Науковий вісник НГУ

Виявлення аномалій у локальному трафіку за допомогою безпечних гейтінг-мереж

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Батьківська категорія: 2026

Категорія: Зміст №4 2026

Створено: 24 серпня 2026

Останнє оновлення: 24 серпня 2026

Опубліковано: 30 листопада -0001

Автор: О. В. Лебідь, І. А. Чіков, С. В. Хрущак, С. В. Стріха, О. Б. Півень, М. С. Коваленко

Перегляди: 1930

Authors:

О. В. Лебідь, orcid.org/0000-0003-4253-8696, Вінницький національний аграрний університет, м. Вінниця, Україна; e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І. А. Чіков*, orcid.org/0000-0002-2128-5506, Вінницький національний аграрний університет, м. Вінниця, Україна; e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С. В. Хрущак, orcid.org/0009-0007-9452-4372, Вінницький національний аграрний університет, м. Вінниця, Україна; e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С. В. Стріха, orcid.org/0000-0002-5937-7748, Державний науково-дослідний інститут випробувань і сертифікації озброєння та військової техніки, м. Черкаси, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. Б. Півень, orcid.org/0000-0001-5601-8304, Черкаський державний технологічний університет, м. Черкаси, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

М. С. Коваленко, orcid.org/0009-0008-0577-3148, Фонд SCIRE, м. Варшава, Польща; Міжрегіональна академія управління персоналом, м. Київ, 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, (4): 156 - 163

https://doi.org/10.33271/nvngu/2026-4/156

Abstract:

Мета. Розроблення й оцінка методики виявлення аномалій у локальному мережевому трафіку на основі архітектури FCRNN-GRU для підвищення точності класифікації та зниження рівня хибнопозитивних спрацювань.

Методика. У межах дослідження мережеві взаємодії подано як нормовані часові послідовності, що дає змогу ураховувати динаміку змін трафіку. Базовою моделлю виступає повнозв‘язана рекурентна нейронна мережа, здатна виявляти складні нелінійні й довготривалі залежності завдяки щільній структурі рекурентних зв‘язків. Для підвищення ефективності навчання й уникнення проблеми зникнення градієнтів використано міні-пакетний стохастичний градієнтний спуск. Додаткова інтеграція GRU (Gated Recurrent Unit – керований рекурентний модуль) дозволяє оптимізувати співвідношення між точністю моделі та її обчислювальною складністю. Експериментальна перевірка проведена на вибірці з 52 000 мережевих потоків, серед яких 32 000 відповідають нормальному трафіку, а 20 000 – аномальному, що охоплює різні типи кіберзагроз. Моделювання мережевого середовища здійснювалося на платформі Linux із використанням інструментів Mininet і Wireshark, тоді як програмна реалізація алгоритмів виконувалася мовою Python.

Результати. Модель FCRNN-GRU демонструє високі показники: коефіцієнт виявлення – 98,59 %, рівень хибних тривог – 5,29 %, точність класифікації – 99,21 %. Порівняно із традиційними та кластерними методами, запропонований підхід забезпечує суттєве покращення результатів і підтверджує свою ефективність.

Наукова новизна. Полягає в адаптації повно­зв‘язаної рекурентної нейронної мережі з інтеграцією керованих рекурентних одиниць для задач аналізу мережевого трафіку. Поєднання щільних рекурентних зв‘язків із механізмами GRU дає змогу більш точно відтворювати часові закономірності поведінки трафіку, водночас зменшуючи обчислювальні витрати й підвищуючи ефективність моделі в умовах обробки великих обсягів даних.

Практична значимість. Запропонований підхід має прикладне значення й може бути інтегрований у сучасні системи моніторингу й забезпечення кібербезпеки. Його використання сприяє своєчасному виявленню аномальних подій у мережі, підвищенню рівня захищеності інформаційної інфраструктури та зниженню ризиків, пов’язаних із кіберзагрозами.

Ключові слова: мережеві аномалій, потік трафіку, аналітика кібербезпеки, нейронні мережі, інформаційна безпека

References.

1. Haidur, H. I., Gakhov, S. O., & Bryhynets, A. A. (2023). Detection of network anomalies using neural network algorithms. Telecommunication and Information Technologies, 1, 016173. https://doi.org/10.31673/2412-4338.2023.016173

2. Ilyenko, A., Ilyenko, S., Kravchuk, I., & Herasymenko, M. (2022). Prospective directions for traffic analysis and intrusion detection based on neural networks. Cybersecurity: Education, Science, Technique, 1(17), 46-56. https://doi.org/10.28925/2663-4023.2022.17.4656

3. Marchenko, R., Kovalenko, A., & Znaidiuk, V. (2024). Analysis of methods for detecting anomalous traffic in Internet of Things (IoT) networks. Systems of Control, Navigation and Communication, 1(1), 133-147. https://doi.org/10.26906/SUNZ.2024.1.133

4. Al‑Ghuwairi, A. R., Sharrab, Y., Al‑Fraihat, D., Al‑Ghazi, M., & Khatatneh, M. (2023). Intrusion detection in cloud computing based on time series anomalies utilizing machine learning. Journal of Cloud Computing, 12, 127. https://doi.org/10.1186/s13677-023-00491-x

