Полный текст статьи (PDF) XML (JATS 1.2)
Авторы / Authors
  • Яровой Роберт Владимирович (Yarovoy Robert V.) Научный сотрудник научно-исследовательского центра Военной академии связи, Санкт-Петербург, Россия
    Research Center, Military Academy of Communications     Nadzar@yandex.ru
  • Карганов Виталий Вячеславович (Karganov Vitaly V.) Кандидат технических наук, доцент, старший научный сотрудник научно-исследовательского центра Военной академии связи, Санкт-Петербург, Россия
    Ph.D. of Technical Sciences, Associate Professor, Senior Researcher of the Research Center of the Military Academy of Communications     vitalik210277@mail.ru
  • Лукашенок Василий Ильич (Lukashenok Vasily I.) Младший научный сотрудник научно-исследовательского центра Военной академии связи, Санкт-Петербург, Россия
    Junior Researcher, Research Center of the Military Academy of Communications     lukasenokvasilij@gmail.com
Ключевые слова
цифровой двойниктелекоммуникационная сетьобнаружение аномалийсинтетические данныемашинное обучениетелеметрияпредиктивное обслуживаниеискусственный интеллект
Keywords
digital twintelecommunications networkanomaly detectionsynthetic datamachine learningtelemetrypredictive maintenanceartificial intelligence
Аннотация / Abstract
Русский

Цель работы: анализ возможности применения технологии цифровых двойников для обнаружения аномалий в телекоммуникационных сети с применением технологий искусственного интеллекта и обучением на синтетических данных.

Метод исследования: основан на применении математического моделирования, который предполагает созидание цифрового двойника телекоммуникационной сети посредством применения синтетически сгенерированных данных, которые имитируют поведение сети, а для обнаружения аномалий используется машинное обучение – обучение LSTM-автоэнкодера, с последующей оценкой качества обнаружения аномалий на основе метрик (precision, recall и F1-score).

Результаты исследования: включают разработку модели цифрового двойника телекоммуникационной сети, а также генерацию датасета на основе синтетических данных. В ходе исследования продемонстрировано, что может быть создан цифровой двойник телекоммуникационной сети, синтетически сгенерированы данные для обучения модели машинного обучения, при помощи которой могут быть обнаружены различные аномалии. В дальнейшем модель машинного обучения может быть использована в реальных телекоммуникационных сетях связи для обнаружения разного рода аномалий.

Научная новизна: заключается в разработке методики генерации синтетических данных с аномалиями, которые адаптированы под телекоммуникационные сети, а также в использовании цифрового двойника как инструмента для тестирования алгоритмов машинного обучения для обнаружения аномалий.

English

The aim of the work is to analyze the possibility of using digital twin technology to detect anomalies in telecommunication networks using artificial intelligence technologies and training on synthetic data.

Research method: is based on the use of mathematical modeling, which involves the creation of a digital twin of a telecommunications network through the use of synthetically generated data that simulate the behavior of the network, and machine learning is used to detect anomalies – training of an LSTM autoencoder, with subsequent assessment of the quality of anomaly detection based on metrics (precision, recall and F1-score).

Results of the study: include the development of a digital twin model of a telecommunications network, as well as the generation of a dataset based on synthetic data. In the course of the study, it was demonstrated that a digital twin of a telecommunications network can be created, data can be synthetically generated to train a machine learning model, with the help of which various anomalies can be detected. telecommunication networks to detect various kinds of anomalies.

Scientific novelty: lies in the development of a methodology for generating synthetic data with anomalies that are adapted to telecommunication networks, as well as in the use of a digital twin as a tool for testing machine learning algorithms to detect anomalies.

Финансирование / Funding

Источники финансирования не указаны.

No funding sources reported.

