State University of Telecommunications Open Journals System
Not a member yet
2308 research outputs found
Sort by
АВТОМАТИЗОВАНІ МОДЕЛІ ПРОГРАМНИХ СИСТЕМ ДІАГНОСТИКИ ТРАНСПОРТНИХ ЗАСОБІВ: ПІДХІД ДО ІНТЕГРАЦІЇ ДАНИХ
No full textThe introduction of the OBD-2 interface provided standardized access to vehicle diagnostic data, enabling realtime monitoring of the system’s status. Effective utilization of this data requires the development of intelligent algorithmscapable of analyzing the obtained information while considering signal variability and the probability of faults. One ofthe approaches to improving analysis accuracy is the use of finite state machines (FSMs), which allow structuring thedecision-making process based on a set of defined states and transitions between them. This study explores the methodof integrating FSM into OBD-2 data analysis processes to create an automated diagnostic system that enhances faultdetection accuracy and reduces the number of false-positive results. The proposed diagnostic model employs FSMs tobuild a flexible and scalable logic for analyzing a vehicle's condition. As part of the research, a mathematical FSM modelwas developed, considering the temporal variation of OBD-2 parameters and identifying critical deviations based onsignal timing characteristics. A software package for system modeling and testing was created, allowing the verificationof its effectiveness based on both synthetic data obtained in the MATLAB/Simulink environment and simulated scenarios.A comparative analysis of fault detection accuracy using the proposed FSM model versus traditional threshold methodsdemonstrated an increase in diagnostic reliability. The testing results showed that fault detection accuracy increased to92.2%, while the false-positive rate decreased to 4.1% compared to classical OBD-2 data analysis methods. The proposedapproach reduced processing delay to 250 milliseconds per diagnostic cycle, making it applicable for real-time faultdetection.Keywords: finite state machine, automotive diagnostics, OBD-2, software architecture, data integration,simulation
References1. Yadav, A., & Swetapadma, A. (2015). A finite-state machine-based approach for fault detection andclassification in transmission lines. Electric Power Components and Systems, 44(1), 43–59. https://doi.org/10.1080/15325008.2015.10918622. Solov’ev, V. V. (2023). Structural models for failure detection of Moore finite-state machines. Journal ofComputer and Systems Sciences International, 62, 977–990. https://doi.org/10.1134/S10642307230601023. Köhl, M. A., & Hermanns, H. (2023). Model-based diagnosis of real-time systems: Robustness against varyinglatency, clock drift, and out-of-order observations. ACM Transactions on Embedded Computing Systems, 22(4), Article68, 1–48. https://doi.org/10.1145/35972094. Górski, T., & Stecz, W. (2024). A method for modeling and testing near-real-time system scenarios. AppliedSciences, 14(5), 2023. https://doi.org/10.3390/app140520235. MIT OpenCourseWare. (2011). Lecture notes: State machines in system design. Retrieved February 16, 2025,from https: //ocw.mit.edu /courses/6-01sc-introduction-to-electrical-engineering-and-computer-science-i-spring-2011/pages/unit-1-software-engineering/state-machines/6. Fuicu, S., Avramescu, A., Lascu, D., Padurariu, R., & Marcu, M. (2015). Real-time monitoring using finite statemachine algorithms. In R. Giaffreda et al. (Eds.), Internet of Things. User-Centric IoT. IoT360 2014. Lecture Notes of theInstitute for Computer Sciences, Social Informatics and Telecommunications Engineering (Vol. 150). Springer, Cham.https://doi.org/10.1007/978-3-319-19656-5_277. Gong, C.-S. A., Su, C.-H. S., Chen, Y.-H., & Guu, D.-Y. (2022). How to implement automotive fault diagnosisusing artificial intelligence scheme. Micromachines, 13(9), 1380. https://doi.org/10.3390/mi130913808. Rasheed, R., Qazi, F., Dur e Shawar Agha, Ahmed, A., Asif, A., & Shams, H. (2024). Machine learningapproaches for in-vehicle failure prognosis in automobiles: A review. VFAST Transactions on Software Engineering,12(1), 169–182. https://doi.org/10.21015/vtse.v12i1.17139. Wagner, F., Schmuki, R., Wagner, T., & Wolstenholme, P. (2006). Modeling software with finite state machines:A practical approach (1st ed.). New York, USA: Auerbach Publications. https://doi.org/10.1201/978142001364110. Embedded Staff. (2016). Implementing finite state machines in embedded systems. Retrieved February 19,2025, from https://www.embedded.com/implementing-finite-state-machines-in-embedded-systems/11. Chen, J., & S, R. (2021). Model-based validation of diagnostic software with application in automotivesystems. IET Cyber-Systems and Robotics, 3(3), 140–149. https://doi.org/10.1049/csy2.1201612. Kim, K., & Roush, F. W. (2003). Algebra, abstract. In R. A. Meyers (Ed.), Encyclopedia of physical scienceand technology (3rd ed.). Academic Press. https://doi.org/10.1016/B0-12-227410-5/00019-3бу, дозволяючи відстежувати стан системи в реальному часі. Ефективне використання цих даних вимагає розробкиінтелектуальних алгоритмів, здатних аналізувати отриману інформацію з урахуванням мінливості сигналу таймовірності несправностей. Одним із підходів до підвищення точності аналізу є використання кінцевих автоматів(FSM), які дозволяють структурувати процес прийняття рішень на основі набору визначених станів і переходів міжними. У цьому дослідженні досліджується метод інтеграції FSM у процеси аналізу даних OBD-2 для створенняавтоматизованої діагностичної системи, яка підвищує точність виявлення несправностей і зменшує кількістьхибнопозитивних результатів. Запропонована діагностична модель використовує FSM для створення гнучкої тамасштабованої логіки для аналізу стану автомобіля. У рамках дослідження була розроблена математична модель FSM,що враховує часові зміни параметрів OBD-2 та ідентифікує критичні відхилення на основі часових характеристиксигналу. Створено пакет програм для моделювання та тестування системи, що дозволяє перевірити її ефективність наоснові як синтетичних даних, отриманих у середовищі MATLAB/Simulink, так і змодельованих сценаріїв.Порівняльний аналіз точності виявлення несправностей із використанням запропонованої моделі автоматичнихавтоматів порівняно з традиційними пороговими методами продемонстрував підвищення надійності діагностики.Результати тестування показали, що точність виявлення несправностей зросла до 92,2%, а хибнопозитивний рівеньзнизився до 4,1% порівняно з класичними методами аналізу даних OBD-2. Запропонований підхід зменшив затримкуобробки до 250 мілісекунд на діагностичний цикл, що робить його застосовним для виявлення несправностей уреальному часі.Ключові слова: кінцевий автомат, автомобільна діагностика, OBD-2, архітектура програмного забезпечення,інтеграція даних, моделювання
Список використаних джерел1. Yadav, A., & Swetapadma, A. (2015). A finite-state machine-based approach for fault detection andclassification in transmission lines. Electric Power Components and Systems, 44(1), 43–59. https://doi.org/10.1080/15325008.2015.10918622. Solov’ev, V. V. (2023). Structural models for failure detection of Moore finite-state machines. Journal ofComputer and Systems Sciences International, 62, 977–990. https://doi.org/10.1134/S10642307230601023. Köhl, M. A., & Hermanns, H. (2023). Model-based diagnosis of real-time systems: Robustness against varyinglatency, clock drift, and out-of-order observations. ACM Transactions on Embedded Computing Systems, 22(4), Article68, 1–48. https://doi.org/10.1145/35972094. Górski, T., & Stecz, W. (2024). A method for modeling and testing near-real-time system scenarios. AppliedSciences, 14(5), 2023. https://doi.org/10.3390/app140520235. MIT OpenCourseWare. (2011). Lecture notes: State machines in system design. Retrieved February 16, 2025,from https: //ocw.mit.edu /courses/6-01sc-introduction-to-electrical-engineering-and-computer-science-i-spring-2011/pages/unit-1-software-engineering/state-machines/6. Fuicu, S., Avramescu, A., Lascu, D., Padurariu, R., & Marcu, M. (2015). Real-time monitoring using finite statemachine algorithms. In R. Giaffreda et al. (Eds.), Internet of Things. User-Centric IoT. IoT360 2014. Lecture Notes of theInstitute for Computer Sciences, Social Informatics and Telecommunications Engineering (Vol. 150). Springer, Cham.https://doi.org/10.1007/978-3-319-19656-5_277. Gong, C.-S. A., Su, C.-H. S., Chen, Y.-H., & Guu, D.-Y. (2022). How to implement automotive fault diagnosisusing artificial intelligence scheme. Micromachines, 13(9), 1380. https://doi.org/10.3390/mi130913808. Rasheed, R., Qazi, F., Dur e Shawar Agha, Ahmed, A., Asif, A., & Shams, H. (2024). Machine learningapproaches for in-vehicle failure prognosis in automobiles: A review. VFAST Transactions on Software Engineering,12(1), 169–182. https://doi.org/10.21015/vtse.v12i1.17139. Wagner, F., Schmuki, R., Wagner, T., & Wolstenholme, P. (2006). Modeling software with finite state machines:A practical approach (1st ed.). New York, USA: Auerbach Publications. https://doi.org/10.1201/978142001364110. Embedded Staff. (2016). Implementing finite state machines in embedded systems. Retrieved February 19,2025, from https://www.embedded.com/implementing-finite-state-machines-in-embedded-systems/11. Chen, J., & S, R. (2021). Model-based validation of diagnostic software with application in automotivesystems. IET Cyber-Systems and Robotics, 3(3), 140–149. https://doi.org/10.1049/csy2.1201612. Kim, K., & Roush, F. W. (2003). Algebra, abstract. In R. A. Meyers (Ed.), Encyclopedia of physical scienceand technology (3rd ed.). Academic Press. https://doi.org/10.1016/B0-12-227410-5/00019-
ОСОБЛИВОСТІ ПРОЕКТУВАННЯ МІКРОСЕГМЕНТАЦІЇ МЕРЕЖІ ПРИ ПОБУДОВІ АРХІТЕКТУРИ НУЛЬОВОЇ ДОВІРИ
No full textThe paper describes approaches to implementing microsegmentation of an organization's corporate network in order toensure high-quality access control to its infrastructure elements and improve their management. The implementation of networkmicrosegmentation to limit horizontal movement between its infrastructure elements is one of the key measures for migratingto a zero-trust architecture. Microsegmentation ensures optimal network performance and allows for effective management ofaccess to its resources, both at the edge and inside the network. It also provides an opportunity to isolate critical resources ofthe organization from dangerous network connections, which reduces the risk of unauthorized access to them.The relevance of implementing modern security models requires high-quality planning and design of networkinfrastructure microsegmentation. This process causes a change in the network architecture and entails both securityimprovements and a number of certain disadvantages associated with increasing the complexity of the topology, and increasingthe cost and complexity of implementation, increasing maintenance costs and further operation of the microsegmentedinfrastructure. The study analyzes the advantages and disadvantages of microsegmentation of different granularities. Densemicrosegmentation increases the level of security of the corporate infrastructure as a whole when compromising its individualelements, while a low-segmented network infrastructure does not require significant resources, is easy to maintain and generallydoes not reduce the productivity of the corporate network. A method of analytical design of microsegmentation is proposedusing risk matrices as a tool for assessing corporate systems to determine the required level of security and select the requiredsize of the microsegment. An example of implementing microsegmentation in a typical infrastructure and the difference in itstopology before and after the change are considered. The reasons and needs for optimizing the initial design ofmicrosegmentation are analyzed. Options and approaches for optimizing the design of microsegmentation of corporateinfrastructure are considered.Keywords: microsegmentation, zero trust, network, firewall, infrastructure, granularity
