүү терең үйрөнүү моделдеринин эс тутум жана эсептөө талаптары өнөр жай edge түзмөктөрүнүн мүмкүнчүлүгүнөн ашып кетиши мүмкүн.
Генеративдик жасалма интеллекттин изилдөөдөгү ролу дал ушул жерде пайда болот: чабуул үлгүлөрүн өндүрүү, нормалдуу жүрүм-турум бөлүштүрүлүшүн моделдөө, белгисиз үлгүлөрдү аномалия катары аныктоо жана узун трафик тизмектериндеги контекстти талдоо.
Төрт генеративдик жасалма интеллект парадигмасы эмне кылат?
| Парадигма | IIoT коопсуздугундагы негизги ролу | Алдыңкы артыкчылык | Негизги чектөө |
|---|---|---|---|
| GAN | Азчылык чабуул класстары үчүн синтетикалык маалымат өндүрүү, маалымат теңдөө жана атаандаштык коопсуздук тести | Сейрек чабуул үлгүлөрүн көбөйтө алуу | Mode collapse жана окутуунун туруксуздугу; жогорку эсептөө талабы |
| Transformer | Узак убакыт аралыктарына жайылган трафик жана чабуул тизмектерин моделдөө | Алыскы көз карандылыктарды жана көп этаптуу чабуулдарды кармоо | Жогорку эс тутум жана эсептөө чыгымы; self-attention татаалдыгы |
| Диффузия модели | Синтетикалык чабуул өндүрүү жана кайра курууга негизделген аномалия талдоосу | Туруктуу окутуу жана жогорку сапаттагы үлгү өндүрүү; кысылган моделдерде ресурс артыкчылыгы | Көп кадамдуу denoising себебинен жыйынтык чыгаруу кечигүүсү |
| VAE | Нормалдуу жүрүм-турумду ыктымалдык негизде моделдөө жана кайра куруу катасы менен аномалияны аныктоо | Белгиленген чабуул үлгүсүнө азыраак көз карандылык жана белгисиздикти моделдөө | Болжолдуу posterior жыйынтык чыгаруу жана өндүрүлгөн үлгүлөрдүн төмөнүрөөк курчтугу |
Бул салыштыруунун маанилүү жыйынтыгы — “эң жакшы генеративдик жасалма интеллект модели” деген бир гана жооп жок. Модель тандоо чабуулдун түзүлүшүнө, маалымат көлөмүнө, колдонууга боло турган аппаратка, кечигүү бюджетине жана маалымат купуялуулугу талаптарына жараша өзгөрөт.
GAN-дар класс теңсиздигин кантип карайт?
GAN архитектурасы бир генератор (generator) менен бир айырмалоочунун (discriminator) атаандаштыгына таянат. Генератор чыныгы чабуул трафигине окшош синтетикалык үлгүлөрдү түзүүгө, айырмалоочу болсо чыныгы жана синтетикалык үлгүлөрдү ажыратууга аракет кылат. Каралган коопсуздук колдонмолорунда CGAN, WGAN, BiGAN, DCGAN, AC-GAN жана SAGAN сыяктуу варианттар колдонулган.
IIoT жагынан эң маанилүү колдонуу — сейрек чабуул класстарын синтетикалык үлгүлөр менен күчөтүү. Бирок синтетикалык маалымат автоматтык түрдө “реалдуу” деп кабыл алынбайт. GAN окутуу маалыматында көрсөтүлгөн бөлүштүрүлүштөрдү гана үйрөнө алат; жетишсиз же бир өңчөй чабуул үлгүлөрүнөн өндүрүлгөн синтетикалык трафик классификатордун чыныгы дүйнөдөгү ийгилигин арттыруунун ордуна адаштырышы мүмкүн. Ошондуктан изилдөө генеративдик маалымат көбөйтүүнүн көз карандысыз тест топтомдорунда текшерилишинин маанисин баса белгилейт.
