Манипулирование учетными записями с помощью искусственного интеллекта: имитация поведения с использованием GAN на основе трансформеров

Введение. Представлена структура генеративно-состязательной сети на основе трансформера, предназначенная для моделирования и воспроизведения сложных поведенческих паттернов, связанных с манипуляциями учетными записями в средах кибербезопасности. Разработана модель генерации реалистичных синтетических моделей поведения пользователей, имитирующих вредоносные действия, при одновременном обеспечении конфиденциальности данных, что создает этическую и контролируемую основу для разработки механизмов защиты на базе искусственного интеллекта. Метод. Предлагаемая архитектура объединяет прогрессивное состязательное обучение, сопоставление признаков и гибридную нормализацию для стабилизации обучения и повышения точности. Трансформаторный кодировщик фиксирует долгосрочные временные зависимости в данных о поведении, а многомасштабный дискриминатор внимания выявляет манипулятивные паттерны в различных временных масштабах. Конвейер предварительной обработки с адаптацией к шуму и протокол комплексной оценки аутентичности улучшают согласованность синтетических последовательностей с аутентичной статистикой поведения. Основные результаты. Модель превосходит рекуррентные нейронные базовые показатели в экспериментальной оценке, достигая расстояния Fréchet Inception Distance 18,3, точности 0,82 и воспроизводимости 0,76, наряду с повышенной стабильностью обучения (37 %) и улучшенным охватом поведения (29 %). Использование метрик расстояния t-distributed Stochastic Neighbor Embedding и Mahalanobis distance для визуализации данных показывает, что 89 % реальных и сгенерированных поведений были одинаковыми. Это означает, что имитация была очень точной, а синхронизация — очень стабильной. Обсуждение. Создана устойчивая структура искусственного интеллекта для моделирования поведения, что способствует развитию адаптивных систем кибербезопасности, обученных на основе состязательных методов. Структура подчеркивает необходимость этического управления, ответственного использования искусственного интеллекта и поведенческой биометрии для снижения рисков двойного назначения, которые сопутствуют генеративным технологиям в современной киберзащите.

1. Sahebrao A.K., Mony G. Improved attention mechanism-based transformer model for time series data-anomaly detection. Communications in Statistics — Theory and Methods, 2026, vol. 55, no. 1, pp. 21–62. doi: 10.1080/03610926.2025.2483289

2. Jin J., Xu Y., He H., Gao F., Zeng W., Wang W., et al. A swin transformer-based hybrid reconstruction discriminative network for image anomaly detection. Scientific Reports, 2025, vol. 15, pp. 33929. doi: 10.1038/s41598-025-10303-8

3. Alamr A., Artoli A. Unsupervised transformer-based anomaly detection in ECG signals. Algorithms, 2023, vol. 16, no. 3, pp. 152. doi: 10.3390/a16030152

4. Bethencourt-Aguilar A., Castellanos-Nieves D., Sosa-Alonso JJ., Area-Moreira M. Use of generative adversarial networks (GANs) in educational technology research. Journal of New Approaches in Educational Research, 2023, vol. 12, no. 1, pp. 153–170. doi: 10.7821/naer.2023.1.1231

5. Zhou J. Research on generative adversarial networks and their applications in image generation. Proc. of the IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA), 2022, pp. 1144–1147. doi: 10.1109/AEECA55500.2022.9918833

6. Creswell A., White T., Dumoulin V., Arulkumaran K., Sengupta B., Bharath A.A. Generative adversarial networks: an overview. IEEE Signal Processing Magazine, 2018, vol. 35, no. 1, pp. 53–65. doi: 10.1109/MSP.2017.2765202

7. Krichen M. Generative adversarial networks. Proc. of the 14th International Conference on Computing Communication and Networking Technologies (ICCCNT), 2023, pp. 1–7. doi: 10.1109/ICCCNT56998.2023.10306417

8. Gonog L., Zhou Y. A review: Generative adversarial networks. Proc. of the 14th IEEE Conference on Industrial Electronics and Applications (ICIEA), 2019, pp. 505–510. doi: 10.1109/ICIEA.2019.8833686

9. Abdel-Basset M., Moustafa N., Hawash H. Generative Adversarial Networks (GANs). Deep Learning Approaches for Security Threats in IoT Environments, 2023, pp. 271–285. doi: 10.1002/9781119884170.ch12

10. Yin W., Wang C., Qin Y. T-GAN: Transformer-based Generative Adversarial Network for network traffic anomaly detection. Proc. of the 2nd International Conference on Computer Network and Cloud Computing (CNCC’25), 2025, pp. 64–69. doi: 10.1145/3744451.3744461

11. Sabuhi M., Zhou M., Bezemer C.-P., Musilek P. Applications of generative adversarial networks in anomaly detection: a systematic literature review. IEEE Access, 2021, vol. 9, pp. 161003–161029. doi: 10.1109/ACCESS.2021.3131949

12. Lim W., Yong K.S.C., Lau B.T., Tan C.C.L. Future of generative adversarial networks (GAN) for anomaly detection in network security: A review. Computers & Security, 2024, vol. 139, pp. 103733. doi: 10.1016/j.cose.2024.103733

13. Lin H.Y., Liu Y., Li S., Qu X.B. How generative adversarial networks promote the development of intelligent transportation systems: A survey. IEEE/CAA Journal of Automatica Sinica, 2023, vol. 10, no. 9, pp. 1781–1796. doi: 10.1109/JAS.2023.123744

14. Xu L., Xu K., Qin Y., Li Y., Huang X., Lin Z., et al. TGAN-AD: Transformer-based GAN for anomaly detection of time series data. Applied Sciences, 2022, vol. 12, no. 16, pp. 8085. doi: 10.3390/app12168085

15. Jaiswal A.K., Meshcheryakov R.V. Evaluating LLM fragility for MITRE T1098 account manipulation under multi-dimensional perturbations. Voprosy Kiberbezopasnosti, 2026, no. 2 (72), pp. 81-90. doi: 10.21681/2311-3456-2026-2-81-90

16. Liu Z., Wang Y., Wang Q., Hu M. Vision Transformer-based anomaly detection in smart grid phasor measurement units using deep learning models. IEEE Access, 2025, vol. 13, pp. 44565–44576. doi: 10.1109/ACCESS.2025.3549679

17. Cao J., Miao J., Tao H., Wang Y., Wu J., Wang Z., et al. Generative models for time series anomaly detection: a survey. IEEE Transactions on Artificial Intelligence, 2026, vol. 7, no. 4, pp. 2253-2275. doi: 10.1109/TAI.2025.3614213

18. Aslam N., Kolekar M.H. TransGANomaly: Transformer based generative adversarial network for video anomaly detection. Journal of Visual Communication and Image Representation, 2024, vol. 100, pp. 104108. doi: 10.1016/j.jvcir.2024.104108

19. Jahan F., Shifat S.M., Morol M.K., Fahad N., Goh K.O.M., Nandi D., et al. Generative AI and the rise of deepfake technology: a journey from traditional techniques to LLM integration. Discover Applied Sciences, 2026, vol. 8, no. 5, pp. 584. doi: 10.1007/s42452-026-08402-w

20. Stepaniuk K., Lăzăroiu G., Misiewicz C., Pereira V.C. Behavioural mimicry or herd behaviour of Generation Z? Social media interactions in the context of information overload. Engineering Management in Production and Services, 2024, vol. 16, no. 4, pp. 21–33. doi: 10.2478/emj-2024-0031