Роскомнадзор вооружился нейросетями для борьбы с VPN

Роскомнадзор завершил разработку и внедрение системы фильтрации интернет-трафика, работающей на основе машинного обучения.. Согласно паспорту программы цифровой трансформации ведомства на 2026 год и плановый период 2027-2028 годов, расходы на реализацию проекта составили 2,27 млрд рублей. Для работы системы выбрана российская модель, название которой не раскрывается. Она размещена на собственной инфраструктуре РКН.

Отдельная статья расходов в программе цифровизации связана с развитием ТСПУ, размещенных на узлах связи операторов. На установку нового оборудования и обновление действующего в 2026 году предусмотрено 3,99 млрд рублей в рамках основного финансирования. Еще 6,2 млрд рублей выделено дополнительно.

О планах ведомства внедрить в 2026 году механизм фильтрации сетевого трафика с применением искусственного интеллекта сообщалось в январе. В мае стало известно о намерении регулятора задействовать для этих целей Astra AI, разработанную «Группой Астра».

Помимо ТСПУ, РКН располагает другим механизмом ограничения доступа к интернет-ресурсам — реестром запрещенных сайтов, который ведомство ведет с 2012 года. Блокировка ресурсов, внесенных в реестр, обязательна для операторов связи. В 2024 году сообщалось, что РКН рассматривает применение ИИ для работы с этим перечнем.

Эксперты полагают, что внедрение ИИ позволит РКН повысить эффективность фильтрации интернет-трафика, выявления запрещенного контента и обнаружения способов обхода блокировок. Предположительно, система использует предсказательную модель, которая анализирует технические характеристики соединений, включая размер и периодичность передачи пакетов данных, продолжительность сессий и сведения о серверах. Это позволит распознавать VPN даже при смене IP-адресов и маскировке трафика. Кроме того, нейросети могут ускорить создание и обновление сигнатур — характерных признаков сетевого трафика, по которым системы DPI определяют принадлежность соединений к конкретным сервисам.

Вместе с тем предупреждают о риске ошибочных блокировок корпоративных VPN, облачных платформ и других легальных сервисов. Для пользователей это может означать нестабильную работу инструментов обхода ограничений и необходимость регулярно менять настройки подключения. Дополнительные опасения вызывает непрозрачность механизмов блокировки: регулятор не раскрывает критерии ограничения доступа, а оспорить такие решения практически невозможно. При этом ИИ не обеспечивает 100%-ной точности распознавания, а обработка больших объемов трафика на высоких скоростях может создавать дополнительную нагрузку на инфраструктуру и замедлять соединения.

Технологии ML также способны автоматизировать поиск запрещенных материалов и многочисленных копий заблокированных сайтов, которые практически невозможно выявлять вручную. Однако сигнатурный анализ сам по себе не является технологическим прорывом: в сфере кибербезопасности он считается базовым инструментом, который для комплексной защиты необходимо дополнять поведенческим анализом и межсетевыми экранами нового поколения. При этом для блокировки запрещенных ресурсов возможностей сигнатурного анализа может быть достаточно.