Штучний Інтелект у Задачах Виявлення Мережевих Атак

Article Sidebar

PDF
Published: 26.08.2026

Main Article Content

Онацький Олексій Віталійович
Державний університет інтелектуальних технологій і зв’язку
Демовський Артем Віталійович
Державний університет інтелектуальних технологій і зв’язку

Abstract

Мережеві системи виявлення вторгнень (NIDS) виконують функцію безперервного аналізу мережевих подій з метою виявлення ознак несанкціонованої або аномальної активності. Класичні підходи ґрунтуються на сигнатурному аналізі, аналізі стану протоколів і виявленні аномалій. Сигнатурний механізм забезпечує високу точність для відомих атак, але залежить від актуальності бази правил. Аномальний підхід формує модель нормальної або шкідливої поведінки та оцінює відхилення нових спостережень від цієї моделі. Саме ця постановка створила основу для використання статистичних методів, машинного навчання та глибоких нейронних мереж у мережевому моніторингу.

Downloads

Download data is not yet available.

Article Details

Data Availability Statement

Усі дані, що підтверджують результати дослідження, наведені у тексті наукової роботи.

Issue

No. 307 (2026): 8th ISPC «Recent Advances in Global Science» (August 26-28, 2026; Vilnius, Lithuania).

Section

Information and Web technologies
Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Author Biographies

Онацький Олексій Віталійович, Державний університет інтелектуальних технологій і зв’язку

кандидат технічних наук, доцент кафедри кібербезпеки та технічного захисту інформації

Демовський Артем Віталійович, Державний університет інтелектуальних технологій і зв’язку

студент ІІ курсу

How to Cite

Онацький, О., & Демовський, А. (2026). Штучний Інтелект у Задачах Виявлення Мережевих Атак. Scientific Collection «InterConf», 307, 102–106. https://interconf.openpubarchive.com/index.php/proceeding/article/view/68

References

Buczak A. L., Guven E. A Survey of Data Mining and Machine Learning Methods for Cyber Security Intrusion Detection. IEEE Communications Surveys & Tutorials. 2016. Vol. 18, No. 2. P. 1153–1176. DOI: 10.1109/COMST.2015.2494502.

Khraisat A., Gondal I., Vamplew P., Kamruzzaman J. Survey of Intrusion Detection Systems: Techniques, Datasets and Challenges. Cybersecurity. 2019. Vol. 2. Article 20. DOI: 10.1186/s42400-019-0038-7.

Sommer R., Paxson V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection. 2010 IEEE Symposium on Security and Privacy. 2010. P. 305–316. DOI: 10.1109/SP.2010.25.

Ring M., Wunderlich S., Scheuring D., Landes D., Hotho A. A Survey of Network-Based Intrusion Detection Data Sets. Computers & Security. 2019. Vol. 86. P. 147–167. DOI: 10.1016/j.cose.2019.06.005.

Chaabouni N., Mosbah M., Zemmari A., Sauvignac C., Faruki P. Network Intrusion Detection for IoT Security Based on Learning Techniques. IEEE Communications Surveys & Tutorials. 2019. Vol. 21, No. 3. P. 2671–2701. DOI: 10.1109/COMST.2019.2896380.

Neto E. C. P., Dadkhah S., Ferreira R., Zohourian A., Lu R., Ghorbani A. A. CICIoT2023: A Real-Time Dataset and Benchmark for Large-Scale Attacks in IoT Environment. Sensors. 2023. Vol. 23, No. 13. Article 5941. DOI: 10.3390/s23135941.

Ferrag M. A., Maglaras L., Moschoyiannis S., Janicke H. Deep Learning for Cyber Security Intrusion Detection: Approaches, Datasets, and Comparative Study. Journal of Information Security and Applications. 2020. Vol. 50. Article 102419. DOI: 10.1016/j.jisa.2019.102419.

Shone N., Ngoc T. N., Phai V. D., Shi Q. A Deep Learning Approach to Network Intrusion Detection. IEEE Transactions on Emerging Topics in Computational Intelligence. 2018. Vol. 2, No. 1. P. 41–50. DOI: 10.1109/TETCI.2017.2772792.

Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey. ACM Computing Surveys. 2009. Vol. 41, No. 3. Article 15. DOI: 10.1145/1541880.1541882.

García-Teodoro P., Díaz-Verdejo J., Maciá-Fernández G., Vázquez E. Anomaly-based Network Intrusion Detection: Techniques, Systems and Challenges. Computers & Security. 2009. Vol. 28, No. 1–2. P. 18–28. DOI: 10.1016/j.cose.2008.08.003.

Liao H.-J., Lin C.-H. R., Lin Y.-C., Tung K.-Y. Intrusion Detection System: A Comprehensive Review. Journal of Network and Computer Applications. 2013. Vol. 36, No. 1. P. 16–24. DOI: 10.1016/j.jnca.2012.09.004.