Методи адаптивної еволюції довіри у федеративному навчанні для кіберзахисту енергетичних мікромереж
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Шибаєв Г. Д. Методи адаптивної еволюції довіри у федеративному навчанні для кіберзахисту енергетичних мікромереж. – Кваліфікаційна праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії з галузі знань 12 – Інформаційні технології за спеціальністю 125 – Кібербезпека. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026.
Сучасні енергетичні системи стрімко трансформуються під впливом цифровізації, децентралізації генерації, широкого впровадження відновлюваних джерел енергії, накопичувачів енергії, інтелектуальних лічильників, сенсорних мереж та локальних систем керування. Внаслідок цього класичні централізовані електроенергетичні мережі поступово еволюціонують у напрямі розподілених мікромереж, у яких значна частина функцій моніторингу, аналізу, балансування та керування реалізується на рівні локальних вузлів. Така трансформація підвищує гнучкість, автономність і ефективність енергетичних систем, проте водночас суттєво ускладнює задачі забезпечення їхньої кібербезпеки. Особливістю сучасної мікромережі є те, що вона являє собою кіберфізичну систему, у якій цифрові, комунікаційні та обчислювальні компоненти безпосередньо впливають на фізичний стан об’єкта. Внаслідок цього інформаційні атаки можуть трансформуватися у кіберфізичні впливи, що порушують режими генерації, споживання, балансування потужності, стабільність частоти та напруги, а також загальну надійність функціонування мікромережі. У таких умовах особливої актуальності набуває задача своєчасного виявлення аномалій у часових рядах енергетичних параметрів. Аномалії можуть бути пов’язані з технічними відмовами, деградацією сенсорів, локальними збоями обладнання, зміною режиму роботи розподілених енергетичних ресурсів, введення неправдивих даних, спотворенням телеметрії, компрометацією контролерів або іншими видами кіберфізичних інцидентів. Методи машинного навчання є перспективним інструментом для розв’язання цієї задачі, оскільки вони дозволяють виявляти складні нелінійні закономірності, часові залежності та приховані відхилення, які важко формалізувати за допомогою жорстких аналітичних правил. Разом з тим централізований підхід до побудови моделей на основі збирання всіх локальних даних у єдиному центрі має істотні обмеження, пов’язані з конфіденційністю, автономністю вузлів, обмеженнями на передачу даних, масштабованістю та вимогами до стійкості розподіленої інфраструктури. У зв’язку з цим федеративне навчання розглядається як перспективна парадигма побудови моделей для розподілених енергетичних систем. Воно дозволяє виконувати колективне навчання глобальної моделі без передавання сирих локальних даних на центральний сервер, використовуючи лише модельні параметри або оновлення. Однак порівняльний аналіз сучасних підходів до федеративного навчання засвідчив, що класичні методи, зокрема FedAvg, не в повній мірі враховують специфіку мікромереж як розподілених кіберфізичних систем. Зокрема, ними недостатньо враховуються статистична неоднорідність локальних даних, різна роль вузлів у системі, часткова участь клієнтів у раундах навчання, можливість концептуального дрейфу, наявність шкідливих або ненадійних клієнтів, а також ризик отруєння і backdoor-атак. Це призводить до втрати стійкості глобальної моделі, зниження точності виявлення аномалій і послаблення кіберзахисту системи в цілому. Дисертаційну роботу присвячено розробці моделей і методів довірчо-орієнтованого федеративного навчання для виявлення аномалій у мікромережах, які дозволяють враховувати поведінкову надійність вузлів, адаптивно зменшувати вплив ненадійних клієнтів на глобальну модель та підвищувати стійкість розподіленого навчання до атак і дрейфу. Порівняльний аналіз сучасних підходів до виявлення аномалій у часових рядах енергетичних параметрів, методів федеративного навчання та довірливих механізмів у розподілених системах засвідчив, що існуючі рішення або орієнтовані переважно на централізоване навчання, або не враховують повною мірою поведінкову неоднорідність вузлів у мікромережі. Установлено, що для задач кібербезпеки енергетичних систем недостатньо просто виконувати федеративне усереднення