МЕТОД ФОРМИРОВАНИЯ И РАСШИРЕНИЯ ПРИЗНАКОВОГО ПРОСТРАНСТВА ДЛЯ МОНИТОРИНГА ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ IOT-УСТРОЙСТВ НА ОСНОВЕ СЕГМЕНТАЦИИ ВРЕМЕННЫХ РЯДОВ СЕТЕВОГО ТРАФИКА
https://doi.org/10.53360/2788-7995-2026-3(23)-27
Аннотация
Предмет исследования. Широкое распространение устройств Интернета вещей (IoT) в системах умного дома, промышленной автоматизации, на транспорте, в здравоохранении и городской инфраструктуре сопровождается ростом числа возможных точек несанкционированного доступа. В отличие от традиционных вычислительных систем IoT-устройства характеризуются ограниченными аппаратными ресурсами – объёмом памяти, производительностью процессора, пропускной способностью каналов связи и энергопотреблением, что делает невозможным прямое применение сложных вычислительных и криптографических методов мониторинга информационной безопасности (ИБ) без их предварительной адаптации к ресурсоограниченным условиям. Метод. Для формирования информативного признакового описания состояния ИБ IoTустройств предложено использовать сегментацию временных рядов параметров сетевого трафика на основе статистических, частотных и пороговых критериев, а также расширение признакового пространства с учётом внешних и внутренних факторов, влияющих на наблюдаемые значения признаков. Классификация состояний выполняется с применением шести алгоритмов машинного обучения различной сложности – логистической регрессии, наивного байесовского классификатора, метода опорных векторов, случайного леса, многослойного персептрона и свёрточной нейронной сети. Основные результаты. Экспериментальная оценка выполнена на лабораторном стенде из IoT-узлов (IEEE 802.15.4, TelosB, ESP32) и на наборе данных UNSW-NB15. Показано, что сегментация временных рядов трафика и учёт контекстных факторов позволяют формировать более компактное и различимое признаковое пространство, снижая при этом вычислительные затраты на обучение классификаторов. Практическая значимость. Разработанный подход применим при построении облегчённых систем мониторинга событий ИБ для ресурсоограниченных IoT-инфраструктур: простые модели могут выполняться на периферийных узлах, а более точные – на шлюзах и облачных платформах, что снижает число ложных срабатываний и повышает оперативность обнаружения атак.
Ключевые слова
Об авторах
Н. А. БажаевКазахстан
Нуржан Аманкулулы Бажаев – постдокторант
010000, Республика Казахстан, г. Астана, улица К. Сатпаева, 2
А. К. Токкулиева
Казахстан
Айжан Конурбаевна Токкулиева – докторант
010000, Республика Казахстан, г. Астана, улица К. Сатпаева, 2
Список литературы
1. Lee J. A Cyber-Physical Systems Architecture for Industry 4.0 / J. Lee, B. Bagheri, H.A. Kao // Manufacturing Letters. – 2015. – Vol. 3. – P. 18-23.
2. Atzori L. The Internet of Things: A Survey / L. Atzori, A. Iera, G. Morabito // Computer Networks. – 2010. – Vol. 54, № 15. – P. 2787-2805.
3. Threat analysis of IoT networks using artificial neural network intrusion detection system / E. Hodo et al // 2016 International Symposium on Networks, Computers and Communications (ISNCC), Yasmine Hammamet, Tunisia, 2016. – Р. 1-6, https://doi.org/10.1109/ISNCC.2016.7746067.
4. Deep Learning for Cyber Security Intrusion Detection: Approaches, Datasets and Comparative Study / M.A. Ferrag et al // Journal of Information Security and Applications. – 2020. – Vol. 50.
5. Survey of intrusion detection systems: techniques, datasets and challenges / A. Khraisat et al // Cybersecur 2, 20 (2019). https://doi.org/10.1186/s42400-019-0038-7.
6. Alrawashdeh K. Toward an Online Anomaly Intrusion Detection System Based on Deep Learning / K. Alrawashdeh, C. Purdy // 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), Anaheim, CA, USA, 2016. – Р. 195-200. https://doi.org/10.1109/ICMLA.2016.0040.
7. Sukhoparov M.E. Improving the Quality of the Identification of the Information Security State Based on Sample Segmentation / M.E. Sukhoparov, I.S. Lebedev // Aut. Control Comp. Sci. – 2023. – № 57. – Р. 1071-1075. https://doi.org/10.3103/S0146411623080321.
8. Semenov V.V. Identification of Abnormal Functioning of Devices of Cyber-Physical Systems / M.E. Sukhoparov, I.S. Lebedev // Internet of Things, Smart Spaces, and Next Generation Networks and Systems. NEW2AN ruSMART 2020. Lecture Notes in Computer Science. – 2020. – vol 12525. Springer, Cham. https://doi.org/10.1007/978-3-030-65726-0_1.
9. Segmenting Time Series: A Survey and Novel Approach / E. Keogh et al // Data Mining in Time Series Databases. – World Scientific, 2004.
10. Moustafa N. UNSW-NB15: a comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set) / N. Moustafa, J. Slay // 2015 Military Communications and Information Systems Conference (MilCIS), Canberra, ACT, Australia. – 2015. – Р. 1-6. https://doi.org/10.1109/MilCIS.2015.7348942.
11. Fawcett T. An Introduction to ROC Analysis / T. Fawcett // Pattern Recognition Letters. – 2006. – Vol. 27, № 8. – P. 861-874.
Рецензия
Для цитирования:
Бажаев Н.А., Токкулиева А.К. МЕТОД ФОРМИРОВАНИЯ И РАСШИРЕНИЯ ПРИЗНАКОВОГО ПРОСТРАНСТВА ДЛЯ МОНИТОРИНГА ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ IOT-УСТРОЙСТВ НА ОСНОВЕ СЕГМЕНТАЦИИ ВРЕМЕННЫХ РЯДОВ СЕТЕВОГО ТРАФИКА. Вестник Университета Шакарима. Серия технические науки. 2026;(3(23)):278-288. https://doi.org/10.53360/2788-7995-2026-3(23)-27
For citation:
Bazhayev N., Tokkuliyeva A. A METHOD FOR FEATURE SPACE CONSTRUCTION AND EXPANSION FOR INFORMATION SECURITY MONITORING OF IoT DEVICES BASED ON NETWORK TRAFFIC TIME SERIES SEGMENTATION. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):278-288. (In Kazakh) https://doi.org/10.53360/2788-7995-2026-3(23)-27
JATS XML















