Гибридная архитектура интеллектуальной системы обнаружения и предотвращения DDoS-атак в режиме реального времени

Аннотация

В работе рассматривается проектирование гибридной системы обнаружения и предотвращения распределённых атак типа «отказ в обслуживании» на основе поведенческого анализа сетевого трафика и методов машинного обучения. Цель исследования — обосновать архитектуру, объединяющую программные датчики, программно-аппаратные механизмы обработки пакетов и облачные средства фильтрации с учётом требований к скорости принятия решения. На основе научных публикаций предложены состав сетевых признаков, совместное использование классификации, кластеризации и эвристической оценки риска, порядок адаптивного обновления моделей и многоуровневая политика реагирования. Сформулированы критерии проверки на размеченных сетевых потоках и на временных окнах, в том числе полнота обнаружения, частота ложных блокировок, пропускная способность и сквозная задержка от появления признаков атаки до защитного действия. Целевое время обнаружения рассматривается как проектное требование — от долей секунды до нескольких секунд. Результатом является концептуальная спецификация и протокол последующей экспериментальной валидации. Исследование имеет проектно-аналитический характер: промышленная реализация и измерение сквозной задержки не проводились.

Ключевые слова: DDoS-атаки, машинное обучение, поведенческий анализ, обнаружение аномалий, кластеризация, облачная защита, программируемые сети, адаптивная фильтрация, задержка обнаружения

Әдебиеттер тізімі

1. Mirkovic J., Reiher P. A Taxonomy of DDoS Attack and DDoS Defense Mechanisms // ACM SIGCOMM Computer Communication Review. — 2004. — Vol. 34, № 2. — P. 39–53. — DOI: 10.1145/997150.997156.
2. Zargar S. T., Joshi J., Tipper D. A Survey of Defense Mechanisms Against Distributed Denial of Service (DDoS) Flooding Attacks // IEEE Communications Surveys & Tutorials. — 2013. — Vol. 15, № 4. — P. 2046–2069. — DOI: 10.1109/SURV.2013.031413.00127.
3. Haseeb-ur-rehman R. M. A. et al. High-Speed Network DDoS Attack Detection: A Survey // Sensors. — 2023. — Vol. 23, № 15. — Art. 6850. — DOI: 10.3390/s23156850.
4. Doriguzzi-Corin R., Millar S., Scott-Hayward S., Martínez-del-Rincón J., Siracusa D. LUCID: A Practical, Lightweight Deep Learning Solution for DDoS Attack Detection // IEEE Transactions on Network and Service Management. — 2020. — Vol. 17, № 2. — P. 876–889. — DOI: 10.1109/TNSM.2020.2971776.
5. Musumeci F., Fidanci A. C., Paolucci F., Cugini F., Tornatore M. Machine-Learning-Enabled DDoS Attacks Detection in P4 Programmable Networks // Journal of Network and Systems Management. — 2022. — Vol. 30. — Art. 21. — DOI: 10.1007/s10922-021-09633-5.
6. Mirsky Y., Doitshman T., Elovici Y., Shabtai A. Kitsune: An Ensemble of Autoencoders for Online Network Intrusion Detection // Network and Distributed System Security Symposium (NDSS). — 2018. — DOI: 10.14722/ndss.2018.23204.
7. Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey // ACM Computing Surveys. — 2009. — Vol. 41, № 3. — Art. 15. — DOI: 10.1145/1541880.1541882.
8. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. — 2017. — Vol. 30. — URL: https://papers.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html (дата обращения: 13.11.2026).
9. Gama J., Žliobaitė I., Bifet A., Pechenizkiy M., Bouchachia A. A Survey on Concept Drift Adaptation // ACM Computing Surveys. — 2014. — Vol. 46, № 4. — Art. 44. — DOI: 10.1145/2523813.
10. Sharafaldin I., Lashkari A. H., Hakak S., Ghorbani A. A. Developing Realistic Distributed Denial of Service (DDoS) Attack Dataset and Taxonomy // 2019 International Carnahan Conference on Security Technology. — 2019. — P. 1–8. — DOI: 10.1109/CCST.2019.8888419.
11. Sommer R., Paxson V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection // 2010 IEEE Symposium on Security and Privacy. — 2010. — P. 305–316. — DOI: 10.1109/SP.2010.25.
12. Saito T., Rehmsmeier M. The Precision–Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets // PLOS ONE. — 2015. — Vol. 10, № 3. — Art. e0118432. — DOI: 10.1371/journal.pone.0118432.
13. Guo C., Pleiss G., Sun Y., Weinberger K. Q. On Calibration of Modern Neural Networks // Proceedings of the 34th International Conference on Machine Learning. — 2017. — Vol. 70. — P. 1321–1330. — URL: https://proceedings.mlr.press/v70/guo17a.html (дата обращения: 13.11.2026).
14. Ahuja N., Singal G., Mukhopadhyay D., Kumar N. Automated DDoS Attack Detection in Software Defined Networking // Journal of Network and Computer Applications. — 2021. — Vol. 187. — Art. 103108. — DOI: 10.1016/j.jnca.2021.103108.
15. Breiman L. Random Forests // Machine Learning. — 2001. — Vol. 45. — P. 5–32. — DOI: 10.1023/A:1010933404324.

Дәйексөз келтіру үлгісі

Авдеева А.Ю., Джаканова А.М., Мясникевич Е.А. Гибридная архитектура интеллектуальной системы обнаружения и предотвращения DDoS-атак в режиме реального времени // Central Asian Scientific Journal. – 2026. – №4(32), Т. 2. – С. 291–298.