References1. Ma, M., Yu, Z., & Liu, B. (2023). Automatic Generation of Network Micro-Segmentation Policies for CloudEnvironments. 2023 4th International Seminar on Artificial Intelligence, Networking and Information Technology(AINIT), 1-5. https://doi.org/10.1109/AINIT59027.2023.10212857.2. Basta, N., Ikram, M., Kâafar, M., & Walker, A. (2021). Towards a Zero-Trust Micro-segmentation NetworkSecurity Strategy: An Evaluation Framework. NOMS 2022-2022 IEEE/IFIP Network Operations and ManagementSymposium, 1-7. https://doi.org/10.1109/NOMS54207.2022.9789888.3. Noel, S., Swarup, V., & Johnsgard, K. (2021). Optimizing network microsegmentation policy for cyberresilience. The Journal of Defense Modeling and Simulation: Applications, Methodology, Technology, 20, 57 - 79.https://doi.org/10.1177/15485129211051386.4. Mujib, M., & Sari, R. (2020). Performance Evaluation of Data Center Network with Network Microsegmentation. 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), 27-32. https://doi.org/10.1109/ICITEE49829.2020.9271749.5. Liu, Y., Liu, G., Du, H., Niyato, D., Kang, J., Xiong, Z., Kim, D., & Shen, X. (2024). Hierarchical MicroSegmentations for Zero-Trust Services via Large Language Model (LLM)-enhanced Graph Diffusion. ArXiv,abs/2406.13964. https://doi.org/10.48550/arXiv.2406.13964.6. Mujib, M., & Sari, R. (2020). Performance Evaluation of Data Center Network with Network Microsegmentation. 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), 27-32. https://doi.org/10.1109/ICITEE49829.2020.9271749.7. Sheikh, N., Pawar, M., & Lawrence, V. (2021). Zero trust using Network Micro Segmentation. IEEEINFOCOM 2021 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), 1-6.https://doi.org/10.1109/INFOCOMWKSHPS51825.2021.9484645.8. Keeriyattil, S. (2019). Microsegmentation and Zero Trust: Introduction. Zero Trust Networks with VMwareNSX. https://doi.org/10.1007/978-1-4842-5431-8_2.9. Zhang, P., Tian, C., Shang, T., Liu, L., Li, L., Wang, W., & Zhao, Y. (2021). Dynamic access controltechnology based on zero-trust light verification network model. 2021 International Conference on Communications,Information System and Computer Engineering (CISCE), 712-715. https://doi.org/10.1109/CISCE52179.2021.9445896.10. Sheikh, N., Pawar, M., & Lawrence, V. (2021). Zero trust using Network Micro Segmentation. IEEEINFOCOM 2021 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), 1-6.https://doi.org/10.1109/INFOCOMWKSHPS51825.2021.9484645.11. Keeriyattil, S. (2019). Microsegmentation and Zero Trust: Introduction. Zero Trust Networks with VMwareNSX. https://doi.org/10.1007/978-1-4842-5431-8_2.12. Paul, B., & Rao, M. (2022). Zero-Trust Model for Smart Manufacturing Industry. Applied Sciences.https://doi.org/10.3390/app13010221.13. Lei, W., Pang, Z., Wen, H., Hou, W., & Zhang, X. (2023). Edge-enabled Zero Trust Architecture for ICPSwith Spatial and Temporal Granularity. 2023 IEEE 6th International Conference on Industrial Cyber-Physical Systems(ICPS), 1-6. https://doi.org/10.1109/ICPS58381.2023.10127999.14. Syrotynskyi, R., Tyshyk, I., Kochan, O., Sokolov, V., Skladannyi, P. (2024). Methodology of networkinfrastructure analysis as part of migration to zero-trust architecture (short paper). CSDP-2024: Cyber Security and DataProtection, June 30, 2024, Lviv, Ukraine, 97-105.15. Douma, S. (1997). The two-tier system of corporate governance. Long Range Planning, 30, 612-614.https://doi.org/10.1016/S0024-6301(97)00047-2.16. Dowling, N., Punt, A., Little, L., Dichmont, C., Smith, D., Haddon, M., Sporcic, M., Fulton, E., & Gorton, R.(2016). Assessing a multilevel tier system: The role and implications of data quality and availability. Fisheries Research,183, 588-593. https://doi.org/10.1016/J.FISHRES.2016.05.001.17. Mujib, M., & Sari, R. (2020). Performance Evaluation of Data Center Network with Network Microsegmentation. 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), 27-32. https://doi.org/10.1109/ICITEE49829.2020.9271749.18. Khan, M. (2023). Zero trust architecture: Redefining network security paradigms in the digital age. WorldJournal of Advanced Research and Reviews. https://doi.org/10.30574/wjarr.2023.19.3.1785.19. Sytnik, N., & Kravchenko, M. (2021). Application of knowledge management tools: Comparative analysis ofsmall, medium, and large enterprises. Journal of Entrepreneurship, Management and Innovation.https://doi.org/10.7341/20211745.20. Keeriyattil, S. (2019). Microsegmentation and Zero Trust: Introduction. Zero Trust Networks with VMwareNSX. https://doi.org/10.1007/978-1-4842-5431-8_2.21. Da Rocha, B., De Melo, L., & De Sousa, R. (2021). Preventing APT attacks on LAN networks with connectedIoT devices using a zero-trust based security model. 2021 Workshop on Communication Networks and Power Systems(WCNPS), 1-6. https://doi.org/10.1109/WCNPS53648.2021.9626270.22. Wenxin Lei et al. "Edge-enabled Zero Trust Architecture for ICPS with Spatial and Temporal Granularity."2023 IEEE 6th International Conference on Industrial Cyber-Physical Systems (ICPS) (2023): 1-6.https://doi.org/10.1109/ICPS58381.2023.10127999.23. S. Noel et al. "Optimizing network microsegmentation policy for cyber resilience." The Journal of DefenseModeling and Simulation: Applications, Methodology, Technology, 20 (2021): 57 - 79. https://doi.org/10.1177/ 1548512-9211051386.В роботі описані підходи щодо реалізації мікросегментації корпоративної мережі організації з метоюзабезпечення якісного контролю доступу до елементів її інфраструктури та покращення управління ними.Впровадження мікросегментації мережі для обмеження горизонтального переміщення між елементами їїінфраструктури є одним з ключових заходів міграції до архітектури нульової довіри. Мікросегментаціязабезпечує оптимальну продуктивність мережі та дозволяє ефективно керувати доступом до її ресурсів, як намежі так і в середині мережі. Також надає можливість ізолювати критичні ресурси організації від небезпечнихмережних з’єднань, що зменшує ризик несанкціонованого доступу до них.Актуальність впровадження сучасних безпекових моделей вимагає якісного планування та проектуваннямікросегментації мережевої інфраструктури. Цей процес спричиняє зміну архітектури мережі та несе за собоюяк безпекові покращення так і ряд певних недоліків пов'язаних з підвищенням складності топології, та збільшеннявартості та складності впровадження, збільшенням витрат на обслуговування та подальшої експлуатаціїмікросегментованої інфраструктури. В дослідженні аналізуються переваги та недоліки мікросегментації різноїгранулярності. Щільна мікросегментація підвищує рівень захищеності корпоративної інфраструктури в ціломупри компрометації окремих її елементів в той час як малосегментована мережева інфраструктура не вимагаєзначних ресурсів, є легкою в операційній підтримці а також в цілому не знижує продуктивність корпоративноїмережі. Запропоновано метод аналітичного проектування мікросегментації з використанням матриць ризиків якінструмента оцінки корпоративних систем для визначення необхідного рівня захищеності та вибору необхідногорозміру мікросегмента. Розглянуто приклад впровадження мікросегментації в типовій інфраструктурі та різницюв її топології до і після зміни. Проаналізовані причини та потреби оптимізації первинного дизайнумікросегментації. Розглянуто варіанти та підходи виконання оптимізації дизайну мікросегментаціїкорпоративної інфраструктури.Ключові слова: мікросегментація, нульова довіра, мережа, файрвол, інфраструктура, гранулярність
Список використаних джерел1. Ma, M., Yu, Z., & Liu, B. (2023). Automatic Generation of Network Micro-Segmentation Policies for CloudEnvironments. 2023 4th International Seminar on Artificial Intelligence, Networking and Information Technology(AINIT), 1-5. https://doi.org/10.1109/AINIT59027.2023.10212857.2. Basta, N., Ikram, M., Kâafar, M., & Walker, A. (2021). Towards a Zero-Trust Micro-segmentation NetworkSecurity Strategy: An Evaluation Framework. NOMS 2022-2022 IEEE/IFIP Network Operations and ManagementSymposium, 1-7. https://doi.org/10.1109/NOMS54207.2022.9789888.3. Noel, S., Swarup, V., & Johnsgard, K. (2021). Optimizing network microsegmentation policy for cyberresilience. The Journal of Defense Modeling and Simulation: Applications, Methodology, Technology, 20, 57 - 79.https://doi.org/10.1177/15485129211051386.4. Mujib, M., & Sari, R. (2020). Performance Evaluation of Data Center Network with Network Microsegmentation. 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), 27-32. https://doi.org/10.1109/ICITEE49829.2020.9271749.5. Liu, Y., Liu, G., Du, H., Niyato, D., Kang, J., Xiong, Z., Kim, D., & Shen, X. (2024). Hierarchical MicroSegmentations for Zero-Trust Services via Large Language Model (LLM)-enhanced Graph Diffusion. ArXiv,abs/2406.13964. https://doi.org/10.48550/arXiv.2406.13964.6. Mujib, M., & Sari, R. (2020). Performance Evaluation of Data Center Network with Network Microsegmentation. 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), 27-32. https://doi.org/10.1109/ICITEE49829.2020.9271749.7. Sheikh, N., Pawar, M., & Lawrence, V. (2021). Zero trust using Network Micro Segmentation. IEEEINFOCOM 2021 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), 1-6.https://doi.org/10.1109/INFOCOMWKSHPS51825.2021.9484645.8. Keeriyattil, S. (2019). Microsegmentation and Zero Trust: Introduction. Zero Trust Networks with VMwareNSX. https://doi.org/10.1007/978-1-4842-5431-8_2.9. Zhang, P., Tian, C., Shang, T., Liu, L., Li, L., Wang, W., & Zhao, Y. (2021). Dynamic access controltechnology based on zero-trust light verification network model. 2021 International Conference on Communications,Information System and Computer Engineering (CISCE), 712-715. https://doi.org/10.1109/CISCE52179.2021.9445896.10. Sheikh, N., Pawar, M., & Lawrence, V. (2021). Zero trust using Network Micro Segmentation. IEEEINFOCOM 2021 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS), 1-6.https://doi.org/10.1109/INFOCOMWKSHPS51825.2021.9484645.11. Keeriyattil, S. (2019). Microsegmentation and Zero Trust: Introduction. Zero Trust Networks with VMwareNSX. https://doi.org/10.1007/978-1-4842-5431-8_2.12. Paul, B., & Rao, M. (2022). Zero-Trust Model for Smart Manufacturing Industry. Applied Sciences.https://doi.org/10.3390/app13010221.13. Lei, W., Pang, Z., Wen, H., Hou, W., & Zhang, X. (2023). Edge-enabled Zero Trust Architecture for ICPSwith Spatial and Temporal Granularity. 2023 IEEE 6th International Conference on Industrial Cyber-Physical Systems(ICPS), 1-6. https://doi.org/10.1109/ICPS58381.2023.10127999.14. Syrotynskyi, R., Tyshyk, I., Kochan, O., Sokolov, V., Skladannyi, P. (2024). Methodology of networkinfrastructure analysis as part of migration to zero-trust architecture (short paper). CSDP-2024: Cyber Security and DataProtection, June 30, 2024, Lviv, Ukraine, 97-105.15. Douma, S. (1997). The two-tier system of corporate governance. Long Range Planning, 30, 612-614.https://doi.org/10.1016/S0024-6301(97)00047-2.16. Dowling, N., Punt, A., Little, L., Dichmont, C., Smith, D., Haddon, M., Sporcic, M., Fulton, E., & Gorton, R.(2016). Assessing a multilevel tier system: The role and implications of data quality and availability. Fisheries Research,183, 588-593. https://doi.org/10.1016/J.FISHRES.2016.05.001.17. Mujib, M., & Sari, R. (2020). Performance Evaluation of Data Center Network with Network Microsegmentation. 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), 27-32. https://doi.org/10.1109/ICITEE49829.2020.9271749.18. Khan, M. (2023). Zero trust architecture: Redefining network security paradigms in the digital age. WorldJournal of Advanced Research and Reviews. https://doi.org/10.30574/wjarr.2023.19.3.1785.19. Sytnik, N., & Kravchenko, M. (2021). Application of knowledge management tools: Comparative analysis ofsmall, medium, and large enterprises. Journal of Entrepreneurship, Management and Innovation.https://doi.org/10.7341/20211745.20. Keeriyattil, S. (2019). Microsegmentation and Zero Trust: Introduction. Zero Trust Networks with VMwareNSX. https://doi.org/10.1007/978-1-4842-5431-8_2.21. Da Rocha, B., De Melo, L., & De Sousa, R. (2021). Preventing APT attacks on LAN networks with connectedIoT devices using a zero-trust based security model. 2021 Workshop on Communication Networks and Power Systems(WCNPS), 1-6. https://doi.org/10.1109/WCNPS53648.2021.9626270.22. Wenxin Lei et al. "Edge-enabled Zero Trust Architecture for ICPS with Spatial and Temporal Granularity."2023 IEEE 6th International Conference on Industrial Cyber-Physical Systems (ICPS) (2023): 1-6.https://doi.org/10.1109/ICPS58381.2023.10127999.23. S. Noel et al. "Optimizing network microsegmentation policy for cyber resilience." The Journal of DefenseModeling and Simulation: Applications, Methodology, Technology, 20 (2021): 57 - 79. https://doi.org/10.1177/ 1548512-9211051386
МОДЕЛЮВАННЯ СТІЙКОСТІ ЕЛЕКТРОННИХ КОМУНІКАЦІЙ ДО ГІБРИДНИХ КІБЕРАТАК: ПІДХОДИ ТА СЦЕНАРНИЙ АНАЛІЗ ВИТРИВАЛОСТІ ІНФРАСТРУКТУРИ
No full textThe article explores approaches to modeling the resilience of electronic communications to hybrid cyberattacks, whichpose a growing threat to critical information infrastructure in the context of modern cyber-hybrid warfare. The main attentionis paid to the use of scenario analysis and simulation modeling as a means of studying the resilience of telecommunicationsystems to combined attacks that combine technical (DDoS, routing attack, traffic interception) and information-psychological(phishing, manipulative influence) components. A methodology for building hybrid scenarios has been developed and anexperimental environment has been created using OMNeT++, Scapy (Python) and NetEm for testing critical operatingconditions. As part of the study, several typical attacks were simulated with the fixation of quality of service (QoS), recoverytime (RTO) and structural network stability metrics. It was found that the combination of infrastructural and cognitive impactcan lead to a degradation of functionality up to 50% and a significant increase in recovery time, especially in the case of theabsence of backup channels and network segmentation. The results of the study can be used to design telecommunicationsarchitectures with an increased level of resilience, build digital twins for preventive risk assessment, as well as form a nationalregulatory framework in the field of ensuring cyber resilience of critical infrastructure.Keywords: hybrid threats, electronic communications, attack scenarios, resilience modeling, cyber infrastructure,network resilience, simulation.
