СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ ПОИСКА УЯЗВИМОСТЕЙ СЕТЕЙ

Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 35 Шамшиева Барно Холимтаева Икбола Муминова Сунбула Учителя ТУИТ имени Мухаммада ал-Хоразмий Аннотация: В данной статье рассматривается эффективность алгоритмов обнаружения уязвимостей в сетях, их преимущества и недостатки, а также применение в практических инструментах (Snort, Suricata, Zeek). Исследование охватывает сигнатурные, аномальные, кластерные, алгоритмы машинного обучения (supervised и unsupervised), а также алгоритмы глубокого обучения. Результаты показывают, что гибридные подходы и методы машинного обучения обеспечивают наилучшее обнаружение угроз в реальном времени. Ключевые слова: безопасность сети, обнаружение уязвимостей, IDS/IPS, сигнатурный алгоритм, аномалия, кластеризация, supervised ML, unsupervised ML, глубокое обучение, Snort, Suricata, Zeek, гибридная система. Abstract: This article examines the effectiveness of network vulnerability detection algorithms, their advantages and disadvantages, and their application in practical tools (Snort, Suricata, Zeek). The study covers signature-based, anomalybased, cluster-based, machine learning algorithms (supervised and unsupervised), and deep learning algorithms. The results demonstrate that hybrid and machine learning approaches provide the best real-time threat detection. Keywords: network security, vulnerability detection, IDS/IPS, signaturebased algorithm, anomaly, clustering, supervised ML, unsupervised ML, deep learning, Snort, Suricata, Zeek, hybrid system. СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ ПОИСКА УЯЗВИМОСТЕЙ СЕТЕЙ Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 36 Annotatsiya: Ushbu maqolada tarmoq zaifliklarini aniqlash algoritmlarining samaradorligi, ularning afzalliklari va kamchiliklari hamda amaliy vositalarda (Snort, Suricata, Zeek) qo'llanilishi o'rganiladi. Tadqiqot imzoga asoslangan, anomaliyaga asoslangan, klasterga asoslangan, mashinani o'rganish algoritmlari (nazorat ostidagi va nazoratsiz) va chuqur o'rganish algoritmlarini qamrab oladi. Natijalar shuni ko'rsatadiki, gibrid va mashinani o'rganish yondashuvlari eng yaxshi real vaqt rejimida tahdidlarni aniqlashni ta'minlaydi. Kalit so'zlar: tarmoq xavfsizligi, zaifliklarni aniqlash, IDS/IPS, imzoga asoslangan algoritm, anomaliya, klasterlash, nazorat ostidagi ML, nazoratsiz ML, chuqur o'rganish, Snort, Suricata, Zeek, gibrid tizim. ВВЕДЕНИЕ Сетевые инфраструктуры стали ключевым компонентом информационного обмена и бизнес-процессов. С увеличением количества и сложности атак возрастает необходимость в эффективных алгоритмах обнаружения уязвимостей. Эффективный выбор алгоритмов и их внедрение в практические системы критично для защиты сетей. ОСНОВНАЯ ЧАСТЬ Алгоритмы обнаружения уязвимостей в сетях— это упорядоченный набор шагов и правил, используемых для автоматического поиска, классификации и оценки недостатков безопасности и слабых мест в компьютерной сети [1]. 1-таблица. Обзор методов разведки и тестирования безопасности № Метод Инструмент программирования Инструме нты Основная задача 1 Сканирован ие портов Отправка TCP/SYN пакетов на порты. Nmap, Masscan Обнаружени е открытых Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 37 № Метод Инструмент программирования Инструме нты Основная задача Анализ ответов: открыт/закрыт/фильт руется портов 2 Определени е служб Анализ баннеров и отпечатков пакетов. Идентификация по ответам служб Nmap, Amap Определение служб и версий 3 Сканирован ие уязвимосте й Сравнение с сигнатурами, проверка конфигурации, тестирование на соответствие стандартам Nessus, OpenVAS, Qualys Поиск известных уязвимостей 4 Анализ трафика Перехват и глубокий анализ пакетов. Поиск аномальной активности Wireshark, tcpdump Выявление подозритель ной активности 5 Фаззтестирован ие Отправка некорректных данных. Мониторинг реакции приложения OWASP ZAP, Burp Suite Поиск неизвестных уязвимостей Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 38 2-таблица. Программные инструменты сканирования уязвимостей Этап Описание Результат Определение целей Выбор сетей, систем или доменов для проверки Список целей для сканирования Сканирование