ІНТЕЛЕКТУАЛЬНА СИСТЕМА АДАПТИВНОГО ВИЯВЛЕННЯ КІБЕРЗАГРОЗ НА ОСНОВІ ГІБРИДНОГО АНАЛІЗУ, НЕЧІТКОЇ ЛОГІКИ ТА НЕЙРОННИХ МЕРЕЖ
DOI:
https://doi.org/10.28925/2663-4023.2026.35.1416Ключові слова:
кіберзагрози; система виявлення вторгнень; гібридний аналіз; нечітка логіка; нейронні мережі; інформаційна безпека; адаптивне прийняття рішень; машинне навчання; мережевий трафік; інтелектуальна система.Анотація
У статті досліджено проблему підвищення ефективності виявлення кіберзагроз у сучасних інформаційно-інтелектуальних системах в умовах зростання складності мережевих атак, динамічності мережевого середовища та збільшення обсягів мережевого трафіку. Обґрунтовано актуальність використання інтелектуальних методів аналізу кіберподій для забезпечення адаптивного реагування на сучасні кіберзагрози, зокрема атаки нульового дня, DDoS-атаки, мережеві аномалії та модифіковані типи вторгнень. Проведено аналіз сучасних сигнатурних, аномальних і гібридних систем виявлення вторгнень та визначено їх основні недоліки, серед яких високий рівень хибнопозитивних спрацювань, недостатня адаптивність і обмежені можливості виявлення нових типів атак. У роботі запропоновано архітектуру інтелектуальної системи адаптивного виявлення кіберзагроз, яка поєднує сигнатурний та аномальний аналіз із механізмами нечіткої логіки та нейромережевого аналізу в межах єдиної моделі прийняття рішень. Архітектура системи включає модулі збору та попередньої обробки мережевого трафіку, формування вектора ознак, сигнатурного й аномального аналізу, нечіткого оцінювання рівня ризику, нейромережевого аналізу, інтеграції результатів і адаптивного прийняття рішень. Розроблено математичну модель інтегрального оцінювання рівня кіберзагрози на основі адаптивного вагового поєднання результатів різних підсистем аналізу. Запропоновано механізм динамічного налаштування вагових коефіцієнтів залежно від характеристик мережевого трафіку, рівня ризику та типу кіберзагроз. Практичне значення отриманих результатів полягає у можливості використання запропонованої системи для забезпечення кібербезпеки корпоративних мереж, хмарних платформ, автоматизованих систем керування та IoT-середовищ.
Завантаження
Посилання
Ishaque, M., Md Johar, M. G., Khatibi, A., & Yamin, M. (2023). A novel hybrid technique using fuzzy logic, neural networks and genetic algorithm for intrusion detection system. Measurement: Sensors, 30, 100933. https://doi.org/10.1016/j.measen.2023.100933
Qazi, E. U. H., Faheem, M. H., & Zia, T. (2023). HDLNIDS: Hybrid deep-learning-based network intrusion detection system. Applied Sciences, 13(8), 4921. https://doi.org/10.3390/app13084921
Hnamte, V., & Hussain, J. (2023). DCNNBiLSTM: An efficient hybrid deep learning-based intrusion detection system. Telematics and Informatics Reports, 10, 100053. https://doi.org/10.1016/j.teler.2023.100053
Rahman, M. M., Shakil, S. A., & Mustakim, M. M. (2024). A survey on intrusion detection system in IoT networks. Cyber Security and Applications, 3, 100082. https://doi.org/10.1016/j.csa.2024.100082
Alnasser, O., Al Muhtadi, J., Saleem, K., & Shrestha, S. (2025). Signature and anomaly based intrusion detection system for secure IoTs and V2G communication. Alexandria Engineering Journal, 125, 424–440.
Qiu, X., Shi, L., & Fan, P. (2025). A cooperative intrusion detection system for internet of things using fuzzy logic and ensemble of convolutional neural networks. Scientific Reports, 15, 15934. https://doi.org/10.1038/s41598-025-99938-1
Karakaya, A. (2025). A hybrid approach for IoT security: Combining ensemble learning with fuzzy logic. Sensors, 25(18), 5668. https://doi.org/10.3390/s25185668
Kostiuk, Y. V., Skladannyi, P. M., & Hnatchenko, D. D. (2026). Risk-adaptive authorization in Zero Trust with dynamic trust and tokens. Problems in Programming, 1, 66–81. https://doi.org/10.15407/pp2026.01.066
Hassan, M. M., Gumaei, A. H., Alsanad, A., Alrubaian, M., & Fortino, G. (2020). A hybrid deep learning model for efficient intrusion detection in big data environment. Information Sciences, 513, 386–396.
