АНАЛІЗ МОДЕЛЕЙ ВИЯВЛЕННЯ ВТОРГНЕНЬ НА ОСНОВІ НЕЙРОМЕРЕЖ У СИСТЕМАХ ІНТЕРНЕТУ РЕЧЕЙ

Oleksandr Zakovorotnyi; Andrii Khulap

doi:10.26906/SUNZ.2025.2.125

Автор(и)

Oleksandr Zakovorotnyi
Andrii Khulap

DOI:

https://doi.org/10.26906/SUNZ.2025.2.125

Ключові слова:

нейромережа, розпізнавання втручань, мережевий трафік, набори даних, аналіз

Анотація

Стрімкий ріст популярності систем інтернету речей робить проблему підвищення безпеки все більш значущою. Але через те, що більшість сенсорів та виконавчих пристроїв базуються на енергоефективних мікроконтролерах, використання популярних моделей виявлення вторгнень на основі нейромереж практично неможливе для таких пристроїв. Мета даної роботи полягає в аналізі існуючих систем виявлення вторгнень на основі мережевої інформації з точки зору використання в енергоефективних мікроконтролерах з обмеженими обчислювальними можливостями. Отримані наступні результати: переважна більшість досліджень пропонують масштабні моделі нейромереж, які неможливо використати у малих мікроконтролерах. Проводяться тільки дослідження ефективності, але не швидкодії або споживання ресурсів. Але у декількох роботах запропоновано зниження кількості параметрів мережевих протоколів, на основі яких проводиться розпізнавання, та проведено аналіз впливу цього зниження на ефективність розпізнавання. Також визначені найпопулярніші загальнодоступні набори даних, які можна використовувати для порівняння ефективності виявлення вторгнень. Висновки: моделі нейромереж, які використовують скорочений набір мережевих параметрів для розпізнавання, в поєднанні з оптимізацією обчислень нейромереж є перспективним напрямом подальших досліджень. При використанні загальнодоступних наборів даних можна проводити порівняння з рішеннями, які вже існують.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Khanna, A., Kaur, S. (2020), “Internet of Things (IoT), Applications and Challenges: A Comprehensive Review”, Wireless Pers Commun 114, 1687–1762, doi: https://doi.org/10.1007/s11277-020-07446-4

2. Kumar, S., Tiwari, P. & Zymbler, M. (2019), “Internet of Things is a revolutionary approach for future technology enhancement: a review”, J Big Data 6, 111, doi: https://doi.org/10.1186/s40537-019-0268-2

3. Choudhary, A. (2024), “Internet of Things: a comprehensive overview, architectures, applications, simulation tools, challenges and future directions”, Discov Internet Things 4, 31, doi: https://doi.org/10.1007/s43926-024-00084-3

4. (2023), “IoT Security: 15 Types of Attacks with Real-World Examples”, Inovasense, url: https://www.inovasense.com/15-types-of-attacks-with-real-world-examples/

5. Chakraborty, S., Pandey, S.K., Maity, S. (2024), “Detection and Classification of Novel Attacks and Anomaly in IoT Network using Rule based Deep Learning Model”, SN COMPUT. SCI. 5, 1056, doi: https://doi.org/10.1007/s42979-024-03429-5

6. Bensaoud, A., Kalita, J. (2025), “Optimized detection of cyber-attacks on IoT networks via hybrid deep learning models”, Ad Hoc Networks 170: 103770, doi: https://doi.org/10.48550/arXiv.2502.11470

7. Almohaimeed, M.; Albalwy, F. (2024), “Enhancing IoT Network Security Using Feature Selection for Intrusion Detection Systems”, Appl. Sci., 14, 11966, doi: https://doi.org/10.3390/app142411966

8. Newman, R.C. (2009), “Computer Security: Protecting Digital Resources”, Jones & Bartlett Learning, url: https://www.jblearning.com/catalog/productdetails/9780763759940?srsltid=AfmBOop8BLj-VJGp7IKaVkbLmnhpqhMjpdoF-8hPzKwlAPyfAaoVcuUQ

9. Thottan M., Chuanyi Ji. (2003), "Anomaly detection in IP networks", IEEE Transactions on Signal Processing, vol. 51, no. 8, pp. 2191-2204, doi: https://doi.org/10.1109/TSP.2003.814797

10. Dong, H., Kotenko, I. (2025), “Cybersecurity in the AI era: analyzing the impact of machine learning on intrusion detection”, Knowl Inf Syst, doi: https://doi.org/10.1007/s10115-025-02366-w

11. Ajagbe, S.A., Awotunde, J.B. & Florez, H. (2024), “Intrusion Detection: A Comparison Study of Machine Learning Models Using Unbalanced Dataset”, SN COMPUT. SCI. 5, 1028, doi: https://doi.org/10.1007/s42979-024-03369-0

12. Hussein Ali, A., Charfeddine, M., Ammar, B. et al. (2024), “Unveiling machine learning strategies and considerations in intrusion detection systems: a comprehensive survey”, Frontiers in Computer Science, doi:https://doi.org/10.3389/fcomp.2024.1387354

