АЛГОРИТМ КЛАСТЕРИЗАЦИИ ДАННЫХ ДЛЯ ЗАЩИТЫ КОНФИДЕНЦИАЛЬНОЙ ИНФОРМАЦИИ В СЕТИ ИНТЕРНЕТ
Аннотация
Статья посвящена решению научной задачи защиты конфиденциальной информации
в сети Интернет на основе алгоритма кластеризации значительных объемов данных. За-
щита конфиденциальной информации компьютерной сети является актуальной темой для
исследований, особенно в связи с растущим использованием информационных технологий и
увеличением объема данных ценной информации, хранящейся в Интернете. С ростом ин-
формационной ответственности необходимость в эффективных методах информационной безопасности компьютерных сетей стала критически важной. В данной научной ста-
тье авторы предлагают решение задачи защиты конфиденциальной информации компью-
терных сетей на основе алгоритма кластеризации больших данных. Традиционные методы
обнаружения вторжений имеют такие ограничения, как способность работать только с
одно- или двумерными данными, а также имеют сильную зависимость от предваритель-
ных знаний. Авторы для устранения этих ограничений предлагают эвристический алго-
ритм обнаружения вторжений, который использует кластеризацию на основе облачной
модели. Предлагаемый алгоритм использует преимущества как маркированных, так и не-
маркированных образцов для кластеризации данных, тем самым уменьшая зависимость от
априорных знаний. Результаты вычислительного эксперимента, проведенного на предло-
женном алгоритме, сравнивались с несколькими каноническими алгоритмами обнаружения
вторжений. Результаты показали, что предложенный алгоритм улучшил производитель-
ность системы обнаружения вторжений, повысил точность обнаружения, снизил часто-
ту ложных тревог и усилил надежность системы. Метод динамического взвешивания,
используемый в алгоритме, устранил сложность высокоуровневой обработки данных и
позволил алгоритму самообучаться, что привело к формированию относительно стабиль-
ной облачной модели. Несмотря на значительное улучшение производительности предло-
женного алгоритма по сравнению с каноническими алгоритмами кластеризации, резуль-
таты исследования также показали, что у алгоритма есть некоторые ограничения, та-
кие как высокий процент ложных срабатываний и чувствительность к данным с опреде-
ленными видами распределения. Для устранения этих недостатков необходимо дальнейшее
усовершенствование алгоритма. В целом, предложенный эвристический алгоритм обна-
ружения вторжений с кластеризацией на основе облачной модели представляет собой
перспективное решение для защиты конфиденциальной информации компьютерных сетей.
Литература
Knowledge Search and Processing, Intelligent Information Technologies for Industry, 2016,
Vol. 1, pp. 287-295.
2. Lipinskiy A.P. Obespechenie konfidentsial'nosti informatsii, poluchaemoy pri proizvodstve
sledstvennykh deystviy [Ensuring the confidentiality of information obtained in the course of
investigative actions], Vestnik Udmurtskogo universiteta. Seriya Ekonomika i pravo [Bulletin
of the Udmurt University. Series Economics and Law], 2021, Vol. 31, No. 5, pp. 856-860.
3. Babieva N.A. Informatsionnaya bezopasnost' lichnosti i voprosy zashchity konfidentsial'noy
informatsii [Information security of the individual and issues of confidential information protection],
Sborniki konferentsiy NITS Sotsiosfera [Collections of conferences of the Research
Center Sociosphere], 2016, No. 31, pp. 66-68.
4. Kravchenko Yu.A., Natskevich A.N., Kursitys I.O. Busting bioinspirirovannykh algoritmov
dlya resheniya zadachi klasterizatsii [Boosting bioinspired algorithms for solving the clustering
problem], Mezhdunarodnaya konferentsiya po myagkim vychisleniyam i izmereniyam [International
Conference on Soft Computing and Measurements], 2018, Vol. 1, pp. 777-780.
5. Lobchikova A.S. Zashchita konfidentsial'noy informatsii pri ee peredache po otkrytym kanalam
svyazi [Protecting confidential information during its transmission over open communication
channels], Novaya nauka: Problemy i perspektivy [New Science: Problems and Perspectives],
2017, Vol. 2, No. 3, pp. 147-149.
