ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ЦИФРОВЫХ СЛЕДОВ КРИПТОГРАФИЧЕСКОЙ АКТИВНОСТИ ДЛЯ ВЫЯВЛЕНИЯ ВНУТРЕННИХ УГРОЗ В ИНФОРМАЦИОННЫХ СИСТЕМАХ УНИВЕРСИТЕТА
DOI:
https://doi.org/10.52167/1609-1817-2026-142-1-242-254Ключевые слова:
информационная безопасность, анализ поведения пользователей (UEBA), электронная цифровая подпись (ЭЦП), интеллектуальный анализ данных, энтропия, BYOD, внутренние угрозыАннотация
В условиях активной цифровизации системы высшего образования и внедрения моделей Smart Campus в университетах, в частности в Ресупублике Казахстан и Украине, информационные системы вузов все чаще становятся объектом повышенного риска компрометации данных. В том числе угрозу представляют внутренние нарушители и несанкционированное использование учетных записей студентов, в том числе с применением электронной цифровой подписи (ЭЦП). Статья посвящена разработке метода обнаружения атипичного поведения пользователей на основе интеллектуального анализа цифровых следов (ЦС). В качестве источника данных выступают логи использования ключевой инфраструктуры и метаданные сетевого трафика личных устройств студентов в рамках политики BYOD. В исследовании применен алгоритм машинного обучения без учителя Isolation Forest для классификации временных рядов активности ЭЦП, а также энтропийный анализ по Шеннону для выявления скрытого трафика, как-то Tor, криптоконтейнеры без дешифрования полезной нагрузки. С использованием вектор Шепли проведена оценка значимости цифровых следов. Результаты экспериментов подтвердили эффективность предложенной модели в выявлении скомпрометированных сессий на фоне легитимной образовательной активности в рассмотренных вузах. Предложенная модель позволит в итоге повысить уровень информационной безопасности академической среды, оптимизируя вычислительную нагрузку на системы мониторинга информационной безопасности вуза.
Библиографические ссылки
Muhamad, W., Kurniawan, N. B., & Yazid, S. (2017, October). Smart campus features, technologies, and applications: A systematic literature review. In 2017 International conference on information technology systems and innovation (ICITSI) (pp. 384-391). IEEE.
Polin, K., Yigitcanlar, T., Limb, M., & Washington, T. (2023). The making of smart campus: A review and conceptual framework. Buildings, 13(4), 891.
Greitzer, F. L., & Frincke, D. A. (2010). Combining traditional cyber security audit data with psychosocial data: towards predictive modeling for insider threat mitigation. In Insider threats in cyber security (pp. 85-113). Boston, MA: Springer US.
Eberleand, W., & Holder, L. (2009). Insider threat detection using graph-based approaches. In Proceedings of the Cybersecurity Applications and Technology Conference for Homeland Security (pp. 237-241).
Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008, December). Isolation forest. In 2008 eighth ieee international conference on data mining (pp. 413-422). IEEE.
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), 1-58.
Shannon, C. E. (1948). A mathematical theory of communication. The Bell system technical journal, 27(3), 379-423.
Feghhi, S., & Leith, D. J. (2016). A web traffic analysis attack using only timing information. IEEE Transactions on Information Forensics and Security, 11(8), 1747-1759.
Miller B., Voas J., Hurlburt G. BYOD: Security and privacy considerations // IT Professional. 2012. Vol. 14(5). P. 53–55.
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
Sommer, R., & Paxson, V. (2010, May). Outside the closed world: On using machine learning for network intrusion detection. In 2010 IEEE symposium on security and privacy (pp. 305-316). IEEE.
Tuor, A., Kaplan, S., Hutchinson, B., Nichols, N., & Robinson, S. (2017, February). Deep learning for unsupervised insider threat detection in structured cybersecurity data streams. In AAAI Workshops (pp. 224-231).
Lakhno, V., Kurbaiyazov, N., Lakhno, M., Kryvoruchko, O., Desiatko, A., Tsiutsiura, S., & Tsiutsiura, M. (2024). Analysis of digital footprints associated with cybersecurity behavior patterns of users of University Information and Education Systems. International Journal of Electronics and Telecommunications, 673-682.
Vilar, M. J. B., Aspuria, A. A., Garcia, J. I. G., Bautista, L. J. M., Donato, L. E. F., Villaluz, A. C., & Intal, G. L. (2024, August). Digital footprints among university students: patterns & privacy implications. In 2024 14th International Conference on Software Technology and Engineering (ICSTE) (pp. 109-116). IEEE.
Lakhno, V., Lakhno, M., Makulov, K., Kryvoruchko, O., Desiatko, A., Chubaievskyi, V., ... & Kabylbekova, V. (2024). Electronic footprint analysis and cluster analysis techniques for information security risk research of university digital systems. International Journal of Electronics and Telecommunications, 70.
Muhammad, S. S., Dey, B. L., Bala, H., Alwi, S. F. S., & Asaad, Y. (2024). A typology and model of privacy-and security-concerned users’ attitudes toward digital footprints and the consequent influence on their social media adaptation. Journal of the Association for Information Systems, 25(5), 1240-1273.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Бауыржан Тынымбаев, Берик Ахметов, А. Коваленко, Бахытжан Ахметов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
