К содержанию
РецензированоRU2026

Применение алгоритмов интеллектуальных технологий в системе обнаружение и предотвращение сетевых атак

Комил Ахматович Ташев (Alfraganus University) · Абдуазиз Абдугаффарович Абдурахманов (Alfraganus University) · АНИҚЛАШ ВА (Alfraganus University) · ОЛДИНИ ОЛИШ (Alfraganus University) · АЛГОРИТМОВ ИНТЕЛ- (Alfraganus University) · ТЕХНОЛОГИЙ В (Alfraganus University) · ОБНАРУЖЕНИЕ И (Alfraganus University) · СЕТЕВЫХ АТАК (Alfraganus University) · OF INTELLIGENT (Alfraganus University) · ALGORITHMS IN (Alfraganus University)

Международный научный журнал «ALFRAGANUS» · 13 · 416-4212 · 2026

Аннотация

I ntrusion Detection and prevention System (IDS, IDPS) is one of the solutions implemented against malicious network attacks. Implementing an IDS and IDPS systems is difficult because attackers are constantly changing the tools and methods they use. This article presents the challenges and benefits of using data mining technologies to mitigate network attacks. Methods and tools have been developed for the formation of an intrusion detection system based on data mining of operational analysis and effective response, allowing to get rid of some known shortcomings of signature search and anomaly detection systems. IDS, IDPS, Data mining, машинани ўрганиш алгоритми, J48, Калит сўзлар: Random Forest, Random Tree, Decision Table, MLP, Naive Bayes и Bayes Network. IDS, IDPS, классификатор машинного обучения, алгоритм ма- Ключевые слова: шинного обучения, J48, Random Forest, Random Tree, Decision Table, MLP, Naive Bayes и Bayes Network. IDS, IDPS, KDD dataset, machine learning algorithm, J48, Random Key words: Forest, Random Tree, Decision Table, MLP, Naive Bayes и Bayes Network. 76 Alfraganus University КИРИШ Рақамли технологияларнинг тобора оммалашиб бораётгани кибержиноятлар со- нини оширмоқда. Жаҳон Иқтисодий Форуми (WEF) ҳисоб-китобларига кўра, ки- берҳужумлар йирик корхоналарга ҳар бир ҳодиса учун ўртача 3,6 миллион долларга туша- ди. Компанияларнинг бундай кўринишларни аниқлаш қобилиятининг пастлиги ташвиш уйғотади. Қайд этилганидек, киберҳужумни аниқлаш ва унга жавоб қайтариш учун ўртача 280 кун керак бўлади. Қолаверса, малакали кадрлар етишмаслиги муаммоси ҳам бор эди. 2023-йилга келиб яна 1,8 миллион киберхавфсизлик бўйича мутахассис керак бўлади. Гартнер консалтинг компанияси 2022-йилда киберхавфсизликка сарфланадиган хара- жатлар 172 миллиард долларни ташкил этишини тахмин қилди. 2025-йилга бориб жами харажатлар 1,75 триллион долларга этади. “Касперский лабораторияси” маълумотларига кўра, Ўзбекистонда ҳар куни ўртача 67 та янги тўлов дастури ҳужуми аниқланган. Шунингдек, уйдирма ёрдам бўлими билан боғ- лиқ фирибгарлик ҳолатлари ҳам кўпайган, бу ерда жабрланувчилардан чет элдаги ҳисоб рақамларига банк ўтказмаларини амалга ошириш ёки олдиндан тўланган карталар билан катта миқдорда харид қилиш сўралган. Бундай фирибгарликлардан кўрилган зарар 347 миллион доллардан ортиқни ташкил этди, бу 2020-йилга нисбатан 137 фоизга кўпдир. Юридик шаҳсларга ҳужумлар таъмагир дастурлар ёрдамида, физик шахсларга ай- ғоқчи-дастурлар ёрдамида амалга оширилади. 2022 йилнинг VI-чорагида зарарли дастур таъминотидан фойдаланиб амалга оширилган барча ҳужумларнинг ичида айғоқчи-дастур- ларнинг улуши 58% ни ташкил этган (1- расм). 