Transformer-лер эмне үчүн APT жана көп этаптуу чабуулдар үчүн кызыгуу жаратат?
Transformer архитектураларындагы self-attention механизми трафик тизмегинин ар башка бөлүктөрүнүн ортосундагы байланыштарды бир эле модель ичинде баалай алат. Бул өзгөчөлүк бир пакеттин же кыска убакыт терезесинин ичинде даана көрүнбөгөн; чалгындоо, кирүү, каптал кыймыл жана таасир сыяктуу этаптарга жайылган чабуул тизмектерин изилдөө жагынан маанилүү.
Серепте BERT негизиндеги, GPT негизиндеги, Vision Transformer жана federated Transformer түрлөрү каралат. Бирок attention операциясынын тизмек узундугуна байланыштуу жогорку эсептөө чыгымы Transformer-лерди түздөн-түз PLC жана ушуга окшогон аз ресурстуу түзмөктөргө жайгаштырууну кыйындатат. Каралган практикалык алкактарда ошондуктан Transformer-лер көбүнчө борбордук булут же коопсуздук катмарларында жайгаштырылат.
Диффузия моделдеринде denoising эмнени билдирет?
Диффузия моделдери маалыматты алдыга процесс ичинде этап-этабы менен ызы-чууга айландырат; үйрөнүлгөн тескери процесс болсо ушул ызы-чуулуу көрсөтүлүштөн маалымат түзүлүшүн кайра курууга аракет кылат. Изилдөөдө берилген негизги окутуу максаты мындай:
\[ \min_{\theta}\mathbb{E}\left[\left\|\epsilon-\epsilon_{\theta}(x_t,t)\right\|^2\right] \]
Бул жерде \(\epsilon\) үлгүгө кошулган чыныгы ызы-чууну, \(\epsilon_{\theta}(x_t,t)\) моделдин \(t\) кадамындагы ызы-чуу болжолун, \(\theta\) болсо үйрөнүлгөн модель параметрлерин билдирет. Максат — чыныгы ызы-чуу менен модель тарабынан болжолдонгон ызы-чуунун ортосундагы квадраттык айырманы кичирейтүү. Изилдөөнүн Фигура 6сы алдыга Markov чынжыры менен баштапкы маалыматтан ызы-чууга өтүүнү жана тескери чынжыр менен кайра курууну бирге көрсөтөт.
Диффузия ыкмасынын артыкчылыгы GAN-дардагы mode collapse көйгөйүнө каршы туруктуураак окутуу механизмин сунуш кыла алышында. Кемчилиги болсо тескери denoising операциясы көп сандагы кадам талап кылышы мүмкүн жана бул жыйынтык чыгаруу кечигүүсүн көбөйтөт.
VAE-лер белгисиз чабуулдарды кантип кармоого аракет кылат?
Вариациялык автокоддоочулар (Variational Autoencoders, VAE) нормалдуу трафикти бир гана туруктуу код менен эмес, ыктымалдык негиздеги жашыруун мейкиндик бөлүштүрүлүшү менен көрсөтөт. Encoder кирүү маалыматтарын жашыруун бөлүштүрүлүш параметрлерине айлантат; decoder ушул жашыруун үлгүдөн кирүүнү кайра түзүүгө аракет кылат. Нормалдуу жүрүм-турумда окутулган VAE чабуул же адаттан тыш трафик алдында кайра куруу катасынын өсүшү аномалия белгиси катары колдонулушу мүмкүн.
Бул ыкма өзгөчө көп санда белгиленген чабуул үлгүлөрү жок учурларда баалуу. Ошентсе да “модель мурда көрбөгөн бардык нерсе чабуул” деген жыйынтык чыгарууга болбойт. Өндүрүш планындагы өзгөрүү, жаңы түзмөк кошулушу, firmware жаңыртуусу же тейлөө режими сыяктуу мыйзамдуу операциялык өзгөрүүлөр да нормалдуу маалымат бөлүштүрүлүшүн жылдырышы мүмкүн.