6. Sadullaev U.B. Problemy zashchity konfidentsial'noy informatsii [Problems of protection of
confidential information], Rostovskiy nauchnyy zhurnal [Rostov scientific journal], 2019,
No. 1, pp. 196-203.
7. Dulya I.S. Primenenie metodov glubokogo obucheniya k zadache klasterizatsii vremennykh
ryadov [Application of deep learning methods to the problem of time series clustering], Alleya
nauki [Alley of Science], 2021, Vol. 1, No. 5 (56), pp. 974-978.
8. Bova V.V., Kuliev E.V., Shcheglov S.N. Metod semanticheskoy klasterizatsii raspredelennykh
resursov znaniy s dinamicheskimi komponentami na osnove kontentnoy fil'tratsii [The method
of semantic clustering of distributed knowledge resources with dynamic components based on
content filtering], Informatika, vychislitel'naya tekhnika i inzhenernoe obrazovanie [Informatics,
Computer Science and Engineering Education], 2019, No. 1 (34), pp. 30-42.
9. Kozlova O.A. Metody klasterizatsii v zadachakh otsenki tekhnicheskogo sostoyaniya
telekommunikatsionnogo oborudovaniya [Clustering methods in the problems of assessing the
technical condition of telecommunication equipment], Mezhdunarodnaya konferentsiya po
myagkim vychisleniyam i izmereniyam [International Conference on Soft Computing and
Measurements], 2014, Vol. 1, pp. 95-96.
10. Solov'ev A.S. Otsenki, analiz, klasterizatsiya i upravlenie v ierarkhicheskikh strukturakh [Evaluation,
analysis, clustering and management in hierarchical structures], Ekonomika i sotsium
[Economy and Society], 2021, No. 4-2 (83), pp. 404-419.
11. Boyko E.A. Klasterizatsiya sotsial'nykh setey s pomoshch'yu algoritma klasterizatsii BSP
[Clustering of social networks using the BSP clustering algorithm ], Vostochno-Evropeyskiy
zhurnal peredovykh tekhnologiy [Eastern European Journal of Advanced Technologies], 2012,
Vol. 3, No. 11 (57), pp. 34-36.
12. Giordano J., O’Reilly M., Taylor H., Dogra N. Confidentiality and autonomy: The challenge(
s) of offering research participants a choice of disclosing their identity, Qualitative
Health Research, 2007, 17, pp. 264-275.
13. He Z., Cai Z., and Yu J. Latent-data privacy preserving with customized data utility for social
network data, IEEE Transactions on Vehicular Technology, 2017, Vol. PP, No. 99, pp. 1-10.
14. Omran M.G.H., Engelbrecht A.P., Salman A. An overview of clustering methods, Intelligent
Data Analysis, 2007, Vol. 11, No. 6, pp. 583-605.
15. Crotty B.H., Mostaghimi A. Confidentiality in the digital age, BMJ, 2014, Vol. 348.
16. Alekseev D.M., Minyuk A.N., Shumilin A.S. Zashchita konfidentsial'noy informatsii v oblachnoy
meditsinskoy informatsionnoy sisteme [Protection of confidential information in a cloud-based
medical information system], Innovatsionnaya nauka [Innovative Science], 2020, No. 6.
17. Egoshin N.S. et al. A Model of Threats to the Confidentiality of Information Processed in Cyberspace
Based on the Information Flows Model, Symmetry, 2020, Vol. 12, No. 11, pp. 1840.
18. Livraga G., Viviani M. Data confidentiality and information credibility in on-line ecosystems,
Proceedings of the 11th International Conference on Management of Digital EcoSystems,
2019, pp. 191-198.
19. Ge J., Liu J. Security assessment algorithm of navigation control system based on big data,
Journal of coastal research, 2019, Vol. 93, pp. 1026-1033.
20. Deng H. Multicriteria analysis with fuzzy pairwise comparison, International Journal of Approximate
Reasoning, 1999, 21 (3), pp. 215-231
21. Danilowicz C., Nguyen N. Consensus Methods for Solving Inconsistency of Replicated Data in
Distributed Systems, Distributed and Parallel Databases, 2003, Vol. 14, pp. 53-69.
22. Paixao M.P., Silva L. Elias G. Clustering Large-Scale Distributed Software Component Repositories,
Proc. the Fourth Int'l Conf. Advances in Databases Knowledge and Data Applications,
2012, pp. 124-129.