1-расм. Ҳужумчиларнинг мақсади (ҳужумлар кесимида) Бунга пандемия имкон яратди: компаниялар шошилинч тарзда, илгари фақат локал тармоқдан фойдалана оладиган сервисларни периметрга узатдилар. Натижада периметр ўзгарар эди. Ҳамма ҳам ушбу сервислар хавфсизлигига эътибор бермас эди ва кўпчилик уларнинг ишончли ҳимоясини таъминлашга улгурмас эди. Аксарият компаниялар ҳали- гача тўлиқ ёки қисман масофавий режимда ишлайди, шу сабабли улар учун ташқаридан фойдаланувчи ресурсларнинг инвентаризациялаш ва заифликларни бошқариш жараёни- ни самарали барпо этиш масалалари кескин туради. Ҳужумларни таснифлашга ёндашувлар. Бузғунчилар томонидан масофавий тармоқ ҳужумларини амалга оширишда ишлатилувчи кўпгина технологиялар мавжуд. Тармоқ ҳужумларини алоҳида камдан-кам ишлатилади ва аксарият ҳолларда ҳужумчи мақсади- 77 Alfraganus University га эришиш учун биргаликда қўлланилади[3]. 1-жадвалда масофавий ҳужумларнинг кенг тарқалган таснифлаш келтирилган. Тармоқ хужумларини аниқлаш усуллари ва воситалари. Ҳисоблаш тармоқларини ҳи- моялашда қуйидаги кенг тарқалган усуллар ва воситалардан фойдаланилади: - корпоратив тармоқ хавфсизлиги сиёсати; - тармоқлараро экранлар; - маршрутизаторлар сатҳида ҳимоя; - тармоқ аудити; - суқилиб киришларни аниқлаш тизимлари; - аниқланган хужумларга жавоб бериш тартиби. Экспертларнинг фикрича, киберхавфсизликнинг аксарият бузилишлари қонуний фойдаланувчиларнинг фаолияти билан боғлиқ. Бу фойдаланувчи харакатларини янада юқори сатҳда назоратлаш заруриятини тақозо этади. Суқилиб киришларни аниқлаш ти- зими ушбу муаммонинг ечимларидан бири ҳисобланади. Суқилиб киришларни аниқлаш тизимлари ўз фаолиятида нафақат тармоқ трафиги ва қоидалар наборига, балки тизим аудитига, турли журналларга, операцион тизим ишлаши кўрсаткичларига ва х.к. хам амал қилади. Нафақат суқилиб киришнинг содир бўлган фактини аниқловчи, балки, тармоқ уланишини узиб, фойдаланувчининг ёки, хатто маъмурнинг шубҳали активлигини бло- кировкалаб, оқибатларини минималлаштиришга имкон берувчи тизимлар ҳам мавжуд. 78 Alfraganus University Компьютер тизимлари ва тармоқ ресурсларидан рухсатсиз фойдаланишни бартараф этишнинг энг самарали усули – кўп сатҳли ҳимояни мададлаш. Бунга биноан, тармоқла- раро экранлар, суқилиб киришларни аниқлаш тизимлари, аудит тизимлари, хавфсизлик сиёсати ва бошқа ҳимоя воситалари биргаликда ишлатилади. Суқилиб

Доказательный фрагмент

«I ntrusion Detection and prevention System (IDS, IDPS) is one of the solutions implemented against malicious network attacks.»

Образец извлечения

Демо-превью

I ntrusion Detection and prevention System (IDS, IDPS) is one of the solutions implemented against malicious network attacks. Полный текст публикации CiteX не хранит — доступ к первоисточнику открывается по DOI согласно лицензии издателя и выбранному плану.

DOI не указан
Цитирований
0
Тип
Журнал
Страна
Узбекистан
Ключевые слова
Forest, Random Tree, Decision Table, MLP, Naive Bayes и Bayes Network, IDS, J48, KDD dataset, алгоритм машинного обучения, классификатор машинного обучения, machine learning algorithm, Data mining, IDPS, Naive Bayes и Bayes Network., машинани ўрганиш алгоритми, Random Forest
Спросить CiteX об этой работе

Смежные источники