Науковий вісник НГУ

Обґрунтування методів самоорганізації інформаційних мереж для зміцнення їхньої кіберстійкості

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №1 2026

Останнє оновлення: 27 лютого 2026

Опубліковано: 30 листопада -0001

Перегляди: 1135

Authors:

С. В. Онищенко, orcid.org/0000-0002-6173-4361, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Є. О. Живило, orcid.org/0000-0003-4077-7853, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А. Д. Глушко*, orcid.org/0000-0002-4086-1513, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. С. Гайдаш, orcid.org/0009-0009-0030-1528, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (1): 138 - 146

https://doi.org/10.33271/nvngu/2026-1/138

Abstract:

Мета. Формалізація математичних підходів і моделей, що можуть бути ефективно застосовані до ключових методів самоорганізації інформаційних мереж економічних суб’єктів в умовах орієнтовної залежності між параметрами функціонування й керованими змінними на різних рівнях моделі OSI.

Методика. На основі застосування алгоритмів оптимізації маршрутів (Дейкстра, Беллман–Форд), теорії марковських процесів, апарату машинного навчання (SVM, нейронні мережі), а також ентропійного аналізу й методів асиметричного шифрування (RSA, ECC) запропоновано підхід до моделювання стійкості інформаційної інфраструктури. Системний підхід реалізовано через аналіз взаємозв’язків між рівнями мережевої моделі OSI для визначення вразливих сегментів і точок контролю ризиків.

Результати. Обґрунтовані методи самоорганізації інформаційних мереж, що забезпечують раннє виявлення аномалій, ефективне управління маршрутизацією та шифруванням даних, а також адаптивність до змін зовнішнього середовища й зниження ризику реалізації кібератак. Розроблена архітектура захисту інформаційної інфраструктури, яка охоплює сім рівнів моделі OSI, що забезпечує цілісність, доступність і конфіденційність даних в інформаційних мережах економічних суб’єктів.

Наукова новизна. Запропоновано підхід до забезпечення стійкості інформаційних мереж, що відрізняється від існуючих узгодженим застосуванням математичних, криптографічних і когнітивних методів у контексті ієрархії мережевих рівнів OSI. Обґрунтована доцільність включення ентропійного контролю як індикатора рівня випадковості системи й потенційної вразливості.

Практична значимість. Полягає в тому, що результати можуть бути використані при розробленні політики інформаційної й кібербезпеки економічних суб’єктів. Запропоновані рішення сприяють зміцненню не лише інформаційної, але й фінансової та кадрової безпеки в умовах цифрової трансформації, а також мінімізації наслідків кіберінцидентів.

Ключові слова: інформаційна безпека, інформаційна інфраструктура, модель OSI, ентропія, економічний суб’єкт

References.

1. Onyshchenko, S., Hlushko, A., Maslii, O., & Chumak, O. (2024). Digital transformation of the national economy in the context of information environment development in Ukraine. Transformations of national economies under conditions of instability, (6), 169-197. Scientific Route OÜ. https://doi.org/10.21303/978-9916-9850-6-9.ch6

2. World Economic Forum (2025). The global risks report 2025 (20 ^th ed.). Retrieved from https://www.weforum.org/publications/global-risks-report-2025/

3. Onyshchenko, S., Yanko, A., Hlushko, A., & Maslii, O. (2023). Economic cyber security of business in Ukraine: Strategic directions and implementation mechanism. In Economic and cyber security, (pp. 30-58). https://doi.org/10.15587/978-617-7319-98-5.CH2

4. Operatyvnyi tsentr reahuvannia na kyberintsydenty Derzhavnoho tsentru kyberzakhystu Derzhavnoi sluzhby spetsialnoho zviazku ta zakhystu informatsii Ukrainy (2024). Systems for vulnerability detection and response to cyber incidents and cyberattacks: Annual report 2024. Retrieved from https://scpc.gov.ua/api/files/72e13298-4d02-40bf-b436-46d927c88006

5. Onyshchenko, S., Yanko, A., & Hlushko, А. (2023). Improving the efficiency of diagnosing errors in computer devices for processing economic data functioning in the class of residuals. Eastern-European Journal of Enterprise Technologies, 5(4(125)), 63-73. https://doi.org/10.15587/1729-4061.2023.289185

6. Shefer, O., Laktionov, O., Pents, V., Hlushko, A., & Kuchuk, N. (2024). Practical principles of integrating artificial intelligence into the technology of regional security predicting. Advanced Information Systems, 8(1), 86-93. https://doi.org/10.20998/2522-9052.2024.1.11

7. Zhu, Q. (2024). Foundations of cyber resilience: The confluence of game, control, and learning theories. Electrical Engineering and Systems Science. https://doi.org/10.48550/arXiv.2404.01205

8. Araujo, M. S. d., Machado, B. A. S., & Passos, F. U. (2024). Resilience in the Context of Cyber Security: A Review of the Fundamental Concepts and Relevance. Applied Sciences, 14(5), 2116. https://doi.org/10.3390/app14052116

9. Collier, Z. A., DiMase, D., Walters, S., Tehranipoor, M. M., Lambert, J. H., & Linkov, I. (2014). Cybersecurity standards: Managing risk and creating resilience. Computer, 47(9), 70-76. https://doi.org/10.1109/MC.2013.448

10.      Ferdinand, J. (2015). Building organisational cyber resilience: A strategic knowledge-based view of cyber security management. Journal of business continuity & emergency planning, 9(2), 185-195. https://doi.org/10.69554/PRJY4917

11.      Huang, Y., Huang, L., & Zhu, Q. (2022). Reinforcement learning for feedback-enabled cyber resilience. Annual Reviews in Control, 53, 273-295. https://doi.org/10.1016/j.arcontrol.2022.01.001

