kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2025-3(19)-14kaz44-2040Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОРИГИНАЛЬНАЯ СТАТЬЯ)AUTOMATION AND INFORMATION TECHNOLOGY (ORIGINAL ARTICLE)ИНТЕЛЛЕКТУАЛЬНЫЙ МЕТОД ПОСТОЯННОГО МОНИТОРИНГА БЕЗОПАСНОСТИ В СЕТЯХ IEEE 802.15.4 НА ОСНОВЕ АДАПТИВНОГО АНАЛИЗА АНОМАЛИЙINTELLIGENT METHOD OF CONTINUOUS SECURITY MONITORING IN IEEE 802.15.4 NETWORKS BASED ON ADAPTIVE ANOMALY ANALYSIShttps://orcid.org/0009-0009-4820-6132БажаевН. А.BazhayevN.

Нуржан Аманкулулы Бажаев – постдокторант

 010000, Республика Казахстан, г. Астана, улица К. Сатпаева, 2 

010000, Республика Казахстан, г. Астана, проспект Мангилик Ел, 55 В

Nurzhan Bazhayev – postdoctoral fellow

010000, Republic of Kazakhstan, Satbayev Street, Astana

010000, Republic of Kazakhstan, Astana, Mangilik El Avenue, 55 В

nurzhan_nfs@hotmail.comhttps://orcid.org/0000-0001-6006-4813ШайхановаА. К.ShaikhanovaA.

Айгуль Кайрулаевна Шайханова – PhD, профессор кафедры «Информационная безопасность»

010000, Республика Казахстан, г. Астана, улица К. Сатпаева, 2

Aigul Shaikhanova – PhD, Professor of the Information Security Department

010000, Republic of Kazakhstan, Satbayev Street, Astana

shaikhanova_ak@enu.kzhttps://orcid.org/0000-0003-0291-4685СатыбалдинаД. Ж.SatybaldinaD.

Дина Жагыпаровна Сатыбалдина – кандидат физико-математических наук, ассоциированный профессор

010000, Республика Казахстан, г. Астана, улица К. Сатпаева, 2

Dina Satybaldina – Candidate of Physical and Mathematical Sciences, Associate Professor

010000, Republic of Kazakhstan, Satbayev Street, Astana

dinasaty@gmail.comhttps://orcid.org/0009-0004-2567-173XБакеноваК. С.BakenovaK.

Камила Сериковна Бакенова – докторант кафедры «Информационная безопасность»

010000, Республика Казахстан, г. Астана, улица К. Сатпаева, 2 

Kamila Bakenova – PhD student of the Information Security Department

010000, Republic of Kazakhstan, Satbayev Street, Astana

bakenova.ks@enu.kzЕвразийский национальный университет им. Л.Н. Гумилева; АО «Государственная техническая служба»КазахстанL.N. Gumilyov Eurasian National University; State Technical Service JSCKazakhstanЕвразийский национальный университет им. Л.Н. ГумилеваКазахстанL.N. Gumilyov Eurasian National UniversityKazakhstan20250311202503(19)127134Copyright © Бажаев Н.А., Шайханова А.К., Сатыбалдина Д.Ж., Бакенова К.С., 20252025Бажаев Н.А., Шайханова А.К., Сатыбалдина Д.Ж., Бакенова К.С.Bazhayev N., Shaikhanova A., Satybaldina D., Bakenova K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/2040

Обеспечение безопасности беспроводных сетей стандарта IEEE 802.15.4 является одной из ключевых задач в развитии Интернета вещей (IoT). Учитывая ограниченные вычислительные ресурсы IoT-устройств, традиционные методы обнаружения атак, основанные на криптографических механизмах и детерминированных порогах, не всегда обеспечивают достаточный уровень защиты. В данной работе предлагается новый метод адаптивного мониторинга сетевого трафика, который сочетает модифицированную Z-оценку с учетом размера выборки и адаптивный Байесовский классификатор с динамической корректировкой вероятности атаки. Экспериментальное тестирование на данных, сгенерированных в среде NS-3, показало, что предложенный метод превосходит традиционные подходы по точности обнаружения атак, снижая коэффициент ложных срабатываний с 10.9% до 3.8%. Гибридная модель обеспечивает 94.7% точности классификации и 91.8% полноты обнаружения атак, что на 6.3% выше, чем у стандартного Байесовского классификатора. Полученные результаты демонстрируют перспективность использования предложенного метода в системах реального времени для мониторинга безопасности IoT-сетей. Разработанный подход позволяет адаптироваться к изменяющейся сетевой среде, снижая влияние случайных флуктуаций, что делает его эффективным решением для защиты сетей с низким энергопотреблением.