портов Обнаружение открытых портов на целевых системах Карта открытых портов Идентификация служб Определение служб и их версий на открытых портах Инвентаризация служб Запрос к базе уязвимостей Поиск известных уязвимостей для обнаруженных служб Список потенциальных уязвимостей Проверка уязвимостей Активное тестирование на наличие уязвимостей Подтвержденные уязвимости Формирование отчета Создание отчета с найденными уязвимостями и рекомендациями Финальный отчет 3-таблица. Сравнение технологий безопасности [2] Параметр Обнаружение уязвимостей Обнаружение вторжений (IDS) Подход Проактивный Реактивный Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 39 Параметр Обнаружение уязвимостей Обнаружение вторжений (IDS) Когда работает До атаки Во время атаки Что обнаруживает Потенциальные слабые места Активные атаки Примеры Nessus, OpenVAS Snort, Suricata Результат Отчет об уязвимостях Предупреждения о атаках Научные работы по сравнительному анализу алгоритмов обнаружения сетевых уязвимостей: 1. К. Критикос, 2019— обзорная работа: анализ открытых инструментов и баз данных (CVE, NVD), их охвата и ограничений. 2. А. Кежу и соавторы — исследования, посвящённые сканерам в контексте беспроводных сетей (WLAN), сравнение точности и пропускной способности. 3. UPV (2018) — «Сравнительная оценка автоматизированных сканеров» — сопоставление инструментов по уровню ложных срабатываний (false positives) и пропусков (false negatives). 4. Э. МакМахон, 2018 — бенчмаркинг Nessus, OpenVAS в специфичных системах (например, CPS), оценка эффективности и охвата [2]. 5. Р. Араужу, 2023 и ряд выпускных работ — практическая оценка нескольких сетевых сканеров (OpenVAS, Nessus, Nexpose, Tsunami). Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 40 Рис.1. Глобальные тенденции Этот рисунок выполняет функцию инфографики, визуально демонстрируя ключевые глобальные тенденции на рынке систем сканирования уязвимостей за 2020–2024 годы и прогноз до 2030 года [3]. Рис.2. Доля рынка по регионам (2020–2025 гг.) Северная Америка и Азия‑Пасифик демонстрируют устойчивый рост, Европа — умеренный, СНГ и Центральная Азия — медленный рост. АНАЛИЗ И РЕЗУЛЬТАТЫ 3-таблица. Анализ алгоритмов обнаружения сетевых уязвимостей Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 41 № Алгоритм Описание Преимущес тва Недоста тки Возмож ность обнаружени я неизвес тных уязвимостей Примене -ние (инструмент) 1 Сигнатур ный Поиск множества шаблонов за один проход Очень быстрый, детерминир ованный Обнаруж ивает только известны е шаблоны Низкая Snort, Suricata 2 DPI / Stateful Protocol Parsing Глубокий анализ пакетов и сессий Контекстно е обнаружени е сложных атак Требует ресурсов, ограниче но при шифрова нном трафике Средняя Zeek, Suricata 3 Статистич еское обнаруже ние аномалий Определени е отклонений от нормального трафика Простое, быстрое, низкое потребление ресурсов Высокий false positive, требует настройк и Высокая Исследов ания, прототип ы Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 42 4 Кластериз ация (DBSCAN ) Группировк а трафика и выявление аномалий Обнаружен ие zero-day, визуализаци я Сложны й выбор параметр ов, нестабил ьность Высокая Исследов ания, офлайн анализ 5 Обучение с учителем (Random Forest, XGBoost, SVM) Классифика ция на основе размеченны х данных Высокая точность, интерпретир уемость Требуетс я размечен ный dataset Высокая Исследов ания, промышл енные прототип ы 6 Обучение без учителя (Isolation Forest, Autoencod er) Обнаружени е аномалий без меток Возможност ь zero-day Сложно объяснит ь, чувствит ельно к параметр ам Высокая Исследов ания, прототип ы, интеграц ия с Zeek 7 Deep Learning (CNN, LSTM, Transform er) Изучение последовате льностей трафика и признаков Обнаружен ие сложных паттернов, высокая точность Требует большие данные и ресурсы Высокая Промыш ленные внедрени я, исследов ания Vol..4, Issue 9 ISSN:23490012 I.F. 8.1 NOVEMBER 43 Рисунок 3. Использование алгоритмов и стран/компаний Сравнение методов и географического распространения технологий анализа сетевого трафика и обнаружения угроз. Схема демонстрирует эволюцию от традиционных методов к AI-технологиям и их глобальное распространение [5]. Рис. 4. Эффективность против угроз и неизвестная уязвимость