References1. Threat Landscape for Telecommunications [Електронний ресурс] / European Union Agency forCybersecurity (ENISA). 2022. https://doi.org/10.2824/095251 (enisa.europa.eu).2. Systems Security Engineering. Considerations for a Multidisciplinary Approach in the Engineering ofTrustworthy Secure Systems (SP 800-160) [Електронний ресурс] / National Institute of Standards andTechnology. 2018. https://doi.org/10.6028/NIST.SP.800-160v1.3. Kott A., & Arnold C. (2022). Cognitive dimensions of cyber defense. Journal of Cybersecurity, 8(1). https://doi.org/10.1093/cybsec/tyac009.4. Chen T. M., & Robert J. M. (2019). Modeling cyber resilience. Computers & Security, 87, 101568. https://doi.org/ 10.1016/j.cose.2019.101568.5. Zhang J. (2020). Resilience in critical infrastructure. IEEE Access, 8, 179 762 - 179 775. https://doi.org/10.1109/ACCESS.2020.3027315.6. Zhu Q. (2021). Network games for cyber defense. ACM Computing Surveys, 54(8), Art. 165. https://doi.org/10.1145/3417981.7. Gill J., Sriram K., & Bush R. (2022). Routing attacks in BGP: A survey. IEEE CommunicationsSurveys & Tutorials, 24(4), 2454–2493. https://doi.org/10.1109/COMST.2022.3141096.8. Liu H., Wang X., & Chen Y. (2023). Secure routing in software-defined networks. IEEE Transactions onNetwork and Service Management, 20(2), 1234-1248. https://doi.org/10.1109/TNSM.2023.3267892.9. Li Y., Kumar A., & Wang G. (2020). Quality-of-service modeling for cyber-physical systems under stress.Future Internet, 12(8), 135. https://doi.org/10.3390/fi12080135.10. Sterbenz J. P. G. (2020). Design principles for resilient networks. Computer Communications, 155, 1–17. https://doi.org/10.1016/j.comcom.2020.02.001.11. Al-Sada B., Sadighian A., & Oligeri G. (2024). MITRE ATT&CK: State of the art and way forward. ACMComputing Surveys, 57(2), Art. 35. https://doi.org/10.1145/3687300 (dl.acm.org).12. Resilience for Compounding and Cascading Events [Електронний ресурс] / National Academies of Sciences,Engineering, and Medicine. – Washington, DC: NASEM, 2022. – https://doi.org/10.17226/26659 (nhess.copernicus.org).13. Enhancing the Resilience of Health Care and Public Health Critical Infrastructure: Proceedings of aWorkshop – in Brief [Електронний ресурс] / National Academies of Sciences, Engineering, and Medicine. – Washington, DC: NASEM, 2025. – https://doi.org/10.17226/29081.14. Enhancing the Resilience of the Nation’s Electricity System [Електронний ресурс] / National Academies ofSciences, Engineering, and Medicine. Washington, DC: NASEM, 2017. https: // doi.org / 10.17226 /24836 (nap.nationalacademies.org).15. Sterbenz J. P. G., Hutchison D., Çetinkaya E. K., Jabbar A., Rohrer J. P., Schöller M., & Smith P. (2014). Resilience and survivability in communication networks: Strategies, principles, and survey of disciplines. ComputerNetworks, 79, 112-136. https://doi.org/10.1016/j.comnet.2014.10.006.16. Buldyrev S. V., Parshani R., Paul G., Stanley H. E., & Havlin S. (2010). Catastrophic cascade of failures ininterdependent networks. Nature, 464(7291), 1025-1028. https://doi.org/10.1038/nature08932.17. Newman M. E. J. (2010). Networks: An introduction. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199206650.001.0001.18. Yang Z., Barroca B., Weppe A., et al. (2023). Indicator-based resilience assessment for critical infrastructures – A review. Safety Science, 160, 106049. https://doi.org/10.1016/j.ssci.2022.106049 (Scribd).19. Holme P., & Saramäki J. (2012). Temporal networks. Physics Reports, 519(3), 97-125. https: // doi.org /10.1016/ j.physrep. 2012.03.001.20. Cyber Deterrence and Hybrid Conflict [Електронний ресурс] / RAND Corporation. 2021. https: //doi.org/10.7249/RR2861.21. Linkov I., Bridges T., Creutzig F., Decker E., Fox-Lent C., Kröger W., et al. (2014). Changing the resilienceparadigm. Nature Climate Change, 4(6), 407–409. https://doi.org/10.1038/nclimate2223.22. Gamage D., Abeywardena K., Jayakody S., & Gunathillake J. (2020). Security and reliability in Internet ofThings: A survey. IEEE Communications Surveys & Tutorials, 22(3), 1168-1192. https://doi. org/10.1109/ COMST.2020.2998958.23. Cárdenas A. A., Amin S., & Sastry S. (2016). Research challenges for the security of control systems.Computers & Security, 61, 9–19. https://doi.org/10.1016/j.cose.2016.04.002.24. Hollnagel E., Woods D. D., & Leveson N. (2019). Resilience engineering: Concepts and precepts (2nd ed.).CRC Press. https://doi.org/10.1201/9781315600646.25. Rinaldi S. M., Peerenboom J. P., & Kelly T. K. (2001). Identifying, understanding, and analyzing criticalinfrastructure interdependencies. IEEE Control Systems Magazine, 21(6), 11–25. https://doi.org/10.1109/37.969131.26. Ganin A. A., Pruyt E., Keisler J. M., & Linkov I. (2017). Resilience and efficiency in transportation networks.Science Advances, 3(12), e1701079. https://doi.org/10.1126/sciadv.1701079.27. Oughton E. J., Frias Z., van der Gaast S., & Nguyen H. Q. (2021). Evaluating 5G deployment strategies forsmart manufacturing. Computers in Industry, 127, 103471. https://doi.org/10.1016/j.compind.2021.103471.28. Laprie J.-C., Kanoun K., & Kaâniche M. (2007). Modelling interdependencies between the electricity andinformation infrastructures. Safety Science, 45(4), 457-473. https://doi.org/10.1016/j.ssci.2006.09.007.29. Kshetri N., & Voas J. (2022). Cybersecurity for energy infrastructure: Trends and future directions. Renewableand Sustainable Energy Reviews, 153, 111672. https://doi.org/10.1016/j.rser.2021.111672.30. Manzano-Agugliaro F., García-Cruz A., Zapata-Sierra A., & Montoya F. G. (2020). A global review ofcybersecurity in agricultural environments. Computers and Electronics in Agriculture, 173, 105126. https:// doi.org/10.1016/j.compag.2019.105126.31. Paul S., Shukla A., Gupta V., & Jain S. (2019). Risk analysis for SCADA communication to enhance theresilience of smart grids. IEEE Access, 7, 46768–46782. https://doi.org/10.1109/ACCESS.2019.2910062.32. Bureš M., Černý M., & Králík K. (2022). Simulation of cyber‑physical attacks on water distribution systems.Computers & Security, 116, 103044. https://doi.org/10.1016/j.cose.2022.103044.33. Ganin A. A., & Linkov I. (2016). Operational resilience: Concepts, design, and analysis. ScientificReports, 6, 19540. https://doi.org/10.1038/srep19540.34. Sterbenz J. P. G., Hutchison D., Çetinkaya E. K., Jabbar A., Rohrer J. P., Schöller M., & Smith P. (2013). Evaluation of network resilience and survivability: Strategies, principles, and metrics. Computer Networks, 57(8), 1637-1665. https://doi.org/10.1016/j.comnet.2012.10.019.У статті досліджено підходи до моделювання стійкості електронних комунікацій до гібридних кібератак,які становлять зростаючу загрозу для критичної інформаційної інфраструктури в умовах сучасної кібергібридноївійни. Основну увагу приділено застосуванню сценарного аналізу та імітаційного моделювання як засобіввивчення витривалості телекомунікаційних систем до комбінованих атак, що поєднують технічні (DDoS, routingattack, перехоплення трафіку) та інформаційно-психологічні (фішинг, маніпулятивний вплив) компоненти.Розроблено методику побудови гібридних сценаріїв та створено експериментальне середовище з використаннямOMNeT++, Scapy (Python) та NetEm для тестування критичних умов експлуатації. В рамках дослідженняпроведено симуляцію кількох типових атак із фіксацією метрик якості обслуговування (QoS), часу відновлення(RTO) та структурної стійкості мережі. Встановлено, що поєднання інфраструктурного та когнітивного впливуможе призвести до деградації функціональності до 50% та суттєвого збільшення часу відновлення, особливо увипадку відсутності резервних каналів та сегментації мережі. Результати дослідження можуть бути використанідля проектування архітектур телекомунікацій з підвищеним рівнем стійкості, побудови цифрових двійників дляпревентивної оцінки ризиків, а також формування нормативної бази національного рівня у сфері забезпеченнякіберстійкості критичної інфраструктури.Ключові слова: гібридні загрози, електронні комунікації, сценарії атак, моделювання стійкості,кіберінфраструктура, витривалість мереж, імітація.
