Операциялық жүйе осалдығын анықтау және трафиктi талдау әдiстерi
DOI:
https://doi.org/10.26577/JMMCS2024121110Кілттік сөздер:
желiлiк трафик, ену, талдау, осалдық, эксплоит, шабуыл, Kali Linux, WindowsАннотация
Зерттеушілер мен ақпаратты қорғау жөніндегі сарапшылар операциялық жүйелердің қауіпсіздігін және қауіпсіздік саясатын арттыру үшін вирусқа қарсы бағдарламалар мен қосымшалар әзірлейді. Мақалада Netdiscover, Wireshark және Nmap сияқты желілік трафикті сканерлеуге және талдауға арналған қосымшалар қарастырылды. Желілік трафикті талдай білу - киберқорғаудың алғашқы желісі. Виртуалды кеңістік - деректерді қорғау технологиясы саласындағы оқыту сценарийлерін іске асыруға арналған орын. Осы зерттеудің мақсаты желілік трафикті талдау әдістерін және желінің осалдығын анықтау. Зерттеуде Kali Linux операциялық жүйесінің көмегімен Windows 7 жүйесіне ену тесті жүргізілді және операциялық жүйенің осалдығы анықталды. Сондай-ақ, желілік трафиктің орташа арифметикалық мәнін (1), дисперсияны есептеу (2), орташа M (3) қатысты ауытқу мәнін анықтау, D максималды және минималды мәнінің диапазоны және Херст коэффициентіне талдау жүргізілді. Желілік трафикті талдаудың және осалдықтарды анықтаудың ұсынылған әдістемесі Ethernet жергілікті желісіне шабуылдарды неғұрлым жоғары дәлдікпен және толықтықпен анықтауға және бұғаттауға мүмкіндік берді. Нәтижеде анықталған Херст коэффициентінің мәні (Н≤0,5) өзіндік ұқсастығы жоқ эргодикалық қатар екені айқындалды. Алынған зерттеу нәтижелері ақпараттық қауіпсіздік жүйесі саласында пайдаланылуы мүмкін.
Библиографиялық сілтемелер
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.
