Аналіз мережевого трафіку як засіб детектування кіберзагроз

М.М. Павлюк

doi:10.15330/itee.2024.1.03

Автор(и)

М.М. Павлюк Прикарпатський національний університет імені Василя Стефаника https://orcid.org/0009-0002-1072-1912

DOI:

https://doi.org/10.15330/itee.2024.1.03

Ключові слова:

кібербезпека, мережевий трафік, виявлення вторгнень, машинне навчання, нейронні мережі, аномалії, PCA, зниження розмірності, обробка даних у реальному часі, IoT

Анотація

У роботі розглянуто методи та алгоритми виявлення кіберзагроз на основі аналізу мережевого трафіку з використанням машинного навчання та штучного інтелекту. Проведено оцінку ефективності статистичних методів, ансамблевих моделей і нейронних мереж для ідентифікації аномалій та нестандартних поведінкових патернів. Основну увагу приділено оптимізації обчислювальних процесів при збереженні точності прогнозування. Запропоновано архітектуру системи збору та обробки даних у режимі реального часу.

Посилання

D. Regalado, S. Harris, A. Harper, C. Eagle, J. Ness, B. Spasojevic, R. Linn та S. Sims, Gray Hat Hacking The Ethical Hacker's Handbook, Fourth Edition, McGraw Hill, 2022.

A. Divekar, M. Parekh, V. Savla, R. Mishra, and M. Shirole, “Benchmarking datasets for Anomaly-based Network Intrusion Detection: KDD CUP 99 alternatives,” in 2018 IEEE 3rd Int. Conf. Comput., Communication Secur. (ICCCS), Kathmandu, Oct. 25–27, 2018. IEEE, 2018. doi: https://doi.org/10.1109/cccs.2018.8586840.

P. Singh, J. J. P, A. Pankaj, and R. Mitra, “Edge-Detect: Edge-Centric Network Intrusion Detection using Deep Neural Network,” in 2021 IEEE 18th Annu. Consum. Commun. Netw. Conf. (CCNC), Las Vegas, NV, USA, Jan. 9–12, 2021. IEEE, 2021. doi: https://doi.org/10.1109/ccnc49032.2021.9369469.

T. Chen and C. Guestrin, “XGBoost,” in KDD '16: 22nd ACM SIGKDD Int. Conf. Knowl. Discovery Data Mining, San Francisco California USA. New York, NY, USA: ACM, 2016. doi: https://doi.org/10.1145/2939672.2939785.

T. Hu and T. Song, “Research on XGboost academic forecasting and analysis modelling,” J. Phys.: Conf. Ser., vol. 1324, p. 012091, Oct. 2019. doi: https://doi.org/10.1088/1742-6596/1324/1/012091.

M. R. Machado, S. Karray, and I. T. de Sousa, “LightGBM: an Effective Decision Tree Gradient Boosting Method to Predict Customer Loyalty in the Finance Industry,” in 2019 14th Int. Conf. Comput. Sci. Educ. (ICCSE), Toronto, ON, Canada, Aug. 19–21, 2019. IEEE, 2019. doi: https://doi.org/10.1109/iccse.2019.8845529.

W. Richert та L. P. Coelho, Building Machine Learning Systems with Python, Packt, 2013.

T. T. Teoh and Z. Rong, Artificial Intelligence with Python. Singapore: Springer Singap., 2022. doi: https://doi.org/10.1007/978-981-16-8615-3.

H. Jones, An Essential Beginners Guide to Artificial Neural Networks and Their Role in Machine Learning and Artificial Intelligence, CreateSpace Independent Publishing Platform, 2018.