Графовые нейросети в кибербезопасности
Про ИИ в безопасности почти всегда пишут одно и то же: LLM-агенты (агенты на основе большой языковой модели, Large Language Model), промпт-инъекции (внедрение вредоносных инструкций в текст, который обрабатывает модель), MCP-серверы (MCP — протокол подключения внешних инструментов к ИИ-агенту). Тем временем тихо, без хайпа, в продакшене уже работает другой класс моделей — графовые нейросети (Graph Neural Networks, GNN). Они не читают текст и не ведут диалог, зато умеют то, что обычным нейросетям не даётся: учиться на связях между объектами, а не только на самих объектах. Для безопасности это чувствительная область — большая часть данных ИБ и есть связи: кто с кем ходил в сеть, какой процесс вызвал какой API, какой домен размещён рядом с каким.
Что такое графовые нейросети
Обычная нейросеть смотрит на объект — строку в таблице, картинку, кусок текста — и не видит его окружения. Графовая нейросеть строит граф: узлы — это объекты (счета, домены, устройства, процессы), рёбра — связи между ними (перевод денег, DNS-запись, сетевое соединение, вызов функции). Дальше каждый узел на каждом шаге «спрашивает» своих соседей об их текущем состоянии и обновляет собственное представление с их учётом — это называется message passing, передача сообщений. После нескольких таких шагов узел уже «знает» о соседях соседей, а не только о прямых связях, хотя физически с ними не связан.
Пример из безопасности: подозрительный процесс на хосте. Отдельная запись в логе может выглядеть безобидно — обращение к системному API, которое делают тысячи легитимных программ. Но если построить граф «какие процессы вызывали какие API на каком хосте» и посмотреть на связи процесса (родительский процесс, сетевые соединения, файлы), картина меняется: у процесса может обнаружиться необычное сочетание связей, которое ни одна отдельная запись не выдаёт по отдельности.
Где GNN уже работает в безопасности
Мошенничество по транзакциям
detectGNN (февраль 2025) строит граф из счетов, торговцев и устройств и ищет в нём многоуровневые схемы обналичивания, которые не видны по отдельной транзакции. Отдельный платёж может быть обычным, но если счёт регулярно оказывается на пересечении подозрительных цепочек — это уже структурный сигнал, а не аномалия одной операции.
Вредоносное ПО через граф вызовов API
DawnGNN (Computers & Security, 2024) превращает последовательность вызовов Windows API в граф, а официальную документацию этих API — в дополнительный источник признаков через языковую модель. Дальше уже граф-модель (GAT или GCN — распространённые архитектуры GNN) смотрит не на отдельный вызов, а на структуру вызовов целиком — такой подход устойчивее к вредоносу, который прячет вызовы поодиночке, но не может скрыть саму структуру своей работы.
Вторжения и аномалии в сети
Для IoT-сетей (интернет вещей — датчики, камеры, промышленные контроллеры и другие подключённые устройства) в 2026 году опубликован подход к обнаружению вторжений, устойчивый к adversarial-атакам (входным данным, специально подобранным, чтобы обмануть модель) именно за счёт графового представления трафика. Отдельный обзор в Computers & Security собирает весь пласт работ по GNN для систем обнаружения вторжений — тема уже достаточно большая, чтобы иметь собственную обзорную литературу, а не только единичные статьи.
Отдельная больная тема — трафик внутри дата-центра (east-west, между серверами, а не на периметре). NetVigil от Microsoft Research (представлен на USENIX NSDI — крупной конференции по сетевым системам, апрель 2024) сочетает GNN с контрастивным обучением, чтобы ловить аномалии именно во внутреннем трафике — там, где периметровые средства защиты вообще не смотрят.
Вредоносные домены: система уже в проде
Самый сильный пример — не статья, а боевая система. У Palo Alto Networks Unit42 GNN строит граф из известных вредоносных доменов и их связей (общий хостинг, HTTPS-сертификаты, C2-инфраструктура управления заражёнными машинами, регистраторы) и находит новые домены той же кампании до того, как их активируют. «We have used our GNN approach for detection during the past several months» — не эксперимент на бенчмарке, а часть рабочего процесса. В материале три разобранных кейса: фишинг под почтовые сервисы (около 4000 доменов за год, новые домены находили в течение недели после регистрации), web-skimmer кампания (внедрение вредоносного кода в страницы оплаты для кражи данных карт; 65 доменов, 815 IP-адресов с 2023 года) и финансовый фишинг (около 5000 доменов на 5600+ IP-адресах).