Concept drift эмне үчүн IIoT үчүн критикалык?
Изилдөө concept drift маселесин өнөр жай IDS үчүн борбордук көйгөй катары карайт. Заводдун түнкү жана күндүзгү иш тартиби, тейлөө мезгилдери, жаңы өндүрүш рецепттери, түзмөк алмашуулары, firmware жаңыртуулары же тармак топологиясынын өзгөрүүлөрү убакыт ичинде “нормалдуу” деп кабыл алынган трафик бөлүштүрүлүшүн өзгөртүшү мүмкүн.
Статикалык модель бул өзгөрүүлөрдү чабуул катары белгилеши мүмкүн же үзгүлтүксүз кайра окутулганда мурдагы чабуул билимин унутушу мүмкүн. Ошондуктан сереп drift аныктоо, drift себебин белгилөө, коопсуз модель ыңгайлашуусу жана ыңгайлашуудан кийинки текшерүүнү бир үзгүлтүксүз үйрөнүү чынжыры ичинде кароону келечектеги негизги изилдөө багыттарынын бири катары көрсөтөт.
Өнөр жай протоколдору эмне үчүн өзүнчө моделдениши керек?
Серепте Modbus TCP, MQTT, CoAP жана OPC UA башта болуп, өнөр жай байланыш протоколдорунун ар башка коопсуздук өзгөчөлүктөрүнө ээ экени баса белгиленет. Ошондуктан пакет статистикасына гана караган жалпы IDS протоколдун маанисин бузган, бирок формалдуу түрдө жарактуу көрүнгөн буйруктарды өткөрүп жибериши мүмкүн.
Изилдөөнүн ыкмасына ылайык, протоколду түшүнгөн моделдер билдирүү тартибин, функция коддорун, нормалдуу буйрук-жооп байланыштарын жана процесс контекстин да эске алышы керек. Бирок каралган маалымат топтомдорунда чыныгы OT протоколдорунун көрсөтүлүшү чектелүү болгондуктан, протокол негизиндеги артыкчылык дооматтарынын маанилүү бөлүгү азырынча толук текшерилбей калууда.
Изилдөө колдогон жана колдобогон жыйынтыктар
Изилдөө колдогон жыйынтык: Генеративдик жасалма интеллект; класс теңсиздиги, синтетикалык маалымат өндүрүү, ыктымалдык негизиндеги аномалия аныктоо жана узак мөөнөттүү чабуул үлгүлөрүн талдоо үчүн пайдалуу куралдарды сунуштайт. Ар башка парадигмалар ар башка коркунуч жана инфраструктура шарттарында артыкчылыктарга ээ. Гибрид жана катмарлуу архитектуралар бир модельге таянган чечимдерге караганда реалдуураак өнөр жай дизайн ыкмасы катары пайда болууда.
Изилдөө колдобогон жыйынтык: Каралган жогорку benchmark тактыктары кандайдыр бир модель чыныгы заводдордо ошол эле ийгиликти көрсөтөрүн далилдебейт. Изилдөө бардык моделдер бир эле маалымат топтомунда жана бир эле аппаратта салыштырылган көзөмөлдүү эксперимент эмес. Ошондуктан %99 тегерегиндеги эки жыйынтыкты сандарына гана карап бири-биринен артык деп жарыялоого болбойт. Сереп ошондой эле генеративдик жасалма интеллект жалгыз өзү салттуу коопсуздук көзөмөлдөрүнүн же defense-in-depth архитектурасынын ордун басышын сунуштабайт.
Türkiye жагынан бул эмнени билдирет?
