В России обсуждали блокировку VPN с помощью нейросетей

Минцифры предлагало использовать искусственный интеллект для повышения эффективности блокировки VPN-сервисов до 95%. Соответствующий показатель содержался в одной из редакций национального плана внедрения ИИ до 2030 года. Предполагалось, что нейросети будут анализировать признаки 70% VPN-сервисов, в отношении которых применяются ограничения, и помогут быстрее обнаруживать новые способы обхода блокировок.

Как выяснил «Коммерсантъ», предложение обсуждалось при подготовке национального плана, однако в актуальной версии документа этих показателей уже нет. В Минцифры подтвердили отсутствие соответствующих положений, а источник издания, знакомый с обсуждением, пояснил, что ведомства предлагали различные меры, часть которых может не получить дальнейшего развития.

Сейчас для выявления и блокировки VPN уже применяются алгоритмы интеллектуального анализа интернет-трафика. Однако источник газеты отметил, что используемые механизмы не относятся к полноценным системам ИИ. При этом Роскомнадзор отдельно планировал внедрение машинного обучения в систему фильтрации, а Минцифры намерено существенно увеличить пропускную способность оборудования, через которое проходит российский интернет-трафик.

Как нейросети могут выявлять VPN

Для ограничения доступа к VPN и заблокированным ресурсам Роскомнадзор использует технические средства противодействия угрозам (ТСПУ), установленные в сетях операторов связи. Они позволяют анализировать соединения с помощью технологии Deep Packet Inspection (DPI) и применять правила фильтрации, основанные на IP-адресах, сетевых протоколах и других характеристиках трафика.

Сложность обнаружения VPN связана с тем, что разработчики постоянно совершенствуют способы маскировки соединений. Трафик может передаваться через обычные сетевые порты, использовать шифрование и менять характерные признаки, на которые ориентируются системы фильтрации. В результате определять такие подключения исключительно по известным сигнатурам становится сложнее.

Машинное обучение позволяет анализировать несколько характеристик одновременно, включая размер и последовательность сетевых пакетов, интервалы между ними, продолжительность сеанса и соотношение входящего и исходящего трафика. Дополнительно могут учитываться сведения о серверной инфраструктуре, хостинг-провайдерах и сетевых адресах, с которыми взаимодействует устройство.

Модель обучается находить сочетания признаков, характерные для VPN, и классифицировать новые соединения на основе обнаруженных закономерностей. Такой подход позволяет выявлять ранее неизвестные серверы и быстрее реагировать на изменения способов передачи данных, включая случаи, когда содержимое трафика зашифровано.

Для анализа могут использоваться метаданные и статистика соединений, поэтому расшифровывать передаваемую информацию необязательно. При этом точность классификации зависит от доступных признаков, качества обучающих данных и того, насколько сильно реальные соединения отличаются от примеров, использовавшихся при обучении модели.

Почему нейросети могут ошибочно блокировать обычный трафик

Одна из основных проблем использования машинного обучения для фильтрации — ложные срабатывания. Корпоративные VPN, подключения к облачным платформам и некоторые виды голосового трафика могут иметь характеристики, сходные с соединениями, предназначенными для обхода блокировок.

Партнер практики «Цифровая трансформация» Strategy Partners Сергей Кудряшов объяснил, что преимущество нейросетей заключается в способности объединять множество косвенных признаков и обнаруживать ранее неизвестные сервисы. Однако при изменении наблюдаемых параметров соединения точность распознавания может резко снижаться, а ошибки классификации способны затрагивать легитимные корпоративные подключения.

Для компаний VPN остается одним из распространенных способов защищенного доступа сотрудников к внутренним системам, соединения филиалов и подключения к облачным ресурсам. При ошибочной блокировке таких соединений могут возникать проблемы с удаленной работой, доступностью корпоративных приложений и взаимодействием с внешними сервисами.

Источник «Коммерсанта» на сетевом рынке оценил текущую долю ошибок анализа и блокировок примерно в 5–6%. При обработке больших объемов трафика даже небольшая доля ложных срабатываний может затрагивать значительное количество соединений, поэтому эксперты рассматривают возможность дополнительной проверки результатов нейросетевой классификации перед применением ограничений.

Например, модель может определять подозрительный сервер по совокупности сетевых признаков, после чего его принадлежность к VPN проверяется отдельно. Подобный подход позволяет использовать автоматический анализ для поиска новых сервисов, сохраняя дополнительный этап проверки перед блокировкой.

Роскомнадзор планировал потратить 2,27 млрд рублей на машинное обучение

Развитие интеллектуальной фильтрации интернет-трафика обсуждалось еще до появления предложения в национальном плане внедрения ИИ. В январе 2026 года Forbes сообщил, что Роскомнадзор планирует создать и внедрить механизм фильтрации с использованием машинного обучения, направив на эти цели 2,27 млрд рублей.

