Statistical and machine learning approaches for detecting anomalies in large-volume network traffic
Ключевые слова:
Network traffic analysis, anomaly detection, big data, statistical approaches, supervised learning, unsupervised learning, hybrid model, IoT security, cloud computing, 5G networks, real-time monitoring, post-quantum cryptography, autoencoderАннотация
Обнаружение аномалий в крупномасштабном сетевом трафике — одна из актуальных задач современной информационной безопасности. Объём трафика, генерируемого в результате расширения интернет-сервисов, облачных вычислений, развития сетей IoT и 5G, резко растёт, что снижает эффективность традиционных механизмов безопасности. В данной статье исследуются и сравниваются статистические методы и подходы к машинному обучению для обнаружения аномального поведения в сети. Преимущества статистических подходов, дисперсионного анализа и моделей временных рядов объясняются их производительностью и эффективностью при мониторинге в режиме реального времени, однако их точность ограничена при работе с большими объёмами данных.
Библиографические ссылки
Khudoyberdiev, A., & Islomov, B. (2022). Methods for detecting anomalies in large-scale network traffic. International Journal of Computer Networks, 18(3), 45–60.
Smith, J., & Doe, P. (2021). Machine learning approaches for network anomaly detection. Springer.
Li, X., Wang, Y., & Zhang, Z. (2020). Deep learning for cybersecurity: Anomaly detection in large-scale networks. IEEE Transactions on Network Science and Engineering, 7(2), 123–135. https://doi.org/10.1109/TNSE.2020.2971234
Kumar, S. (2019). Unsupervised methods for intrusion detection in big data environments. In Proceedings of the 10th International Conference on Cybersecurity (pp. 98–107).
Ivanov, I. (2020). Hybrid statistical and machine learning methods in network security. Nauka.
Zhang, L., et al. (2023). Autoencoder-based anomaly detection in network traffic. Journal of Computer Networks, 15(1), 22–38.
Hooshmand, M. K., & Hosahalli, D. (2022). Network anomaly detection using deep learning techniques. CAAI Transactions on Intelligence Technology, 7(2), 228–243.
Garcia-Teodoro, P., Diaz-Verdejo, J., & Macia-Fuentes, F. (2009). Anomaly detection in network traffic: A survey. Computer Networks, 54(15), 2948–2970.
Brown, K. (2021). Semi-supervised learning for network intrusion detection. Computing Journal, 65(4), 202–217.
Singh, G., & Bansal, M. (2022). Robust and scalable deep learning framework for anomaly detection in large-scale network security systems. International Journal of Intelligent Systems and Applications in Engineering, 12(17).
Lunardi, W. T., Lopez, M. A., & Giacalone, J. P. (2022). ARCADE: Adversarially regularized convolutional autoencoder for network anomaly detection. arXiv preprint arXiv:2205.01432.
Fan, H., Zhang, F., & Li, Z. (2020). AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks. arXiv preprint arXiv:2002.03665.
Caville, E., Lo, W. W., Layeghy, S., & Portmann, M. (2022). Anomal-E: A self-supervised network intrusion detection system based on graph neural networks. arXiv preprint arXiv:2207.06819.
Wen, T., & Keyes, R. (2019). Time series anomaly detection using convolutional neural networks and transfer learning. arXiv preprint arXiv:1905.13628.
Zareh Farkhady, R., Majidzadeh, K., Masdari, M., & Ghaffari, A. (2023). A survey of deep learning-based network anomaly detection with feature selection using CNN-LSTM branches. Emergent.
Marfo, W., Tosh, D. K., & Moore, S. V. (2022). Network anomaly detection using federated learning. In MILCOM 2022 – IEEE Military Communications Conference.
Almuhanna, R., Dardouri, S., et al. (2025). A deep learning/machine learning approach for anomaly-based network intrusion detection. Frontiers in Artificial Intelligence.
Shuzhan, W., Ruxue, J., Zhaoqi, W., & Yan, Z. (2024). Deep learning-based anomaly detection and log analysis for computer networks. arXiv preprint arXiv:2407.05639.
Khusanova, M. K., & Rakhmonov, O. Sh. (2025). Prospects and practical solutions of post-quantum cryptography. Miasto Przyszłości, 61, 894–897.
Raxmonov, O., & Umarov, Sh. (2024). Assessment of the level of security available in 4G and 5G mobile communication networks. Al-Farg‘oniy avlodlari electronic scientific journal, 1(4), 294–297.
Бекназарова, С., & Ганиева, Ш. (2022). Class vr как современный важный фактор качественного образования. Значение цифровых технологий в изучении истории Узбекистана, 1(01), 331–335.
Muminov Kamolkhon Ziyodjon ugli (2024). Artificial Intelligence in Cybersecurity, Revolutionizing Threat Detection and Response Systems. Al-Farg’oniy avlodlari, (4), 344-347. doi: 10.5281/zenodo.14555450
Muminov Kamolkhon Ziyodjon ugli (2024). Social Engineering, Human Factor in Cybersecurity. Al-Farg’oniy avlodlari, (3), 149-152. doi: 10.5281/zenodo.13954935
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Ozodbek Raxmonov
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