Изилдөө Türkiyeге мүнөздүү өнөр жай объект маалыматын колдонбойт жана Türkiyedеги заводдор үчүн түздөн-түз performans жыйынтыгын бербейт. Ошондуктан билдирилген тактыктарды Türkiyedеги бир өндүрүш объектисине түз өткөрүү туура болбойт. Жергиликтүү колдонууда пайдаланылган PLC/SCADA аппараты, өнөр жай протоколдору, тармак топологиясы, нормалдуу өндүрүш жүрүм-туруму, чабуул класстарынын бөлүштүрүлүшү жана колдонууга мүмкүн болгон эсептөө инфраструктурасы боюнча кайра текшерүү керек. Изилдөөдөн Türkiye үчүн чыгарууга мүмкүн болгон эң коопсуз жыйынтык — модель тандоо лабораториялык тактыкка гана эмес, чыныгы объекттин OT архитектурасына жана кечигүү талабына жараша жасалышы керек.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Системалуу сереп кантип жүргүзүлдү?
Изилдөө PRISMA 2020 принциптеринен ыңгайлаштырылган түзүмдүү системалуу кароо ыкмасын колдонгон. Издөөлөр IEEE Xplore, ACM Digital Library, Springer, ScienceDirect жана arXiv базаларында жүргүзүлүп, Январь 2019-Декабрь 2025 мезгилиндеги жарыялар бутага алынган. Издөө суроолору үч түшүнүк тобун бириктирген: генеративдик жасалма интеллект техникалары; intrusion/anomaly/threat detection жана cybersecurity түшүнүктөрү; IIoT, SCADA, ICS, OT жана cyber-physical system түшүнүктөрү.
Маалымат базасын издөөдө алдыга цитата көзөмөлдөө, артка карай булак издөө жана белгилүү коопсуздук конференцияларынын тиешелүү иштерин кол менен кароо да кошулган. Сереп Open Science Framework платформасында катталган болгону менен, изилдөөчүлөр иш башталганга чейин расмий протокол даярдабаганын ачык белгилешкен.
| Булак | Баштапкы жазуу |
|---|---|
| IEEE Xplore | 145 |
| ACM Digital Library | 87 |
| Springer | 58 |
| ScienceDirect | 32 |
| arXiv | 20 |
| Жалпы | 342 |
Verianla Live: 342 жазуудан 42 изилдөөгө системалуу тандоо
Бул процесс изилдөөнүн PRISMA тандоо агымындагы чыныгы сандарды көрсөтөт. Этаптар изилдөөчүлөр билдирген тартипте сакталган; булакта жок элегич баскычы арасына кошулган эмес.
| Этап | Түшүндүрмө | Булак |
|---|---|---|
| 1. Аныктоо | Беш маалымат базасында жалпы 342 жазуу аныкталды. | Фигура 2 / Бөлүм 1.2.3 |
| 2. Аталыш жана кыскача мазмун скрининги | 342 жазуу скринингден өттү; 172 жазуу чыгарылып, 170 изилдөө толук тексттик баалоого талапкер болуп калды. | Фигура 2 / Бөлүм 1.2.3 |
| 3. Толук текст ылайыктуулук баалоосу | 170 изилдөөдөн 43ү чыгарылды; 127 изилдөө сапат баалоосуна өттү. | Фигура 2 / Бөлүм 1.2.3 |
| 4. Сапат баалоосу жана акыркы тандоо | 127 изилдөөдөн 85и чыгарылды; системалуу синтезге 42 изилдөө киргизилди. | Фигура 2 / Бөлүм 1.2.3 |
Verianla Live: Визуалдаштыруу бул макаладагы көрүнгөн илимий маалымат таблицасынан браузерде түзүлөт. Таблица илимий source-of-truth катары сакталат.
Тандоо жана сапат баалоосунун чеги
Аталыш/кыскача мазмун, толук текст жана сапат этаптарындагы скрининг башкы автор тарабынан, улук автордун көзөмөлү астында жүргүзүлгөн. Изилдөөчүлөр PRISMA көз карандысыз эки баалоочулуу скринингди сунуш кыларын, бирок ресурс чектөөлөрү себебинен бир баалоочу жана кеңешчи көзөмөлү ыкмасын колдонушканын билдирет.
