Выделение потока сообщений между двумя абонентами в многоагентных системах на основе анализа его контекстуальных характеристик

Цели. В статье исследуется задача повышения точности выделения потока сообщений между двумя абонентами в многоагентных системах на основе анализа контекстуальных характеристик общего потока сообщений в канале связи. При проведении процедур определения источника и установления его подлинности могут возникать коллизии кодов аутентификации двух и более сообщений. Одним из способов разрешения подобных ситуаций является выделение потока сообщений между двумя абонентами на основе его статистических характеристик, отличающихся от характеристик общего потока сообщений в системе. Цель работы – разработка метода, позволяющего надежно идентифицировать целевой поток в случае возникновения коллизий кодов аутентификации.

Методы. Для анализа и выделения паттернов активности агентов в потоке сообщений использованы контекстуальные характеристики сообщений: частота отправки, размер, временные метки и исторические данные взаимодействий. Метод включает формирование статистических характеристик потока сообщений между двумя агентами многоагентной системы (коэффициенты асимметрии и эксцесса, параметры распределения количества сообщений между событиями целевого источника) и их классификацию с помощью логистической регрессии.

Результаты. В ходе проведенных экспериментов было установлено, что разработанный метод демонстрирует значения метрики Precision (полнота) в диапазоне 0.81–0.85 (от 81% до 85% сообщений, классифицированных как принадлежащие целевому источнику, действительно являются таковыми), что на 40–50% превышает показатели существующих методов, основанных на анализе межпакетных интервалов времени. ROC-анализ подтвердил высокую эффективность модели и приемлемое качество классификации.

Выводы. Результаты исследования показали, что использование контекстуальных характеристик и статистического анализа позволяет точно выделять целевые потоки при общем числе агентов в многоагентных системах от 70 до 110. Метод может применяться в каналах связи с низкой пропускной способностью, где необходимо минимизировать размер заголовочных частей передаваемых пакетов данных и вычислительные затраты на выполнение процедур аутентификации.

1. Öztürk G., Saran N., Doğanaksoy A. Modified Attribute-Based Authentication for Multi-Agent Systems. Int. J. Inform. Security Sci. 2023;12(3):1–13. https://doi.org/10.55859/ijiss.1294580

2. Кулешова Е.А., Марухленко А.Л., Добрица В.П., Таныгин М.О., Плугаторев А.В. Вариант алгоритма генерации псевдослучайных двоичных последовательностей, основанный на свойствах линейных клеточных автоматов. Прикаспийский журнал: управление и высокие технологии. 2021;54(2):62–70. https://doi.org/10.21672/2074-1707.2021.53.1.062-070

3. Таныгин М.О., Кулешова Е.А., Митрофанов А.В., Гладилина Е.Ю. Повышение скорости обнаружения ошибок при формировании цепочек блоков данных на основе анализа числа совпадений хешей. Прикаспийский журнал: управление и высокие технологии. 2022;1(57):85–93. https://doi.org/10.54398/2074-1707_2022_1_85

4. Yuan J., Yang J., Zhou S., Wang C. Efficient Group Authentication with Multiple Authentications on Resource-Limited Devices. J. Supercomput. 2025;81:929. https://doi.org/10.1007/s11227-025-07404-6

5. Gopirajan P.V., Mani K. Secure Multi-Authentication using Blockchain-Technology in Cloud based Internet of Things. Telematique. 2022;21(1):6640–6650.

6. Wee A.K., Chekole E.G., Zhou J. Excavating Vulnerabilities Lurking in Multi-Factor Authentication Protocols: A Systematic Security Analysis. arXiv Cornell University. 2024;2407(20459):1–24. https://doi.org/10.48550/arXiv.2407.20459

7. Chenchev I. Framework for Multi-factor Authentication with Dynamically Generated Passwords. In: Arai K. (Ed.). Advances in Information and Communication. FICC 2023. Lecture Notes in Networks and Systems. Springer; 2023. V. 652. P. 563–576. https://doi.org/10.1007/978-3-031-28073-3_39

8. Li H., Han D. Blockchain-assisted secure message authentication with reputation management for VANETs. J. Supercomput. 2023;79(17):19903–19933. https://doi.org/10.1007/s11227-023-05394-x