Перелік посилань1. Threat Landscape for Telecommunications [Електронний ресурс] / European Union Agency forCybersecurity (ENISA). 2022. https://doi.org/10.2824/095251 (enisa.europa.eu).2. Systems Security Engineering. Considerations for a Multidisciplinary Approach in the Engineering ofTrustworthy Secure Systems (SP 800-160) [Електронний ресурс] / National Institute of Standards andTechnology. 2018. https://doi.org/10.6028/NIST.SP.800-160v1.3. Kott A., & Arnold C. (2022). Cognitive dimensions of cyber defense. Journal of Cybersecurity, 8(1). https://doi.org/10.1093/cybsec/tyac009.4. Chen T. M., & Robert J. M. (2019). Modeling cyber resilience. Computers & Security, 87, 101568. https://doi.org/ 10.1016/j.cose.2019.101568.5. Zhang J. (2020). Resilience in critical infrastructure. IEEE Access, 8, 179 762 - 179 775. https://doi.org/10.1109/ACCESS.2020.3027315.6. Zhu Q. (2021). Network games for cyber defense. ACM Computing Surveys, 54(8), Art. 165. https://doi.org/10.1145/3417981.7. Gill J., Sriram K., & Bush R. (2022). Routing attacks in BGP: A survey. IEEE CommunicationsSurveys & Tutorials, 24(4), 2454–2493. https://doi.org/10.1109/COMST.2022.3141096.8. Liu H., Wang X., & Chen Y. (2023). Secure routing in software-defined networks. IEEE Transactions onNetwork and Service Management, 20(2), 1234-1248. https://doi.org/10.1109/TNSM.2023.3267892.9. Li Y., Kumar A., & Wang G. (2020). Quality-of-service modeling for cyber-physical systems under stress.Future Internet, 12(8), 135. https://doi.org/10.3390/fi12080135.10. Sterbenz J. P. G. (2020). Design principles for resilient networks. Computer Communications, 155, 1–17. https://doi.org/10.1016/j.comcom.2020.02.001.11. Al-Sada B., Sadighian A., & Oligeri G. (2024). MITRE ATT&CK: State of the art and way forward. ACMComputing Surveys, 57(2), Art. 35. https://doi.org/10.1145/3687300 (dl.acm.org).12. Resilience for Compounding and Cascading Events [Електронний ресурс] / National Academies of Sciences,Engineering, and Medicine. – Washington, DC: NASEM, 2022. – https://doi.org/10.17226/26659 (nhess.copernicus.org).13. Enhancing the Resilience of Health Care and Public Health Critical Infrastructure: Proceedings of aWorkshop – in Brief [Електронний ресурс] / National Academies of Sciences, Engineering, and Medicine. – Washington, DC: NASEM, 2025. – https://doi.org/10.17226/29081.14. Enhancing the Resilience of the Nation’s Electricity System [Електронний ресурс] / National Academies ofSciences, Engineering, and Medicine. Washington, DC: NASEM, 2017. https: // doi.org / 10.17226 /24836 (nap.nationalacademies.org).15. Sterbenz J. P. G., Hutchison D., Çetinkaya E. K., Jabbar A., Rohrer J. P., Schöller M., & Smith P. (2014). Resilience and survivability in communication networks: Strategies, principles, and survey of disciplines. ComputerNetworks, 79, 112-136. https://doi.org/10.1016/j.comnet.2014.10.006.16. Buldyrev S. V., Parshani R., Paul G., Stanley H. E., & Havlin S. (2010). Catastrophic cascade of failures ininterdependent networks. Nature, 464(7291), 1025-1028. https://doi.org/10.1038/nature08932.17. Newman M. E. J. (2010). Networks: An introduction. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199206650.001.0001.18. Yang Z., Barroca B., Weppe A., et al. (2023). Indicator-based resilience assessment for critical infrastructures – A review. Safety Science, 160, 106049. https://doi.org/10.1016/j.ssci.2022.106049 (Scribd).19. Holme P., & Saramäki J. (2012). Temporal networks. Physics Reports, 519(3), 97-125. https: // doi.org /10.1016/ j.physrep. 2012.03.001.20. Cyber Deterrence and Hybrid Conflict [Електронний ресурс] / RAND Corporation. 2021. https: //doi.org/10.7249/RR2861.21. Linkov I., Bridges T., Creutzig F., Decker E., Fox-Lent C., Kröger W., et al. (2014). Changing the resilienceparadigm. Nature Climate Change, 4(6), 407–409. https://doi.org/10.1038/nclimate2223.22. Gamage D., Abeywardena K., Jayakody S., & Gunathillake J. (2020). Security and reliability in Internet ofThings: A survey. IEEE Communications Surveys & Tutorials, 22(3), 1168-1192. https://doi. org/10.1109/ COMST.2020.2998958.23. Cárdenas A. A., Amin S., & Sastry S. (2016). Research challenges for the security of control systems.Computers & Security, 61, 9–19. https://doi.org/10.1016/j.cose.2016.04.002.24. Hollnagel E., Woods D. D., & Leveson N. (2019). Resilience engineering: Concepts and precepts (2nd ed.).CRC Press. https://doi.org/10.1201/9781315600646.25. Rinaldi S. M., Peerenboom J. P., & Kelly T. K. (2001). Identifying, understanding, and analyzing criticalinfrastructure interdependencies. IEEE Control Systems Magazine, 21(6), 11–25. https://doi.org/10.1109/37.969131.26. Ganin A. A., Pruyt E., Keisler J. M., & Linkov I. (2017). Resilience and efficiency in transportation networks.Science Advances, 3(12), e1701079. https://doi.org/10.1126/sciadv.1701079.27. Oughton E. J., Frias Z., van der Gaast S., & Nguyen H. Q. (2021). Evaluating 5G deployment strategies forsmart manufacturing. Computers in Industry, 127, 103471. https://doi.org/10.1016/j.compind.2021.103471.28. Laprie J.-C., Kanoun K., & Kaâniche M. (2007). Modelling interdependencies between the electricity andinformation infrastructures. Safety Science, 45(4), 457-473. https://doi.org/10.1016/j.ssci.2006.09.007.29. Kshetri N., & Voas J. (2022). Cybersecurity for energy infrastructure: Trends and future directions. Renewableand Sustainable Energy Reviews, 153, 111672. https://doi.org/10.1016/j.rser.2021.111672.30. Manzano-Agugliaro F., García-Cruz A., Zapata-Sierra A., & Montoya F. G. (2020). A global review ofcybersecurity in agricultural environments. Computers and Electronics in Agriculture, 173, 105126. https:// doi.org/10.1016/j.compag.2019.105126.31. Paul S., Shukla A., Gupta V., & Jain S. (2019). Risk analysis for SCADA communication to enhance theresilience of smart grids. IEEE Access, 7, 46768–46782. https://doi.org/10.1109/ACCESS.2019.2910062.32. Bureš M., Černý M., & Králík K. (2022). Simulation of cyber‑physical attacks on water distribution systems.Computers & Security, 116, 103044. https://doi.org/10.1016/j.cose.2022.103044.33. Ganin A. A., & Linkov I. (2016). Operational resilience: Concepts, design, and analysis. ScientificReports, 6, 19540. https://doi.org/10.1038/srep19540.34. Sterbenz J. P. G., Hutchison D., Çetinkaya E. K., Jabbar A., Rohrer J. P., Schöller M., & Smith P. (2013). Evaluation of network resilience and survivability: Strategies, principles, and metrics. Computer Networks, 57(8), 1637-1665. https://doi.org/10.1016/j.comnet.2012.10.019
ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ СТЕГАНОГРАФІЧНОЇ СИСТЕМИ ЧЕРЕЗ ЗАСТОСУВАННЯ МЕТОДІВ ОБРОБКИ ЗОБРАЖЕНЬ
No full textThe development of computer networks has led to an increase in the volume of information transmitted over them and,quite often, requires protection from unauthorized access. Along with cryptographic methods, steganographic methods of hidinginformation are actively developing. The effectiveness of a steganographic system depends on many factors. Among them, thesemantic content of the stegocontainer image and the methods of implementing the algorithm itself should be highlighted. To amuch lesser extent, the scientific literature has paid attention to the study of the influence of stegocontainer processing methodson the effectiveness of the stegosystem. This work proposes a modified generalized model of a steganographic system, whichcontains two additional blocks - a block of improvement methods and a block of reference efficiency criteria. Before hiding, thestegocontainer is processed by pre-processing methods – improvement, dynamic range correction, noise removal, etc. andchecked for compliance with the efficiency criteria of stegosystems. The approximate values of the listed efficiency criteria areobtained on the basis of statistical data. As a result of the conducted research, it was confirmed that the methods of hiding in thefrequency domain (DCT, YASS) are more effective compared to the methods of embedding in the spatial domain (LSB).Methods using neural networks (CNN, U-Net) are even more effective. Experimental modeling of the influence of noise andblurring of the stegocontainer on the main parameters of the efficiency of the steganosystem using the LSB algorithm wascarried out. It was established that the method of embedding in the least significant bit, due to the adaptability of concealment,provides high visual quality of images even after embedding a large text message and in the presence of blurring. Impulse noisesignificantly reduces the visual quality of perception. Also, the preservation of hidden information is negatively affected byinformation compression, especially in the case of using embedding methods in the spatial domain.Keywords: steganosystem efficiency, image processing, information protection, neural networks, spatial and frequencydomain.
References1. Журавель Ю. І., Мичуда Л. З. Підвищення ефективності стеганографії через застосування методівпокращання зображень та моделей штучного інтелекту // Сучасний захист інформації. 2025. № 2(62). С. 59–67.DOI: 10.31673/2409-7292.2025.023202.2. Gonzalez R., Woods R. Digital image processing. 2nd ed. NJ: Prentice Hall, 2002.3. Салімонович А. О., Гармаш В. В. Метод фільтрації цифрових зображень на основі білатеральногофільтру : дис. … д-ра техн. наук. Вінниця : ВНТУ, 2024.4. Gao C., Song C., Zhang Y., Qi D., Yu Y. Improving the performance of infrared and visible image fusion basedon latent low-rank representation nested with rolling guided image filtering // IEEE Access. 2021. Vol. 9. P. 91462-91475.5. Zhang D., He Z., Zhang X., Wang Z., Ge W., Shi T., Lin Y. Underwater image enhancement via multi-scalefusion and adaptive color-gamma correction in low-light conditions // Engineering Applications of Artificial Intelligence.2023. Vol. 126. Article ID 106972.6. Cai Y., Bian H., Lin J., Wang H., Timofte R., Zhang Y. Retinexformer: One-stage retinex-based transformer forlow-light image enhancement // Proc. IEEE/CVF Int. Conf. on Computer Vision. 2023. P. 12504-12513.7. Shah M., Khan M., Khan S. S., Ali S. Multi-Focus Image Fusion using Unsharp Masking with Discrete CosineTransform. 2023. [Електронний ресурс].8. Halidou A., Mohamadou Y., Ari A. A. A., Zacko E. J. G. Review of wavelet denoising algorithms // MultimediaTools and Applications. 2023. Vol. 82, No. 27. P. 41539-41569.9. Zhang C., Yen K. S. A Refined First-Order Sparse TGV Model with L1 Norm Data Fidelity for EnhancedImage Denoising // Int. Symp. on Systems Modelling and Simulation. Singapore : Springer Nature Singapore, 2024. P. 1-13.10. Alnuaimy A. N., Jawad A. M., Abdulkareem S. A., Mustafa F. M., Ivanchenko S., Toliupa S. BM3D denoisingalgorithms for medical image // 2024 35th Conf. of Open Innovations Association (FRUCT). IEEE, 2024. P. 135–141.11. Журавель Ю. І., Мичуда Л. З. Метод кількісного оцінювання візуальної якості цифрових кольоровихзображень // Сучасний захист інформації. 2024. № 4(60). С. 39-45. DOI: 10.31673/2409-7292.2024.040004.12. Хорошко В. О., Яремчук Ю. Є., Карпінець В. В. Комп’ютерна стеганографія. Вінниця : ВНТУ, 2017.244 с.13. Treder M. S., Codrai R., Tsvetanov K. A. Quality assessment of anatomical MRI images from generativeadversarial networks: Human assessment and image quality metrics // Journal of Neuroscience Methods. 2022. Vol. 374.Article ID 109579.14. Neißner A., Mäder U., Fiebich M. Enhancing clinical CT image quality assessment: adapting no-referencemethods NIQE and BRISQUE // Medical Imaging 2025: Physics of Medical Imaging. 2025. Vol. 13405. P. 903-911.Розвиток комп’ютерних мереж призвів до збільшення об’ємів інформації, яка по них передається та, доволічасто, потребує захисту від несанкціонованого доступу. Поряд з криптографічними активно розвиваютьсястеганографічні методи приховування інформації. Ефективність стеганографічної системи залежить від багатьохфакторів. Серед них слід виділити семантичне наповнення зображення-стегоконтейнера та способи реалізаціїсамого алгоритму. В значно меншій мірі у науковій літературі приділено увагу дослідженню впливу методівобробки стегоконтейнера на ефективність стегосистеми. У цій роботі запропоновано модифіковану узагальненумодель стеганографічної системи, яка містить два додаткових блоки – блок методів покращання та блокеталонних критеріїв ефективності. Перед приховуванням стегоконтейнер опрацьовують методами попередньоїобробки - покращання, корекції динамічного діапазону, усунення шумів тощо та перевіряють на відповідністькритеріям ефективності стегосистем. Орієнтовні значення наведених критеріїв ефективності отримані на основістатистичних даних. В результаті проведених досліджень підтверджено, що методи приховування в частотнійобласті (DCT, YASS) є більш ефективні у порівнянні з методами вбудовування в просторовій області (LSB).Методи з використанням нейронних мереж (CNN, U-Net) володіють ще більшою ефективністю. Проведеноекспериментальне моделювання впливу шуму та розмиття стегоконтейнера на основні параметри ефективностістеганосистеми з використанням алгоритму LSB. Встановлено, що метод вбудовування у найменш значущий бітзавдяки адаптивності приховуваності забезпечує високу візуальну якість зображень навіть після вбудовуваннявеликого текстового повідомлення і при наявності розмиття. Імпульсний шум суттєво знижує візуальну якістьсприйняття. Також негативно на збереження приховуваної інформації впливає стиск інформації, особливо, увипадку застосування методів вбудовування у просторовій області.Ключові слова: ефективність стеганосистеми, обробка зображень, захист інформації, нейронні мережі,просторова та частотна область.