Сапат баалоосунда стандартташтырылган сандык балл берүүчү курал колдонулган эмес. Изилдөөлөр benchmark маалымат топтомун колдонуу, baseline салыштыруусу, эксперимент протоколунун ачыктыгы, статистикалык жарактуулук, кайра өндүрүлүү көрсөткүчтөрү жана өнөр жайда колдонууга жарамдуулук сыяктуу критерийлер менен баяндоо түрүндө бааланган. Далилдин аныктыгы да расмий GRADE сыяктуу системанын ордуна ырааттуулук, bias коркунучу, IIoTге түздөн-түз тиешелүүлүк жана статистикалык сезгичтик негизинде баяндоо түрүндө классификацияланган.
Каралган тогуз колдонмо алкагы
Сереп тогуз алкакты кеңири талдайт: DRL-GAN, EO-WGAN, Diff-IDS, AE-AnoWGAN, FedGenID, Transformer-GAN, Transformer-GAN-AE, SAPGAN жана HMFFGAN. Булар бир эле эксперименттин тогуз бутагы эмес; ар башка изилдөөлөрдүн, ар башка маалымат топтомдорунун жана ар башка аппараттык шарттардын жыйынтыктары.
| Алкак / маалымат топтому | Булакта билдирилген негизги жыйынтык | Чечмелөө чеги |
|---|---|---|
| DRL-GAN — DS2OS | Тактык %99,05; precision %99,17; F1 %99,09 | Өтө теңсиз DS2OS контекстиндеги жыйынтык; жогорку эсептөө талабы билдирилген. |
| Transformer-GAN — CIC-IoT-2023 | Тактык %99,67; F1 %99,61; AUC %99,80 | Башка маалымат топтомдорунда алынган моделдер менен түз рейтинг жасоого болбойт. |
| Transformer-GAN — TON_IoT | Тактык %98,84; F1 %98,79; AUC %99,12 | TON_IoT маалымат бөлүштүрүлүшүнө жана эксперимент протоколуна байланыштуу. |
| Transformer-GAN-AE — WUSTL-IIoT-2021 | Тактык %97,86; recall %98,63; AUC %99,18 | Үч компоненттүү архитектура жогорку ресурс жана адистик талап кылат. |
| Transformer-GAN-AE — Edge-IIoTset | Тактык %98,63; recall %98,79; AUC %99,53 | Benchmark жыйынтыгы чыныгы объект текшерүүсү эмес. |
| Transformer-GAN-AE — TON_IoT | Тактык %98,92; recall %99,52; AUC %99,87 | Булак төмөн variance билдирсе да, изилдөөлөр аралык рейтинг чектелүү. |
| Diff-IDS — CIC-IDS2017 | Тактык %99,93 | Изилдөө ошондой эле модель боюнча 76× өлчөм кичирейишин билдирет; benchmark өнөр жай талаа тести эмес. |
| Diff-IDS — KDD99 | Тактык %99,97 | KDD99 заманбап IIoT операциясынын түз өкүлү эмес. |
| Diff-IDS — NSL-KDD | Тактык %99,84 | Өнөр жай протоколдорунун көп түрдүүлүгүн чектелүү көрсөтөт. |
| FedGenID — Real-TestSet | DP жок %92,72; дифференциалдык купуялуулук менен %92,47 | Булакта бул эки маани арасында 0,25 пайыздык пункт тактык чыгымы көрүнөт. |
| FedGenID — Augmented-TestSet | DP жок %92,17; DP менен %92,17 | Булак баянындагы “14 пайыздык пункт” деген сөз таблица маанилери менен арифметикалык жактан шайкеш келбейт. |
Бул таблица эң жогорку санды “жеңүүчү модель” катары көрсөтүү үчүн эмес, сереп кайсы жыйынтыктарды кайсы маалымат топтомдорунун контекстинде бергенин көрүнүктүү кылуу үчүн даярдалган.
