АНАЛІЗ ІНТЕЛЕКТУАЛЬНИХ МЕТОДІВ ВИЯВЛЕННЯ КІБЕРІНЦИДЕНТІВ У АТОМНІЙ ЕНЕРГЕТИЦІ НА ОСНОВІ ОДНОКЛАСОВОГО НАВЧАННЯ
DOI:
https://doi.org/10.20998/2413-4295.2026.02.02Ключові слова:
кіберінцидент, однокласове навчання, виявлення аномалій, пояснюваний штучний інтелект, атомна енергетика, нормальний стан роботи об’єкта, критична інфраструктураАнотація
У роботі представлено концептуальний зсув у підходах до забезпечення кібербезпеки та технічної надійності атомних електричних станцій (АЕС). Замість традиційної реактивної класифікації відомих атак запропоновано проактивне моделювання «нормального стану» об’єкта (Normal State Recognition), яке дозволяє виявляти будь-які відхилення від фізично обґрунтованої поведінки системи. Це є актуальним з огляду на критичний дефіцит емпіричних даних про кіберінциденти в атомній енергетиці та обмеженість сигнатурних методів у протидії атакам «нульового дня». Обґрунтовано застосування методів однокласового навчання (One-Class Classification, OCC), які навчають алгоритми розпізнавати адекватну поведінку системи без потреби у великих масивах аварійних даних. Для формалізації нормального стану використано чотирьох елементну схему аналізу «режим-стан-об’єкт-взаємозв’язок», що забезпечує структуроване представлення багатовимірного простору даних. Досліджено внутрішні принципи функціонування сучасних архітектур – автоенкодерів (AE/TSAE) та Isolation Forest (iForest), здатних ідентифікувати приховані закономірності та мікроаномалії на ранніх етапах, до виникнення критичних станів.
Посилання
Purdue Model For ICS Security. Purdue Model enhances ICS security through network segmentation and defense-in-depth to safeguard critical infrastructure. 2025.
Cybersecurity of Digital I&C Systems | Nuclear Regulatory Commission. Nuclear Regulatory Commission, January 12, 2026.
U.S. Nuclear Regulatory Commission. Artificial Intelligence Strategic Plan: Fiscal Years 2023-2027 (NUREG-2261). Washington, DC, 2023.
International Atomic Energy Agency. Computer Security for Nuclear Security. IAEA Nuclear Security Series No. 42-G, Implementing Guide. Vienna: IAEA, 2021.
International Atomic Energy Agency. New Research Project on Computer Security For Nuclear AI. International Atomic Energy Agency | Atoms for Peace and Development. Paulina Rosol-Barrass, IAEA Department of Nuclear Safety and Security, 20 October 2025.
Purdue University / U.S. NRC. Characterization of Nuclear Cyber Security States Using Artificial Intelligence and Machine Learning. Technical Letter Report TLR-RES/DE-2024-03e. 2024.
Jiapeng Yang, Zuhua Jiang, TSAE: A teacher-student transformer autoencoder for restoration of fNIRS signals with channel contribution weights analysis, Advanced Engineering Informatics, Volume 72, 2026, https://doi.org/10.1016/j.aei.2026.104450.
Yaru Liu, Lijuan Xu, Shumian Yang, Dawei Zhao, Xin Li, Adversarial sample attacks and defenses based on LSTM-ED in industrial control systems, Computers & Security, Volume 140, 2024, https://doi.org/10.1016/j.cose.2024.103750.
Afzal Ahmed Soomro, Osman K. Siddiqui, Afaque Shams, Belal Almomani, Machine learning applications in nuclear power plant piping inspection: A review of methods, data, and future trends, Annals of Nuclear Energy, Volume 225, 2026, https://doi.org/10.1016/j.anucene.2025.111760.
Zachery Dahm, Vasileios Theos, Konstantinos Vasili, William Richards, Konstantinos Gkouliaras, Stylianos Chatzidakis, A one-class explainable AI framework for identification of non-stationary concurrent false data injections in nuclear reactor signals, Nuclear Engineering and Design, Volume 444, 2025, https://doi.org/10.1016/j.nucengdes.2025.114359.
Shiqiao Liu, Zifei Zhu, Xinwen Zhao, Yangguang Wang, Xiang Sun, Lei Yu, Unsupervised anomaly detection for Nuclear Power Plants based on Denoising Diffusion Probabilistic Models, Progress in Nuclear Energy, Volume 178, 2025, https://doi.org/10.1016/j.pnucene.2024.105521.
Bernardo M. Caixeta, Marcelo C. Santos, Alan M.M. de Lima, Victor H.C. Pinheiro, Roberto Schirru, LSTM and transformer-based approach for nuclear reactor event sequence forecasting and TRIP detection, Progress in Nuclear Energy, Volume 196, 2026, https://doi.org/10.1016/j.pnucene.2026.106354.
Andy Rivas, Gregory Kyriakos Delipei, Ian Davis, Satyan Bhongale, Jason Hou, A system diagnostic and prognostic framework based on deep learning for advanced reactors, Progress in Nuclear Energy, Volume 170, 2024, https://doi.org/10.1016/j.pnucene.2024.105114.
Ji Hun Park, Hye Seon Jo, Sang Hyun Lee, Sang Won Oh, Man Gyun Na, A reliable intelligent diagnostic assistant for nuclear power plants using explainable artificial intelligence of GRU-AE, LightGBM and SHAP, Nuclear Engineering and Technology, Volume 54, Issue 4, 2022, Pages 1271-1287,https://doi.org/10.1016/j.net.2021.10.024.
Xiangyu Li, Tao Huang, Kun Cheng, Zhifang Qiu, Tan Sichao, Research on anomaly detection method of nuclear power plant operation state based on unsupervised deep generative model, Annals of Nuclear Energy, Volume 167, 2022, https://doi.org/10.1016/j.anucene.2021.108785.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Степан Лис
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал публікує статті згідно з ліцензією Creative Commons Attribution International CC-BY.
