ЗАСТОСУВАННЯ ГЕНЕРАТОРІВ ПСЕВДОВИПАДКОВИХ ПОСЛІДОВНОСТЕЙ ДЛЯ МОДЕЛЮВАННЯ КІБЕРБЕЗПЕКОВИХ ПОДІЙ У СИСТЕМАХ ВИЯВЛЕННЯ АНОМАЛІЙ ТА ВТОРГНЕНЬ

Олег Гарасимчук

doi:10.28925/2663-4023.2026.35.1460

Автор(и)

Олег Гарасимчук Національний університет "Львівська політехніка" https://orcid.org/0000-0002-8742-8872

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1460

Ключові слова:

кібербезпека, виявлення аномалій, виявлення вторгнень, IDS/IPS, генератор псевдовипадкових послідовностей, синтетичні дані, пуассонівський процес, статистичне моделювання

Анотація

У роботі запропоновано підхід до формування синтетичних потоків кібербезпекових подій на основі генераторів псевдовипадкових послідовностей (ГПВП) і статистичного моделювання для задач виявлення аномалій і вторгнень у системах IDS/IPS. Розроблено математичну модель, у якій псевдовипадкова послідовність за допомогою оберненого експоненційного перетворення використовується для формування міжподійних інтервалів, а часові мітки подій отримуються їх послідовним накопиченням; кожна подія описується категорією та вектором атрибутивних характеристик. Параметри генерації визначаються режимом активності, який може бути нормальним, підвищеним або аномальним. Аномальність розглядається як багатокомпонентне відхилення, що може виявлятися у зміні інтенсивності потоку, категоріальної структури подій або статистичних характеристик їхніх параметрів. Проаналізовано межі застосовності однорідного пуассонівського наближення для моделювання складних потоків кібербезпекових подій. Розглянуто застосування моделі до трьох сценаріїв: формування навчальних і тестових наборів даних для IDS/IPS, моделювання подій для honeypot-систем і моделювання подій сканувальної активності. Сформульовано методику оцінювання статистичних властивостей і придатності сформованих потоків подій. Результати мають теоретико-методологічний характер; емпіричну перевірку моделі на реальних наборах даних визначено напрямом подальших досліджень.

Завантаження

Дані завантаження ще не доступні.

Посилання

Huynh, L., et al. (2025). Expectations versus reality: Evaluating intrusion detection systems in practice. In 2025 55th Annual IEEE/IFIP International Conference on Dependable Systems and Networks—Supplemental Volume (DSN-S) (pp. 56–62). IEEE. https://doi.org/10.1109/DSN-S65789.2025.00042

Sawant, A. (2018). A comparative study of different intrusion prevention systems. In 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA) (pp. 1–5). IEEE. https://doi.org/10.1109/ICCUBEA.2018.8697500

Tavallaee, M., Bagheri, E., Lu, W., & Ghorbani, A. A. (2009). A detailed analysis of the KDD CUP 99 data set. In 2009 IEEE Symposium on Computational Intelligence for Security and Defense Applications (pp. 1–6). IEEE. https://doi.org/10.1109/CISDA.2009.5356528

Moustafa, N., & Slay, J. (2015). UNSW-NB15: A comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set). In 2015 Military Communications and Information Systems Conference (MilCIS) (pp. 1–6). IEEE. https://doi.org/10.1109/MilCIS.2015.7348942

Sharafaldin, I., Lashkari, A. H., & Ghorbani, A. A. (2018). Toward generating a new intrusion detection dataset and intrusion traffic characterization. In Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP) (pp. 108–116).

Alsaedi, A., Moustafa, N., Tari, Z., Mahmood, A., & Anwar, A. (2020). TON_IoT telemetry dataset: A new generation dataset of IoT and IIoT for data-driven intrusion detection systems. IEEE Access, 8, 165130–165150. https://doi.org/10.1109/ACCESS.2020.3022862

Rahman, S., Pal, S., Mittal, S., Chawla, T., & Karmakar, C. (2024). SYN-GAN: A robust intrusion detection system using GAN-based synthetic data for IoT security. Internet of Things, 26, Article 101212.

Khomik, M., & Harasymchuk, O. (2023). Application of pseudorandom number and sequence generators in cybersecurity: Methods of their construction and quality assessment. Information Security, 25(3), 147–159. https://doi.org/10.18372/2410-7840.25.17940

National Institute of Standards and Technology. (2010). A statistical test suite for random and pseudorandom number generators for cryptographic applications (NIST Special Publication 800-22 Rev. 1a).

Karatas, G., Demir, O., & Sahingoz, O. K. (2020). Increasing the performance of machine learning-based IDSs on an imbalanced and up-to-date dataset. IEEE Access, 8, 32150–32162. https://doi.org/10.1109/ACCESS.2020.2973219

Ibrahimi, K., Jouhari, M., & Jakout, Z. (2024). Enhancing intrusion detection systems using machine learning classifiers on the CSE-CIC-IDS2018 dataset. In 2024 11th International Conference on Wireless Networks and Mobile Communications (WINCOM) (pp. 1–6). IEEE. https://doi.org/10.1109/WINCOM62286.2024.10655131

Krichen, M. (2023). Generative adversarial networks. In 2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT) (pp. 1–7). IEEE. https://doi.org/10.1109/ICCCNT56998.2023.10306417

Franco, J., Aris, A., Canberk, B., & Uluagac, A. S. (2021). A survey of honeypots and honeynets for Internet of Things, Industrial Internet of Things, and cyber-physical systems. IEEE Communications Surveys & Tutorials, 23(4), 2351–2383. https://doi.org/10.1109/COMST.2021.3106669

Morozov, D. S., Vakaliuk, T. A., Yefimenko, A. A., Nikitchuk, T. M., & Kolomiiets, R. O. (2023). Honeypot and cyber deception as a tool for detecting cyber attacks on critical infrastructure. CEUR Workshop Proceedings, 3374, 81–96.

Maksymovych, V., Nyemkova, E., Justice, C., Shabatura, M., Harasymchuk, O., Lakh, Y., & Rusynko, M. (2022). Simulation of authentication in information-processing electronic devices based on Poisson pulse sequence generators. Electronics, 11(13), Article 2039. https://doi.org/10.3390/electronics11132039

Maksymovych, V., Shabatura, M., Harasymchuk, O., Shevchuk, R., Sawicki, P., & Zajac, T. (2022). Combined pseudo-random sequence generator for cybersecurity. Sensors, 22(24), Article 9700. https://doi.org/10.3390/s22249700

Garcia Cordero, C., et al. (2019). On generating network traffic datasets with synthetic attacks for intrusion detection (ID2T) [Preprint]. arXiv. https://arxiv.org/abs/1905.00304