Performans артындагы негизги табылга: тактык сыяктуу эле жайгаштыруу катмары да маанилүү
Серептин архитектуралык талдоосу тогуз алкактын алтысы негизинен борбордук булут инфраструктурасына муктаж экенин билдирет. Diff-IDS Edge/Processing катмарына багытталган кысылган вариант катары, FedGenID болсо edge жана cloud катмарларын бириктирген federated түзүлүш катары айырмаланат. Transformer-GAN жана Transformer-GAN-AE сыяктуу моделдер жогорку эсептөө инфраструктурасын талап кылат.
| Жайгаштыруу талабы | Изилдөө алдыга чыгарган ыкма | Негизги негиздеме |
|---|---|---|
| Edge үстүндө автономдуу аныктоо | Diff-IDS | 76× модель кысуу жана жергиликтүү иштөө потенциалы |
| Максималдуу benchmark performans / критикалык инфраструктура | Transformer-GAN-AE | Төмөн билдирилген variance жана жогорку AUC; бирок жогорку аппараттык чыгым |
| Өтө класс теңсиздиги | EO-WGAN | SMOTE + WGAN менен эки этаптуу үлгү көбөйтүү |
| Көп этаптуу APT | Transformer-GAN / Transformer-GAN-AE | Узак мөөнөттүү убакыт байланыштарын моделдөө |
| Zero-day / белгиленбеген аномалия | AE-AnoWGAN же VAE негизиндеги ыкмалар | Кайра куруу жана нормалдуу жүрүм-турум моделдөө |
| Көп объекттүү, маалымат купуялуулугу чектелген чөйрө | FedGenID | Чийки маалыматты борборлоштурбастан federated learning |
| <10 ms реалдуу убакыттагы башкаруу | Каралган GenAI алкактарынын эч бири | Изилдөөнүн акыркы чечим дарагы бул деңгээлде классикалык/эреже негизиндеги биринчи коргонууну сунуштайт. |
Эң күчтүү методологиялык эскертүү: %99 тактык чыныгы завод кепилдиги эмес
Серептин өзүнүн салыштырма талдоосуна ылайык маалымат топтомунун гетерогендүүлүгү, ар башка train/test бөлүштүрүүлөрү, ар башка preprocessing ыкмалары, ар башка baseline моделдер жана ар башка аппараттар түз салыштырууну чектейт. Бир эле архитектура ар башка эксперимент протоколдорунда бир нече пайыздык пунктка өзгөрүшү мүмкүн болгондуктан, изилдөөлөр аралык performans айырмаларын абсолюттук лига таблицасына айлантпоо керек.
Тогуз кеңири алкактын үчөө гана формалдуу статистикалык маанилүүлүк баалоосун билдиргени айтылат. Transformer-GAN-AE үчүн өтө төмөн variance маанилери отчеттолсо да, бардык моделдер бирдей шарттарда салыштырылбагандыктан, серептин жалпы далил аныктыгы түз модель рейтингдеринде төмөн; Transformer-лердин убакыттык моделдөө артыкчылыгында орто; GAN негизиндеги маалымат көбөйтүүнүн теңсиз маалыматтагы пайдасында болсо жогорураак деп чечмеленет.
Маалымат топтомдору эмне үчүн критикалык?
Сереп Edge-IIoTset, CIC-IoT-2023, TON_IoT, WUSTL-EHMS, DS2OS, NSL-KDD, SWaT жана WADI сыяктуу маалымат топтомдорун талкуулайт. Изилдөөнүн маанилүү аныктоолорунун бири — чыныгы өнөр жай протокол трафиги benchmark адабиятында жетишсиз көрсөтүлгөнү. Айрыкча WUSTL-EHMS чыныгы Modbus TCP трафиги жагынан алдыга чыгарылса, айрым кеңири benchmarkтар керектөөчү IoTсине же салттуу BT тармактарына жакыныраак экени белгиленет.
