Стремительный рост числа гетерогенных IoT-устройств и расширение поверхности атак требуют адаптивных методов обнаружения вторжений, способных анализировать многомерные временные ряды в условиях ограниченных ресурсов периферийных узлов, однако существующие статические системы не учитывают изменчивость среды и уязвимы к состязательным воздействиям. Разработан метод обнаружения киберугроз, основанный на применении генеративно-состязательных моделей и контрастивного обучения для анализа многомерных временных рядов IoT-данных, отличающийся формированием интегральной оценки аномальности временных окон на основе аппроксимации распределения нормального поведения и контрастного обучения устойчивых латентных представлений, обеспечивающий высокую результативность (F1-мера до 0,9999) при малом времени вывода (0,001 мс/окно), и позволяющий выявлять аномальное поведение без опоры на заранее заданные сигнатуры атак в распределенных средах с ограниченными вычислительными ресурсами.
Разработка соответствует Концепции научно-технологического развития Санкт-Петербурга в части создания интеллектуальных систем кибербезопасности для городской инфраструктуры и промышленного Интернета вещей.
Котенко И.В., Саенко И.Б., Липатников В.А., Андреев И.А. Метод динамического обнаружения киберугроз в распределенных системах Интернета вещей на основе генеративных моделей // Прикладная информатика. 2026. Т. 21. № 2. С. 102–118. https://doi.org/10.37791/2687-0649-2026-21-2-102-118