Обнаружения уязвимости сети и методы анализа сетевого трафика
DOI:
https://doi.org/10.26577/JMMCS2024121110Ключевые слова:
сетевой трафик, проникновение, анализ, уязвимость, эксплоит, атака, Kali Linux, WindowsАннотация
Исследователи и эксперты по защите информации разрабатывают антивирусные программы и приложения для повышения безопасности операционных систем и политик безопасности. В данной статье рассматриваются приложения для сканирования и анализа сетевого трафика, такие как Netdiscover, Wireshark и Nmap. Умение анализировать сетевой трафик – первая линия защиты от киберугроз. Виртуальное пространство - место для реализации сценариев обучения в области технологии защиты данных. Цель данного исследования определить методы анализа сетевого трафика и обнаружение уязвимости сети. В данном исследовании помощью операционной системы Kali Linux проведен тест на проникновение в Windows 7 и определена уязвимость операционной системы. Также, проведен расчет сетевого трафика с определением: среднеарифметическое значение сетевого трафика (1), вычисление дисперсии (2), определение значения колебаний относительно среднего M (3), диапазон максимального и минимального значения D и коэффициент Херста. Предложенная методика анализа сетевого трафика и обнаружения уязвимостей позволила с более высокой точностью и полнотой выявить и блокировать атаки на локальную сеть Ethernet. По результатам показателя Херста (H≤0,5) определен эргодический ряд, который не обладает самоподобием. Полученные результаты исследования могут быть использованы в области системы информационной безопасности.
Библиографические ссылки
Clarke N., Li F., Furnell S., "A novel privacy preserving user identification approach for network traffic", Computers & Security, 70 (2017): 335–350.
Gorodnichev M.G., et al, "Machine learning in the tasks of identifying unwanted content", In: Wave electronics and its application in information and telecommunication systems (WECONF), Saint-Petersburg (2019).
Gubareva O.Yu., Bourdine A.V., Evtushenko A.S., et al, Secure data transmission channel protected by special fiber optic link based on optical crypto-fibers. (2018). DOI:10.1117/12.2318579.
Jisa D., Ciza T., "Efficient DDoS flood attack detection using dynamic thresholding on flow-based network traffic", Computers & Security, 82 (2019): 284–295.
Kali Linux, Penetration Testing and Ethical Hacking Linux Distribution. [Electronic resource]. URL: https://www.kali.org/ (Date: 25.02.2024).
Kawasaki Y., Hara Y., Kuwahara M., "Traffic state estimation on a two-dimensional network by a state-space model", Transportation Research Part C: Emerging Technologies, 113 (2020): 176–192.
Klenilmar L., Dias M.A., Pongelupe W.M., "An innovative approach for real-time network traffic classification", Computer Networks, 158 (2019): 143–157.
KZ-CERT (2021) 170 IP addresses of potentially vulnerable Microsoft Exchange mail servers found in Kaznet. https://cert.gov.kz/news/11/1441.
Makarenko S.I., Smirnov G.E., "Analysis of penetration testing standards and methodologies", Systems of Control,
Communication and Security, 4 (2020): 44–72 (in Russian). DOI: 10.24411/2410-9916-2020-10402.
Markin Yu.V., "Methods and means of in-depth analysis of network traffic", Dissertation, V.P. Ivannikov Institute of System Programming of the Russian Academy of Sciences, (2017).
Pacheco F., Exposito E., Gineste M., "A framework to classify heterogeneous Internet traffic with machine learning and deep learning techniques for satellite communications", Computer Networks, 173 (2020): 107213.
Paramonov A.I., "Development and research of a complex of traffic models for public communication networks", Dissertation, St. Petersburg State University of Telecommunications named after Professor M. A. Bonch-Bruevichm, (2014).
Ring M., Schl¨or D., Landes D., et al, "Flow-based network traffic generation using. Generative Adversarial Networks", Computers & Security, 82 (2019): 156–172
Upadhyay D., Sampalli S., "SCADA (Supervisory Control and Data Acquisition) systems: Vulnerability assessment and security recommendations", Computers & Security, 89 (2020): 101666.
Vanyushina A.V., "Classification of IP traffic in a computer network using machine learning algorithms", Dissertation, Moscow Technical University of Communications and Informatics, (2019).
Yasasin E., Prester J., Wagner G., et al, "Forecasting IT security vulnerabilities– An empirical analysis", Computers & Security, 88 (2020): 101610.