Көзөмөлдүү лаборатория маалымат топтомдору чыныгы заводдун нөөмөт алмашууларын, жабдуунун эскиришин, тейлөө аракеттерин, көп айлык concept driftти, гетерогендик эски түзмөктөрдү жана өнүккөн чабуулчулардын узак мөөнөттүү жүрүм-турумун толук көрсөтө албашы мүмкүн. Ошондуктан изилдөөчүлөр келечектеги баалоолор үчүн көп маалымат топтому менен текшерүү, протокол-контекст шайкештиги, убакыттык ырааттуулук, реалдуу класс теңсиздиги жана көп random seed менен ишеним аралыгын отчеттоону сунуш кылат.
Келечекте чечилиши керек болгон негизги маселелер
Изилдөөнүн келечекке багытталган изилдөө күн тартиби жаңы модель иштеп чыгуу менен гана чектелбейт. Эсептөө жана эс тутум керектөөсүн азайтуу, чыныгы OT маалыматына жетүү, синтетикалык маалыматтын статистикалык ишенимдүүлүгү, adversarial манипуляцияга туруктуулук, реалдуу убакыттагы drift аныктоо, benign drift менен чабуулдан келип чыккан бөлүштүрүлүш жылышын ажыратуу, catastrophic forgetting болбостон continual learning, коопсуз жана нөл-үзгүлтүктүү модель жаңыртуулары, түшүндүрүлүмдүүлүк жана өнөр жай стандарттары менен шайкештик бирге чечилиши керек болгон маселелер.
Булак жана Ыкма Жөнүндө Эскертүү
Толук түпнуска изилдөө аталышы: Generative AI-Driven Intrusion Detection Systems for the Industrial Internet of Things: A Systematic Review
Авторлор: Mohammed Houache; Djallel Eddine Boubiche; Homero Toral-Cruz; Rafael Martínez-Peláez; Rafael Sanchez-Lara.
Тең салым/тең биринчи автор: Булакта мындай билдирүү жок.
Жооптуу авторлор: Djallel Eddine Boubiche жана Homero Toral-Cruz.
Мекемелер: LEREESI Laboratory, Higher National School of Renewable Energies, Environment & Sustainable Development (HNS-RE2SD), Batna, Cezayir; Departamento de Ingeniería y Tecnología, Universidad Autónoma del Estado de Quintana Roo, Chetumal, Meksika; Unidad Académica de Computación, Universidad Politécnica de Sinaloa, Mazatlán, Meksika; Departamento de Ingeniería de Sistemas y Computación, Universidad Católica del Norte, Antofagasta, Şili; Facultad de Ingeniería y Arquitectura, Universidad Autónoma del Carmen, Ciudad del Carmen, Meksika.
Булак түрү: Системалуу сереп.
Рецензия абалы: Рецензияланган журнал жарыясы.
Журнал: AI.
Басма: MDPI, Basel, İsviçre.
Библиографиялык жазуу: AI, 2026, Cilt 7, Sayı 5, Makale 179.
DOI: 10.3390/ai7050179.
Кабыл алынуу / ревизия / кабыл алуу / жарыя: 8 Январь 2026 / 27 Февраль 2026 / 9 Март 2026 / 21 Mayıs 2026.
Расмий жарыя шилтемеси: DOI 10.3390/ai7050179 аркылуу MDPIнин расмий макала жазуусу.
Лицензия: Creative Commons Attribution (CC BY); автордук укук © 2026 авторлорго таандык.
Системалуу кароо жазуусу: Open Science Framework, DOI 10.17605/OSF.IO/TWZM6. Изилдөө башталганга чейин расмий кароо протоколу даярдалбаганы жана методология PRISMA 2020 багытында итеративдүү түрдө өнүктүрүлгөнү авторлор тарабынан билдирилет.
