Кваліфікаційні роботи студентів
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/61740
Browse
Item Підвищення ефективності роботи систем моніторингу інформаційно-комунікаційних мереж(Національний університет "Львівська політехніка", 2024) Баштик, Віталій Володимирович; Bashtyk, Vitalii Volodymyrovych; Кирик, Мар'ян Іванович; Національний університет "Львівська політехніка"Зі зростанням обсягу даних, різноманіття послуг, які надаються в корпоративних мережах, та підвищенням вимог до якості обслуговування, зростає потреба в ефективних системах моніторингу, які здатні забезпечити надійність, безпеку та високу доступність сервісів. Системи моніторингу мультисервісних корпоративних мереж виконують ключову роль у забезпеченні стабільної роботи різноманітних сервісів, включаючи голосові, відео- та дані, що передаються через одну інфраструктуру. Вони дозволяють своєчасно виявляти аномалії, що можуть виникати внаслідок збоїв обладнання, зловмисних атак або перевантаження мережі. Мета роботи та завдання дослідження. Метою магістерської кваліфікаційної роботи є підвищення ефективності роботи систем моніторингу інформаційно-комунікаційних мереж, що сприятиме підвищенню надійності мереж та швидкості реагування при її збоях. Для досягнення поставленої мети було визначено наступні завдання дослідження: 1. Здійснити аналіз сучасних методів побудови систем моніторингу корпоративних мереж; 2. Дослідити роль штучного інтелекту у моніторингу корпоративних мереж; 3. Проаналізувати практичні аспекти розгортання розроблених інтелектуальних засобів з використанням технологій віртуалізації та контейнирізації. 4. Експериментально дослідити ефективність розроблених засобів для аналізу системи сповіщень з залученням штучного інтелекту Об’єктом дослідження є процес надсилання сповіщень сучасних моніторингових систем. Предмет дослідження включає методи та підходи до побудови систем моніторингу корпоративних мереж, зокрема із залученням технологій штучного інтелекту для підвищення точності й ефективності виявлення мережевих аномалій. Особлива увага приділяється алгоритмам обробки великих обсягів даних у реальному часі та інтеграції з віртуалізованими і контейнеризованими середовищами. Методи дослідження включають проведення аналізу наукової літератури з питань аналізу сучасних методів та інструментів моніторингу, моделювання та симуляцію роботи систем на основі штучного інтелекту, а також експериментальне тестування розроблених рішень для оцінки їх ефективності у реальних умовах корпоративної мережі. Наукова новизна дослідження полягає у розробці та застосуванні гібридного підходу, що поєднує методи штучного інтелекту із класичними методами моніторингу, що дозволяє досягти високої чутливості до аномалій та зниження кількості хибнопозитивних спрацювань. У першому розділі роботи проведено детальний аналіз традиційних методів моніторингу [ 1]. Надано опис важливих аспектів для підтримки стабільності, ефективності й безпеки сучасних корпоративних інфраструктур. Традиційні методи моніторингу, такі як SNMP , NetFlow та аналіз логів, дозволяють адміністраторам своєчасно виявляти про блеми та запобігати порушенням у роботі мережі. Вони забезпечують глибокий рівень контролю над станом мережевих пристроїв та каналів, що сприяє підтриманню стабільної продуктивності мережі, а також захисту від загроз, таких як DDoS атаки або несанкціонован ий доступ. У другому розділі проведено аналіз інтеграція штучного інтелекту (AI) та машинного навчання (ML) у процес моніторингу корпоративних мереж. AI відіграє ключову роль у підвищенні їхньої ефективності і надійності [2]. Ці технології забезпечують не лише швидке виявлення загроз, але й автоматизоване реагування на них, що значно знижує ризики, пов'язані з кіберзлочинністю. AI-інструменти можуть аналізувати великі обсяги даних у реальному часі, виявляючи аномалії та потенційні загрози, які традиційні методи можуть пропустити. Алгоритми машинного навчання здатні навчатися на історичних даних, що дозволяє їм ідентифікувати нові патерни і адаптуватися до змін у мережевому середовищі. У третьому розділі обрану сучасну систему моніторингу, яка забезпечить надійний збір, зберігання та аналіз даних у реальному часі для подальшого підвищення ефективності її роботи. Однією з таких систем є Prometheus це інстру мент для моніторингу та оповіщення з відкритим кодом, який було створено для роботи в умовах високодинамічних середовищ, таких як хмарні сервіси та мікросервісні архітектури [ 3]. Prometheus вирізняється своєю здатністю ефективно обробляти великі обсяги дан их, надаючи можливість гнучкого налаштування процесу моніторингу. Ця система використовує модель збору метрик за допомогою pull підходу, що забезпечує її адаптивність до різноманітних середовищ, де об’єкти можуть швидко з’являтися та зникати [ 4]. Завдяки ц ій моделі система самостійно ініціює запити до заздалегідь визначених кінцевих точок, отримуючи необхідні дані без значного навантаження на моніторингову інфраструктуру. У четвертому розіділі докладно описано процес реалізації гібридної нейронної мережі C NN LSTM , спрямованої на вдосконалення системи сповіщень та моніторингу в інформаційно комунікаційних мережах [ 5]. Проведене дослідження підтвердило значну ефективність розробленого інструментарію, що об'єднує можливості аналізу просторових та часових закон омірностей, які проявляються у системі сповіщень. Застосування CNN дозволяє ідентифікувати важливі просторові ознаки, такі як закономірності у розташуванні подій та аномальних сигналів, що знижує загальне навантаження на систему і дозволяє концентрувати об числювальні ресурси на більш релевантних ознаках. Це значно покращує швидкість та продуктивність, роблячи обробку даних ефективнішою.