МОДЕЛЬ ОЦІНЮВАННЯ ПАРАМЕТРІВ ПОТОКУ ЦІЛЕСПРЯМОВАНИХ ІНФОРМАЦІЙНИХ АТАК НА АВІАЦІЙНУ ТРАНСПОРТНУ СИСТЕМУ
DOI:
https://doi.org/10.28925/2663-4023.2026.33.1118Ключові слова:
авіаційна кібербезпека, APT-атаки, фільтр Калмана, стохастичні диференціальні рівняння, інформаційний вплив, управління повітряним рухом, аналіз нев’язок.Анотація
Стрімка цифровізація авіаційних систем створила значні вразливості до складних цілеспрямованих атак (APT). Стандартні системи виявлення вторгнень часто не здатні ідентифікувати приховані малоінтенсивні інформаційні впорскування через їх динамічну та багатоетапну природу. У контексті стандартів авіаційної безпеки 2026 року існує критична потреба в інструментах моніторингу в реальному часі, здатних виявляти тонкі аномалії в потоках даних управління повітряним рухом (УПР). У дослідженні запропоновано модель динаміки інтенсивності інформаційного впливу, що базується на апараті фільтрації Калмана-Б’юсі та стохастичних диференціальних рівняннях. Модель використовує алгоритм рекурсивного оцінювання для відстеження стану авіаційного інформаційного середовища. Механізм виявлення зосереджений на статистичному аналізі послідовностей оновлення (нев’язок) для ідентифікації відхилень, спричинених несанкціонованими кіберпсихологчними впливами. Розроблена модель дозволяє ефективно ідентифікувати фазові переходи сценаріїв APT-атак шляхом аналізу дисперсії нев’язок фільтра. Результати моделювання демонструють, що застосування фільтрації Калмана суттєво підвищує ймовірність виявлення прихованих загроз порівняно з традиційними пороговими методами. Модель враховує нестаціонарний характер авіаційного трафіку, забезпечуючи високу чутливість до маломасштабних, але стійких коливань інтенсивності. Інтеграція запропонованого математичного апарату в системи авіаційної кібербезпеки підвищує стійкість інфраструктури УПР. Отримані результати створюють методологічну базу для розробки автоматизованих систем підтримки прийняття рішень при реагуванні на кіберінциденти, гарантуючи безпеку польотів в умовах еволюції глобальних кіберзагроз.
Завантаження
Посилання
SITA. (2024). Air transport IT insights 2024. Official website
European Union Aviation Safety Agency. (2025). Annual safety review 2025: Cybersecurity in aviation.
IEEE. (2025). Advanced signal processing for aviation cybersecurity. IEEE Xplore, 14(2), 45-58.
World Economic Forum. (2026). Global cybersecurity outlook 2026.
Cybersecurity: Education, Science, Technique. (n.d.). Journal website
Kalman, R. E. (1961). New results in linear filtering and prediction theory. Journal of Basic Engineering, 83(1), 95-108. https://doi.org/10.1115/1.3658902
Kosohov, O. M. (2024). Methodological foundations of threat identification in automated transport systems. Cybersecurity: Education, Science, Technique, 24, 12-25.
Advanced persistent threat (APT). (n.d.). TAdviser resource
Korn, G., & Korn, T. (1984). Mathematical handbook for scientists and engineers (5th ed.). Nauka.
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-44.
Ogarkov, M. A. (1990). Methods of statistical estimation of random process parameters. Energoatomizdat.
Sage,A.P.,&Melsa, J.L.(1976).Estimation theory with applications to communications and control.Svyaz.
Moghaddamjoo, A., & Kirlin, R. L. (1989). Robust adaptive Kalman filtering with unknown inputs. IEEE Transactions on Acoustics, Speech, and Signal Processing, 37(8), 1166-1175.
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Олександр Косогов

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.