13. Ring, M., Wunderlich, S., Grüdl, D. et al. (2017), “Flow-based benchmark data sets for intrusion detection”, ECCWS 2017 16th European Conference on Cyber Warfare and Security. Academic Conferences and publishing limited, url:https://books.google.com.ua/books?hl=uk&lr=&id=uFA8DwAAQBAJ&oi=fnd&pg=PA361&dq=intrusion+detection+based+on+network+data&ots=YUq_mFVm5C&sig=J12NbOfJq4fMxm7JXE-JWvFkmgM&redir_esc=y#v=onepage&q=intrusion%20detection%20based%20on%20network%20data&f=false

14. Mohammadpour, L., Ling, T. C., Liew, C. S., & Aryanfar, A. (2022), “A Survey of CNN-Based Network Intrusion Detection”, Applied Sciences, 12(16), 8162, doi: https://doi.org/10.3390/app12168162

15. Zhen Yang, Xiaodong Liu, Tong Li, Di Wu, Jinjiang Wang, Yunwei Zhao, Han Han. (2022), “A systematic literature review of methods and datasets for anomaly-based network intrusion detection”, Computers & Security, Volume 116, doi:https://doi.org/10.1016/j.cose.2022.102675

16. Chou D., Jiang, M. (2021), “A Survey on Data-driven Network Intrusion Detection”, ACM Computing Surveys (CSUR), Volume 54, Issue 9, doi: https://doi.org/10.1145/3472753

17. Abdi, M., Razzak, M. I., & Zaib, A. (2020), "Neural Networks for Network Intrusion Detection Systems: A Survey", Computers, Materials & Continua, 63(3), 1401-1420, doi: https://doi.org/10.32604/cmc.2020.011216

18. Zhang, Y., Wang, S., & Jin, X. (2019), "Deep Learning for Network Intrusion Detection Systems: A Survey." Future Generation Computer Systems, 101, 755-763, doi: https://doi.org/10.1016/j.future.2019.07.046

19. Siddiqui, M. K., Khan, M. A., & Zhang, L. (2020), "Challenges in the Real-Time Application of Neural Network-Based Intrusion Detection Systems.", International Journal of Computer Science and Network Security, 20(9), 56-63, doi:https://doi.org/10.22937/IJCSNS.2020.20.9.56

20. L. Nie, Z. Ning, X. Wang, X. Hu, J. Cheng and Y. Li (2020), "Data-Driven Intrusion Detection for Intelligent Internet of Vehicles: A Deep Convolutional Neural Network-Based Method", IEEE Transactions on Network Science and Engineering, vol. 7, no. 4, pp. 2219-2230, 1 Oct.-Dec. 2020, doi: https://doi.org/10.1109/TNSE.2020.2990984

21. Muneer, S., Farooq, U., Athar, A., Ahsan Raza, M., Ghazal, T.M., & Sakib, S. (2024), “A Critical Review of Artificial Intelligence Based Approaches in Intrusion Detection: A Comprehensive Analysis”, Journal of Engineering, doi:https://doi.org/10.1155/2024/3909173

22. Jia, Y., Wang, M. and Wang, Y. (2019), “Network intrusion detection algorithm based on deep neural network”, IET Inf. Secur., 2019, Vol. 13 Iss. 1, pp. 48-53, doi: https://doi.org/10.1049/iet-ifs.2018.5258

23. Zhang Y., Chen X., Jin L., Wang X., Guo D. (2019), "Network Intrusion Detection: Based on Deep Hierarchical Network and Original Flow Data", IEEE Access, vol. 7, pp. 37004-37016, doi: https://doi.org/10.1109/ACCESS.2019.2905041

24. Yang H., Wang F. (2019), "Wireless Network Intrusion Detection Based on Improved Convolutional Neural Network", IEEE Access, vol. 7, pp. 64366-64374, 2019, doi: https://doi.org/10.1109/ACCESS.2019.2917299

25. Al-Turaiki, I., Altwaijry, N. (2021), “A Convolutional Neural Network for Improved Anomaly-Based Network Intrusion Detection”, Big Data, 2021, Vol. 9, No. 3, pp. 233-252. doi: https://doi.org/10.1089/big.2020.0263

26. Mohammadpour, L., Ling, T.C., Liew, C.S., Aryanfar, A. A (2022), “Survey of CNN-Based Network Intrusion Detection”, Appl. Sci. 2022, 12, 8162, doi: https://doi.org/10.3390/app12168162

27. Komisarek, M., Pawlicki, M., Kozik, R., Hołubowicz, W., & Choraś, M. (2021), “How to Effectively Collect and Process Network Data for Intrusion Detection?”, Entropy, 23(11), 1532, doi: https://doi.org/10.3390/e23111532

28. Заковоротний, О.Ю., Хулап, А.В. (2024), “Оптимізація обчислення нейромереж за допомогою використання цілочисельної арифметики”, Системи управління, навігації та зв’язку, Том 2 № 76, doi:https://doi.org/10.26906/SUNZ.2024.2.090