Идентификаторы / Identifiers
DOI10.21681/3034-4050-2026-1-42-51 УДК004.85 ЖурналТелекоммуникации и связь Год2026 Номер№ 1 (10) Страницы42–51 ISSNПИ №ФС77-88069
Список литературы / References
  1. Попов А. А.. Методы обнаружения аномалий в сетевом трафике // В сборнике: Наука, инновации, образование: актуальные вопросы XXI века. Сборник статей XIV Международной научно-практической конференции. 2025. С. 30–33.
    Попов А. А.. Metody obnaruzhenija anomalij v setevom trafike // V sbornike: Nauka, innovacii, obrazovanie: aktual'nye voprosy XXI veka. Sbornik statej XIV Mezhdunarodnoj nauchno-prakticheskoj konferencii. 2025.
  2. Шпак П. С., Сычева Е.Г., Меринская Е. Е.. Концепция цифровых двойников как современная тенденция цифровой экономики // Вестник Омского университета. Серия: Экономика. 2020. Т. 18. № 1. С. 57–68.
    Шпак П. С., Сычева Е.Г., Меринская Е. Е.. Koncepcija cifrovyh dvojnikov kak sovremennaja tendencija cifrovoj jekonomiki // Vestnik Omskogo universiteta. Serija: Jekonomika. 2020.
  3. Канаев А. К., Степанова А. Р.. Цифровые двойники в телекоммуникациях // Научно-техническая конференция Санкт-Петербургского НТО РЭС им. А. С. Попова, посвященная Дню радио. 2024. № 1(79). С. 228–230.
    Канаев А. К., Степанова А. Р.. Cifrovye dvojniki v telekommunikacijah // Nauchno-tehnicheskaja konferencija Sankt-Peterburgskogo NTO RJeS im. A.S. Popova, posvjashhennaja Dnju radio. 2024.
  4. Афонин И. Г., Кучерявый Е. А., Осипов Д. В., Морозов А. В.. Алгоритмы ML для построения цифровых двойников в 5G // Вестник связи. 2024. № 12. С. 29–30.
    Афонин И. Г., Кучерявый Е. А., Осипов Д. В., Морозов А. В.. Algoritmy ML dlja postroenija cifrovyh dvojnikov v 5G // Vestnik svjazi. 2024.
  5. Талибаева А. И., Рамазанов М. Б., Сайкен Д. Р., Хисамутдинов Р. М.. Исследование технологических параметров телекоммуникационных сетей связи: методы оценки производительности беспроводных сетей // В сборнике: Global Challenges – Scientific Solutions II. proceedings. 2020. С. 225–227.
    Талибаева А. И., Рамазанов М. Б., Сайкен Д. Р., Хисамутдинов Р. М.. Issledovanie tehnologicheskih parametrov telekommunikacionnyh setej svjazi: metody ocenki proizvoditel'nosti besprovodnyh setej // V sbornike: Global Challenges – Scientific Solutions II. proceedings. 2020.
  6. Новиковский К. В.. Анализ параметров и модели качества в современных телекоммуникационных системах // Вестник Воронежского института высоких технологий. 2025. № 2(53).
    Новиковский К. В.. Analiz parametrov i modeli kachestva v sovremennyh telekommunikacionnyh sistemah // Vestnik Voronezhskogo instituta vysokih tehnologij. 2025.
  7. Адамовский Е. Р., Богуш Р. П., Чертков В. М.. Исследование эффективности LSTM нейронных сетей для прогнозирования занятости канальных ресурсов на основе данных карты радиосреды когнитивной системы связи // В сборнике: Информатика: проблемы, методы, технологии. Материалы XXIV Международной научно-практической конференции им. Э. К. Алгазинова. 2024. С. 148–153.
    Адамовский Е. Р., Богуш Р. П., Чертков В. М.. Issledovanie jeffektivnosti LSTM nejronnyh setej dlja prognozirovanija zanjatosti kanal'nyh resursov na osnove dannyh karty radiosredy kognitivnoj sistemy svjazi // V sbornike: INFORMATIKA: PROBLEMY, METODY, TEHNOLOGII. Materialy XXIV Mezhdunarodnoj nauchno-prakticheskoj konferencii im. Je.K. Algazinova. 2024.
  8. Кукурхоев А. М.. Функция потерь MSE и MAE // В сборнике: Наука, образование, инновации: актуальные вопросы и современные аспекты. сборник статей XV Международной научно-практической конференции. 2022. С. 85–86.
