MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko
l.zahoruiko@donnu.edu.uaVinnytsia National Technical University (Ukraina)
https://orcid.org/0000-0002-6958-8696
Tetiana Martianova
Vinnytsia Regional Youth Centre Kvadrat (Ukraina)
Mohammad Al-Hiari
Jadara University (Jordania)
https://orcid.org/0009-0002-2770-5417
Lyudmyla Polovenko
Vinnytsia National Technical University (Ukraina)
https://orcid.org/0000-0002-9909-825X
Maiia Kovalchuk
Vinnytsia National Technical University (Ukraina)
Svitlana Merinova
Vinnitsia Institute of Trade and Economics of Kyiv National University of Trade and Economics. (Ukraina)
Volodymyr Shakhov
Vinnytsia Mykhailo Kotsiubynskyi State Pedagogical University (Ukraina)
https://orcid.org/0000-0003-1535-2802
Bakhyt Yeraliyeva
M. Kh. Dulaty Taraz Regional University (Kazachstan)
Abstrakt
W artykule omówiono zasady tworzenia modelu matematycznego i architektury systemu poprzez zastosowanie metody sztucznej inteligencji do wykrywania cyberataków na systemy teleinformatyczne, gdzie wykorzystywana jest sieć neuronowa zdolna do uczenia się i wykrywania cyberataków. Proponowane podejście, oparte na zastosowaniu opracowanego modelu matematycznego i architektury sztucznych sieci neuronowych, jako detektora ataków sieciowych na systemy teleinformatyczne, pozwala na zwiększenie poziomu wykrywania włamań sieciowych do systemów komputerowych, zasobów sieciowych i internetowych. Zaproponowano algorytm przetwarzania parametrów ruchu sieciowego w systemach czasu rzeczywistego poprzez strukturyzację sieci neuronowej, co pozwala na optymalizację redundancji jej wielopoziomowej struktury na poziomie połączeń międzyelementowych.
Słowa kluczowe:
sieci neuronowe, ruch sieciowy, połączenie sieciowe, cyberatak, system teleinformatycznyBibliografia
[1] Andrushchenko M. et al.: Hand Movement Disorders Tracking By Smartphone Based On Computer Vision Methods. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska – IAPGOS 14(2), 2024, 5–10 [https://doi.org/10.35784/iapgos.6126].
DOI: https://doi.org/10.35784/iapgos.6126
Google Scholar
[2] Avrunin O. et al.: Improving the methods for visualization of middle ear pathologies based on telemedicine services in remote treatment. IEEE KhPI Week on Advanced Technology – KhPI Week 2020, 347–350 [https://doi:10.1109/KhPIWeek51551.2020.9250090].
DOI: https://doi.org/10.1109/KhPIWeek51551.2020.9250090
Google Scholar
[3] Bezobrazov S. et al.: Artificial intelligence for sport activitity recognition. 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications – IDAACS 2019, V. 2, 628–632.
DOI: https://doi.org/10.1109/IDAACS.2019.8924243
Google Scholar
[4] Bisikalo O. et al.: Parameterization of the Stochastic Model for Evaluating Variable Small Data in the Shannon Entropy Basis. Entropy 25, 2023, 184 [https://doi.org/10.3390/e25020184].
DOI: https://doi.org/10.3390/e25020184
Google Scholar
[5] Dhangar K., Kulhare D., Khan A. A.: Proposed Intrusion Detection System. International Journal of Computer Applications 65(23), 2013, 46–50.
Google Scholar
[6] Emelyanova Yu. G. et al.: Neural network technology for detecting network attacks on information resources. Software systems: theory and applications 3(7), 2011, 3–15.
Google Scholar
[7] Haykin S.: Neural Networks and Learning Machines. Pearson Education, 2009.
Google Scholar
[8] Kolodchak O. M.: Modern methods of detecting anomalies in intrusion detection systems. Bulletin of the Lviv Polytechnic National University. Series "Computer Systems and Networks" 745, 2012, 98–104.
Google Scholar
[9] Korobiichuk I. et al.: Cyberattack classificator verification. Advanced Solutions in Diagnostics and Fault Tolerant Control, Springer International Publishing, 2018, 402–411.
DOI: https://doi.org/10.1007/978-3-319-64474-5_34
Google Scholar
[10] Lee J. et al.: Cyber Threat Detection Based on Artificial Neural Networks Using Event Profiles. IEEE Access 7, 2019, 165607–165626 [https://doi.org/10.1109/ACCESS.2019.2953095].
DOI: https://doi.org/10.1109/ACCESS.2019.2953095
Google Scholar
[11] Likhouzova T. A., Nosenko K. M., Pivtorak O. I.: Review of attack detection systems in network traffic. Adaptive automatic control systems 1(24), 2014, 67–75.
Google Scholar
[12] Meleshko Ye.: Method of collaborative filtration based on associative networks of users similarity. Advanced information systems 2(4), 2018, 55–59.
DOI: https://doi.org/10.20998/2522-9052.2018.4.09
Google Scholar
[13] Naseer S., Saleem Y., Khalid S.: Enhanced network anomaly detection based on deep neural networks. IEEE Access 6, 2018, 48231–48246.