Перелік посилань1. Журавель Ю. І., Мичуда Л. З. Підвищення ефективності стеганографії через застосування методівпокращання зображень та моделей штучного інтелекту // Сучасний захист інформації. 2025. № 2(62). С. 59–67.DOI: 10.31673/2409-7292.2025.023202.2. Gonzalez R., Woods R. Digital image processing. 2nd ed. NJ: Prentice Hall, 2002.3. Салімонович А. О., Гармаш В. В. Метод фільтрації цифрових зображень на основі білатеральногофільтру : дис. … д-ра техн. наук. Вінниця : ВНТУ, 2024.4. Gao C., Song C., Zhang Y., Qi D., Yu Y. Improving the performance of infrared and visible image fusion basedon latent low-rank representation nested with rolling guided image filtering // IEEE Access. 2021. Vol. 9. P. 91462-91475.5. Zhang D., He Z., Zhang X., Wang Z., Ge W., Shi T., Lin Y. Underwater image enhancement via multi-scalefusion and adaptive color-gamma correction in low-light conditions // Engineering Applications of Artificial Intelligence.2023. Vol. 126. Article ID 106972.6. Cai Y., Bian H., Lin J., Wang H., Timofte R., Zhang Y. Retinexformer: One-stage retinex-based transformer forlow-light image enhancement // Proc. IEEE/CVF Int. Conf. on Computer Vision. 2023. P. 12504-12513.7. Shah M., Khan M., Khan S. S., Ali S. Multi-Focus Image Fusion using Unsharp Masking with Discrete CosineTransform. 2023. [Електронний ресурс].8. Halidou A., Mohamadou Y., Ari A. A. A., Zacko E. J. G. Review of wavelet denoising algorithms // MultimediaTools and Applications. 2023. Vol. 82, No. 27. P. 41539-41569.9. Zhang C., Yen K. S. A Refined First-Order Sparse TGV Model with L1 Norm Data Fidelity for EnhancedImage Denoising // Int. Symp. on Systems Modelling and Simulation. Singapore : Springer Nature Singapore, 2024. P. 1-13.10. Alnuaimy A. N., Jawad A. M., Abdulkareem S. A., Mustafa F. M., Ivanchenko S., Toliupa S. BM3D denoisingalgorithms for medical image // 2024 35th Conf. of Open Innovations Association (FRUCT). IEEE, 2024. P. 135–141.11. Журавель Ю. І., Мичуда Л. З. Метод кількісного оцінювання візуальної якості цифрових кольоровихзображень // Сучасний захист інформації. 2024. № 4(60). С. 39-45. DOI: 10.31673/2409-7292.2024.040004.12. Хорошко В. О., Яремчук Ю. Є., Карпінець В. В. Комп’ютерна стеганографія. Вінниця : ВНТУ, 2017.244 с.13. Treder M. S., Codrai R., Tsvetanov K. A. Quality assessment of anatomical MRI images from generativeadversarial networks: Human assessment and image quality metrics // Journal of Neuroscience Methods. 2022. Vol. 374.Article ID 109579.14. Neißner A., Mäder U., Fiebich M. Enhancing clinical CT image quality assessment: adapting no-referencemethods NIQE and BRISQUE // Medical Imaging 2025: Physics of Medical Imaging. 2025. Vol. 13405. P. 903-911
КРИТЕРІЇ СТРАТЕГІЧНОГО ОЦІНЮВАННЯ КІБЕРБЕЗПЕКИ ДЕРЖАВИ: КІБЕРДИПЛОМАТИЧНИЙ АСПЕКТ
No full textFor Ukraine, which is in a state of armed aggression and systemic pressure in cyberspace, the issue of cyber defense isgaining critical importance, especially in the context of integration into the European and Euro-Atlantic security space. Thisrequires not only technological readiness to repel an attack, but also the creation of a stable, comprehensive cyber defensesystem capable of effectively interacting with international partners and integrating into the global security space. In this context,the production of this system becomes colored by the cyber diplomatic aspect. The implementation of effective cyber diplomacy requires clear tools for monitoring and assessing the state of cyber defense of the country in order to: identify the strengths andweaknesses of national cybersecurity; adjust the policy and development program; ensure transparency and accountability tosociety and international partners, etc. In view of this, there is a need to develop appropriate criteria for evaluating thecomponents of cyber diplomacy adapted to Ukrainian realities, combining the best global practices taking into account themodern unique challenges of the state. The method of this study is to form criteria for assessing the country's cybersecuritywithin the framework of the components of cyber diplomacy strategies using the best global practices. To form such criteria, atthe initial stage of the study, we analyze internationally recognized approaches developed by governments, intergovernmentalorganizations and industry experts. The formed set of 11 criteria, by which it is possible to assess the level of cybersecurity inUkraine within the framework of the implementation of the cyber diplomacy strategy, have a sufficient level of detail, whichallows: to comprehensively assess the state of cyber defense in a wide range of areas; to effectively plan the development ofinstitutional, technological and legal mechanisms; to strengthen Ukraine's position in cyberspace.Keywords: cyber diplomacy, cybersecurity, criteria for strategic assessment of state cybersecurity, state cyber defense,cyber threats.
References1. Global Cybersecurity Index, About International Telecommunication Union (ITU), веб-сайт. URL:https://www.itu.int/hub/publication/d-hdb-gci-01-2024/ (дата звернення: 08.08.2025).2. Directive (EU) 2022/2555 of the European Parliament and of the Council of 14 December 2022 on measuresfor a high common level of cybersecurity across the Union. URL: https://eur-lex.europa.eu/eli/dir/2022/2555/oj (датазвернення: 08.08.2025).3. Joint Communication To The European Parliament And The Council The EU's Cybersecurity Strategy for theDigital Decade. URL: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex:52020JC0018 (дата звернення: 08.08.2025).4. OECD Policy Framework on Digital Security Cybersecurity For Prosperity. URL: https://www.oecd.org/content/dam/oecd/en/publications/reports/2022/12/oecd-policy-framework-on-digital-security_a0b1d79c/a69df866-en.pdf (дата звернення: 08.08.2025).5. Global Cybersecurity Index 2024. URL: https:// www.itu.in t/en / ITU-D / Cybersecurity / pages/globalcybersecurity-index.aspx (дата звернення: 08.08.2025).6. The National Cyber Security Index 3.0. URL: https: // ega.ee / wp-content / upload s/ 2023 / 08/NCSI3.0_Methodology.pdf (дата звернення: 08.08.2025).7. Information security, cybersecurity and privacy protection – Information security management systems –Requirements: ISO/IEC 27001:2022: Technical Committee: ISO/IEC JTC 1/SC 27, ICS : 35.030 03.100.70, Р. 19.8. Information security, cybersecurity and privacy protection – Guidance on managing information security risks:ISO/IEC 27005:2022: Technical Committee : ISO/IEC JTC 1/SC 27, ICS : 35.030, Р. 64.9. Information security, cybersecurity and privacy protection – Information security controls: ISO/IEC27002:2022: Technical Committee : ISO/IEC JTC 1/SC 27, ICS : 35.030 03.100.70, Р. 152.10. Security and resilience – Business continuity management systems – Requirements: ISO 22301:2019:Technical Committee : ISO/TC 292, ICS : 03.100.01 03.100.70, Р. 21.11. The NIST Cybersecurity Framework (CSF) 2.0: National Institute of Standards and Technology URL:https://nvlpubs.nist.gov/nistpubs/CSWP/NIST.CSWP.29.pdf (дата звернення: 12.08.2025).12. Cybersecurity Capacity Maturity Model for Nations (CMM) Global Cyber Security Capacity Centre URL:https://gcscc.ox.ac.uk/files/cmm2021editiondocpdf (дата звернення: 12.08.2025).13. CYBERSECURITY CAPACITY REVIEW Republic of Cyprus September 2021 URL:https://dsa.cy/images/pdf-upload/cmm_cyprus_report_2021_final.pdf (дата звернення: 12.08.2025).14. CMM Reviews Around the World. URL: https://gcscc.ox.ac.uk/cmm-reviews (дата звернення: 12.08.2025).Для України, яка перебуває у стані збройної агресії та системного тиску у кіберпросторі, питаннякіберзахисту набуває критичного значення, особливо у контексті інтеграції до європейського таєвроатлантичного безпекового простору. Це вимагає не лише технологічної готовності до відбиття атак, а йстворення стійкої, комплексної системи кіберзахисту, здатної ефективно взаємодіяти з міжнароднимипартнерами та інтегруватися у глобальний безпековий простір. У цьому контексті важливим забарвленням цієїсистеми стає кібердипломатичний аспект. Реалізація ефективної кібердипломатії потребує чітких інструментівмоніторингу та оцінювання стану кіберзахисту країни, щоб: визначати сильні та слабкі сторони національноїкібербезпеки; коригувати політики та програми розвитку; забезпечувати прозорість і підзвітність передсуспільством та міжнародними партнерами тощо. З огляду на це виникає потреба у розробці адаптованих доукраїнських реалій відповідних критеріїв оцінювання складових кібердипломатії, що поєднують найкращі світовіпрактики з урахуванням сучасних унікальних викликів державі. Метою даного дослідження є формуваннякритеріїв для оцінюван-ня кібербезпеки країни в рамках складових стратегії кібердипломатії з використаннямнайкращих світових рактик. Для формування таких критеріїв на початковому етапі дослідження проведемо аналізміжнародних визнаних підходів, розроблених урядами, міждержавними організаціями та галузевими експертами.Сформована множина з 11 критеріїв, за якими можна здійснити оцінювання рівня кібербезпеки України у межахреалізації стратегії кібердипломатії мають достатній рівень деталізації, який дозволяє: комплексно оцінюватистан кіберзахисту за широким спектром напрямів; ефективно планувати розвиток інституційних, технологічнихта правових механізмів; зміцнювати позиції України у кіберпросторі.Ключові слова: кібердипломатія, кібербезпека, критерії стратегічного оцінювання кібербезпеки держави,кіберзахист держави, кіберзагрози.
