УДК 004.8
DOI: 10.36871/26189976.2026.04-4.016

Авторы

Анна Викторовна Каляшина,
Казанский государственный энергетический университет, Казань, Россия
Юрий Николаевич Смирнов,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

Статья посвящена проектированию интеллектуальной информационной системы для предприятия ООО ПРОСОФТ ЛАБ». Предприятие производит мониторинг доступности веб-ресурсов клиентов, фиксируя только базовые метрики. В существующей информационной системе отсутствует интеллектуальный анализ сетевого трафика, что существенно ограничивает возможности проактивного реагирования на угрозы. Перед началом исследования, проведен реинжиниринг процессов предприятия, который был направлен на повышение эффективности системы мониторинга и переход от реактивного к проактивному управлению инцидентами. В результате научного исследования разработана интеллектуальная информационная система (ИИС), обеспечивающая автоматизированный мониторинг и интеллектуальный анализ состояния веб-ресурсов клиентов с использованием технологий машинного обучения. Основная цель системы – переход от простой регистрации доступности сайтов к интеллектуальному управлению безопасностью, включающему выявление, классификацию и предупреждение веб-атак в реальном времени. Структура ИИС имеет модульный характер и включает несколько взаимосвязанных компонентов, обеспечивающих сбор, обработку, хранение и анализ данных. Архитектура системы построена по принципу клиент-серверного взаимодействия. Благодаря контейнеризации (Docker) система легко масштабируется и может быть развёрнута на других узлах сети. Разработка подсистемы для интеллектуального анализа трафика основана на применении технологий машинного обучения для автоматизации процесса выявления и блокировки вредоносной активности. Функциональная модель отображает последовательность действий, которые выполняются системой — от момента перехвата сетевого пакета до применения мер реагирования и записи инцидента. Среда разработки для проекта WebGuard‑AI выбрана с учётом трёх групп задач: исследовательского этапа обучения и валидации модели анализа сетевого трафика на платформе Kaggle, разработки серверной части системы и создания веб‑интерфейса оператора.

Ключевые слова

информационная модель
информационная безопасность
машинное обучение
интеллектуальный анализ

Список литературы

[1] Болдырихин Н. В., Комоцкий Р. И., Лян Д. И. Исследование систем обнаружения вторжений // Молодой ученый. 2023. № 2 (449). С. 6–9.

[2] Горюнов М. Н. Синтез модели машинного обучения для обнаружения компьютерных атак на основе набора данных CICIDS2017 / М. Н. Горюнов, А. Г. Мацкевич, Д. А. Рыболовлев // Труды Института системного программирования РАН. – 2020. – Т. 32, № 5. – С. 81-94. – DOI 10.15514/ISPRAS-2020-32(5)-6.

[3] Леохин Ю. Л. Научные основы управления параметрами структур корпоративных сетей : специальность 05.13.13 : автореферат диссертации на соискание ученой степени доктора технических наук / Леохин Юрий Львович. – Москва, 2009. – 36 с.

[4] Методика сбора обучающего набора данных для модели обнаружения компьютерных атак / А. И. Гетьман, М. Н. Горюнов, А. Г. Мацкевич, Д. А. Рыболовлев // Труды Института системного программирования РАН. – 2021. – Т. 33, № 5. – С. 83-104. – DOI 10.15514/ISPRAS-2021-33(5)-5.

[5] Нейросетевая система обнаружения сетевых атак / Э. Р. Хайруллин, А. М. Вульфин, В. И. Васильев, С. А. Мандовен // Системная инженерия и информационные технологии. – 2025. – Т. 7, № 1(20). – С. 105-112. – DOI 10.54708/2658-5014-SIIT-2025-no1-p105.

[6] Смирнов Ю. Н. Использование нейросетевых методов в задаче повышения разрешения Super Resolution / Ю.Н. Смирнов, А.В. Каляшина // Научно-технический вестник Поволжья. – 2023. – № 10. – С. 55-57. – EDN AMZKBW.

[7] Юсупова Р. И., Зарипова Р. С., Нуриев М. Г. Влияние искусственного интеллекта на формирование новых компетенций и конкурентных преимуществ будущих специалистов // Казанская наука. 2025. № 2. С. 201-203. EDN BQNPGY.

[8] Kanimozhi V., Jacob T. P. Artificial Intelligence based Network Intrusion Detection with hyper-parameter optimization tuning on the realistic cyber dataset CSE-CIC-IDS2018 using cloud computing. ICT Express, vol. 5, issue 3, 2019, pp. 211-214.

[9] Ring M., Wunderlich S. et al. Computers & Security, vol. 86, 2019, pp. 147-167.

[10] Sarker I. H., Furhad M.H., Nowrozy R. AI-Driven Cybersecurity: An Overview, Security Intelligence Modeling and Research Directions. SN Computer Science, vol.2, issue 3, 2021, article no:173.

[11] Sharafaldin I., Lashkari A.H., Ghorbani Ali A. Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization. In Proc. of the 4th International Conference on Information Systtms Security and Privacy (ICISSP), 2018, pp. 108-116.