5. Almuhanna, R., & Dardouri, S. (2025). A deep learning/machine learning approach for anomaly based network intrusion detection. Frontiers in Artificial Intelligence, 8, 1625891. https://doi.org/10.3389/frai.2025.1625891

6. Alsyaibani, O. M. A., Utami, E., Raharjo, S., & Hartanto, A. D. (2022). Stacked LSTM-GRU model for traffic anomalies detection. Telematika, 15(2), 81-91. https://doi.org/10.35671/telematika.v15i2.1855

7. Oğuz, H. T., & Kalaycıoğlu, A. (2022). Anomaly detection in multi‑tiered cellular networks using LSTM and 1D CNN. Journal on Wireless Communications and Networking, 101. https://doi.org/10.1186/s13638-022-02183-7

8. Wang, Y.-C., Houng, Y.-C., Chen, H.-X., & Tseng, S.-M. (2023). Network anomaly intrusion detection based on deep learning approach. Sensors, 23(4), 2171. https://doi.org/10.3390/s23042171

9. Lebid, O. V., Kiporenko, S. S., & Vovk, V. Y. (2023). Cyberattack detection and information security enhancement based on neural network technology in the conditions of cyberwar. Science and Technology Today, 1(15), 238-256. https://doi.org/10.52058/2786-6025-2023-1(15)-238-256

10.      Lebid, O. V., & Kiporenko, S. S. (2024). Integration of fractal analysis and machine learning for anomaly and cyberattack detection. Science and Technology Today, 12(40), 1294-1313. https://doi.org/10.52058/2786-6025-2024-12(40)-1294-1313

11.      Sisoienko, S., Babenko, V., & Zazhoma, V. (2025). Local area network traffic monitoring system with anomaly detection functionality. Science and Technology Today, 6(47), 1608-1619. https://doi.org/10.52058/2786-6025-2025-6(47)-1608-1619

12.      Chikov, I., Khaietska, O., Okhota, Yu., Titov, D., Prygotsky, V., & Nitsenko, V. (2023). Modeling of the synthetic indicator of competitiveness of agricultural enterprises: a methodological approach to the use of neural network tools. Financial and Credit Activity: Problems of Theory and Practice, 5(52), 222-242. https://doi.org/10.55643/fcaptp.5.52.2023.4149

13.      Bieliatynskyi, A., Bakulich, O., Bokyi, A., Kis, I., & Piven, O. (2024). Conceptual Model of Digital Transformation of Enterprise Management Processes. In E. Faure, Yu. Tryus, T. Vartiainen, O. Danchenko, M. Bondarenko, C. Bazilo, & G. Zaspa (Eds.). Information Technology for Education, Science, and Technics. ITEST 2024. Lecture Notes on Data Engineering and Communications Technologies, 222. Springer, Cham. https://doi.org/10.1007/978-3-031-71804-5_4

14.      Jain, G., Sharma, M., & Agarwal, B. (2019). Optimizing semantic LSTM for spam detection. International Journal of Information Technology, 11(2), 239-250. https://doi.org/10.1007/s41870-018-0157-5

15.      Yu, Y., Si, X., Hu, C., & Zhang, J. (2019). A review of recurrent neural networks: LSTM cells and network architectures. Neural Computation, 31, 1235-1270. https://doi.org/10.1162/neco_a_01199

16.      Khoroshko, V. A., Tkach, Yu. N., & Shelest, M. E. (2021). Multialternative detection of cyberatacs in information networks. Ukrainian Scientific Journal of Information Security, 26(3), 136-141.
https://doi.org/10.18372/2225-5036.27.16001

17.      Mahbub, M. (2020). Progressive researches on IoT security: An exhaustive analysis from the perspective of protocols, vulnerabilities, and preemptive architectonics. Journal of Network and Computer Applications, 168. https://doi.org/10.1016/j.jnca.2020.102761

18.      Valackienė, A., & Odejayi, R. O. (2024). The impact of cyber security management on the digital economy: multiple case study analysis. Intellectual Economics, 18(2), 261-283. https://doi.org/10.13165/IE-24-18-2-02

19.      Ślesicka, A., & Ślesicki, B. (2025). The use of deep learning for military vehicle identification in SAR imagery. Scientific Journal of Silesian University of Technology. Series Transport, 128, 251-268. https://doi.org/10.20858/sjsutst.2025.128.14

20.      Ingram, K., Diachenko, O., Halytskyi, O., Nitsenko, V., Romaniuk, M., & Zhumbei, M. (2022). Formalization of the Optimal Choice of the Activities of Agricultural Enterprises for the Implementation of Information and Communication Technologies. Financial and Credit Activity: Problems of Theory and Practice, 3(44), 141-149. https://doi.org/10.55643/fcaptp.3.44.2022.3758

21.      Kobets, D., Kasmin, D., Khruschak, S., Ziyautdinov, J., & Vodolazhska, T. (2025). Using artificial intelligence to optimize human resource management processes. Periodicals of Engineering and Natural Sciences, 13(3), 541-550. https://doi.org/10.21533/pen.v13.i3.504

• < Попередня
• Наступна >