Перелік посилань1. Global Cybersecurity Index, About International Telecommunication Union (ITU), веб-сайт. URL:https://www.itu.int/hub/publication/d-hdb-gci-01-2024/ (дата звернення: 08.08.2025).2. Directive (EU) 2022/2555 of the European Parliament and of the Council of 14 December 2022 on measuresfor a high common level of cybersecurity across the Union. URL: https://eur-lex.europa.eu/eli/dir/2022/2555/oj (датазвернення: 08.08.2025).3. Joint Communication To The European Parliament And The Council The EU's Cybersecurity Strategy for theDigital Decade. URL: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex:52020JC0018 (дата звернення: 08.08.2025).4. OECD Policy Framework on Digital Security Cybersecurity For Prosperity. URL: https://www.oecd.org/content/dam/oecd/en/publications/reports/2022/12/oecd-policy-framework-on-digital-security_a0b1d79c/a69df866-en.pdf (дата звернення: 08.08.2025).5. Global Cybersecurity Index 2024. URL: https:// www.itu.in t/en / ITU-D / Cybersecurity / pages/globalcybersecurity-index.aspx (дата звернення: 08.08.2025).6. The National Cyber Security Index 3.0. URL: https: // ega.ee / wp-content / upload s/ 2023 / 08/NCSI3.0_Methodology.pdf (дата звернення: 08.08.2025).7. Information security, cybersecurity and privacy protection – Information security management systems –Requirements: ISO/IEC 27001:2022: Technical Committee: ISO/IEC JTC 1/SC 27, ICS : 35.030 03.100.70, Р. 19.8. Information security, cybersecurity and privacy protection – Guidance on managing information security risks:ISO/IEC 27005:2022: Technical Committee : ISO/IEC JTC 1/SC 27, ICS : 35.030, Р. 64.9. Information security, cybersecurity and privacy protection – Information security controls: ISO/IEC27002:2022: Technical Committee : ISO/IEC JTC 1/SC 27, ICS : 35.030 03.100.70, Р. 152.10. Security and resilience – Business continuity management systems – Requirements: ISO 22301:2019:Technical Committee : ISO/TC 292, ICS : 03.100.01 03.100.70, Р. 21.11. The NIST Cybersecurity Framework (CSF) 2.0: National Institute of Standards and Technology URL:https://nvlpubs.nist.gov/nistpubs/CSWP/NIST.CSWP.29.pdf (дата звернення: 12.08.2025).12. Cybersecurity Capacity Maturity Model for Nations (CMM) Global Cyber Security Capacity Centre URL:https://gcscc.ox.ac.uk/files/cmm2021editiondocpdf (дата звернення: 12.08.2025).13. CYBERSECURITY CAPACITY REVIEW Republic of Cyprus September 2021 URL:https://dsa.cy/images/pdf-upload/cmm_cyprus_report_2021_final.pdf (дата звернення: 12.08.2025).14. CMM Reviews Around the World. URL: https://gcscc.ox.ac.uk/cmm-reviews (дата звернення: 12.08.2025)
МОДЕЛЮВАННЯ НЕЙРОВІРУСНИХ КАМПАНІЙ У МЕРЕЖЕВОМУ ТРАФІКУ НА ОСНОВІ ПОЄДНАННЯ ПОТОКОВИХ, ЖУРНАЛЬНИХ І БАЙТОВИХ ОЗНАК
No full textThe paper investigates the problem of detecting "neuroviruses" - malicious software structures that combine classicalnetwork methods with machine learning technologies for obfuscation and adaptability. The main goal is to increase the accuracyof detecting new and hidden attacks in network traffic through a comprehensive analysis of data of various natures: aggregatedflows (NetFlow), detailed records of the Zeek network analyzer, logs of security information and event management systems(Security Information and Event Management, hereinafter SIEM) and byte artifacts of firmware. Architectures based onconvolutional and recurrent neural networks (Convolutional Neural Network + Long Short-Term Memory, hereinafterCNN+LSTM) for modeling time sequences and autoencoders with long short-term memory (Autoencoder + LSTM, hereinafterAE+LSTM) for unsupervised anomaly detection are proposed. Byte sequences are converted into fixed-dimensional grayscaleimages using the Byte2Image method, which unifies the processing of Transport Layer Security / Secure Sockets Layer(TLS/SSL) and Simple Network Management Protocol (SNMP) artifacts, including those from vulnerable network hardwarefirmware. The method involves time window synchronization, class balancing, and training a model on a weighted loss functiontaking into account the cost of different types of errors. Experiments were conducted on subsets of NetFlow, Zeek, and SIEMto reproduce hybrid attack scenarios: covert scanning, TLS control channels with downgrade, SNMPv2c exploitation withtypical community strings, and firmware injections. Comparison with baseline methods (Random Forest, Isolation Forest,recurrent neural networks) showed an increase in the integral F1 score to 0.94 for unknown attack families and a 27% reductionin the average response delay in real time. The proposed architecture is consistent with the principles of Zero Trust, supportscorrelation with the MITRE ATT&CK matrix and ensures reproducibility. The practical contribution is to increase the resilienceof operator and corporate networks to wave hybrid attacks and to form a regulated package of methodology, model specification,data map, test protocol and topology drawing. The results can become the basis for automating access policies, adaptivetelemetry selection and integration with threat intelligence platforms.Keywords: neurovirus, multimodal neural networks, convolutional and recurrent model, autoencoder, Byte2Image,NetFlow, Zeek, security information and event management system, intrusion detection system, Zero Trust, SNMP, firmwareattacks.
References1. Smith J., Nguyen T. Multimodal Deep Learning for Network Intrusion Detection. IEEE Transactions onNetwork and Service Management. 2022. Vol. 19, No. 3. P. 2741–2755. https://doi.org/10.1109/TNSM.2022.3152349.2. Zhang L., Chen H. Autoencoder-based Anomaly Detection for Encrypted Traffic. Computers & Security. 2021.Vol. 105. Art. 102234. https://doi.org/10.1016/j.cose.2021.102234.3. Gerhards R. The Syslog Protocol. RFC 5424. IETF, 2009. https://doi.org/10.17487/RFC5424.4. Case J., Mundy R., Partain D., Stewart B. Simple Network Management Protocol (SNMPv3) Framework. RFC3411. IETF, 2002. https://doi.org/10.17487/RFC3411.5. Rescorla E. The Transport Layer Security (TLS) Protocol Version 1.3. RFC 8446. IETF, 2018.https://doi.org/10.17487/RFC8446.6. Nataraj L., Karthikeyan S., Jacob G., Manjunath B. Malware images: visualization and automatic classification.VizSec. 2011. P. 1–7. https://doi.org/10.1145/2016904.2016908.7. Moustafa N., Slay J. UNSW-NB15: a comprehensive data set for network intrusion detection. MILCOM 2015– IEEE Military Communications Conference. 2015. P. 1–6. https://doi.org/10.1109/MILCOM.2015.7356528.8. Sharafaldin I., Lashkari A., Ghorbani A. Toward Generating a New Intrusion Detection Dataset. ICISSP 20184th International Conference on Information Systems Security and Privacy. 2018. P. 108–116. https://doi.org/10.5220/0006639801080116.9. Mirsky Y., Doitshman T., Elovici Y., Shabtai A. Kitsune: An Ensemble of Autoencoders for Online NetworkIntrusion Detection. NDSS Symposium. 2018. https://doi.org/10.14722/ndss.2018.23241.10. Breiman L. Random Forests. Machine Learning. 2001. Vol. 45. P. 5–32. https://doi.org/10.1023/A:1010933404324.11. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735.12. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition.Proceedings of the IEEE. 1998. Vol. 86, No. 11. P. 2278–2324. https://doi.org/10.1109/5.726791.13. Kingma D.P., Welling M. Auto-Encoding Variational Bayes. International Conference on LearningRepresentations (ICLR). 2014. https://doi.org/10.48550/arXiv.1312.6114.14. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 800 p. https://doi.org/10.7551/mitpress/10234.001.0001.15. Zaddach J., Kurmus A., Francillon A., Balzarotti D. AVATAR: A Framework to Explore Embedded Firmware.NDSS Workshop. 2014. https://doi.org/10.14722/ndss.2014.23257.16. Aviram N., Schinzel S., Somorovsky J., et al. DROWN: Breaking TLS using SSLv2. USENIX SecuritySymposium. 2016. P. 689–706. https://doi.org/10.5555/2976749.2977335.17. Papernot N., McDaniel P., Sinha A., Wellman M. SoK: Security and Privacy in Machine Learning. IEEEEuropean Symposium on Security and Privacy. 2018. P. 399–414. https://doi.org/10.1109/EuroSP.2018.00035.18. Rigaki M., Garcia S. Bringing a GAN to a Knife-Fight: Adapting Malware Communication to Avoid Detection.IEEE Security and Privacy Workshops. 2018. P. 70–75. https://doi.org/10.1109/SPW.2018.00020.19. Kim T., Ryu J., Choi H. Ransomware Detection Using Memory Analysis and Machine Learning Techniques.IEEE Access. 2020. Vol. 8. P. 99460–99471. https://doi.org/10.1109/ACCESS.2020.2995830.20. Apruzzese G., Colajanni M., Ferretti L., Guido A., Marchetti M. On the Effectiveness of Machine and DeepLearning for Cyber Security. 10th International Conference on Cyber Conflict (CyCon). 2018. P. 371–390.https://doi.org/10.23919/CYCON.2018.8405026.21. Conti M., Dehghantanha A., Franke K., Watson S. Internet of Things security and forensics: Challenges andopportunities. Future Generation Computer Systems. 2018. Vol. 78. P. 544–546. https://doi.org/10.1016/ j.future.2017.07.060.22. Alsirhani A., Alqahtani A., Chatterjee M. A Survey of Machine Learning for Big Code and Naturalness. ACMComputing Surveys. 2022. Vol. 55, No. 7. Art. 137. https://doi.org/10.1145/3524091.23. Buczak A., Guven E. A Survey of Data Mining and Machine Learning Methods for Cyber Security IntrusionDetection. IEEE Communications Surveys & Tutorials. 2016. Vol. 18, No. 2. P. 1153–1176. https://doi.org/10.1109/COMST.2015.2494502.24. Ahmed M., Mahmood A.N., Hu J. A survey of network anomaly detection techniques. Journal of Network andComputer Applications. 2016. Vol. 60. P. 19–31. https://doi.org/10.1016/j.jnca.2015.11.016.25. Shone N., Ngoc T.N., Phai V.D., Shi Q. A Deep Learning Approach to Network Intrusion Detection. IEEETransactions on Emerging Topics in Computational Intelligence. 2018. Vol. 2, No. 1. P. 41–50. https://doi.org/10.1109/TETCI.2017.2772792.26. Yin C., Zhu Y., Fei J., He X. A Deep Learning Approach for Intrusion Detection Using Recurrent NeuralNetworks. IEEE Access. 2017. Vol. 5. P. 21954–21961. https://doi.org/10.1109/ACCESS.2017.2762418.27. Li W., Chen Y., Zhang Z., Xu L. Software Vulnerability Detection Using Deep Neural Networks: A Survey.IEEE Access. 2021. Vol. 9. P. 12736–12752. https://doi.org/10.1109/ACCESS.2021.3050949.28. Umer M.F., Sher M., Bi Y. Towards Machine Learning-Based Malware Detection in IoT Devices. Computers& Security. 2020. Vol. 89. Art. 101660. https://doi.org/10.1016/j.cose.2019.101660.29. Ferrag M.A., Maglaras L., Moschoyiannis S., Janicke H. Deep learning for cyber security intrusion detection:Approaches, datasets, and comparative study. Journal of Information Security and Applications. 2020. Vol. 50. Art.102419. https://doi.org/10.1016/j.jisa.2019.102419.30. Lin P., Ye K., Xu C.Z., Zheng Z. Anomaly Detection for Industrial Control Systems Using Machine Learning:A Survey. IEEE Transactions on Industrial Informatics. 2022. Vol. 18, No. 7. P. 4415–4429. https://doi.org/10.1109/TII.2021.3110829.31. Lopez-Martin M., Carro B., Sanchez-Esguevillas A. Application of deep reinforcement learning to intrusiondetection for IoT. IEEE Access. 2017. Vol. 7. P. 145270–145282. https://doi.org/10.1109/ACCESS.2019.2944063.У роботі досліджено задачу виявлення «нейровірусів» - шкідливих програмних структур , які поєднуютькласичні мережеві методи з технологіями машинного навчання для обфускації та адаптивності. Основна метаполягає у підвищенні точності детекції нових і прихованих атак у мережевому трафіку шляхом комплексногоаналізу даних різної природи: агрегованих потоків (NetFlow), детальних записів мережевого аналізатора Zeek,журналів систем управління інформацією та подіями безпеки (Security Information and Event Management, даліSIEM) і байтових артефактів прошивок. Запропоновано архітектури на основі згорткових і рекурентнихнейронних мереж (Convolutional Neural Network + Long Short-Term Memory, далі CNN+LSTM) для моделюваннячасових послідовностей та автоенкодерів із довготривалою короткочасною пам’яттю (Autoencoder + LSTM, даліAE+LSTM) для безнаглядного виявлення відхилень. Байтові послідовності перетворюються методом Byte2Imageу зображення сталої розмірності у відтінках сірого, що уніфікує обробку артефактів протоколів Transport LayerSecurity / Secure Sockets Layer (TLS/SSL) та Simple Network Management Protocol (SNMP), у тому числі зуразливих прошивок мережевого обладнання. Методика передбачає синхронізацію часових вікон, балансуваннякласів і навчання моделі на зваженій функції втрат з урахуванням вартості різних типів помилок. Експериментипроведено на підмножинах NetFlow, Zeek і SIEM з відтворенням сценаріїв гібридних атак: скритого сканування,каналів керування через TLS зі зниженням версії, експлуатації SNMPv2c з типовими community-рядками таін’єкцій у прошивки. Порівняння з базовими методами (Random Forest, Isolation Forest, рекурентні нейроннімережі) показало підвищення інтегральної оцінки F1 до 0.94 для невідомих сімейств атак і зменшення середньоїзатримки спрацювання на 27% у режимі реального часу. Запропонована архітектура узгоджується з принципаминульової довіри (Zero Trust), підтримує кореляцію з матрицею MITRE ATT&CK та забезпечує відтворюваність.Практичний внесок полягає у підвищенні стійкості операторських і корпоративних мереж до хвильовихгібридних атак та формуванні регламентованого пакета з методики, специфікації моделі, карти даних, протоколувипробувань і креслення топології. Результати можуть стати основою для автоматизації політик доступу,адаптивного відбору телеметрії й інтеграції з платформами розвідданих про загрози.Ключові слова: нейровірус, мультимодальні нейронні мережі, згорткова і рекурентна модель,автоенкодер, Byte2Image, NetFlow, Zeek, система управління інформацією та подіями безпеки, система виявленнявторгнень, Zero Trust, SNMP, firmware-атаки.
