Система інтелектуального аналізу трафіку в мережах мобільного зв’язку

Abstract

У кваліфікаційній роботі досліджувалися процеси аналізу, обробки та контролю трафіку в сучасних мобільних мережах поколінь 4G та 5G. Мета дослідження полягала у розробці та експериментальній валідації системи інтелектуального аналізу для ефективного виявлення аномалій у мережах 5G/IoT. В якості методів дослідження використовувалося створення програмного прототипу на базі Python та TensorFlow, а також застосування архітектурних рішень і алгоритмів машинного навчання для ідентифікації мережевих відхилень. Результати роботи показали ефективність впровадження дворівневої логіки на основі Автоенкодера, що дозволяє ідентифікувати загрози (зокрема DDoS-атаки та атаки «нульового дня») навіть у зашифрованому трафіку, базуючись на аналізі помилки відновлення даних. Новизна дослідження полягає у поєднанні статистичних ознак трафіку з нейромережевими методами аналізу для підвищення точності детекції в умовах високої динаміки мобільних мереж. Практичне значення отриманих результатів полягає у можливості їх інтеграції в системи моніторингу телекомунікаційних операторів, а також у використанні при викладанні дисциплін з кібербезпеки та мереж нового покоління.The thesis examined the processes of traffic analysis, processing, and control in modern 4G and 5G mobile networks. The aim of the study was to develop and experimentally validate an intelligent analysis system for the effective detection of anomalies in 5G/IoT networks. The research methods used included the creation of a software prototype based on Python and TensorFlow, as well as the application of architectural solutions and machine learning algorithms to identify network deviations. The results of the work showed the effectiveness of implementing a two-level logic based on Autoencoder, which allows identifying threats (in particular, DDoS attacks and zero-day attacks) even in encrypted traffic, based on the analysis of data recovery errors. The novelty of the research lies in combining statistical traffic features with neural network analysis methods to improve detection accuracy in highly dynamic mobile networks. The practical significance of the results lies in the possibility of integrating them into the monitoring systems of telecommunications operators, as well as in their use in teaching cybersecurity and next-generation networks.