модельних оновлень. Необхідно враховувати, що локальний клієнт може бути не лише джерелом корисної інформації, а й потенційним джерелом нестабільності, шкідливого впливу або статистичного дрейфу. За результатами дослідження сучасних мікромереж як кіберфізичних систем установлено, що локальні вузли мають природно неоднорідні часові ряди, які відображають різні режими генерації, споживання, накопичення енергії та керування навантаженням. Така неоднорідність не є аномальною сама по собі, однак вона істотно ускладнює виявлення справді шкідливих або ненадійних клієнтів у процесі федеративного навчання. Установлено, що в умовах мікромереж довіра до вузла має оцінюватися не як статична бінарна властивість, а як динамічний показник, що формується на основі історії поведінки клієнта, узгодженості його локальних оновлень, впливу на глобальну якість моделі, локальної аномальності та стабільності участі у федеративних раундах. У дисертації проведено аналіз моделей довіри в розподілених інформаційних системах. Розглянуто порогові, репутаційні, байєсівські, доказові та поведінкові підходи до моделювання довіри. Встановлено, що для задач федеративного навчання в мікромережах найбільш доцільним є використання гібридної байєсівсько-поведінкової моделі довіри. Такий підхід дозволяє, з одного боку, накопичувати позитивні та негативні свідчення про поведінку вузла в часі, а з іншого - враховувати поточні особливості його внеску в глобальне навчання. Це особливо важливо в умовах, коли вузол може бути не повністю шкідливим, а лише тимчасово ненадійним через дрифт, деградацію сенсорів або зміну локального режиму. У роботі досліджено методи виявлення аномалій у часових рядах енергетичних параметрів мікромереж. Показано, що для таких задач прості статистичні та порогові методи є недостатніми, оскільки не враховують багатовимірність, часову залежність, нестаціонарність і режимну природу енергетичних процесів. Обґрунтовано доцільність використання LSTM-орієнтованих моделей як базового інструменту локального виявлення аномалій, оскільки вони здатні ефективно моделювати часову структуру сигналів, нелінійні залежності між послідовними станами системи та приховані патерни нормальної поведінки. Здійснено формалізацію локальної задачі виявлення аномалій для вузла мікромережі у вигляді аналізу багатовимірного часового ряду енергетичних параметрів. Показано, що локальна модель може будувати прогноз наступного стану або реконструювати віконний фрагмент нормальної часової послідовності, а величина прогнозування або помилка реконструкції використовується як локальний оцінка аномалії. Важливо, що в межах запропонованого підходу локальна оцінка аномалій використовується не лише для виявлення відхилень у самому вузлі, а й як один із поведінкових сигналів для оцінювання довіри до клієнта в контурі федеративного навчання. У ході дисертаційного дослідження розроблено механізм довірчо-зваженої агрегації параметрів моделей у федеративному навчанні. На відміну від класичного FedAvg, де вага клієнта визначається переважно обсягом його локального набору даних, у запропонованому методі вага модифікується поточним значенням рейтинг довіри. Це дозволяє адаптивно зменшувати вплив вузлів, поведінка яких є нестабільною, суперечливою або підозрілою, не виключаючи їх повністю з процесу глобального навчання. Для формування поточної оцінки довіри використано багатофакторний поведінкові докази, до складу якого входять ознаки геометричної узгодженості локального оновленняз глобальним напрямом, впливу оновлення на глобальну валідаційну якість, стабільності участі вузла у федеративних раундах, локальної інтенсивності аномалій, фізичної правдоподібності поведінки вузла та нормового відхилення оновлення. Показано, що жоден окремий критерій не є достатнім у нестаціонарному й неоднорідному енергетичному середовищі, тому саме композиція кількох джерел доказів забезпечує належну якість оцінювання надійності клієнта. У дисертації розроблено байєсівський механізм адаптивного оновлення довіри до вузлів федерації. Для кожного клієнта підтримуються позитивний і негативний параметри довіри, які накопичують відповідні свідчення в часі. Поточне значення рейтингу довіри визначається як відношення накопиченого позитивних доказів до сумарного