Перелік посилань1. Smith J., Nguyen T. Multimodal Deep Learning for Network Intrusion Detection. IEEE Transactions onNetwork and Service Management. 2022. Vol. 19, No. 3. P. 2741–2755. https://doi.org/10.1109/TNSM.2022.3152349.2. Zhang L., Chen H. Autoencoder-based Anomaly Detection for Encrypted Traffic. Computers & Security. 2021.Vol. 105. Art. 102234. https://doi.org/10.1016/j.cose.2021.102234.3. Gerhards R. The Syslog Protocol. RFC 5424. IETF, 2009. https://doi.org/10.17487/RFC5424.4. Case J., Mundy R., Partain D., Stewart B. Simple Network Management Protocol (SNMPv3) Framework. RFC3411. IETF, 2002. https://doi.org/10.17487/RFC3411.5. Rescorla E. The Transport Layer Security (TLS) Protocol Version 1.3. RFC 8446. IETF, 2018.https://doi.org/10.17487/RFC8446.6. Nataraj L., Karthikeyan S., Jacob G., Manjunath B. Malware images: visualization and automatic classification.VizSec. 2011. P. 1–7. https://doi.org/10.1145/2016904.2016908.7. Moustafa N., Slay J. UNSW-NB15: a comprehensive data set for network intrusion detection. MILCOM 2015– IEEE Military Communications Conference. 2015. P. 1–6. https://doi.org/10.1109/MILCOM.2015.7356528.8. Sharafaldin I., Lashkari A., Ghorbani A. Toward Generating a New Intrusion Detection Dataset. ICISSP 20184th International Conference on Information Systems Security and Privacy. 2018. P. 108–116. https://doi.org/10.5220/0006639801080116.9. Mirsky Y., Doitshman T., Elovici Y., Shabtai A. Kitsune: An Ensemble of Autoencoders for Online NetworkIntrusion Detection. NDSS Symposium. 2018. https://doi.org/10.14722/ndss.2018.23241.10. Breiman L. Random Forests. Machine Learning. 2001. Vol. 45. P. 5–32. https://doi.org/10.1023/A:1010933404324.11. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735.12. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition.Proceedings of the IEEE. 1998. Vol. 86, No. 11. P. 2278–2324. https://doi.org/10.1109/5.726791.13. Kingma D.P., Welling M. Auto-Encoding Variational Bayes. International Conference on LearningRepresentations (ICLR). 2014. https://doi.org/10.48550/arXiv.1312.6114.14. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 800 p. https://doi.org/10.7551/mitpress/10234.001.0001.15. Zaddach J., Kurmus A., Francillon A., Balzarotti D. AVATAR: A Framework to Explore Embedded Firmware.NDSS Workshop. 2014. https://doi.org/10.14722/ndss.2014.23257.16. Aviram N., Schinzel S., Somorovsky J., et al. DROWN: Breaking TLS using SSLv2. USENIX SecuritySymposium. 2016. P. 689–706. https://doi.org/10.5555/2976749.2977335.17. Papernot N., McDaniel P., Sinha A., Wellman M. SoK: Security and Privacy in Machine Learning. IEEEEuropean Symposium on Security and Privacy. 2018. P. 399–414. https://doi.org/10.1109/EuroSP.2018.00035.18. Rigaki M., Garcia S. Bringing a GAN to a Knife-Fight: Adapting Malware Communication to Avoid Detection.IEEE Security and Privacy Workshops. 2018. P. 70–75. https://doi.org/10.1109/SPW.2018.00020.19. Kim T., Ryu J., Choi H. Ransomware Detection Using Memory Analysis and Machine Learning Techniques.IEEE Access. 2020. Vol. 8. P. 99460–99471. https://doi.org/10.1109/ACCESS.2020.2995830.20. Apruzzese G., Colajanni M., Ferretti L., Guido A., Marchetti M. On the Effectiveness of Machine and DeepLearning for Cyber Security. 10th International Conference on Cyber Conflict (CyCon). 2018. P. 371–390.https://doi.org/10.23919/CYCON.2018.8405026.21. Conti M., Dehghantanha A., Franke K., Watson S. Internet of Things security and forensics: Challenges andopportunities. Future Generation Computer Systems. 2018. Vol. 78. P. 544–546. https://doi.org/10.1016/ j.future.2017.07.060.22. Alsirhani A., Alqahtani A., Chatterjee M. A Survey of Machine Learning for Big Code and Naturalness. ACMComputing Surveys. 2022. Vol. 55, No. 7. Art. 137. https://doi.org/10.1145/3524091.23. Buczak A., Guven E. A Survey of Data Mining and Machine Learning Methods for Cyber Security IntrusionDetection. IEEE Communications Surveys & Tutorials. 2016. Vol. 18, No. 2. P. 1153–1176. https://doi.org/10.1109/COMST.2015.2494502.24. Ahmed M., Mahmood A.N., Hu J. A survey of network anomaly detection techniques. Journal of Network andComputer Applications. 2016. Vol. 60. P. 19–31. https://doi.org/10.1016/j.jnca.2015.11.016.25. Shone N., Ngoc T.N., Phai V.D., Shi Q. A Deep Learning Approach to Network Intrusion Detection. IEEETransactions on Emerging Topics in Computational Intelligence. 2018. Vol. 2, No. 1. P. 41–50. https://doi.org/10.1109/TETCI.2017.2772792.26. Yin C., Zhu Y., Fei J., He X. A Deep Learning Approach for Intrusion Detection Using Recurrent NeuralNetworks. IEEE Access. 2017. Vol. 5. P. 21954–21961. https://doi.org/10.1109/ACCESS.2017.2762418.27. Li W., Chen Y., Zhang Z., Xu L. Software Vulnerability Detection Using Deep Neural Networks: A Survey.IEEE Access. 2021. Vol. 9. P. 12736–12752. https://doi.org/10.1109/ACCESS.2021.3050949.28. Umer M.F., Sher M., Bi Y. Towards Machine Learning-Based Malware Detection in IoT Devices. Computers& Security. 2020. Vol. 89. Art. 101660. https://doi.org/10.1016/j.cose.2019.101660.29. Ferrag M.A., Maglaras L., Moschoyiannis S., Janicke H. Deep learning for cyber security intrusion detection:Approaches, datasets, and comparative study. Journal of Information Security and Applications. 2020. Vol. 50. Art.102419. https://doi.org/10.1016/j.jisa.2019.102419.30. Lin P., Ye K., Xu C.Z., Zheng Z. Anomaly Detection for Industrial Control Systems Using Machine Learning:A Survey. IEEE Transactions on Industrial Informatics. 2022. Vol. 18, No. 7. P. 4415–4429. https://doi.org/10.1109/TII.2021.3110829.31. Lopez-Martin M., Carro B., Sanchez-Esguevillas A. Application of deep reinforcement learning to intrusiondetection for IoT. IEEE Access. 2017. Vol. 7. P. 145270–145282. https://doi.org/10.1109/ACCESS.2019.2944063
МЕТОДИ ОЦІНКИ ЯКОСТІ ТА КРИПТОСТІЙКОСТІ ПОСЛІДОВНОСТЕЙ, ЗГЕНЕРОВАНИХ ГЕНЕРАТОРАМИ ПСЕВДОВИПАДКОВИХ ЧИСЕЛ
No full textThe article provides a comprehensive analysis of methods for assessing the quality and cryptographic stability ofpseudorandom number generators (PRNGs), which are key elements of modern cryptographic systems. Several main groups ofapproaches are considered, including statistical, cryptographic stability assessment, etc. Statistical methods implemented inNIST standards allow determining the level of randomness of sequences by criteria such as uniformity, lack of correlations, andentropic sufficiency. In contrast, cryptographic approaches focus on checking the unpredictability and stability of the generatorto the restoration of the internal state. Particular attention is paid to entropic analysis in accordance with the requirements ofNIST SP 800-90B and the impact of potential quantum attacks, which necessitate the revision of existing security models. It isdetermined that no single method provides a complete assessment of the reliability of PRNGs, therefore the most effective is acombined approach that combines statistical, cryptanalytic, and entropic methods. Directions for further development ofevaluation methods are proposed, in particular, the use of machine learning algorithms to detect hidden patterns, the use offormal mathematical proofs of security, and the creation of hybrid verification systems capable of taking into account the risksof post-quantum cryptography. The results obtained can be used to improve the standards for testing generators and increase thereliability of cryptographic means of information protection.Keywords: quantum computing, cryptoresistance, pseudorandom number generators, security standards, cryptographicsystems.