Каржылоо: Изилдөө тышкы каржылоо алган эмес.
Маалымат жеткиликтүүлүгү: Серепте бааланган benchmark маалымат топтомдору коомчулукка ачык жана изилдөөдө/Supplementary Table S0-Bде булактары көрсөтүлгөн.
Кызыкчылыктар кагылышы: Авторлор кызыкчылыктар кагылышын билдирген эмес.
Автордук салымдар: Mohammed Houache концептуалдаштырууга, маалымат топтоого, биринчи долбоорго жана фигура дизайнына салым кошкон. Djallel Eddine Boubiche мазмун жана түзүм көзөмөлүн жүргүзүп, биринчи долбоорго салым берген. Djallel Eddine Boubiche, Homero Toral-Cruz, Rafael Martínez-Peláez жана Rafael Sanchez-Lara редакциялоо жана ревизияларга салым кошкон. Бардык авторлор жарыяланган версияны окуп, бекиткени билдирилет.
Булак ичиндеги ырааттуулук эскертүүлөрү
Булакта айрым редакциялык жана сандык шайкешсиздиктер бар жана алар унчукпай оңдолгон эмес. Изилдөө тогуз кеңири колдонмо алкагын санап жатканда 4.2.10до бир жерде “сегиз алкак” деген сөз колдонулат. FedGenID үчүн ошол эле графикте берилген %92,17 жана %35,27 маанилеринин айырмасы 56,90 пайыздык пункт болгонуна карабастан, түшүндүрмө текстте “14 пайыздык пункт” деп айтылат. Ошондой эле мурдагы бир салыштыруу бөлүмүндөгү <10 ms диффузия модели сөзү кийинки 100–500 ms диффузия кечигүүсү баалоосу жана <10 ms үчүн каралган GenAI алкактарынын эч бири ылайыктуу эмес деген акыркы чечим эрежеси менен шайкеш келбейт. Бул макалада кечигүү маселесинде изилдөөнүн кеңири жайгаштыруу баалоосу жана акыркы чечим дарагы негиз алынган; карама-каршылык ачык сакталган.
Фигура 2нин түшүндүрмөсүндө акыркы 42 изилдөө сегиз системалуу сереп жана 34 эмпирикалык изилдөөдөн турганы айтылса, 1.2.4 бөлүмүндө “primary study” термининин аныктамасы түздөн-түз генеративдик жасалма интеллект техникасын сунуш кылган же эмпирикалык баалаган изилдөөлөр катары берилет. Ошондуктан 42 “primary study” сөзүнүн ички классификациясы терминологиялык жактан толук ырааттуу эмес.
Негизги методологиялык чектөө
Бул изилдөө жаңы IDS модели боюнча бирдиктүү, көзөмөлдүү эксперимент жүргүзгөн эмес; ар башка изилдөөлөрдүн жыйынтыктарын системалуу түрдө синтездейт. Маалымат топтомдору, чабуул бөлүштүрүлүштөрү, алдын ала иштетүү кадамдары, train/test бөлүштүрүүлөрү, аппарат, метрика эсептөө формалары жана статистикалык отчет стандарттары изилдөөлөр арасында ар башка. Ошондуктан серептеги performans сандары контекстинен ажыратылып, так модель рейтинги түзүү үчүн колдонулбашы керек.
Каралган алкактардын чоң бөлүгү benchmark же көзөмөлдүү тест чөйрөлөрүндө бааланган. Операциялык заводдордо, узак мөөнөттүү concept drift шартында, эски OT аппараттары менен жана чыныгы өнүккөн чабуулчуларга каршы кеңири текшерүүнүн жоктугу серептин эң маанилүү колдонуу чектеринин бири. Илимий мазмун жүктөлгөн изилдөөгө таянат; тышкы булактардан жаңы эксперименттик жыйынтык же механизм кошулбайт.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген