Аномалии временных рядов

Недавние достижения в технологии сбора данных, сопровождаемые постоянно растущим объемом и скоростью потоковой передачи данных, подчеркивают насущную необходимость в аналитике временных рядов. В этой связи обнаружение аномалий временных рядов стало важной деятельностью, влекущей за собой различные приложения в таких областях, как кибербезопасность, финансовые рынки, правоохранительные органы и здравоохранение. В то время как традиционная литература по обнаружению аномалий сосредоточена на статистических мерах, растущее число алгоритмов машинного обучения в последние годы требует структурированной общей характеристики методов исследования для обнаружения аномалий временных рядов. Этот обзор группирует и суммирует существующие решения по обнаружению аномалий в рамках таксономии, ориентированной на процесс, в контексте временных рядов. Помимо предоставления оригинальной категоризации методов обнаружения аномалий, мы также проводим метаанализ литературы и излагаем общие тенденции в исследованиях обнаружения аномалий временных рядов. - Dive into Time-Series Anomaly Detection: A Decade Review

Аномалии гетерогенных данных

Растущая сложность угроз кибербезопасности требует применения передовых методов обнаружения аномалий в разнообразных и гетерогенных источниках данных. Традиционные системы безопасности часто сталкиваются с проблемой изолированных хранилищ данных, высоким уровнем ложных срабатываний и неспособностью адаптироваться к меняющимся угрозам. Обнаружение аномалий стало критически важным подходом к решению этих проблем, поскольку позволяет выявлять отклонения от ожидаемого поведения, которые могут указывать на вредоносную деятельность. В данной статье рассматривается применение методов обнаружения аномалий в гетерогенных данных кибербезопасности, включая журналы сетевого трафика, телеметрию конечных точек, активность пользователей и внешние данные об угрозах. Анализируется роль машинного обучения, глубокого обучения и статистических моделей в обработке и корреляции этих разнообразных наборов данных для выявления угроз с повышенной точностью и скоростью. Обсуждаются такие проблемы, как управление разнообразием данных, масштабируемость и баланс между чувствительностью и специфичностью обнаружения. На основе обзора тематических исследований и последних достижений в статье освещаются успешные примеры применения методов обнаружения аномалий, включая гибридные подходы, сочетающие обучение без учителя с экспертными знаниями в предметной области. Данная работа подчеркивает важность обнаружения аномалий для защиты цифровых экосистем от все более изощренных киберугроз. - Anomaly detection in heterogeneous cybersecurity data

Аномалии временных рядов

Обнаружение аномалий в кибербезопасности промышленных систем критически важно для обеспечения автоматизированного принятия решений. Существующие подходы часто не справляются с обработкой сложных, неизвестных топологических временных рядов, что требует повышения точности обнаружения аномалий. В данной статье представлена новая двухуровневая структура обнаружения аномалий, сочетающая обобщенный лапласиан графа (GGL), вейвлет-разложение (WAVE) и усовершенствованную сверточную нейронную сеть (CNN). На первом уровне предлагаемый метод использует GGL для эффективного выявления аномальных окон в промышленных временных рядах. На втором уровне разрабатывается точный метод обнаружения аномалий для анализа аномальных окон, выявленных GGL, с использованием вейвлет-разложения для извлечения признаков и усовершенствованной CNN для классификации. Эффективность предлагаемого подхода GGL-WAVE-CNN подтверждена на основе реального набора данных, содержащих сетевой трафик SCADA-системы на предприятии в Китае. Экспериментальные результаты демонстрируют истинно положительный процент (TPR) 97,54%, что подтверждает надежность и точность предлагаемого метода при решении сложных задач промышленной кибербезопасности. - An Anomaly Detection Method for Industrial System Cybersecurity Based on GGL-WAVE-CNN

Поиск аномалий

Толковое введение в поиск аномалий (для различных данных)

См. также другие материалы по поиску аномалий

Поиск аномалий

Хороший материал о поиске аномалий

P.S. см. также другие материалы, посвященные поиску аномалий

Поиск аномалий

Полезная книга О'Рейли по поиску аномалий в данных в данных

Классика статистики

1. Толковая статья - Определение аномалий во временных рядах. Хороший пример того, как делать рекламу :)

2. Статистический подход к определению аномалий.

Цифровые двойники в кибербезопасности

Благодаря интеграции технологических достижений во взаимосвязанные системы, цифровые двойники (ЦД) играют всё более важную роль в оптимизации операций, улучшении процесса принятия решений и стимулировании инноваций в различных отраслях, таких как производство, здравоохранение, энергетика и транспорт. Они обладают огромным потенциалом для решения одной из самых быстрорастущих проблем в современном технологическом ландшафте — кибербезопасности. В данной статье представлен комплексный анализ 300 публикаций с использованием смешанного подхода, включающего моделирование BERTopic и тематические исследования, для изучения динамической взаимосвязи между ЦД и кибербезопасностью. Было выявлено пять тем: ЦД в средах Интернета вещей, критическая инфраструктура, энергетические системы, ЦД с ИИ и секторальная эффективность, — которые отражают, как возможности кибербезопасности внедряются в различных отраслях для повышения производительности и устойчивости. Наши результаты включают 13 тематических исследований, иллюстрирующих реальное влияние ЦД на улучшение обнаружения угроз в реальном времени, анализа аномалий и адаптивного реагирования. Примечательно, что, хотя применение цифровых технологий в интеллектуальном производстве и энергетических системах значительно повышает эксплуатационную эффективность и устойчивость, сохраняются проблемы в области интеграции данных, масштабируемости и стандартизации. Основываясь на этих выводах, мы предлагаем перспективную структуру кибербезопасности, призванную объединить междоменные проблемы и решения, описанные в литературе. В отличие от существующих исследований, которые остаются отраслевыми, наша структура направлена на консолидацию общих механизмов кибербезопасности, таких как обнаружение аномалий, интеграция ИИ и управление данными, в целостную, применимую ко всем экосистемам цифровых технологий структуру. Этот вклад не только синтезирует разрозненные исследования, но и развивает теоретическое понимание, удовлетворяя насущную потребность в масштабируемых, совместимых и безопасных инфраструктурах цифровых технологий. Более того, наш анализ сопоставляет эти достижения с Целью ООН в области устойчивого развития 9 (ЦУР 9) и ее подцелями: ЦУР 9.1, ЦУР 9.4 и ЦУР 9.5. В этом исследовании подчеркиваются критические пробелы в управлении интеллектуальными данными, стандартизации и реализации кибербезопасности в различных секторах, а также обосновывается необходимость единой структуры для руководства будущими исследованиями и практикой в области безопасной разработки цифровых технологий. - Bridging cybersecurity with digital twin technology: a thematic analysis

См. также другие публикации, посвященные digital twins

Городские аномалии

Еще одна интересная статья по поиску аномалий в городских данных. В этой работе на используются предположения об изначальной группировке данных.

См. также другие публикации, посвященные поиску аномалий в данных

Поиск аномалий

5 Ways to Detect Outliers/Anomalies. С кодом на Python.

См. также другие статьи, посвященные поиску аномалий

INJOIT vol. 14, no. 6

Вышел шестой номер журнала INJOIT в 2026 году. И четырнадцатый год издания журнала.

Темы статей:

• Sleeper Channels and Provenance Gates: Persistent Prompt Injection in Always-on Autonomous AI Agents
• Метод слияния данных и фильтрации аномалий на основе расстояния Махаланобиса для обеспечения целостности информации в группах автономных транспортных средств
• Эквивалентность порога метода Оцу решающему правилу MAP-классификатора в задаче обнаружения аномалий сетевого трафика
• Повышение эффективности состязательных атак на модель прогнозирования трафика TGC-LSTM
• Состязательные атаки на модели обнаружения фишинга на основе URL-адресов
• Устойчивость сессионных рекомендательных систем к атакам отравления обучающей выборки
• Искусственный Интеллект в Кибербезопасности. Хроника. Выпуск 8
• No-Op-Aware Training and Quantization Framework for Outlier Robust Transformer based Language Models
• Синтез арифметико-логических выражений с использованием SMT-решателя
• Direct adaptive output-feedback control for unstable linear multidimensional systems with distinct input delays
• Оценка распространения искажений в Data-продуктах реляционной архитектуры Data Mesh
• Проблема полноты поиска в B2B-каталогах DIY-товаров: ограничения семантических эмбеддингов и сущностно-ориентированный подход
• Исследование интерпретируемости моделей детектирования пешеходов на основе векторов активации концептов (TCAV): межархитектурный эмпирический анализ
• Методология структурного синтеза хранилища гетерогенных данных технической диагностики высоковольтного оборудования объектов электроэнергетики
• О некорректности ветвящейся программы и цикла
• Методы синтеза промежуточных представлений программ для высокоуровневого проектирования специализированных вычислителей
• Revolutionizing navigation: Deep Learning for lane detection in mobile robots
• An easy way to boost home calculation performance with HGRID
• Разработка механизма динамического доверия для защиты веб-сессий в архитектуре ZeroTrust
• Реактивное управление идентификацией и контролем доступа в контейнерных средах на базе прокси-сервера Envoy
• Использование геймификации и искусственного интеллекта в образовательном процессе при изучении логистики

Архив журнала находится здесь.

/via Лаборатория ОИТ

Аномалии во временных рядах

Поиск аномалий во временных рядах по статистической оценке возможной разницы между соседними значениями.

См. также другие материалы по поиску аномалий.

Атаки уклонения на CPS

В последние годы было предложено несколько атак уклонения для промышленных систем управления. Во время атаки уклонения злоумышленник пытается скрыть текущие аномалии процесса, чтобы избежать обнаружения аномалий. Примеры таких атак варьируются от атак воспроизведения до техник состязательного машинного обучения. Эти атаки обычно применяются к существующим наборам данных с нормальными и аномальными данными, к которым атаки уклонения добавляются post hoc. Это представляет очень сильного злоумышленника, который эффективно может наблюдать и манипулировать данными из любой точки системы в режиме реального времени, с нулевой задержкой обработки и без вычислительных ограничений. Предыдущая работа показала, что таких сильных злоумышленников теоретически трудно обнаружить большинством существующих контрмер. Пока неясно, может ли такая атака быть реализована на практике, и есть ли проблемы, которые могли бы нанести ущерб злоумышленнику. В этой работе мы систематически обсуждаем возможности для злоумышленника проводить атаки уклонения в реальных ICS, и показываем ограничения, которые возникают из-за этих возможностей. Чтобы подтвердить наши выводы, мы проектируем и реализуем структуру, которая позволяет реализовывать атаки уклонения и обнаружение аномалий для эмуляции ICS. Мы демонстрируем практические ограничения, возникающие из различных настроек, и их влияние на эффективность атак. Например, мы обнаружили, что воспроизведение сетевых пакетов может вызывать сетевые ошибки, которые приведут к неожиданным шаблонам спуфинга. - On Practical Realization of Evasion Attacks for Industrial Control Systems

Аномалии для чайников

Поиск аномалий без предварительного обучения. Хорошее объяснение с кодами на Python.

См. другие публикации, посвященные поиску аномалий

P.S. поддержка публикаций: энциклопедия электропитания

Постоянные угрозы

"Продвинутые постоянные угрозы (Advanced persistent threats - APT) — это сложные кибератаки, которые могут оставаться незамеченными в течение длительного времени, что делает их устранение особенно сложным. Учитывая их постоянство, требуются значительные усилия для их обнаружения и эффективного реагирования. Существующие методы обнаружения атак на основе происхождения часто не обладают интерпретируемостью и страдают от высоких показателей ложных срабатываний, в то время как подходы к расследованию либо контролируются, либо ограничиваются известными атаками. Для решения этих проблем мы представляем SHIELD, новый подход, который сочетает статистическое обнаружение аномалий и анализ на основе графов с возможностями контекстного анализа больших языковых моделей (LLM). SHIELD использует неявные знания LLM для выявления скрытых шаблонов атак в данных о происхождении, одновременно сокращая количество ложных срабатываний и предоставляя четкие, интерпретируемые описания атак. Это снижает утомляемость аналитиков и облегчает им понимание ландшафта угроз. Наша обширная оценка демонстрирует эффективность SHIELD и вычислительную эффективность в реальных сценариях. SHIELD показал, что превосходит самые современные методы, достигая более высокой точности и полноты. Интеграция SHIELD обнаружения аномалий, контекстного анализа на основе LLM и расширенной графической корреляции устанавливает новый эталон для обнаружения APT." - SHIELD: APT Detection and Intelligent Explanation Using LLM

Интересная идея использования LLM в кибербезопасности.

INJOIT vol.13, no. 9

Вышел девятый номер журнала INJOIT в 2025 году. И тринадцатый год издания журнала. В номере много работ по кибербезопасности.

Темы статей:

• Investigating the Vulnerability of LLM-as-a-Judge Architectures to Prompt-Injection Attacks
• Pipelining of modular multiplication operations for efficient trust computation in decentralized cyber-physical environments
• О кибербезопасности ИИ-агентов
• Обзор методов выявления аномалий при аудите системных вызовов в ОС
• Искусственный Интеллект в Кибербезопасности. Хроника. Выпуск 1
• Системный подход к безопасности пользовательских файлов: от первичной валидации до изоляции в Docker
• Machine Learning Models Explanations and Adversarial Attacks
• Convergence of the ARMA-GARCH Implied Calibration Algorithm
• Разработка математического и программного обеспечения для сопоставления изображений
• Оценка плотностных свойств уплотняемой гидровзрывом геологической системы средствами численного моделирования
• Пространственно-распределенная модель Ланчестера с учетом нелинейной динамик
• Обзор методов решения задачи о приёмке и доставке с временными ограничениями. Часть II: эвристический подход
• Архитектура доверенной системы искусственного интеллекта в задачах прогнозирования временных рядов в электроэнергетике
• Automation of processing the results of Laboratory studies of frozen and thawed soils soil research
• Introduction to Formal Methods Using Interactive Proof Assistant Rocq
• Designing a Multi-Factor Quality Evaluation Protocol for Speaker Verification Systems
• Accelerating Latency-Critical Applications with AI-Powered Semi-Automatic Fine-Grained Parallelization on SMT Processors
• Вероятностные методы линейной алгебры и большие данные

Архив журнала находится здесь.

/via Лаборатория ОИТ

Обнаружение выбросов

Обнаружение выбросов — это задача машинного обучения без учителя, направленная на выявление аномалий (необычных наблюдений) в заданном наборе данных. Рассмотрены следующие алгоритмы:

Эллиптический конверт - подходит для нормально распределенных данных с низкой размерностью. Как следует из названия, он использует многомерное нормальное распределение для создания меры расстояния для отделения выбросов от нормальных значений.

Локальный фактор выбросов — это сравнение локальной плотности наблюдения с плотностью его соседей. Наблюдения с гораздо меньшей плотностью, чем у их соседей, считаются выбросами.

Одноклассовая машина опорных векторов (SVM) со стохастическим градиентным спуском (SGD) - представляет собой приблизительное решение O(n) SVM одного класса.

Изолированный лес — это древовидный подход, при котором выбросы изолируются случайным образом быстрее, чем нормальные значения.

Еще о безопасности агентов

Производительность агентов, использующих большие языковые модели (LLM), критически зависит от исполнительного модуля — системного уровня, который координирует использование инструментов, управление контекстом и сохранение состояния. Однако эта же архитектурная центральность делает исполнительный модуль высокопривлекательной поверхностью для атак: единичный компромисс на уровне исполнительного модуля может распространиться по всему конвейеру выполнения. Мы отмечаем, что существующие подходы к безопасности страдают от структурного несоответствия, из-за чего они не видят внутреннего состояния исполнительного модуля и не могут координировать работу на разных этапах работы агента. В этой статье мы представляем SAFEHARNESS — архитектуру безопасности, в которой четыре предлагаемых уровня защиты интегрированы непосредственно в жизненный цикл агента для решения вышеуказанных существенных проблем: фильтрация контекста при обработке входных данных, многоуровневая причинно-следственная проверка при принятии решений, раздельное управление инструментами при выполнении действий и безопасный откат с адаптивным снижением производительности при обновлении состояния. Предложенные межслойные механизмы связывают эти слои воедино, повышая строгость проверки, инициируя откаты и ужесточая привилегии инструментов при обнаружении устойчивых аномалий. Мы оцениваем SAFEHARNESS на эталонных наборах данных для различных конфигураций оборудования, сравнивая его с четырьмя базовыми уровнями безопасности в пяти сценариях атак, охватывающих шесть категорий угроз. По сравнению с незащищенным базовым уровнем, SAFEHARNESS обеспечивает среднее снижение примерно на 38% в UBR и 42% в ASR, существенно снижая как уровень небезопасного поведения, так и уровень успешности атак, при этом сохраняя полезность основной задачи. - SAFEHARNESS: Lifecycle-Integrated Security Architecture for LLM-based Agent Deployment

Еще один фреймворк для безопасности агентов. Исходный код доступен. Отсюда: Autonomous Agents-research papers. Updated daily

См. также другие публикации, посвященные агентам

Городские аномалии

Интересная статья о поиске аномалий в данных о городской мобильности

Аномалии временных рядов

Объяснимый подход к определению аномалий во временных рядах