Mathematical modelling and neural networks in the context of railway cybersecurity

Abstract

Railway communication networks based on Ethernet and Wi-Fi are increasingly becoming targets of cyber threats that can disrupt data exchange, control systems operation, and information security. The growing volume of transmitted data and the integration of intelligent control systems raise new requirements for cybersecurity, prompting the need for advanced approaches to threat detection and mitigation. This study aimed to enhance the cybersecurity of railway communication systems through the integration of algebraic modelling and machine learning techniques, including neural networks and a neuro-symbolic approach. The research included a vulnerability assessment of railway networks and the development of mathematical models for optimising rolling stock routing, infrastructure management, and cyber threat detection. Algorithms for identifying anomalies in railway network traffic based on autoencoders are proposed, enabling the detection of data flow deviations in real time. Experimental modelling was conducted using a dataset that included real and simulated traffic associated with cyberattacks. The results demonstrated a 35% reduction in network load, a 22% improvement in threat blocking efficiency, and an anomaly detection accuracy of 82.3%. In addition, over 87% of potentially malicious requests were automatically blocked without operator intervention. The system achieved a false positive rate of 6.2% and a false negative rate of 5.1%, confirming the effectiveness of combining neural networks with symbolic rule sets. The proposed methods also enabled traffic route optimisation and network load balancing. The practical significance of the study lies in the development of adaptive cybersecurity mechanisms for railway communication systems that enhance resilience against emerging threats, including protocol-level attacks. The integration of artificial intelligence methods with algebraic modelling improves the accuracy of cyber threat prediction, enables traffic routing optimisation, and supports the creation of adaptive incident response strategies.Залізничні мережі на базі Ethernet і Wi-Fi дедалі частіше стають об’єктами кіберзагроз, що можуть порушити обмін даними, роботу систем управління та безпеку інформації. Зростання обсягів передавання даних та впровадження інтелектуальних систем підвищують вимоги до кіберзахисту, що зумовлює потребу у сучасних підходах до виявлення та нейтралізації загроз. Метою дослідження було підвищення рівня кібербезпеки залізничних комунікаційних мереж шляхом інтеграції алгебраїчного моделювання та методів машинного навчання, зокрема нейронних мереж і нейро-символьного підходу. У роботі виконано аналіз вразливостей залізничних мереж, розроблено математичні моделі для оптимізації процесів маршрутизації рухомого складу, управління інфраструктурою та виявлення кіберзагроз. Запропоновано алгоритми ідентифікації аномалій у мережевому трафіку залізничних систем на основі автокодувальників, що дозволяють детектувати відхилення в потоках даних у режимі реального часу. Експериментальне моделювання проводилося з використанням датасету, що містив трафік залізничної інфраструктури з реальними та симульованими атаками. Результати показали зниження навантаження на мережу на 35 %, підвищення ефективності блокування загроз на 22 %, а також точність виявлення аномалій на рівні 82,3 %. Крім того, понад 87 % потенційно небезпечних запитів було автоматично заблоковано без втручання оператора. Отримані результати показали точність виявлення аномалій на рівні 82,3 %, зі зниженням кількості помилково позитивних спрацьовувань до 6,2 % та помилково негативних – до 5,1 %. Близько 87,4 % потенційно шкідливих запитів були автоматично заблоковані без втручання оператора, що підтверджує ефективність поєднання нейронних мереж із символьними правилами. Застосовані методи також дозволили оптимізувати маршрути трафіку та знизити загальне навантаження на мережу на 35 %. Практичне значення роботи полягає в розробці адаптивних механізмів кіберзахисту залізничних комунікаційних систем, що забезпечують їхню стійкість до нових типів атак, включно з атаками на рівні протоколів зв’язку. Інтеграція методів штучного інтелекту та алгебраїчного моделювання дозволяє підвищити точність прогнозування кіберзагроз, оптимізувати маршрутизацію трафіку й розробити адаптивні стратегії реагування на інциденти безпеки.