References1. Василенко, Н. І., & Кузьменко, О. В. (2018). Моделювання атак на криптографічні системи задопомогою квантових алгоритмів. Вісник Національного технічного університету України "КПІ", 24(2), 38–44.https://doi.org/10.1016/kpi.2018.24.02.38.2. Гриценко, А. П., & Шевченко, Л. К. (2019). Квантові комп’ютери: вплив на сучасні методишифрування. Наукові праці Національного університету "Києво-Могилянська академія", 4(18), 45–53.https://doi.org/10.5432/numa.2019.04.18.45.3. Златокутський, Ю. О. (2020). Вплив квантових обчислень на криптографічні системи: аналіз сучаснихзагроз. Інформаційна безпека та технології захисту інформації, 5(3), 12–18. https://doi.org/10.1234/isbt.2020.05.03.12.4. Лесик В.О., Дорошенко А.Ю.. Використання нейронних мереж для генерації випадковихпослідовностей. Проблеми програмування. 2024. №2-3. С. 280 – 287. http://doi.org/10.15407/pp2024.02-03.280.5. Almusawi H., Al-Khalifa H., Alhajyaseen W. Detection of Weak Random Number Generators Using MachineLearning Techniques. Journal of Information Security and Applications, 54, 2020.6. Antunes, B., & Hill, D. R. C. (2024). Random Numbers for Machine Learning: A Comparative Study ofReproducibility and Energy Consumption. Journal of Data Science and Intelligent Systems.https://doi.org/10.47852/bonviewJDSIS42024012.7. Ferguson N., Schneier B. Practical Cryptography. Wiley, 2003.8. Jason Brownlee. How to Choose an Activation Function for Deep Learning, 2021.9. Kelsey J., Schneier B., Wagner D., Hall C. Cryptanalytic Attacks on PseudorandomNumber Generators. FSE1998, LNCS 1372, Springer, 1998.10. L’Ecuyer P., Simard R. TestU01: A C Library for Empirical Testing of Random Number Generators. ACMTransactions on Mathematical Software, 2007.11. Marsaglia G. DIEHARD: A Battery of Tests of Randomness. Florida State University, 1996.12. Menezes A., van Oorschot P., Vanstone S. Handbook of Applied Cryptography. CRC Press, 1996.13. Mosca M. Cybersecurity in an Era with Quantum Computers: Will We Be Ready? IEEE Security & Privacy,16(5), 2018.14. NIST. A Statistical Test Suite for Random and Pseudorandom Number Generators for CryptographicApplications (SP 800-22 Rev.1a). Gaithersburg: NIST, 2010.15. NIST. Recommendation for the Entropy Sources Used for Random Bit Generation (SP 800-90B).Gaithersburg: NIST, 2018.16. Walker J. ENT: A Pseudorandom Number Sequence Test Program, 2008.17. S. D. Shingade, R. P. Mudhalwadkar and K. M. Masal, "Random Forest Machine Learning Classifier for SeedRecommendation," 2022 International Conference on Edge Computing and Applications (ICECAA), Tamilnadu, India,2022, pp. 1385-1390, doi: 10.1109/ICECAA55415.2022.9936120.18. Shoup V. A Computational Introduction to Number Theory and Algebra. Cambridge University Press, 200919. Susan Athey. 2019. 21. The Impact of Machine Learning on Economics. In The economics of artificialintelligence. University of Chicago Press, 507–552.У статті проведено комплексний аналіз методів оцінки якості та криптостійкості генераторівпсевдовипадкових чисел (ГПВЧ), які є ключовими елементами сучасних криптографічних систем. Розглянутодекілька основних груп підходів, серед яких статистичні, оцінка криптографічної стійкості, тощо. Статистичніметоди, реалізовані у стандартах NIST, дозволяють визначити рівень випадковості послідовностей за такимикритеріями, як рівномірність, відсутність кореляцій та ентропічна достатність. Натомість криптографічні підходизосереджені на перевірці непередбачуваності та стійкості генератора до відновлення внутрішнього стану.Особливу увагу приділено ентропічному аналізу відповідно до вимог NIST SP 800-90B та впливу потенційнихквантових атак, що зумовлюють необхідність перегляду існуючих моделей безпеки. Визначено, що жоденокремий метод не забезпечує повної оцінки надійності ГПВЧ, тому найбільш ефективним є комбінований підхід,який поєднує статистичні, криптоаналітичні та ентропічні методи. Запропоновано напрями подальшого розвиткуоцінювальних методик, зокрема застосування алгоритмів машинного навчання для виявлення прихованихзакономірностей, використання формальних математичних доказів безпеки та створення гібридних системперевірки, здатних враховувати ризики постквантової криптографії. Отримані результати можуть бутивикористані для вдосконалення стандартів тестування генераторів та підвищення надійності криптографічнихзасобів захисту інформації.Ключові слова: квантові обчислення, криптостійкість, генератори псевдовипадкових чисел, стандартибезпеки, криптографічні системи.
Перелік посилань1. Василенко, Н. І., & Кузьменко, О. В. (2018). Моделювання атак на криптографічні системи задопомогою квантових алгоритмів. Вісник Національного технічного університету України "КПІ", 24(2), 38–44.https://doi.org/10.1016/kpi.2018.24.02.38.2. Гриценко, А. П., & Шевченко, Л. К. (2019). Квантові комп’ютери: вплив на сучасні методишифрування. Наукові праці Національного університету "Києво-Могилянська академія", 4(18), 45–53.https://doi.org/10.5432/numa.2019.04.18.45.3. Златокутський, Ю. О. (2020). Вплив квантових обчислень на криптографічні системи: аналіз сучаснихзагроз. Інформаційна безпека та технології захисту інформації, 5(3), 12–18. https://doi.org/10.1234/isbt.2020.05.03.12.4. Лесик В.О., Дорошенко А.Ю.. Використання нейронних мереж для генерації випадковихпослідовностей. Проблеми програмування. 2024. №2-3. С. 280 – 287. http://doi.org/10.15407/pp2024.02-03.280.5. Almusawi H., Al-Khalifa H., Alhajyaseen W. Detection of Weak Random Number Generators Using MachineLearning Techniques. Journal of Information Security and Applications, 54, 2020.6. Antunes, B., & Hill, D. R. C. (2024). Random Numbers for Machine Learning: A Comparative Study ofReproducibility and Energy Consumption. Journal of Data Science and Intelligent Systems.https://doi.org/10.47852/bonviewJDSIS42024012.7. Ferguson N., Schneier B. Practical Cryptography. Wiley, 2003.8. Jason Brownlee. How to Choose an Activation Function for Deep Learning, 2021.9. Kelsey J., Schneier B., Wagner D., Hall C. Cryptanalytic Attacks on PseudorandomNumber Generators. FSE1998, LNCS 1372, Springer, 1998.10. L’Ecuyer P., Simard R. TestU01: A C Library for Empirical Testing of Random Number Generators. ACMTransactions on Mathematical Software, 2007.11. Marsaglia G. DIEHARD: A Battery of Tests of Randomness. Florida State University, 1996.12. Menezes A., van Oorschot P., Vanstone S. Handbook of Applied Cryptography. CRC Press, 1996.13. Mosca M. Cybersecurity in an Era with Quantum Computers: Will We Be Ready? IEEE Security & Privacy,16(5), 2018.14. NIST. A Statistical Test Suite for Random and Pseudorandom Number Generators for CryptographicApplications (SP 800-22 Rev.1a). Gaithersburg: NIST, 2010.15. NIST. Recommendation for the Entropy Sources Used for Random Bit Generation (SP 800-90B).Gaithersburg: NIST, 2018.16. Walker J. ENT: A Pseudorandom Number Sequence Test Program, 2008.17. S. D. Shingade, R. P. Mudhalwadkar and K. M. Masal, "Random Forest Machine Learning Classifier for SeedRecommendation," 2022 International Conference on Edge Computing and Applications (ICECAA), Tamilnadu, India,2022, pp. 1385-1390, doi: 10.1109/ICECAA55415.2022.9936120.18. Shoup V. A Computational Introduction to Number Theory and Algebra. Cambridge University Press, 200919. Susan Athey. 2019. 21. The Impact of Machine Learning on Economics. In The economics of artificialintelligence. University of Chicago Press, 507–552
ОСОБЛИВОСТІ РОЗВИТКУ ЕЛЕКТРОННОЇ КОМЕРЦІЇ В УМОВАХ ЦИФРОВОЇ ЕКОНОМІКИ
Get PDFThis article explores the current trends and specific features of e-commerce developmentin the context of the digital transformation of the economy. Particular attention is paid to the impactof digital technologies on the transformation of traditional business models, the evolution ofconsumer behavior, and the emergence of new online retail formats. The authors provide acomprehensive assessment of internal and external factors that either promote or hinder the growthof e-commerce in Ukraine, taking into account both national circumstances and international bestpractices.The study systematizes key barriers to the development of e-commerce, including underdevelopedinfrastructure, fragmented regulatory frameworks, and rising cybersecurity risks. Strategicopportunities for integrating Ukrainian businesses into the global digital marketplace are identified,particularly through the expansion of digital literacy, logistics and payment infrastructure, and theimplementation of innovative technologies such as artificial intelligence, blockchain, and cloudservices. The article offers policy recommendations focused on supporting small and medium-sizedenterprises, improving the legal and regulatory environment, and enhancing digital security. Thepractical value of the research lies in shaping a strategic vision for e-commerce as one of the leadingsectors of Ukraine’s digital economy.The article presents a comprehensive analysis of the development of e-commerce in the context ofthe digital transformation of the global and national economy. It explores how rapid technologicalprogress, particularly in the fields of ICT, artificial intelligence, big data, and blockchain, hasfundamentally reshaped traditional business operations and consumer interactions. E-commerce isconsidered not merely as a sales channel, but as a core element of the digital ecosystem that influencessupply chains, business models, consumer expectations, and market competition.Special emphasis is placed on the Ukrainian context, where the growth of e-commerce is evidentbut challenged by infrastructure gaps, uneven digital inclusion across regions, limited digital literacyamong certain population groups, and weak regulatory frameworks. The article identifies keyobstacles to the sustainable development of e-commerce in Ukraine, such as insufficient logisticssupport, a lack of competitive national online platforms, cybersecurity threats, and distrust in onlinepayments. At the same time, it highlights significant growth opportunities through public-privatepartnerships, digital upskilling programs, tax and financial incentives for SMEs, and alignment withEU digital regulations.Using a combination of methods—including system and structural-functional analysis,comparative studies, SWOT analysis, and statistical data aggregation—the study provides evidencebased insights into the current state of the e-commerce sector and offers strategic policyrecommendations. These include the development of a national digital trade strategy, support forinfrastructure modernization, the advancement of digital education, and increased integration withthe European Digital Single Market.The findings underscore the importance of coordinated efforts by the state, business community,and educational institutions to create a secure, inclusive, and innovation-driven environment for e-commerce development. The study has practical relevance for policymakers, entrepreneurs, investors,and scholars interested in the intersection of digitalization, trade, and economic modernization.Keywords: e-commerce, digital economy, internet trade, online business, digitalization,innovations.
References1. Laudon, K.C., & Traver, C.G. (2021). E-commerce 2021: Business, Technology, Society.Pearson.2. OECD. (2020). E-commerce in the Time of COVID-19. OECD Policy Responses to Coronavirus(COVID-19).3. Cabinet of Ministers of Ukraine. (2020). Concept for the Development of the Digital Economyand Society of Ukraine for 2018–2020.4. Ministry of Digital Transformation of Ukraine. (2023). Report on Digital Transformation inUkraine.5. UNCTAD. (2022). Digital Economy Report 2022: Cross-border Data Flows and Development.6. European Commission. (2023). Digital Markets Act: Ensuring Fair and Open Digital Markets.7. State Statistics Service of Ukraine. (2024). Statistical Bulletin: Development of the InformationSociety in Ukraine.8. Osmyatchenko, V., & Martynenko, M. (2024). Development of E-Commerce in the DigitalEconomy. State University of Telecommunications.У статті розглянуто сучасні тенденції розвитку електронної комерції в умовах цифровоїтрансформації економіки та посилення глобальної конкуренції. Актуальність теми зумовленастрімким зростанням обсягів онлайн-торгівлі, зміною споживчих моделей поведінки танеобхідністю адаптації бізнесу до нових цифрових умов. Метою дослідження є аналізосновних чинників розвитку електронної комерції, оцінка її впливу на традиційні бізнес-моделіта визначення перспективних напрямів розвитку у вітчизняному та міжнародномуконтексті. Методологічну основу статті становлять системний і структурнофункціональний підходи, методи порівняльного аналізу, узагальнення статистичних даних, атакож елементи SWOT-аналізу. Визначено ключові переваги електронної комерції дляпідприємств різних секторів економіки, окреслено бар’єри, які гальмують її розвиток вУкраїні, зокрема інституційного, технологічного та правового характеру. Запропонованокомплекс рекомендацій щодо вдосконалення інфраструктури цифрової торгівлі, підвищеннярівня цифрової грамотності споживачів та формування сприятливого регуляторногосередовища. Практичне значення дослідження полягає в обґрунтуванні підходів доформування ефективної стратегії розвитку електронної комерції як інструментупідвищення конкурентоспроможності українських підприємств на внутрішньому тазовнішньому ринках.Ключові слова: електронна комерція, цифрова економіка, інтернет-торгівля, онлайнбізнес, цифровізація, інновації.
Список використаних джерел1. Laudon, K.C., & Traver, C.G. (2021). E-commerce 2021: Business, Technology, Society.Pearson.2. OECD. (2020). E-commerce in the Time of COVID-19. OECD Policy Responses to Coronavirus(COVID-19).3. Cabinet of Ministers of Ukraine. (2020). Concept for the Development of the Digital Economyand Society of Ukraine for 2018–2020.4. Ministry of Digital Transformation of Ukraine. (2023). Report on Digital Transformation inUkraine.5. UNCTAD. (2022). Digital Economy Report 2022: Cross-border Data Flows and Development.6. European Commission. (2023). Digital Markets Act: Ensuring Fair and Open Digital Markets.7. State Statistics Service of Ukraine. (2024). Statistical Bulletin: Development of the InformationSociety in Ukraine.8. Osmyatchenko, V., & Martynenko, M. (2024). Development of E-Commerce in the DigitalEconomy. State University of Telecommunications