    Кукурхоев А. М.. Funkcija poter' MSE i MAE // V sbornike: Nauka, obrazovanie, innovacii: aktual'nye voprosy i sovremennye aspekty. sbornik statej XV Mezhdunarodnoj nauchno-prakticheskoj konferencii. 2022.
  9. Амосов О. С., Амосова С. Г., Иванов Ю. С., Жиганов В. С. В.. Использование глубоких нейронных сетей для распознавания аномалий сетевого трафика в информационно-телекоммуникационных системах предприятий // В сборнике: Управление развитием крупномасштабных систем MLSD'2019. 2019. С. 968–971.
    Амосов О. С., Амосова С. Г., Иванов Ю. С., Жиганов В. С. В.. Ispol'zovanie glubokih nejronnyh setej dlja raspoznavanija anomalij setevogo trafika v informacionno-telekommunikacionnyh sistemah predprijatij // V knige: Upravlenie razvitiem krupnomasshtabnyh sistem MLSD'2019. 2019.
  10. Протасова М. А.. Нейросетевой классификатор аномалий телекоммуникационной сети // В сборнике: Нейроинформатика–2015. 2015. С. 138–148.
    Протасова М. А.. Nejrosetevoj klassifikator anomalij telekommunikacionnoj seti // V sbornike: Nejroinformatika–2015. 2015.
  11. Живодерников А. Ю., Ковайкин Ю. В., Лебедев П. В.. Анализ источников сетевых аномалий в системах управления телекоммуникационными сетями // В сборнике: Проблемы технического обеспечения войск в современных условиях. 2019. С. 298–301.
    Живодерников А. Ю., Ковайкин Ю. В., Лебедев П. В.. Analiz istochnikov setevyh anomalij v sistemah upravlenija telekommunikacionnymi setjami // V sbornike: Problemy tehnicheskogo obespechenija vojsk v sovremennyh uslovijah. 2019.
  12. Акыев Г. А.. Современные методы и алгоритмы мониторинга телекоммуникационных сетей // Инновационная наука. 2025. № 2-2. С. 37–39.
    Акыев Г. А.. Sovremennye metody i algoritmy monitoringa telekommunikacionnyh setej // Innovacionnaja nauka. 2025.
  13. Яровой Р. В., Рябов Г. А., Карганов В. В.. Кибербезопасность в мире инфотелекоммуникаций: вызовы и стратегии защиты // В сборнике: Инновационная деятельность в Вооруженных Силах Российской Федерации. 2023. С. 373–377.
    Яровой Р. В., Рябов Г. А., Карганов В. В.. Kiberbezopasnost' v mire infotelekommunikacij: vyzovy i strategii zashhity // V sbornike: Innovacionnaja dejatel'nost' v Vooruzhennyh Silah Rossijskoj Federacii. 2023.
  14. Зеленский М. Д.. DDoS-атаки: типы атак, устранение DDoS-атак // В сборнике: Студенческая наука для развития информационного общества. 2016. С. 241–243.
    Зеленский М. Д.. DDoS-ataki: tipy atak, ustranenie DDoS-atak // V sbornike: Studencheskaja nauka dlja razvitija informacionnogo obshhestva. 2016.
  15. Эдель Г. Е.. Глубокое обучение с использованием библиотеки TensorFlow // Электронные средства и системы управления. 2020. № 1-2. С. 162–164.
    Эдель Г. Е.. Jeled' G. E. Glubokoe obuchenie s ispol'zovaniem biblioteki TensorFlow // Jelektronnye sredstva i sistemy upravlenija. 2020.
  16. Чайкин Г. А.. Создание синтетических данных пользовательской активности на основе вопросно-ответных текстовых данных // Процессы управления и устойчивость. 2025. Т. 12. № 1. С. 417–421.
    Чайкин Г. А.. Sozdanie sinteticheskih dannyh pol'zovatel'skoj aktivnosti na osnove voprosno-otvetnyh tekstovyh dannyh // Processy upravlenija i ustojchivost'. 2025.
  17. Никкель К. Е., Сосунов А. А.. Классификация данных: метрики оценки качества моделей и алгоритмы // В сборнике: Цифровизация: новые тренды и опыт внедрения. 2024. С. 39–44.
    Никкель К. Е., Сосунов А. А.. Klassifikacija dannyh: metriki ocenki kachestva modelej i algoritmy // V sbornike: Cifrovizacija: novye trendy i opyt vnedrenija. 2024.