12.      Kheddar, H., Dawoud, D. W., Awad, A. I., Himeur, Y., & Khan, M. K. (2024). Reinforcement-learning-based intrusion detection in communication networks: A review. IEEE Communications Surveys & Tutorials. https://doi.org/10.1109/COMST.2024.3484491

13.      Gueriani, A., Kheddar, H., & Mazari, A. C. (2024). Adaptive cyber-attack detection in IIoT using attention-based LSTM-CNN ­models. 2024 International Conference on Telecommunications and Intelligent Systems (ICTIS), (pp. 1-6). IEEE. https://doi.org/10.1109/ICTIS62692.2024.10894509

14.      Gaydash, O. (2025). Comparative Analysis of External and Internal Factors Affecting the Formation of Personnel Security in Ukrainian Enterprises. Bulletin of the Academy of Labor, Social Relations and Tourism. Series: Economics, Psychology and Management, 6. https://doi.org/10.54929/3041-2390-2025-06-04-02

15.      Onyshchenko, S., Zhyvylo, Y., Cherviak, A., & Bilko, S. (2023). Determination of the peculiarities peculiarities of using information security systems in financial institutions in order to increase the financial security level. Eastern-European Journal of Enterprise Technologies, 5(13(125)), 65-76. https://doi.org/10.15587/1729-4061.2023.288175

16.      Trenchev, I., Dimitrov, W., Dimitrov, G., Ostrovska, T., & Trencheva, M. (2023). Mathematical Approaches Transform Cybersecurity from Protoscience to Science. Applied Sciences, 13(11), 6508. https://doi.org/10.3390/app13116508

17.      Alyami, H., Nadeem, M., Alharbi, A., Alosaimi, W., ­Ansari, M. T. J., Pandey, D., Kumar, R., & Khan, R. A. (2021). The Evaluation of Software Security through Quantum Computing Techniques: A Durability Perspective. Applied Sciences, 11(24), 11784. https://doi.org/10.3390/app112411784

18.      Miller, T., Durlik, I., Kostecka, E., Sokołowska, S., Kozlovska, P., & Zwolak, R. (2025). Artificial Intelligence in Maritime Cybersecurity: A Systematic Review of AI-Driven Threat Detection and Risk Mitigation Strategies. Electronics, 14(9), 1844. https://doi.org/10.3390/electronics14091844

19.      Cherkaoui Dekkaki, K., Tasic, I., & Cano, M.-D. (2024). Exploring Post-Quantum Cryptography: Review and Directions for the Transition Process. Technologies, 12(12), 241. https://doi.org/10.3390/technologies12120241

20.      Fernández-Caramés, T. M., & Fraga-Lamas, P. (2020). Towards Post-Quantum Blockchain: A Review on Blockchain Cryptography Resistant to Quantum Computing Attacks. IEEE Access, 8, 21091-21116. https://doi.org/10.1109/ACCESS.2020.2968985

21.      Hamarsheh, A. (2024). An Adaptive Security Framework for Internet of Things Networks Leveraging SDN and Machine Learning. Applied Sciences, 14(11), 4530. https://doi.org/10.3390/app14114530

22.      Tang, T., Yao, J., Wang, Y., Sha, Q., Feng, H., & Xu, Z. (2025). Application of deep generative models for anomaly detection in complex financial transactions. Proceedings of the 2025 4 ^th International Conference on Artificial Intelligence, Internet and Digital Economy (ICAID), (pp. 133-137). IEEE. https://doi.org/10.1109/icaid65275.2025.11034573

23.      Maslii, O., Buriak, A., Chaikina, A., & Cherviak, A. (2025). Improving conceptual approaches to ensuring state economic security under conditions of digitalization. Eastern European Journal of Enterprise Technologies, 1(13(133)), 35-45. https://doi.org/10.15587/1729-4061.2024.319256

24.      Moon, P. S., Deshmukh, A. B., Sarode, H. J., Sharma, S., Birare, K. M., & Anandpwar, W. N. (2025). Implementation of machine learning techniques for predictive security analytics. V. Bhateja, M. Dey, & R. Senkerik (Eds.), Proceedings of FICTA 2024 – Innovations in information and decision sciences, 422. Springer. https://doi.org/10.1007/978-981-96-0147-9_41

25.      Yanko, A., Krasnobayev, V., & Martynenko, A. (2023). Influence of the number system in residual classes on the fault tolerance of the computer system. Radioelectronic and Computer Systems, 3(107), 159-172. https://doi.org/10.32620/reks.2023.3.13

26.      Bannister, M. J., & Eppstein, D. (2012). Randomized speedup of the Bellman–Ford algorithm. Proceedings of the 2012 Meeting on Analytic Algorithmics and Combinatorics (ANALCO12), (pp. 41-47). Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9781611973020.6

27.      Ren, H., Ye, Z., & Li, Z. (2017). Anomaly detection based on a dynamic Markov model. Information sciences, 411, 52-65. https://doi.org/10.1016/j.ins.2017.05.021

28.      Abuali, K. M., Nissirat, L., & Al-Samawi, A. (2023). Advancing Network Security with AI: SVM-Based Deep Learning for Intrusion Detection. Sensors, 23(21), 8959. https://doi.org/10.3390/s23218959

29.      Monteiro, V. (2024). The importance of entropy sources in cryptography: Randomness to secure communications. Journal of Information Technology & Software Engineering, 14, 393. https://doi.org/10.35248/2165-7866.24.14.393

30.      Maslii, O., & Maksymenko, A. (2025). Digital transformation and economic deindustrialisation: Impact on state financial security. Financial and Credit Activity: Problems of Theory and Practice, 1(60), 401-414. https://doi.org/10.55643/fcaptp.1.60.2025.4599

• < Попередня
• Наступна >