Kostiuk, Y., Rzaieva, S., & Rzaiev, D. (2026). Intelligent network traffic analysis for detecting information security incidents. Science and Technology Today, 2(56), 1909–1940. https://doi.org/10.52058/2786-6025-2026-2(56)-1909-1928
K, M., Renuka, S., K, L., & Y. M., M. (2025). Hybrid deep learning approach for efficient intrusion detection using DCNN and BiLSTM. In 2025 3rd International Conference on Data Science and Network Security (ICDSNS) (pp. 1–6). IEEE. https://doi.org/10.1109/ICDSNS65743.2025.11168612
Skladannyi, P., Kostiuk, Y., & Rzaieva, S. (2026). Continuous access assessment in Zero Trust Access Management based on security event signals and dynamic session management. Mathematical Machines and Systems, 1, 29–46. https://doi.org/10.34121/1028-9763-2026-1-29-46
Checker, S., Yadav, M., & Katarya, R. (2023). A survey on intrusion detection system for IoT networks based on artificial intelligence. In 2023 International Conference on Electrical, Electronics, Communication and Computers (ELEXCOM) (pp. 1–6). IEEE. https://doi.org/10.1109/ELEXCOM58812.2023.10370067
Rzaeva, S., Skladannyi, P., Kostiuk, Y., Abramov, V., & Kravchenko, V. (2025). Adaptive information security management in cloud-oriented intelligent transportation systems. Ukrainian Scientific Journal of Information Security, 31(1), 23–36. https://doi.org/10.18372/2225-5036.31.20634
Pawlik, L., Wilk-Jakubowski, J. L., Grabski, P. T., & Wilk-Jakubowski, G. (2025). Securing the electrified future: A systematic review of cyber attacks, intrusion and anomaly detection, and authentication in electric vehicle charging infrastructure. Energies, 18(18), 4847. https://doi.org/10.3390/en18184847
Skladannyi, P. M., Hulak, H. M., & Kostiuk, Y. V. (2025). Chaotic number generator with fuzzy control for cryptographic systems with dynamic trust. Telecommunication and Information Technologies, 4(89), 137–147. https://doi.org/10.31673/2412-4338.2025.048916
Kostiuk, Y., Skladannyi, P., Rzaieva, S., Samoilenko, Y., & Korshun, N. (2025). Intelligent control and protection systems in cyber-physical and cloud-based Smart Grid environments. Cybersecurity: Education, Science, Technique, 2(30), 125–156. https://doi.org/10.28925/2663-4023.2025.30.956
Kamboj, A., Ravindran, V., & Ojha, S. (2025). A comparative analysis of signature-based and anomaly-based intrusion detection systems. International Journal of Latest Technology in Engineering Management & Applied Science, 14, 209–214. https://doi.org/10.51583/IJLTEMAS.2025.140500026
Li, P., Wang, H., Tian, G., & Fan, Z. (2024). A cooperative intrusion detection system for the Internet of Things using convolutional neural networks and black hole optimization. Sensors, 24(15), 4766. https://doi.org/10.3390/s24154766
Kostiuk, Y., Skladannyi, P., Rzaieva, S., Mazur, N., Cherevyk, V., & Anosov, A. (2025). Features of network attack implementation through TCP/IP protocols. Cybersecurity: Education, Science, Technique.
Yang, G., Huang, Q., Lv, H., & Lu, X. (2025). A network intrusion detection system based on convolutional neural network. In 2025 IEEE International Conference on High Performance Computing and Communications (HPCC) (pp. 1265–1271).
Kostiuk, Y., Khorolska, K., Bebeshko, B., Dovzhenko, N., Korshun, N., & Pazynin, A. (2025). Tools for ensuring information security against hidden threats in cloud computing infrastructure. Cybersecurity: Education, Science, Technique, 4(28), 633–655. https://doi.org/10.28925/2663-4023.2025.28.857
Zhang, L., & Xu, C. (2022). A intrusion detection model based on convolutional neural network and feature selection. In 2022 5th International Conference on Artificial Intelligence and Big Data (ICAIBD) (pp. 162–167). IEEE. https://doi.org/10.1109/ICAIBD55127.2022.9820384
Skladannyi, P., Kostiuk, Y., Rzaieva, S., Samoilenko, Y., & Savchenko, T. (2025). Development of modular neural networks for detecting various classes of network attacks. Cybersecurity: Education, Science, Technique, 3(27), 534–548. https://doi.org/10.28925/2663-4023.2025.27.772
Farhan, S., Mubashir, J., Haq, Y. U., et al. (2025). Enhancing network security: An intrusion detection system using residual network-based convolutional neural network. Cluster Computing, 28, 251. https://doi.org/10.1007/s10586-025-05156-9
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Юлія Костюк, Павло Складанний
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