DOI: https://doi.org/10.1109/ACCESS.2018.2863036
Google Scholar
[14] Pakhomova V. M., Konnov M. S.: Research of two approaches to detect network attacks using neural network technologies. Science and Transport Progress 3(87), 2020, 81–93.
DOI: https://doi.org/10.15802/stp2020/208233
Google Scholar
[15] Shestak Ya. et al.: Minimization of Information Losses in Data Centers as one of the Priority Areas of Information Security Technologies. IEEE 9th International Conference on Problems of Infocommunications, Science and Technology – PIC S&T, 2022, 227–230.
DOI: https://doi.org/10.1109/PICST57299.2022.10238649
Google Scholar
[16] Timchenko L. I. et al.: Approach to parallel-hierarchical network learning for real-time image sequences recognition, Proc. Machine Vision Systems for Inspection and Metrology VII, Boston (Massachusetts USA), 1999.
DOI: https://doi.org/10.1117/12.360283
Google Scholar
[17] Timchenko L. et al.: Q-processors for real-time image processing. Proc. SPIE 11581, 2020, 115810F.
Google Scholar
[18] Turlykozhayeva D. et al.: Routing Algorithm for Software Defined Network Based on Boxcovering Algorithm. 10th International Conference on Wireless Networks and Mobile Communications – WINCOM, 2023.
DOI: https://doi.org/10.1109/WINCOM59760.2023.10322960
Google Scholar
[19] Turlykozhayeva D. et al.: Routing metric and protocol for wireless mesh network based on information entropy theory. Eurasian Physical Technical Journal 46, 2008, 90–98.
Google Scholar
[20] Ulichev O. S. et al.: Computer modeling of dissemination of informational influences in social networks with different strategies of information distributors. Proc. SPIE 11176, 2019, 111761T.
DOI: https://doi.org/10.1117/12.2536480
Google Scholar
[21] Wu Y., Wei D., Feng J.: Network Attacks Detection Methods Based on Deep Learning Techniques: A Survey, Wiley, Open Access, 2020 [https://doi.org/10.1155/2020/8872923].
DOI: https://doi.org/10.1155/2020/8872923
Google Scholar
[22] Zh Z. Z. et al.: Cluster router based on eccentricity, Eurasian Physical Technical Journal 19(3(41)), 2022, 84–90.
DOI: https://doi.org/10.31489/2022No3/84-90
Google Scholar
Autorzy
Lubov Zahoruikol.zahoruiko@donnu.edu.ua
Vinnytsia National Technical University Ukraina
https://orcid.org/0000-0002-6958-8696
Autorzy
Tetiana MartianovaVinnytsia Regional Youth Centre Kvadrat Ukraina
Autorzy
Lyudmyla PolovenkoVinnytsia National Technical University Ukraina
https://orcid.org/0000-0002-9909-825X
Autorzy
Maiia KovalchukVinnytsia National Technical University Ukraina
Autorzy
Svitlana MerinovaVinnitsia Institute of Trade and Economics of Kyiv National University of Trade and Economics. Ukraina
Autorzy
Volodymyr ShakhovVinnytsia Mykhailo Kotsiubynskyi State Pedagogical University Ukraina
https://orcid.org/0000-0003-1535-2802
Autorzy
Bakhyt YeraliyevaM. Kh. Dulaty Taraz Regional University Kazachstan
Statystyki
Abstract views: 89PDF downloads: 41
Inne teksty tego samego autora
- Roman Kvуetnyy, Yuriy Bunyak, Olga Sofina, Oleksandr Kaduk, Orken Mamyrbayev, Vladyslav Baklaiev, Bakhyt Yeraliyeva, OPTYMALIZACJA OFERT REKLAMOWYCH POPRZEZ UKIERUNKOWANIE W OPARCIU O SAMOUCZĄCĄ SIĘ BAZĘ DANYCH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 4 (2023)
- Petr Lezhniuk, Viacheslav Komar, Iryna Hunko, Daniyar Jarykbassov, Dinara Tussupzhanova, Bakhyt Yeraliyeva, Nazbek Katayev, NATURALNY MODEL SYMULACYJNY GENERACJI STACJI FOTOWOLTAICZNEJ W PROCESIE BILANSOWANIA ENERGII ELEKTRYCZNEJ W SYSTEMIE ELEKTROENERGETYCZNYM , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 3 (2022)
- Kostyantyn Ovchynnykov, Oleksandr Vasilevskyi, Volodymyr Sevastianov, Yurii Polievoda, Aliya Kalizhanova, Bakhyt Yeraliyeva, WYZNACZANIE OPTYMALNEJ CZĘSTOTLIWOŚCI PIERWOTNYCH PRZETWORNIKÓW POMIAROWYCH DO POMIARU GRUBOŚCI POWŁOK DIELEKTRYCZNYCH NA POWIERZCHNIACH METALOWYCH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 2 (2022)
- Serhii Zakharchenko, Tetiana Korobeinikova, Aigul Tungatarova, Bakhyt Yeraliyeva, NOWA METODA KALIBRACJI ON-LINE PRZETWORNIKA AC METODĄ KOLEJNYCH APROKSYMACJI , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 2 (2022)