А что с Active Directory и BloodHound
Раз GNN уже работает на графах транзакций, вызовов API и доменов, логично спросить: а что с графом Active Directory (AD, служба каталогов Microsoft, которая хранит пользователей, компьютеры и права доступа в корпоративной сети) — правами, членством в группах, сессиями? Именно этот граф анализирует BloodHound, популярный инструмент аудита AD, который ищет в нём путь для обычного пользователя до администратора домена.
У BloodHound есть встроенный потолок. Он находит все формально существующие пути до Domain Admin (администратора домена — максимальных прав во всём AD) через обычный поиск кратчайшего пути, но для алгоритма все найденные пути равнозначны — нет понятия «какой из них реально попробуют использовать чаще». Модель, обученная на данных из множества реальных окружений, в теории умела бы то, чего классический перебор путей не умеет: ранжировать узлы и рёбра по структурному сходству с уже скомпрометированными графами, а не только по формальной достижимости. Похожий принцип уже работает в detectGNN — там подозрительным оказывается не отдельная транзакция, а счёт, чьё окружение в графе структурно похоже на уже известные мошеннические схемы.
Второй практический довод — неполнота графа. Реальный сбор данных BloodHound часто теряет часть рёбер: не enumerated локальные администраторы, не до конца развёрнутые эффективные права через GPO (Group Policy Object, групповые политики Windows), вложенные группы, которые коллектор не обошёл целиком. Задача «достроить вероятные, но не собранные связи» — это классическое link prediction, и именно на нём тренируется CyberGFM (ниже) и большинство GNN из предыдущего раздела. Для графа AD это не абстракция: пропущенное ребро может прятать реальный путь атаки, который никто не видит просто потому, что коллектор его не собрал.
При всех этих доводах специализированного GNN-инструмента для графа AD пока не существует — ни в академических публикациях, ни у вендоров.
Сам BloodHound машинным обучением не пользуется вообще: он строит граф прав и членства в группах и находит кратчайшие пути до Domain Admin через обычные графовые алгоритмы, без нейросети — для размера графа типичного AD этого достаточно, полный обход посилен и без ML. Ближе всего к идее «ИИ поверх BloodHound» подошёл маленький проект AutoHound: он подключается к BloodHound CE (Community Edition, бесплатной версии) и ищет пути атаки через рассуждения языковой модели (Claude от Anthropic), а не через графовую нейросеть — это принципиально другой инструмент, не GNN. И масштаб пока соответствующий: 3 звезды на GitHub, ранняя стадия.
А вот действительно свежий и близкий по духу прецедент нашёлся не в AD, а рядом. CyberGFM (январь 2026) обучает графовую foundation-модель (foundation model — крупную предобученную модель общего назначения, которую потом дообучают под конкретную задачу) на трафике корпоративной сети и ищет латеральное перемещение — ту же по сути задачу, которую BloodHound решает вручную через анализ прав, только на графе сетевых соединений, а не графе прав доступа. Авторы заявляют двукратный прирост точности относительно предыдущих подходов. Структура данных близкая, но другая — и всё же тот же класс задачи, «найти, кто может добраться дальше по графу», уже решается GNN-подходами по соседству, а значит AD выглядит логичным следующим кандидатом. Пока это прогноз, а не случившийся факт.
Что с этим делать уже сейчас
Ждать не обязательно — часть перечисленного выше уже применима напрямую. Проверка репутации нового домена через граф связей (в духе подхода Unit42) не требует ждать AD-специфичного инструмента — это общая техника, которую можно прикрутить к уже собираемому потоку индикаторов компрометации. Обнаружение аномалий во внутреннем трафике дата-центра — то же самое: если в инфраструктуре есть east-west сегмент без мониторинга, это уже рабочая ниша для GNN-подходов сегодня, не в будущем.
А для сценария «GNN для AD» готовиться стоит не покупкой чего-либо — такого продукта ещё нет, — а данными. Любой графовой модели, GNN или foundation model в духе CyberGFM, нужен чистый, структурированный граф на входе: связи прав, членства в группах, сессий, сетевых сегментов. Если этот граф в организации уже собирается и поддерживается в актуальном виде (тот же экспорт, которым питается BloodHound), переход на будущий GNN-инструмент, когда он появится, будет вопросом смены модели поверх готовых данных, а не сбора данных с нуля. Тем, кто ждёт этот инструмент, разумнее навести порядок в графе уже сейчас, чем ждать готового решения.