Реєстраційний номер
0826U004826, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
25-08-2026
Статус
Захищена
Назва роботи
Застосування машинного навчання для виявлення та дослідження загроз в комп’ютерних мережах.
Здобувач
Карпюк Роман Валентинович,
Керівник Венгерський Петро Сергійович
Опонент Корченко Олександр Григорович
Опонент Гільгурт Сергій Якович
Рецензент Пелешко Дмитро Дмитрович
Рецензент Павлишенко Богдан Михайлович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Львівський національний університет імені Івана Франка
Опис
У дисертаційній роботі розв’язано актуальне наукове завдання підвищення ефективності функціонування центрів протидії кіберзагрозам (CSOC) шляхом розроблення методу формування кореляційних правил у системах SIEM на основі машинного навчання. На відміну від наявних підходів, метод застосовується не до низькорівневих журналів подій і не для покращення окремого засобу захисту, а як аналітична надбудова над готовими спрацюваннями різнорідних контролів кібербезпеки: систем виявлення вторгнень, засобів захисту кінцевих точок, підсистем автентифікації, поштового та мережевого моніторингу, служб каталогів. Проаналізовано сучасний стан систем виявлення аномалій і показано, що доступні на ринку рішення обмежені доменом конкретного виробника, закриті для модифікації та коштовні у володінні. Обґрунтовано архітектурні підходи до побудови системи моніторингу подій кібербезпеки, збирання телеметрії з кінцевих пристроїв, її агрегації та кореляції; сформовано перелік параметрів, придатних для виявлення аномалій; запропоновано методику експертного оцінювання ефективності архітектурного підходу. Здійснено класифікацію алгоритмів пошуку аномалій та обґрунтовано вибір DensityFunction як базового. Розроблено п’ятиетапний метод: постановка задачі та збирання початкової статистики; відокремлення штатного «шуму» з опрацюванням винятків; розрахунок додаткових корисних параметрів, зокрема грануляризації за часовими мітками; навчання базового алгоритму на очищеній вибірці; застосування навченої моделі до нових даних. Як компенсуючий контроль на випадок неспрацювання окремого кореляційного правила запропоновано механізм risk-based alerting. Розроблене програмне забезпечення впроваджено та функціонує на реальних даних у центрі протидії кіберзагрозам компанії SoftServe Inc., а також використовується в навчальному процесі Львівського національного університету імені Івана Франка. Результати впровадження підтверджують зниження кількості хибно-позитивних спрацювань і керованість показників часу на тріаж (TTT) та часу на закриття інцидентів (TTC). Ключові слова: аномалія, ризик, хибно-позитивні спрацювання, машинне навчання, функція густини, CSOC, SIEM, кореляційні правила, модель даних, додаткові корисні параметри.
Дата реєстрації
2026-08-24
Додано/оновлено в НРАТ
2026-08-24 / 2026-08-30
