Л.С. Звягин1
1 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 lszvyagin@fa.ru

Постановка проблемы. Современные информационные системы сталкиваются с проблемой неустойчивости и низкой адаптивности при работе в условиях зашумленных данных, высокой неопределенности и массированных кибератак (DDoS). Традиционные детерминированные алгоритмы и классические методы фильтрации часто оказываются неэффективными, допуская деградацию сервисов и «информационный коллапс» при пиковых нагрузках. Поэтому необходимо решить актуальную проблему неэффективности традиционных алгоритмов управления информационными системами в условиях зашумленных данных и высокой неопределенности.

Цель. Разработать и обосновать методологии управления информационными системами на основе регуляризирующего байесовского подхода, обеспечивающего количественную оценку неопределенности и адаптивность системы.

Результаты. Проведено математическое моделирование динамики информационными системами с применением систем нелинейных дифференциальных уравнений (модели типа «хищник – жертва»), описывающих взаимодействие легитимного и вредоносного трафика. Для верификации предложенного подхода осуществлен численный эксперимент с использованием метода Рунге-Кутты 4-го порядка, в рамках которого сравнивались сценарии работы системы без управления с классическим фильтром Калмана–Бьюси и с авторским регуляризирующим байесовским алгоритмом.  Продемонстрировано превосходство предложенной методики. Отмечено, что научная новизна работы заключается в интеграции методов машинного обучения с теорией дифференциальных игр и инкорпорировании регуляризирующего функционала в структуру байесовского подхода.

Практическая значимость. Результаты исследования продемонстрировали превосходство предложенной методики.
В условиях имитации массированной DDoS-атаки удалось сохранить пропускную способность на уровне 15,02 kTPS (против 0,01 kTPS в неуправляемой среде) и снизить волатильность задержек (джиттер) в 30 раз по сравнению с базовыми показателями.

Звягин Л.С. Управление информационными системами в условиях высокой неопределенности с применением байесовского подхода // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 3. С. 15–24. DOI: https://doi.org/10.18127/j19998554-202603-03

1. Akram M., Adnan M., Ali S.F., Ahmad J., Yousef A., Alshalali T.A.N., Shaikh Z.A. Uncertainty-aware diabetic retinopathy detection using deep learning enhanced by Bayesian approaches // Scientific Reports. 2025. V. 15. № 1. P. 1342.
2. García S., Mora-Merchán J.M., Larios D.F., Personal E., Parejo A., León C. Phase topology identification in low-voltage distribution networks: A Bayesian approach // International Journal of Electrical Power & Energy Systems. 2023. V. 144. P. 108525.
3. Hon C.K., Sun C., Xia B., Jimmieson N.L., Way K.A., Wu P.P.Y. Applications of Bayesian approaches in construction management research: a systematic review // Engineering, Construction and Architectural Management. 2022. V. 29. № 5. P. 2153–2182.
4. Kiani A.K., Khan W.U., Raja M.A.Z., He Y., Sabir Z., Shoaib M. Intelligent backpropagation networks with bayesian regularization for mathematical models of environmental economic systems // Sustainability. 2021. V. 13. № 17. P. 9537.
5. Liu R.L., Hua Y., Zhou Z.F., Li Y., Wu W.T., Aubry N. Prediction and optimization of airfoil aerodynamic performance using deep neural network coupled Bayesian method // Physics of Fluids. 2022. V. 34. № 11. P. 114104.
6. Mohammad-Djafari A. Regularization, Bayesian inference, and machine learning methods for inverse problems // Entropy. 2021.
   V. 23. № 12. P. 1673.
7. Ndife A.N., Mensin Y., Rakwichian W., Muneesawang P. Cyber-Security Audit for Smart Grid Networks: An Optimized Detection Technique Based on Bayesian Deep Learning // Journal of Internet Services and Information Security. 2022. V. 12. № 2. P. 95–114.
8. Setiaji P., Widjanarko B., Syahidin Y., Himawan H., Siregar N.A., Harmayani, Kartikaningsih R. Best model and performance of bayesian regularization method for data prediction // Journal of Physics: Conference Series. 2021. V. 1933. № 1. P. 012030.
9. Song C., Sun Y., Han G., Rodrigues J.J. Intrusion detection based on hybrid classifiers for smart grid // Computers & Electrical Engineering. 2021. V. 93. P. 107212.
10. Sujatha R., Mareeswari V., Chatterjee J.M., Mousa A.A.A., Hassanien A.E. A Bayesian regularized neural network for analyzing bitcoin trends // IEEE Access. 2021. V. 9. P. 37989–38000.
11. Theng D., Bhoyar K.K. Feature selection techniques for machine learning: a survey of more than two decades of research // Knowledge and Information Systems. 2024. V. 66. № 3. P. 1575–1637.
12. Van Erp S. Bayesian regularized SEM: Current capabilities and constraints // Psych. 2023. V. 5. № 3. P. 814–835.
13. Veluru S.P. Self-Penalizing Neural Networks: Built-in Regularization Through Internal Confidence Feedback // International Journal of Emerging Trends in Computer Science and Information Technology. 2023. V. 4. № 3. P. 41–49.
14. Wang Z.Q., Hua Y., Aubry N., Zhou Z.F., Feng F., Wu W.T. Fast optimization of multichip modules using deep learning coupled with Bayesian method // International Communications in Heat and Mass Transfer. 2023. V. 141. P. 106592.
15. Zhang X., Liu X., Zhou S., Ma N. Medical big data risk management: A systematic management approach based on Bayesian belief networks // Mobile Information Systems. 2023. V. 2023. № 1. P. 9507349.