9. Xu Y., Jian X., Li T., Zou S., Li B. Blockchain-Based Authentication Scheme with an Adaptive Multi-Factor Authentication Strategy. Mobile Inform. Syst. 2023;2023:4764135. https://doi.org/10.1155/2023/4764135

10. Liu J., Mu Q., Che R., et al. Multi-participant quantum anonymous communication based on high-dimensional entangled states. Physica Scripta. 2024;99(9):095109. https://doi.org/10.1088/1402-4896/ad69d9

11. Кулешова Е.А., Таныгин М.О. Исследование характеристик современных генераторов псевдослучайных последовательностей. Телекоммуникации. 2023;7:28–39. https://doi.org/10.31044/1684-2588-2023-0-7-28-39

12. Таныгин М.О. Восстановление порядка следования информационных пакетов на основе анализа хеш-последовательностей. Известия Юго-Западного государственного университета. 2020;24(1):175–188.

13. Alamgir N., Negati S., Bright C. SHA-256 Collision Attack with Programmatic SAT. arXiv Cornell University. 2024;2406.20072. https://doi.org/10.48550/arXiv.2406.20072

14. Fang Y.Aresearch on different digital signature schemes. Appl.Comput.Eng. 2023;16(1):27–35. http://doi.org/10.54254/2755-2721/16/20230855

15. Phatangare S., Jadhav S., Kawane S., Holkar P., Gaikwad P. Multi-Level Encryption System using AES and RSAAlgorithms. Int. J. Res. Appl. Sci. Eng. Technol. 2024;15(5):4043–4051. https://doi.org/10.22214/IJRASET.2024.62420

16. Tanygin M.O., Alshaeaa H.Y., Kuleshova E.A. A method of the transmitted blocks information integrity control. Radio Electronics, Computer Science, Control. 2020;1:181–189.

17. Tao M., Li Q., Yu J. Multi-Objective Dynamic Path Planning with Multi-Agent Deep Reinforcement Learning. J. Marin. Sci. Eng. 2025;13(1):20. https://doi.org/10.3390/jmse13010020

18. Morais D., Zuquete A., Mendes A. Adaptive, Multi-Factor Authentication as a Service for Web Applications. In: 2023 7th Cyber Security in Networking Conference (CSNet). 2023. P. 74–80. http://doi.org/10.1109/CSNet59123.2023.10339695

19. Плугатарев А.В. Модель определения источника сообщений на основе статистического анализа метаданных в открытом канале связи. Прикаспийский журнал: управление и высокие технологии. 2022;4(60):30–37.

20. Dharrao D., Gaikwad P., Gawai S.V., Bongale A.M., Patel K., Singh A. Classifying SMS as spam or ham: Leveraging NLP and machine learning techniques. Int. J. Saf. Secur. Eng. 2024;14(1):289–296. https://doi.org/10.18280/ijsse.140128

21. Placzek B. A Multi-Agent Prediction Method for Data Sampling and Transmission Reduction in Internet of Things Sensor Networks. Sensors. 2023;23(20):8478. https://doi.org/10.3390/s23208478

22. Vedmiediev D., Shapoval N. Text Message Clustering. Electronics and Control Systems. 2023;4(78):16–20.

23. Katwal S., Sharma N., Kumar K. A Deep Learning Approach for Throughput Enhanced Clustering and Spectrally Efficient Resource Allocation in Ultra-Dense Networks. IEEE Trans. Netw. Service Manag. 2025;22(1):582–591. https://doi.org/10.1109/TNSM.2024.3470235

24. Huang X., Zhou S. QMNet: Importance-Aware Message Exchange for Decentralized Multi-Agent Reinforcement Learning. IEEE Trans. Mobile Comput. 2023;23(5):4739–4751. https://doi.org/10.1109/TMC.2023.3296726

25. Головешкин В.А., Жукова Г.Н., Ульянов М.В., Фомичев М.И. Использование квантильных коэффициентов асимметрии и эксцесса для оценки сложности решения задачи коммивояжера. Int. J. Open Inform. Technol. 2016;4(12):7–12. https://elibrary.ru/xetabh

26. Таныгин М.О., Добрица В.П., Митрофанов А.В., Ахмат Х.И. Математическая интерпретация результатов когнитивного анализа метаданных сетевых пакетов. Известия Юго-Западного государственного университета. 2023;27(3):66–78.