Статті ККІТтаР УДХТУ (раніше ККІТтаА УДХТУ)

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/21119

ENG: Articles

Browse

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Item type:Item,
    Ідентифікація трафіку мереж передачі даних у реальному часі
    (Вісник Приазовського державного технічного університету, 2025) Клюшник, В. В.; Чернецький, Євгеній Вячеславович; Онищенко, О. В.
    UKR: У статті розглянуто сучасні підходи до ідентифікації та класифікації мережевого трафіку в реальному часі. Дослідження підкреслює актуальність проблеми, пов'язаної з високою динамікою мережевого середовища, та необхідність точних методів для управління, захисту даних і виявлення аномалій. Представлено огляд існуючих моделей трафіку, включаючи моделі на основі розподілів, часових рядів, фрактальних моделей та ланцюгів Ма-ркова. Проведено аналіз методів класифікації, таких як використання номерів портів, DPI (Deep Packet Inspection), машинне навчання та статистичний аналіз пакетів. Критичний аналіз виявив переваги та обме-ження кожної моделі. Простота реалізації та ефективність моделей розподілу обмежуються врахуванням залежності міжданими. Моделі часових рядів придатні для прогнозування, але потребують значних обчислюва-льних ресурсів. Фрактальні моделі забезпечують аналіз довготривалих залежностей, проте їх застосування у реальному часі є складним. Ланцюги Маркова демонструють високу точність, але вимагають точної ініціалізації параметрів. Особливу увагу приділено інтеграції методів машинного навчання та оптимізації обчислюваль-них процесів для роботи із зашифрованим трафіком і в умовах обмежених ресурсів. Автори наголошують на необхідності розробки гібридних рішень, що поєднують переваги різних підходів, та визначають перспективи для подальших досліджень, спрямованих на створення більш точних і продуктивних систем аналізу трафіку. Ключові напрями подальших досліджень включають автоматизацію параметризації моделей, врахування заши-фрованого трафіку та розробку алгоритмів машинного навчання, оптимізованих для роботи в реальному часі. Стаття є вагомим внеском у розвиток методів ідентифікації мережевого трафіку, пропонуючи шляхи підвищення безпеки та якості обслуговування мереж.