🔬 В ЛЭТИ повысили точность безопасного обучения нейросетей для киберзащиты «Умного гор...
🔬 В ЛЭТИ повысили точность безопасного обучения нейросетей для киберзащиты «Умного города» Исследователи СПбГЭТУ «ЛЭТИ» усовершенствовали алгоритм федеративного обучения нейросетей MFedBN, который позволяет тренировать модели на разрозненных устройствах без передачи персональных данных на центральный сервер. Разработка обеспечивает высокую точность обнаружения киберугроз и мониторинга транспорта, сохраняя конфиденциальность информации. ❓ Почему это важно? «Умный город» объединяет данные с тысяч источников: камер, датчиков, смартфонов. Нейросети эффективно анализируют эти потоки, но традиционное обучение требует сбора «сырых» данных в одном месте — это создаёт риски утечек персональных и служебных сведений. Федеративное обучение решает проблему: данные остаются на устройствах, а на сервер передаются только обновления параметров модели. Алгоритм ЛЭТИ делает этот процесс ещё точнее и стабильнее, что критично для транспортной аналитики и защиты городской инфраструктуры. ❓ Как это работает? Вместо простого усреднения параметров от всех устройств, MFedBN использует градиентный подход с контролируемой скоростью обучения локальных моделей. Это позволяет глобальной модели плавно адаптироваться к разнородным данным (например, показаниям датчиков грузовиков или логам сетевых атак), избегая резких колебаний. Устройства обучаются локально, отправляют на сервер только «веса» нейросети, а центральный узел агрегирует их в улучшенную общую модель — без доступа к исходным данным. ✅ Результаты: • точность классификации поведения коммерческого транспорта — 85% на данных сенсоров грузовых автомобилей; • точность обнаружения киберугроз и сетевых вторжений — 99,98%; • превосходство модифицированного алгоритма MFedBN над базовым FedBN в экспериментах на двух разнородных датасетах; • новая методология генерации реалистичных сценариев распределения данных для тестирования федеративного обучения; • применимость в транспортной отрасли, промышленном IoT, сетевой инфраструктуре и медтехнике. «Полученные результаты могут быть интересны компаниям, которые обучают нейросети для применения в транспортной отрасли, в системах промышленного интернета вещей, в сетевой инфраструктуре, в медтехнике и в других сферах на весьма разнородных данных. Другое перспективное направление – MFedBN позволит создавать более надежные модели обеспечения кибербезопасности, не нарушая требований к приватности данных», — заведующая кафедрой ИС Евгения Сергеевна Новикова. Результаты исследования опубликованы в научном журнале «Sensors». Проект поддержан грантом Российского научного фонда (№ 25-11-20020) и Санкт-Петербургским научным фондом. Разработка реализуется в рамках научно-исследовательской политики программы развития университета «Приоритет-2030». #Сделано_в_ЛЭТИ