Kibernetinių atakų identifikavimas

Abstract

Skaitmeniniai tinklai atlieka reikšmingą vaidmenį tvarkant, saugant, stebint ir kontroliuojant ypatingos svarbos infrastruktūros objektus, pavyzdžiui, energetikos, transporto, finansų. Dėl didėjančio kibernetinių atakų skaičiaus ir sudėtingumo kompiuterių tinklai tampa vis labiau pažeidžiami, o šių tinklų trikdymas gali turėti itin žalingą poveikį. Dabartinės kibernetinio saugumo sistemos negali apsaugoti nuo visų išpuolių ir reaguoti beveik realiu laiku. Lokalios įsibrovimų aptikimo sistemos negali pakankamai apsaugoti tinklo dėl didelio kiekio, paskirstyto pobūdžio duomenų ir realaus laiko atsako reikalavimų. Be to jos aptinka tik žinomus išpuolius. Aprašymu ir anomalijomis paremtos įsibrovimų aptikimo sistemos suteikia galimybę, analizuojant tinklo srauto duomenis aptikti dar nematytas atakas ir atlikti analizę beveik realiu laiku. Šiame darbe sudaromos įsibrovimų aptikimo sistemos naudojant dirbtinius neuroninius tinklus. Eksperimentinio tyrimo metu parinktų modelių tikslumas siekia 97 procentus. Gauti rezultatai rodo dirbtinių neuroninių tinklų efektyvumą identifikuojant skirtingas kibernetines atakas.

Digital networks play an important role in processing, data storage, monitoring and control of critical objects of infrastructure such as energy, transportation, and finance. Due to increasing number of cyber attacks and their complexity critical computer networks become increasingly vulnerable. Disruption of these networks can have extremely harmful effects. Current cyber security systems are not able to protect from all attacks not providing near real time response. Host-based intrusion detection systems cannot protect enough these networks due to the sheer volume, distributed nature of data, and real-time response requirements. Furthermore, they only identify known attacks. During analysis of network traffic data, signature based and anomaly based intrusion detection systems enable to detect unseen attack and can verify data near real time. In this thesis, intrusion detection systems are created using artificial neural networks. The accuracy of selected models in the experimental research is 97 %. The results of research show the effectiveness of artificial neural networks in different cyber attacks identifying.