Найти

Результаты поиска

• МЕТОД ОБНАРУЖЕНИЯ КОМПЬЮТЕРНЫХ АТАК НА ОСНОВЕ МОДЕЛИ АУГМЕНТАЦИИ ДАННЫХ СЕТЕВОГО ТРАФИКА H-DDPM

  А. В. Балыбердин

  2026-07-07

  Аннотация ▼

  Рассматривается задача повышения выявления компьютерных атак (КА) системой обнаружения вторжений при значительном дисбалансе данных сетевого трафика. На основе проведенного анализа методов снижения дисбаланса данных сделан вывод, что классические методы балансировки и генеративной аугментации не обеспечивают сохранение статистической структуры многомерных табличных данных, в том числе их фрактальных свойств и самоподобия, что снижает качество обучения классификатора. В работе предлагается метод обнаружения компьютерных атак (КА) на основе модели аугментации данных H-DDPM, представляющей собой модификацию диффузионной вероятностной модели DDPM, в которой дисперсия добавляемого гауссова шума в прямом процессе зависит от показателя Херста H для каждого класса КА. Метод включает предобработку данных, формирование временных рядов по скользящим окнам, оценку H методами DFA и R/S и генерацию синтетических данных для обучения классификатора LSTM. Метод оценивается по общим метрикам эффективности Accuracy, Recall, F1, ROC-AUC и G-means, а также Precision, Recall и F1-score для классов. Эксперименты проведены на наборах CSE-CSE-CIC-IDS2018 и UNSW-NB15. Выполнено сравнение с другими методами, такими как SMOTE, GAN и DDPM. Результаты экспериментов показывают, что H-DDPM повышает эффективность обнаружения КА, превосходя аналогичные методы по метрикам, чувствительным к дисбалансу. Также, на основе экспериментальных проверок показано, что непосредственно применение показателей Херста H для классов КА в модели H-DDPM повышает полноту и сбалансированное качество обнаружения КА. Отмечено, что H-DDPM оказывает влияние на классификацию КА, проявляющееся в росте ложноположительных срабатываний и снижении метрики ROC-AUC, что требует дополнительной настройки гиперпараметров модели классификатора и фильтрации синтетических данных

• АНАЛИЗ ЗАШИФРОВАННОГО СЕТЕВОГО ТРАФИКА НА ОСНОВЕ ВЫЧИСЛЕНИЯ ЭНТРОПИИ И ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ КЛАССИФИКАТОРОВ

  В.А. Буковшин , П. А. Чуб , Д.А. Короченцев , Л.В. Черкесова , Н. В. Болдырихин , О.А. Сафарьян

  2021-02-13

  Аннотация ▼

  Анализ сетевого трафика позволяет решить множество задач, таких как: определе-
  ние закономерности передачи данных по сети, сбор статистики об использовании веб–
  приложений, мониторинг и дальнейшее исследование сетевой нагрузки, определение потен-
  циальных вредоносных программных средств и сетевых атак и т.д. На данный момент до
  40% Интернет–траффика принадлежит неизвестным приложениям. Это говорит о том,
  что для области анализа сетевого трафика задача классификации приложений приобрела
  особую важность. Совершенствование программного обеспечения в области сетевых тех-
  нологий способствовало обнаружению серьёзных уязвимостей в реализации некоторых
  сетевых протоколов, а именно: TCP и HTTP. С помощью анализаторов сетевого трафика
  злоумышленник получал доступ к содержимому пакетов данных, передающихся по сети.
  Однако с повышением квалификации информационного сообщества в области компьютер-
  ной безопасности, а также с развитием стандартов сетевых технологий, анализ сетевого
  трафика заметно усложнился. Возросшее применение математических методов защиты
  информации, таких как симметричные и ассиметричные криптографические протоколы,
  привела к тому, что большинство подходов к анализу сетевого трафика потеряли значение и
  перестали применяться. Поэтому актуален поиск новых решений задачи классификации
  сетевого трафика с учетом возможности его шифрования. Статья посвящена описанию
  нового смешанного подхода к анализу сетевого трафика, основанного на совокупном ис-
  пользовании теории информации и алгоритмов машинного обучения. Также приводится
  сравнительный анализ предложенного метода с уже существующими подходами, основан-
  ными как на теории информации, так и на машинном обучении. Целью исследований явля-
  ется разработка алгоритма, основанного на интеллектуальном подходе к анализу сетево-
  го трафика. Предлагаемый алгоритм базируется на вычислении энтропии и применении
  нейросетевых классификаторов. Задачи исследований включают: проведение теоретиче-
  ского обоснования предложенного подхода в области теории информации, а также алго-
  ритмов машинного обучения; проведение структурного описания реализованных алгоритмов
  вычисления энтропии и классификации приложений, генерирующих зашифрованный траф-
  фик; сравнительный анализ предложенного алгоритма с уже существующими подходами к
  анализу зашифрованного сетевого трафика. Результатом исследований является новый
  алгоритм, позволяющий с высокой степенью достоверности классифицировать различные
  виды зашифрованного трафика.