Асем Калиаскаровна Дуйсенбаева – докторант кафедры «Автоматизация и информационные технологии»
071404, г. Семей, ул. Глинки, 20 А
Asem Duisenbayeva – doctoral student at the Department of Automation and Information Technologies
071404, Semey, Glinki St., 20 A
Динара Ошановна Кожахметова – PhD, ассоциированный профессор кафедры «Автоматизация и информационные технологии»
071404, г. Семей, ул. Глинки, 20 А
Dinara Kozhakhmetova – PhD, associate professor at the department of Automation and Information Technologies
071404, Semey, Glinki St., 20 A
Александр Дмитриевич Золотов – кандидат технических наук, ассоциированный профессор кафедры «Автоматизация и информационные технологии»
071404, г. Семей, ул. Глинки, 20 А
Alexander Zolotov – candidate of Technical Sciences, Associate Professor at the Department of Automation and Information Technologies
071404, Semey, Glinki St., 20 A
Дмитрий Викторович Мясоедов – старший преподаватель кафедры «Автоматизация и информационные технологии»
071404, г. Семей, ул. Глинки, 20 А
Dmitry Myasoedov – Senior Lecturer at the Department of Automation and Information Technology
071404, Semey, Glinki St., 20 A
Рашид Нагимович Назаров – преподаватель кафедры «Автоматизация и информационные технологии»
071404, г. Семей, ул. Глинки, 20 А
Nazarov Rashid – Lecturer at the Department of Automation and Information Technology
071404, Semey, Glinki St., 20 A
Активное внедрение технологий искусственного интеллекта (ИИ) и машинного обучения (МО) для управления сложными сетевыми инфраструктурами упирается в проблему отсутствия стандартизированных, релевантных и помеченных наборов данных для обучения и валидации алгоритмов. В данной работе представлена методология разработки и верификации детерминированной симуляционной модели распределённой корпоративной сети с использованием среды Cisco Packet Tracer. Модель реализует иерархическую архитектуру корпоративной сети с поддержкой VLAN, динамической маршрутизации BGP, механизмов отказоустойчивости и комплексных политик кибербезопасности. Предложенная модель служит не только как учебно-методический комплекс для отработки практических навыков, но и как контролируемый полигон для генерации синтетических телеметрических данных. Ключевой особенностью является встроенная система автоматизированного оценивания (Assessment), которая гарантирует соответствие конфигурации сети эталонным параметрам, обеспечивая корректность и воспроизводимость генерируемых данных. Верификация конфигурации гарантирует воспроизводимость состояний сети и корректность автоматической разметки данных. Экспериментальная валидация подтвердила детерминированность модели и её пригодность для формирования датасетов, предназначенных для обучения и тестирования алгоритмов интеллектуального управления, включая обнаружение аномалий, оптимизацию QoS и автоматическое реагирование на инциденты. Предложенный подход может быть использован как в образовательных, так и в научно-исследовательских целях.
The widespread adoption of artificial intelligence (AI) and machine learning (ML) technologies for managing complex network infrastructures is constrained by the lack of standardized, relevant, and labeled datasets needed for training and validation. This paper presents a methodology for developing and validating a deterministic simulation model of a distributed corporate network in Cisco Packet Tracer. The proposed model implements a hierarchical corporate network architecture that supports VLANs, dynamic BGP-based routing, fault-tolerance mechanisms, and comprehensive cybersecurity policies. The model serves not only as an educational and methodological platform for developing practical networking skills, but also as a controlled testbed for generating synthetic telemetry data. A key feature of the proposed approach is the integration of an automated assessment system that ensures network configuration compliance with predefined reference parameters, thereby guaranteeing the correctness and reproducibility of the generated data. Configuration verification ensures reproducible network states and enables accurate automated data labeling. Experimental validation confirmed the model's deterministic nature and suitability for generating training and test datasets for intelligent network management algorithms, including anomaly detection, QoS optimization, and automated incident response. The proposed approach can be effectively applied in both educational and research contexts.
The authors declare that there are no conflicts of interest present.