обсягу позитивних і негативних свідчень. Такий підхід забезпечує плавну еволюцію довіри, стійкість до одиничних флуктуацій, а також можливість поступового відновлення довіри до вузла після стабілізації його поведінки. У роботі запропоновано узагальнений метод довірчо-орієнтованого федеративного навчання для забезпечення кібербезпеки мікромереж. Метод інтегрує локальне LSTM-орієнтоване виявлення аномалій, багатофакторне формування поведінкових доказів, байєсівське оновлення довіри, довірчо-зважену агрегацію глобальної моделі та адаптивне керування участю вузлів у раундах навчання. У такий спосіб класичне федеративне навчання перетворюється зі “сліпого” механізму усереднення локальних оновлень на контекстно-обізнаний механізм розподіленого навчання, у якому враховується надійність джерела модельного внеску. Побудовано експериментальне середовище для апробації запропонованого методу. Експериментальна постановка включає шість вузлів мікромережі, які моделюють фотоелектричні підсистеми, розумний лічильник, вузол накопичення енергії, контролер навантаження та вузол із потенційно ненадійною поведінкою. Як дані використано реальні часові ряди енергетичних параметрів, доповнені синтетично інжектованими сценаріями атак отруєння, сенсорного дрифту та комбінованих порушень. Побудовано порівняння між централізованим підходом, класичним FedAvg і запропонованим методом рейтингу довіри. За результатами експериментальних досліджень установлено, що у нормальному сценарії без атак запропонований метод не погіршує базову якість федеративного навчання та демонструє стабільну збіжність, близьку до централізованого підходу. У сценарії отруєння класичний FedAvg продемонстрував значне зростання глобальної помилки та істотне погіршення якості виявлення аномалій. Натомість довірчо-орієнтований метод зберіг низький рівень MSE і забезпечив значно вищу повноту виявлення аномалій за нижчого рівня хибнопозитивних спрацьовувань. У дрифт сценарії запропонований підхід також показав вищу адаптивність, оскільки поступово знижував вплив ненадійного вузла і не допускав руйнування глобальної моделі. У комбінованому сценарії, що поєднував отруєння і дрифт, метод рейтингу довіри знову продемонстрував найкращі результати за всіма основними метриками. Отримані результати підтвердили, що класичний FedAvg є недостатньо стійким до атакованих і дрейф вузлів у мікромережевому середовищі, тоді як запропонований довірчо-орієнтований підхід забезпечує істотно вищу стійкість. Установлено, що в сценарії отруєння, середньоквадратична помилка для FedAvg зростала до 0,181, тоді як для запропонованого методу вона залишалася на рівні близько 0.102. Показник Recall при цьому зростав з 0,73 до 0,88, а FPR зменшувався з 0,19 до 0,07. У сценарії дрифту довірчо-орієнтований метод також продемонстрував помітну перевагу над класичним усередненням. Додатковий аналіз траєкторій довіри показав, що для чесних і стабільних вузлів рейтинг довіри зберігався на високому рівні або поступово зростав, тоді як для атакованого або дрифт-вузла довіра послідовно знижувалася. Це підтвердило, що механізм адаптивного управління довірою виконує не лише формальну роль у зміні ваги й є інтерпретованим засобом діагностики надійності учасників федерації. Проведений абляційний аналіз підтвердив, що найбільшої ефективності вдається досягти саме при багатофакторному формуванні доказів. Використання тільки одного критерію, наприклад косинусної подібності або посилення валідації, виявилося менш ефективним, ніж поєднання кількох поведінкових сигналів. Це підтверджує теоретичну гіпотезу про необхідність багатокомпонентного оцінювання надійності клієнтів у складному середовищі мікромереж. Метою дисертаційної роботи є розроблення моделей і методів довірчо-орієнтованого федеративного навчання для виявлення аномалій у розподілених мікромережах, що дозволяють підвищити стійкість глобальної моделі до атак отруєння, локального концептуального дрейфу та ненадійної поведінки окремих вузлів. Об’єкт дослідження: кібербезпека та кіберстійкость розподілених енергетичних мікромереж як кіберфізичних систем в умовах динамічних кіберзагроз. Предмет дослідження: методи, моделі та алгоритми довірчо-орієнтованого федеративного навчання для кіберзахисту мікромереж, які забезпечують: