გულნარა ჯანელიძე
საინჟინრო მეცნიერებათა დოქტორი, პროფესორი, საქართველოს ტექნიკური უნივერსიტეტი
დათა დათაშვილი
დოქტორანტი, სამცხე-ჯავახეთის სახელმწიფო უნივერსიტეტი
აბსტრაქტი
თანამედროვე ციფრულ სამყაროში მონაცემების რაოდენობა დღითიდღე ექსპონენციურად იზრდება, რამაც უსაფრთხოების ახლებური მიდგომების შემუშავების აუცილებლობა წარმოშვა. დღესდღეობით განსაკუთრებით აქტუალური გახდა განაწილებული საინფორმაციო სისტემების გამოყენება, რომელთა მეშვეობით მონაცემთა ნაკადები მოძრაობს სხვადასხვა პლატფორმებზე. თუმცა, სწორედ ეს მაღალი განაწილებულობა და ღიაობა ქმნის ხელსაყრელ პირობებს კიბერ თავდასხმების განსახორციელებლად. აღსანიშნავია, რომ შემოჭრის აღმოჩენის ტრადიციული საშუალებები საუკეთესოდ მუშაობს შედარებით მცირე სიჩქარის მონაცემებზე. ისინი არაეფექტურია დიდ მონაცემებზე და არ შეუძლიათ მაღალსიჩქარიანი მონაცემების დამუშავება, ამიტომ ახალი მეთოდების ადაპტირებაა საჭირო დიდ მონაცემებზე სამუშაოდ, რათა აღმოაჩინონ შემოჭრისთვის დამახასიათებელი ნებისმიერი ნიშანი. ამ თვალსაზრისით განსაკუთრებულ მნიშვნელობას იძენს მანქანური სწავლების (Machine Learning) მეთოდების გამოყენება, რომლებიც შეიძლება გამოყენებულ იქნას როგორც ანომალიის დეტექტირებისთვის, ასევე ცნობილ თავდასხმებთან დაკავშირებული ნიშნების იდენტიფიცირებისთვის.
ნაშრომში გაანალიზებულია განაწილებულ დიდ მონაცემებზე DDoS (Distributed Denial of Service) შეტევების რეალურ დროში აღმოჩენის მნიშვნელობა და მასთან დაკავშირებული სირთულეები. აღწერილია DoS შეტევები, რომლებიც უშუალოდ დაკავშირებულია დიდ მონაცემთა სისტემებთან. განსაკუთრებული ყურადღება ეთმობა განაწილებულ საინფორმაციო ნაკადებზე სხვადასხვა სახის შეტევების დროულ აღმოჩენას მანქანური სწავლების გამოყენებით. აღნიშნული პრობლემის გადასაწყვეტად შემოთავაზებულია შემთხვევითი ტყის (Random Forest) მოდელი. დამუშავებულია სისტემაში არასანქცირებული შეღწევის აღმოჩენის ალგორითმი შემთხვევითი ტყის კლასიფიკატორის გამოყენებით. წარმოდგენილია ღრმა შემთხვევით ტყეზე დაფუძნებულ ქსელში შეღწევის გამოვლენის მოდელი.
ნაშრომში გაანალიზებულია შემთხვევითი ტყის გამოყენებასთან დაკავშირებული სირთულეები, რაც ძირითადად ეხება მონაცემთა ბალანსს და გამოთვლით სირთულეებს, მაგრამ შემთხვევითი ტყის მეთოდი ინარჩუნებს თავის უპირატესობას ქსელური ანომალიების აღმოჩენის ამოცანების გადასაწყვეტად, განსაკუთრებით რეალურ დროში განაწილებული მონაცემებისთვის.
საკვანძო სიტყვები: DDoS შეტევები, Random Forest მეთოდი, ღრმა პარალელური შემთხვევითი ტყე.
JEL: C55; C45; D83
DOI: 10.52244/c2025.27
გამოყენებული ლიტერატურა
Mark Talabis, Jason Martin, Robert McPherson, Inez Miyamoto, Information Security Analytics: Finding Security Insights, Patterns, and Anomalies in Big Data, ISBN- 978-0128002070, 2014.
Pradip Kumar Das, Privacy and Security Issues in Big Data, ISBN 978-981-16-1006-6, 2021.
Clarence Chio, David Freeman, Machine Learning and Security: Protecting Systems with Data and Algorithms, ISBN – 978-1491979907, 2018.
Bojan Kolosnjaji, Huang Xiao, Peng Xu, Apostolis Zarras, Artificial Intelligence for Cybersecurity, ISBN – 978-1805124962, 2024.
Ronny Hänsch, Handbook of Random Forests, ISBN – 978–981-322-405-6, 2025.