Метод защиты серверной инфраструктуры от распределенной атаки типа «отказ в обслуживании» с использованием рекуррентной нейронной сети

Авторы: Сёмина А.А.
Опубликовано в выпуске: #5(100)/2025
DOI:
Раздел: Информатика, вычислительная техника и управление | Рубрика: Методы и системы защиты информации, информационная безопасность
Ключевые слова: DDoS-атаки, кибербезопасность, рекуррентные нейронные сети, машинное обучение, защита серверов, NSL-KDD, автоматическое обнаружение атак
Опубликовано: 04.07.2025

Современные статистические данные ведущих компаний в области кибербезопасности (Лаборатория Касперского, Cloudflare, Statista) свидетельствуют о 63%-ном росте количества DDoS-атак в 2023–2024 гг. В данной статье рассмотрен инновационный метод противодействия этим угрозам, основанный на применении рекуррентных нейронных сетей (RNN). Разработанное решение обеспечивает автоматизированное обнаружение атак в реальном времени с возможностью мгновенного реагирования, демонстрируя при этом точность классификации на уровне 99,14 % на тестовой выборке из набора NSL-KDD и время предсказания всего 70,12 мс. Особенностью предложенного подхода является адаптивность к новым типам угроз благодаря механизму дообучения модели. Система может быть интегрирована в существующую инфраструктуру клиента без нарушения работы сервисов. Проведенные исследования различных конфигураций RNN (включая анализ влияния длины последовательности, количества нейронов и эпох обучения) позволили достичь оптимального баланса между точностью и производительностью.

Литература

[1] Чичков С.Н. Методы защиты от DDOS-атак. Цифровая экономика: проблемы и перспективы развития, 2022, с. 571–574.

[2] Мусиенко С.С. Использование нейронных сетей для прогнозирования угроз информационной безопасности на примере DDoS-атак. Инновационные научные исследования: сетевой журнал, 2021, № 2–3 (4), c. 178–185. https://doi.org/10.5281/zenodo.4604863

[3] Лаборатория Касперского. Как меняется ландшафт DDoS-атак в России. URL: https://www.kaspersky.ru/about/press-releases/laboratoriya-kasperskogo-kak-menyaetsya-landshaft-ddos-atak-v-rossii (дата обращения 07.11.2024).

[4] Cloudflare. Quarterly DDoS Attack Trends for Q1 2024. URL: https://blog.cloudflare.com/ddos-threat-report-for-2024-q1/ (accessed 19.11.2024).

[5] 2023: годовой отчет StormWall о DDoS-атаках. URL: https://stormwall.pro/resources/blog/ddos-ataki-2023-otchet-za-god (дата обращения 19.11.2024).

[6] Бачманов Д.А., Очередько А.Р., Путято М.М., Макарян А.С. Исследование вопросов совершенствования систем защиты от DDOS-атак на основе комплексного анализа современных механизмов противодействия. Прикаспийский журнал: управление и высокие технологии, 2021, № 1 (53), с. 63–74.

[7] Медведев М., Рева И. Анализ подходов к фильтрации трафика и эффективность применения черных и белых списков. Вестник СибГУТИ, 2023, т. 17, № 1, с. 107–116.

[8] Kaspersky DDoS Protection. URL: https://www.kaspersky.ru/enterprise-security/ddos-protection (дата обращения 19.01.2025).

[9] NDENIX. URL: https://ngenix.net/ecp/ddos-protection/ (дата обращения 25.01.2025).

[10] Yandex DDoS Protection в Virtual Private Cloud. URL: https://yandex.cloud/ru/docs/vpc/ddos-protection/ (дата обращения 18.01.2025).

[11] DDoS-GUARD. URL: https://ddos-guard.ru/ (дата обращения 19.01.2025).

[12] StormWall. URL: https://stormwall.pro/ (дата обращения 21.01.2025).

[13] Bunny.net. URL: https://bunny.net/ (accessed 21.01.2025).

[14] Cloud4Y. URL: https://www.cloud4y.ru/ (дата обращения 24.01.2025).

[15] NSL-KDD. Network Security, Information Security, Cyber Security. URL: https://www.kaggle.com/datasets/hassan06/nslkdd (accessed 16.02.2025).

[16] Калугин Ю.А., Рудаков И.В. Выделение источника звука при помощи сверточных нейронных сетей с полносвязными слоями. Modern Science, 2021, № 4–3, с. 535–539.