ЖЕЛІЛІК ТРАФИКТІҢ УАҚЫТТЫҚ ҚАТАРЛАРЫН СЕГМЕНТАЦИЯЛАУ НЕГІЗІНДЕ IOTҚҰРЫЛҒЫЛАРДЫҢ АҚПАРАТТЫҚ ҚАУІПСІЗДІГІН МОНИТОРИНГТЕУ ҮШІН БЕЛГІЛЕР КЕҢІСТІГІН ҚАЛЫПТАСТЫРУ ЖӘНЕ КЕҢЕЙТУ ӘДІСІ
https://doi.org/10.53360/2788-7995-2026-3(23)-27
Аңдатпа
Зерттеу пәні. Заттар интернеті (IoT) құрылғыларының ақылды үй жүйелерінде, өнеркәсіптік автоматтандыруда, көлікте, денсаулық сақтауда және қалалық инфрақұрылымда кеңінен таралуы рұқсат етілмеген қолжетімділіктің ықтимал нүктелерінің санының өсуімен қатар жүреді. Дәстүрлі есептеу жүйелерінен айырмашылығы, IoT-құрылғылар шектеулі аппараттық ресурстармен – жад көлемімен, процессор өнімділігімен, байланыс арналарының өткізу қабілетімен және энергия тұтынуымен сипатталады, бұл ақпараттық қауіпсіздікті (АҚ) мониторингтеудің күрделі есептеу және криптографиялық әдістерін ресурстары шектеулі жағдайларға алдын ала бейімдеусіз тікелей қолдануға мүмкіндік бермейді. Әдіс. IoT-құрылғылардың АҚ күйінің ақпараттық белгілер сипаттамасын қалыптастыру үшін желілік трафик параметрлерінің уақыттық қатарларын статистикалық, жиіліктік және шектік критерийлер негізінде сегментациялауды, сондай-ақ бақыланатын белгілердің мәндеріне әсер ететін сыртқы және ішкі факторларды ескере отырып, белгілер кеңістігін кеңейтуді қолдану ұсынылады. Күйлерді жіктеу әртүрлі күрделіліктегі алты машиналық оқыту алгоритмін – логистикалық регрессияны, наивті Байес классификаторын, тірек векторлар әдісін, кездейсоқ орманды, көпқабатты персептронды және конволюциялық нейрондық желіні қолдану арқылы орындалады. Негізгі нәтижелер. Эксперименттік бағалау IoTтүйіндерден (IEEE 802.15.4, TelosB, ESP32) тұратын зертханалық стендте және UNSW-NB15 деректер жиынтығында жүргізілді. Трафиктің уақыттық қатарларын сегментациялау және контекстік факторларды ескеру неғұрлым ықшам және ажыратылатын белгілер кеңістігін қалыптастыруға мүмкіндік беретіні, сонымен қатар классификаторларды оқытуға жұмсалатын есептеу шығындарын төмендететіні көрсетілді. Практикалық маңыздылығы. Әзірленген тәсіл ресурстары шектеулі IoT-инфрақұрылымдарға арналған АҚ оқиғаларын мониторингтеудің жеңілдетілген жүйелерін құру кезінде қолданылуы мүмкін: қарапайым модельдер шеткі түйіндерде, ал дәлірек модельдер шлюздерде және бұлттық платформаларда орындалуы мүмкін, бұл жалған іске қосылулар санын азайтып, шабуылдарды анықтаудың жеделдігін арттырады.
Тірек сөздер
Авторлар туралы
Н. А. БажаевҚазақстан
Нуржан Аманкулулы Бажаев – постдокторант
010000, Қазақстан Республикасы, Астана қ., Қ. Сәтпаев көшесі, 2
Мүдделер қақтығысы:
нет
А. К. Токкулиева
Қазақстан
Айжан Конурбаевна Токкулиева – докторант
010000, Қазақстан Республикасы, Астана қ., Қ. Сәтпаев көшесі, 2
Мүдделер қақтығысы:
нет
Әдебиет тізімі
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
Дәйектеу үшін:
Бажаев Н.А., Токкулиева А.К. ЖЕЛІЛІК ТРАФИКТІҢ УАҚЫТТЫҚ ҚАТАРЛАРЫН СЕГМЕНТАЦИЯЛАУ НЕГІЗІНДЕ IOTҚҰРЫЛҒЫЛАРДЫҢ АҚПАРАТТЫҚ ҚАУІПСІЗДІГІН МОНИТОРИНГТЕУ ҮШІН БЕЛГІЛЕР КЕҢІСТІГІН ҚАЛЫПТАСТЫРУ ЖӘНЕ КЕҢЕЙТУ ӘДІСІ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 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