виявлення аномалій у даних DER, оцінювання надійності вузлів, стійкість процесу навчання до атак типу отруєння даних/моделей та до дрейфу даних (дрейф датчика/функції), а також адаптивне управління внеском вузлів у глобальну модель. У дисертаційному дослідженні отримані такі наукові результати: - вперше розроблено узагальнений метод довірчо-орієнтованого федеративного навчання для мікромереж, який поєднує локальне виявлення аномалій, багатофакторне оцінювання поведінкової надійності вузлів, байєсівське оновлення довіри та довірчо-зважену агрегацію параметрів моделей; - удосконалено механізм федеративної агрегації для розподілених енергетичних систем шляхом введення зважування з урахуванням довіри, що дозволяє адаптивно зменшувати вплив ненадійних, атакованих або дрифт клієнтів без повного виключення їх із процесу колективного навчання; - удосконалено модель адаптивного оцінювання довіри до вузлів у федеративному середовищі за рахунок використання багатофакторного поведінкових доказів, яке враховує геометрію оновлень, їх вплив на глобальну якість, локальну аномальність, стабільність участі та фізичну правдоподібність поведінки вузла; - дістало подальший розвиток застосування LSTM-орієнтованих моделей виявлення аномалій у часових рядах енергетичних параметрів як складової узагальненого федеративного методу кіберзахисту мікромереж. Практичне значення одержаних результатів полягає в тому, що розроблений метод може бути використаний при створенні захищених систем моніторингу та виявлення аномалій у мікромережах, розподілених енергетичних системах, smart grid-платформах та інших кіберфізичних середовищах, де необхідно поєднати локальність даних, колективне навчання, стійкість до ненадійних вузлів і здатність своєчасно виявляти небезпечні відхилення. Запропоновані моделі та методи можуть бути використані також у навчальному процесі, при підготовці фахівців зі спеціальності 125 «Кібербезпека», а також у подальших наукових дослідженнях у сфері федеративного навчання, довірчо-орієнтованих систем, захисту критичної інфраструктури та безпеки кіберфізичних систем. Результати дисертаційного дослідження використано під час опрацювання технічних рішень у межах робіт, що виконувалися в НН ФТІ КПІ ім. Ігоря Сікорського у 2024–2025 роках відповідно до умов договору № 47/2024 від 07.06.2024 та були пов’язані з дослідженням структури інформаційно-комунікаційної системи КПІ ім. Ігоря Сікорського і розробленням рішень щодо впровадження комплексної системи захисту інформації в підсистемі ІКС, яка забезпечує функціонування вебпорталу університету. Це підтверджується довідкою, наведеною в додатку Б. Наукові положення та методичні напрацювання, отримані в дисертації, були використані при формуванні архітектури розподіленої системи виявлення аномалій і протидії кіберзагрозам. Зокрема, використано довірчо-орієнтовану модель федеративної агрегації, що включає механізми оцінювання довіри вузлів, байєсівське оновлення довіри, марковські переходи станів довіри та довіро-зважену агрегацію локальних оновлень. Застосування зазначених результатів дало змогу сформувати пропозиції щодо підвищення відмовостійкості вузлів ІКС та оптимізації складу додаткових засобів захисту, що підтверджує наукову і практичну цінність одержаних результатів. Основні результати дисертаційної роботи відображено у фахових публікаціях автора та апробовано на наукових конференціях.
Опис
Ключові слова
мікромережа, кібербезпека, федеративне навчання, критична інфраструктура, математичне моделювання, розподілені енергетичні системи, децентралізовані платформи даних, довірчо-орієнтована агрегація, стійкість до атак на моделі машинного навчання, концептуальний дрейф, самовідновлення розподілених інформаційних систем, microgrid, cybersecurity, federated learning, critical infrastructure, mathematical modeling, distributed energy systems, decentralized data platforms, trust-based aggregation, resilience to attacks on machine learning models, conceptual drift, self-healing of distributed information systems
Бібліографічний опис
Шибаєв, Г. Д. Методи адаптивної еволюції довіри у федеративному навчанні для кіберзахисту енергетичних мікромереж : дис. … д-ра філософії : 125 Кібербезпека / Шибаєв Геннадій Дмитрович. – Київ, 2026. – 231 с.