Инициатива содержалась в плане цифровизации ведомства, представленном на рассмотрение правительственной комиссии. Предполагалось, что новые инструменты будут дополнять существующую инфраструктуру ТСПУ и позволят эффективнее выявлять VPN-соединения, запрещенные ресурсы и другие виды сетевой активности.

Специалисты Positive Technologies, опрошенные изданием, также рассматривали использование машинного обучения для обнаружения зашифрованных соединений, DDoS-атак и взаимодействия с управляющими серверами ботнетов. Подобные алгоритмы могут применяться для классификации трафика по статистическим признакам и обнаружения активности, которую трудно распознать с помощью традиционных правил DPI.

При этом Роскомнадзор уже использует нейросетевые инструменты для анализа контента. Они применяются при поиске запрещенной информации в текстах, изображениях, аудио и видео, однако задачи такого анализа отличаются от распознавания сетевых протоколов и зашифрованных подключений.

Мощность системы фильтрации увеличат в 2,5 раза

В марте 2026 года стало известно о планах Минцифры существенно расширить пропускную способность инфраструктуры фильтрации. Как писал «Коммерсантъ», к 2030 году мощность автоматизированной системы обеспечения безопасности (АСБИ), в состав которой входят ТСПУ, планируется увеличить в 2,5 раза — до 954 Тбит/с.

В документах министерства также предусмотрена обработка всего интернет-трафика российского сегмента сети уже в 2026 году. Расширение инфраструктуры связывают с ростом объема передаваемых данных, увеличением количества правил фильтрации и развитием новых способов обхода ограничений.

В октябрьской публикации газета также привела данные проекта федерального бюджета: на федеральный проект «Инфраструктура кибербезопасности» в 2026–2029 годах планировалось выделить более 89,9 млрд рублей. Значительная часть финансирования предназначена для Главного радиочастотного центра, подведомственного Роскомнадзору, и развития системы АСБИ.

Применение машинного обучения может потребовать дополнительных вычислительных мощностей. Помимо оборудования DPI, необходимы системы сбора и хранения сетевой телеметрии, серверы для обучения моделей и механизмы распространения обновленных алгоритмов на узлы фильтрации.

Такая инфраструктура позволит регулярно анализировать изменения сетевого трафика и обновлять методы обнаружения VPN. При этом планы по расширению ТСПУ и внедрению машинного обучения существуют отдельно от обсуждавшегося показателя 95-процентной эффективности блокировок.

Что будет с инициативой Минцифры

По состоянию на 16 октября 2026 года предложение довести эффективность блокировки VPN до 95% отсутствует в актуальной редакции национального плана внедрения искусственного интеллекта. Представители Минцифры сообщили, что обсуждение различных инициатив продолжается, а окончательное содержание документа может отличаться от первоначальных предложений ведомств.

Роскомнадзор не предоставил «Коммерсанту» комментарий по поводу этих показателей. Информации об утверждении отдельной программы, предусматривающей именно 95-процентную эффективность блокировки VPN с помощью нейросетей, также нет.

Развитие инфраструктуры анализа трафика при этом остается частью планов ведомств на ближайшие годы. Предусмотрены увеличение пропускной способности ТСПУ, совершенствование механизмов фильтрации и внедрение технологий машинного обучения, которые могут использоваться для обнаружения зашифрованных соединений и новых VPN-сервисов.

Вопросы и ответы (FAQ)

Правда ли, что в России хотят блокировать 95% VPN с помощью ИИ?

В одной из редакций национального плана внедрения ИИ предлагалось повысить эффективность блокировки VPN до 95%. Минцифры сообщило, что в актуальной версии документа такой цели нет, а реализация инициативы не утверждена.

Какую долю VPN планировали анализировать нейросетями?

В проекте фигурировал показатель 70% от общего количества блокируемых VPN-сервисов. Предполагалось использовать ИИ для анализа их признаков и автоматизации обнаружения новых способов обхода ограничений.

Как нейросети могут обнаруживать VPN-трафик?

Модели машинного обучения могут анализировать размеры пакетов, интервалы между ними, продолжительность соединений и характеристики серверной инфраструктуры. На основе сочетания этих признаков система классифицирует соединения и выявляет вероятные VPN-подключения.

Могут ли ограничения затронуть корпоративные VPN?

Эксперты предупреждают о риске ложных срабатываний, поскольку корпоративные защищенные подключения и некоторые облачные сервисы могут иметь характеристики, похожие на трафик инструментов обхода блокировок. При массовой фильтрации такие ошибки способны нарушать доступ к рабочим системам и приложениям.

Сколько планируют потратить на фильтрацию трафика с помощью машинного обучения?

В январе сообщалось о планах Роскомнадзора направить 2,27 млрд рублей на создание и внедрение соответствующего механизма в 2026 году. Кроме того, Минцифры предусматривает расширение мощности системы АСБИ до 954 Тбит/с к 2030 году.