НЕЧІТКО-ЛОГІЧНА МОДЕЛЬ ОЦІНЮВАННЯ СТАНУ ІНФОРМАЦІЙНОЇ СИСТЕМИ ПІД ЧАС DDOS-АТАК

Автор(и)

  • Лахно Валерій Анатолійович Національний університет біоресурсів і природокористування України image/svg+xml
  • Касаткін Дмитро Юрійович Національний університет біоресурсів і природокористування України image/svg+xml

Ключові слова:

DDoS-атака, нечітка логіка, модель ризику, інформаційна система, нечіткий висновок Мамдані, оцінювання стану, моніторинг безпеки

Анотація

Запропоновано нечітко-логічну модель оцінювання стану інформаційної системи (ІС) під час DDoS-атак. Модель базується на використанні системи лінгвістичних змінних, які описують критичні параметри мережевого трафіку та характеристик функціонування ІС. Для формування оцінки поточного ризику застосовано нечіткий висновок типу Мамдані з подальшою дефазифікацією методом центра ваги. Проведено імітаційний експеримент, який реалізовано у середовищі Python із використанням бібліотеки scikit-fuzzy. Отримані результати підтвердили, що запропонована модель адекватно відображає залежність інтегрального ризику від зміни параметрів навантаження, забезпечує безперервність оцінювання та чутливість до критичних комбінацій факторів трафіку. Отримані результати дають підставу розглядати розроблену модель як базис синтезу модуля моніторингу стану ІС.

Посилання

1. Savchenko, V., Ponochovnyi, P., & Averichev, I. (2024). Vyiavlennia DDoS-ataky na vysoko-shvydkisnu merezhu: Opytuvannia [Detection of a DDoS attack on a high-speed network: A survey]. Prykladni Problemy Kompiuternykh Nauk, Bezpeky ta Matematyky [Applied Problems of Computer Science, Security and Mathematics], 3, 71–81.

2. Shevchenko, S., Zhdanova, Yu., Skladannyi, P., & Petrenko, T. (2024). Nechitki kohnityvni karty yak instrument vizualizatsii stsenariiv reahuvannia na intsydenty v systemakh bezpeky [Fuzzy cognitive maps as a tool for visualizing incident response scenarios in security systems]. Kiberbezpeka: Osvita, Nauka, Tekhnika [Cybersecurity: Education, Science, Technique], 2(26), 417–429. https://doi.org/10.28925/2663-4023.2024.26.707.

3. Shiaeles, S. N., Katos, V., Karakos, A. S., & Papadopoulos, B. K. (2012). Real time DDoS detection using fuzzy estimators. Computers & Security, 31(6), 782–790. https://doi.org/10.1016/j.cose.2012.06.002.

4. Pajila, P. B., Julie, E. G., & Robinson, Y. H. (2022). FBDR-fuzzy based DDoS attack detection and recovery mechanism for wireless sensor networks. Wireless Personal Communications, 122(4), 3053–3083. https://doi.org/10.21203/rs.3.rs-217674/v1.

5. Javaheri, D., Gorgin, S., Lee, J. A., & Masdari, M. (2023). Fuzzy logic-based DDoS attacks and network traffic anomaly detection methods: Classification, overview, and future perspectives. Information Sciences, 626, 315–338. https://doi.org/10.1016/j.ins.2023.01.067.

6. Almseidin, M., Al-Sawwa, J., Alkasassbeh, M., & Alweshah, M. (2023). On detecting distributed denial of service attacks using fuzzy inference system. Cluster Computing, 26(2), 1337–1351. https://doi.org/10.1007/s10586-022-03657-5.

7. Petković, M., Bašičević, I., Kukolj, D., & Popović, M. (2018). Evaluation of Takagi-Sugeno-Kang fuzzy method in entropy-based detection of DDoS attacks. Computer Science and Information Systems, 15(1), 139–162. https://doi.org/10.2298/CSIS160905039P.

8. Lin, H., Wu, C., & Masdari, M. (2022). A comprehensive survey of network traffic anomalies and DDoS attacks detection schemes using fuzzy techniques. Computers and Electrical Engineering, 104, 108466. https://doi.org/10.1016/j.compeleceng.2022.108466.

9. Almotiri, S. H. (2024). Improving network resilience against DDoS attacks: A fuzzy TOPSIS-based quantitative assessment approach. Heliyon, 10(22), Article e40018. https://doi.org/10.1016/j.heliyon.2024.e40413.

10. Alsirhani, A., Sampalli, S., & Bodorik, P. (2019). DDoS detection system: Using a set of classification algorithms controlled by fuzzy logic system in Apache Spark. IEEE Transactions on Network and Service Management, 16(3), 936–949. https://doi.org/10.1109/TNSM.2019.2929425.

11. Imamguluyev, R. (2025). Detection and prevention of cyber attacks based on fuzzy logic and deep learning. In International Conference on Intelligent and Fuzzy Systems (pp. 402–409). Springer. https://doi.org/10.1007/978-3-031-97992-7_45.

Завантаження

Опубліковано

2026-02-02

Номер

№ 2 (2025)

Розділ

Усі статті з випуску

Ліцензія

Авторське право (c) 2026 Інформаційні технології в економіці та природокористуванні

Creative Commons License

TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.