Securing IEEE 802.15.4 wireless networks is one of the key challenges in the development of the Internet of Things (IoT). Given the limited computational resources of IoT devices, traditional attack detection methods based on cryptographic mechanisms and deterministic thresholds do not always provide a sufficient level of protection. In this paper, we propose a novel method for adaptive network traffic monitoring that combines a modified Z-score with sample size consideration and an adaptive Bayesian classifier with dynamic attack probability adjustment. Experimental testing on data generated in an NS-3 environment shows that the proposed method outperforms traditional approaches in terms of attack detection accuracy, reducing the false positive rate from 10.9% to 3.8%. The hybrid model provides 94.7% classification accuracy and 91.8% attack detection completeness, which is 6.3% higher than the standard Bayesian classifier. The obtained results demonstrate the promising use of the proposed method in real-time systems for monitoring the security of IoT networks. The developed approach allows adapting to the changing network environment, reducing the influence of random fluctuations, which makes it an effective solution for protecting low-power networks.

Информационная безопасностьперсональные сетиIEEE 802.15.4IoTобнаружение атакZ-оценкаБайесовский классификатормашинное обучениесетевой мониторингInformation securitypersonal networksIEEE 802.15.4IoTattack detectionZ-scoreBayesian classifiermachine learningnetwork monitoringReferencesSecurity and Privacy in the Industrial Internet of Things: Current Standards and Future Challenges / Т. Gebremichael et al // IEEE Access. – 2020. – Vol. 8. – P. 152351-152366.Security and Privacy in the Industrial Internet of Things: Current Standards and Future Challenges / Т. Gebremichael et al // IEEE Access. – 2020. – Vol. 8. – P. 152351-152366.Sadikin F. ZigBee IoT Intrusion Detection System: A Hybrid Approach with Rule-based and Machine Learning Anomaly Detection / F. Sadikin, S. Kumar // Proc. of Int. Conf. on Security. – 2020. – P. 57-68.Sadikin F. ZigBee IoT Intrusion Detection System: A Hybrid Approach with Rule-based and Machine Learning Anomaly Detection / F. Sadikin, S. Kumar // Proc. of Int. Conf. on Security. – 2020. – P. 57-68.Choudhary S. Internet of Things: Protocols, Applications and Security Issues / S. Choudhary, G. Meena // Procedia Computer Science. – 2022.Choudhary S. Internet of Things: Protocols, Applications and Security Issues / S. Choudhary, G. Meena // Procedia Computer Science. – 2022.Kampourakis V. A systematic literature review on wireless security testbeds in the cyberphysical realm / V. Kampourakis, V. Gkioulos, S. Katsikas // Computers & Security. – 2023. – URL: https://www.sciencedirect.com/science/article/pii/S0167404823002936.Kampourakis V. A systematic literature review on wireless security testbeds in the cyberphysical realm / V. Kampourakis, V. Gkioulos, S. Katsikas // Computers & Security. – 2023. – URL: https://www.sciencedirect.com/science/article/pii/S0167404823002936.Ullah I. A two-level flow-based anomalous activity detection system for IoT networks / I. Ullah, Q.H. Mahmoud // Electronics. – 2020. – Vol. 9, № 3. – URL: https://www.mdpi.com/2079-9292/9/3/530.Ullah I. A two-level flow-based anomalous activity detection system for IoT networks / I. Ullah, Q.H. Mahmoud // Electronics. – 2020. – Vol. 9, № 3. – URL: https://www.mdpi.com/2079-9292/9/3/530.Murugesan