Роскомнадзор внедрил в автоматизированную систему обеспечения безопасности Рунета механизм фильтрации интернет-трафика на основе алгоритмов машинного обучения.
Роскомнадзор обновил систему блокировок интернет-трафика с помощью ИИ: на нее потратили почти 2,3 млрд рублей
Новые алгоритмы призваны эффективнее выявлять запрещенный контент и средства обхода блокировок.
Magnific
Как сообщает издание Forbes со ссылкой на паспорт программы цифровой трансформации ведомства на 2026–2028 годы, на эти цели было направлено 2,27 млрд рублей. Новая технология дополняет работу технических средств противодействия угрозам, установленных на сетях операторов связи по закону о суверенном интернете и использующих технологию глубокой фильтрации пакетов.
В ведомственной программе указано, что для проекта использовалась отечественная модель, развернутая на собственной инфраструктуре Роскомнадзора, при этом конкретные разработчики и технические характеристики не раскрываются, а большие языковые модели в системе не применяются.
Масштаб технического обновления подтверждается дополнительным финансированием: в текущем году на установку нового и модернизацию уже имеющегося оборудования ТСПУ у операторов связи выделено 3,99 млрд рублей из основного бюджета и еще 6,2 млрд рублей из дополнительных источников.
Планы по интеграции искусственного интеллекта в надзорные инструменты озвучивались и ранее. О намерении внедрить фильтрацию трафика с помощью ИИ стало известно в январе, а в мае сообщалось о планах использовать платформу Astra AI, хотя в итоговом паспорте цифровизации конкретный софт не упоминается.
Параллельно с этим ведомство задействует нейросети для ведения реестра запрещенных сайтов, который функционирует с 2012 года и включает ресурсы с экстремистскими материалами, информацией о наркотиках и суицидах, а также онлайн-казино.
Продолжение ниже
Видео
Продолжение
Интегрированный в АСБИ механизм машинного обучения позволяет осуществлять мониторинг трафика через оборудование ТСПУ на узлах операторов связи.
По оценкам экспертов рынка, предсказательная модель анализирует не содержимое пакетов, а внешние признаки соединения: размеры и ритм пакетов, длительность сессий, соотношение входящего и входящего трафика и характеристики серверов. По такому комплексу параметров система оценивает вероятность использования VPN даже в случаях, когда сервисы меняют адреса и маскируют трафик.
Специалисты отмечают, что машинное обучение также может использоваться в качестве анализатора для ускорения создания сигнатур — характерных признаков сетевых протоколов, по которым системы DPI распознают трафик без расшифровки.
Кроме того, технология применяется для автоматизированного поиска многочисленных зеркал заблокированных сайтов и дублирующегося запрещенного контента, выявлять который вручную по доменным именам невозможно. Подобные инструменты уже задействуются в сфере кибербезопасности для обнаружения спама, фишинга и мошенничества.
В то же время эксперты указывают на технологические риски и ограничения новой системы.
Поскольку алгоритмы машинного обучения не обеспечивают стопроцентной точности распознавания, возможны ложные срабатывания, при которых под ограничения могут ошибочно попадать корпоративные VPN, облачные платформы и легальные сервисы.
Как отмечают участники рынка, Роскомнадзор не публикует детальные критерии блокировок и перечень затрагиваемых протоколов, а сами ограничения вводятся во внесудебном порядке без предварительного уведомления пользователей. Дополнительной сложностью может стать влияние сложных вычислений на производительность сетевой инфраструктуры, так как при современных объемах трафика анализ данных рискует создавать задержки и снижать скорость соединения.
Официальные данные об испытаниях, показателях точности и статистике ошибок ведомством не публиковались.
Загружаем