КОЛЕКТИВНА КІБЕРБЕЗПЕКА АВТОНОМНИХ МОРСЬКИХ СУДЕН НА ОСНОВІ ДЕЦЕНТРАЛІЗОВАНОГО ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ
https://doi.org/10.33815/2313-4763.2025.1.30.006-015
Анотація
У даній статті представлено підхід до забезпечення колективної кібербезпеки автономних морських платформ шляхом інтеграції методів інтелектуального аналізу даних, децентралізованої координації та власної гібридної архітектури, що поєднує Long Short-Term Memory (LSTM) з локально вбудованою великою мовною моделлю (LLM). Основна інновація полягає у доповненні традиційної LSTM-моделі компонентом LLM – з метою не лише виявлення, але й семантичного інтерпретування аномалій у навігаційних даних, що є принципово новим підходом для автономного морського середовища.
Особлива увага приділяється виявленню, поясненню та децентралізованій координації реагування на атаки типу GPS-спуфінг, які становлять суттєву загрозу точності навігації та злагодженості дій автономних флотів. Запропонована система, заснована на власній модифікації LSTM-LLM, забезпечує суднам багаторівневу когнітивну здатність: виявлення відхилень у реальному часі, генерацію контекстуальних пояснень природною мовою, а також розробку стратегічних дій без необхідності централізованого управління.
Ключова відмінність від наявних рішень полягає в локальній автономності: кожне судно здатне самостійно аналізувати ситуаційні дані, формувати людиноорієнтовані пояснення та змінювати поведінку відповідно до поточної загрози. Архітектура системи підтримує легкий протокол обміну структурованими повідомленнями у форматі JavaScript Object Notation для швидкої міжсуднової комунікації та децентралізований консенсусний механізм на основі матриці довіри, що динамічно оновлюється.
Ефективність підходу продемонстровано на симульованому сценарії атаки GPS-спуфінг проти одного з п’яти автономних суден. Результати підтвердили здатність системи точно локалізувати джерело загрози, підтримувати цілісність місії флоту та адаптивно перебудовувати навігаційні рішення у відповідь на кіберінцидент.
Посилання
2. Balduzzi, M., Pasta, A., & Wilhoit, K. (2014). A security evaluation of AIS automated identification system. In Proceedings of the 30th Annual Computer Security Applications Conference (ACSAC '14) (pp. 436–445). Association for Computing Machinery. https://doi.org/10.1145/2664243.2664257.
3. Androjna, A., Brcko, T., Pavic, I., & Greidanus, H. (2020). Assessing cyber challenges of maritime navigation. Journal of Marine Science and Engineering, 8(10), 776. https://doi.org/10.3390/jmse8100776.
4. Svilicic, B., Rudan, I., Jugović, A., & Zec, D. (2019). A study on cyber security threats in a shipboard integrated navigational system. Journal of Marine Science and Engineering, 7(10), 364. https://doi.org/10.3390/jmse7100364.
5. Greydanus, S. (2017). Using LSTM encoder-decoder algorithm for detecting anomalous ADS-B messages. arXiv.org. https://arxiv.org/abs/1711.10192.
6. Chen, J., Guo, D., Yao, Q., et al. (2024). Sustainable LLM inference for edge AI: Evaluating quantized LLMs for energy efficiency, output accuracy, and inference latency. arXiv preprint. https://arxiv.org/abs/2403.15971.
7. Khan, F., & Tomsett, R. (2024). Optimizing RAG techniques for automotive industry PDF chatbots: A case study with locally deployed Ollama models. arXiv preprint. https://arxiv.org/abs/2403.18931.
8. Tian, Z., Wang, S., Zhang, J., & Li, J. (2022). Cybersecurity risk assessment of unmanned surface vehicles. Ocean Engineering, 248, 110766. https://doi.org/10.1016/j.oceaneng.2022.110766.
9. Luo, Y., & Yu, F. R. (2021). Anomaly detection in autonomous systems using LSTM neural networks. IEEE Transactions on Industrial Informatics. https://doi.org/10.1109/TII.2020.3039102.
10. Bommasani, R., Hudson, D. A., et al. (2021). On the opportunities and risks of foundation models. Center for Research on Foundation Models (Stanford University). https://crfm.stanford.edu/report.html.
11. Cyber-MAR Project Consortium. (2022). Cyber range simulation for maritime cybersecurity training. Cyber-MAR Project. https://cyber-mar.eu.
12. Zinchenko, S. M., & Lyashenko, V. G. (2017). Usage of neural network model of the ship for control tasks. Scientific Bulletin of KSMA, 2(17), 231–237. http://journals.ksma.ks.ua/nvksma/article/view/587/524.
13. Kozachok, Y. A. (2024). Automation of information system architecture design for utility payments processing using artificial intelligence. Tavriyskyi Scientific Bulletin. Series: Technical Sciences, (2), 62–72. https://doi.org/10.32782/tnv-tech.2024.2.6.
14. Kozachok, Y. A., & Zinchenko, S. M. (2025). Integration of ChatGPT for decision support in autonomous ships in real-time mode. Scientific Bulletin of Kherson State Maritime Academy, (2), 111–121. http://journals.ksma.ks.ua/nvksma/article/view/889/903.
15. Tarelko, Wieslaw & Rudzki, Krzysztof. (2020). Applying artificial neural networks for modelling ship speed and fuel consumption. Neural Computing and Applications. 32. https://doi.org/10.1007/s00521-020-05111-2.