K.V.N. Comprehensive Security Analysis and DoS Attack Mitigation in Thread Networks / K.V.N. Murugesan, T. Master // Proc. IEEE WCNC. – 2025. – P. 1-7.Murugesan K.V.N. Comprehensive Security Analysis and DoS Attack Mitigation in Thread Networks / K.V.N. Murugesan, T. Master // Proc. IEEE WCNC. – 2025. – P. 1-7.Morillo Fuetala D.G. Detecting targeted interference in the Internet of Things / D.G. Morillo Fuetala. – University College Cork, 2024.Morillo Fuetala D.G. Detecting targeted interference in the Internet of Things / D.G. Morillo Fuetala. – University College Cork, 2024.Aljohani R. AI-Based Intrusion Detection for a Secure Internet of Things (IoT) / R. Aljohani, A. Bushnag, A. Alessa // Journal of Network and Systems Management. – 2024. – Vol. 32. – Art. 56.Aljohani R. AI-Based Intrusion Detection for a Secure Internet of Things (IoT) / R. Aljohani, A. Bushnag, A. Alessa // Journal of Network and Systems Management. – 2024. – Vol. 32. – Art. 56.A Survey on IoT Ground Sensing Systems for Early Wildfire Detection / C.C. Chan et al // IEEE Access. – 2024. – Vol. 12. – P. 172785-172819.A Survey on IoT Ground Sensing Systems for Early Wildfire Detection / C.C. Chan et al // IEEE Access. – 2024. – Vol. 12. – P. 172785-172819.Kumari T.A. Tachyon: Enhancing stacked models using Bayesian optimization for intrusion detection / T.A. Kumari, S. Mishra // Egyptian Informatics Journal. – 2024. – Vol. 27. – Art. 100520.Kumari T.A. Tachyon: Enhancing stacked models using Bayesian optimization for intrusion detection / T.A. Kumari, S. Mishra // Egyptian Informatics Journal. – 2024. – Vol. 27. – Art. 100520.Khayyat M.M. Improved bacterial foraging optimization with deep learning based anomaly detection in smart cities / M.M. Khayyat // Alexandria Engineering Journal. – 2023. – Vol. 75. – P. 407-417.Khayyat M.M. Improved bacterial foraging optimization with deep learning based anomaly detection in smart cities / M.M. Khayyat // Alexandria Engineering Journal. – 2023. – Vol. 75. – P. 407-417.Sorostinean R. Anomaly Detection in Smart Industrial Machinery Through Hidden Markov Models and Autoencoders / R. Sorostinean, Z. Burghelea, A. Gellert // IEEE Access. – 2024. – P. 1-1.Sorostinean R. Anomaly Detection in Smart Industrial Machinery Through Hidden Markov Models and Autoencoders / R. Sorostinean, Z. Burghelea, A. Gellert // IEEE Access. – 2024. – P. 1-1.Isong B. Insights into Modern Intrusion Detection Strategies for IoT Ecosystems / B. Isong, O. Kgote, A. Abu-Mahfouz // Electronics. – 2024. – Vol. 13. – Art. 2370.Isong B. Insights into Modern Intrusion Detection Strategies for IoT Ecosystems / B. Isong, O. Kgote, A. Abu-Mahfouz // Electronics. – 2024. – Vol. 13. – Art. 2370.Energy-aware and self-adaptive anomaly detection scheme based on network tomography / W. Wang et al // Information Sciences. – 2013. – Vol. 220. – P. 580-602.Energy-aware and self-adaptive anomaly detection scheme based on network tomography / W. Wang et al // Information Sciences. – 2013. – Vol. 220. – P. 580-602.Identification of Attacks against Wireless Sensor Networks Based on Behaviour Analysis / V. Korzhuk et al // Journal of Wireless and Ubiquitous Computing. – 2019. – Vol. 10, № 2. – P. 1-21.Identification of Attacks against Wireless Sensor Networks Based on Behaviour Analysis / V. Korzhuk et al // Journal of Wireless and Ubiquitous Computing. – 2019. – Vol. 10, № 2. – P. 1-21.

The authors declare that there are no conflicts of interest present.