The article presents the development of an integrated mathematical model for forecasting network load and detecting cybersecurity anomalies, based on modern deep learning methods and the autoencoder architecture. The proposed approach combines neural network-based forecasting functionality with automated mechanisms for identifying deviations in network traffic behavior. At the initial stage, the model performs preprocessing of historical data using normalization and exponential smoothing, which allows for the effective extraction of current load patterns. Forecasting is carried out using a deep neural network optimized by gradient descent to minimize the mean squared error (MSE). An autoencoder is applied for anomaly detection, trained on normal data and employing the Euclidean norm of the difference between input and reconstructed signals to quantify the anomaly level. Anomaly boundaries are adaptively generated based on standard deviation and a sensitivity parameter, enhancing detection accuracy under dynamic network conditions. Additionally, the study introduces a model for assessing the criticality of network states by considering the proportion of anomalous values within the overall data stream. This allows for event classification by threat level and ensures timely system response. The integrated model operates as a multi-level self-learning system capable of not only forecasting the future network state but also detecting potentially dangerous conditions in real time. Practical implementation of the proposed approach achieves high forecasting accuracy (up to 95%) even in the presence of anomalies and significantly reduces false alarms. The relevance of this research is supported by current challenges related to digitalization, network scalability, and the growing need for security amid increasing complexity of IT infrastructures. The presented model is an effective tool for monitoring, analysis, and threat response in the context of NFV/SDN technologies, IoT, and cloud computing.

кіберзагроз. Метою дослідження є створення ефективних інтелектуальних методів виявлення аномалій і критичних ситуацій у кіберінформаційних системах на основі глибокого навчання. Актуальність роботи зумовлена потребою в системах, які здатні не лише ідентифікувати відхилення в мережевому трафіку, а й адаптуватися до динаміки середовища, знижувати кількість хибнопозитивних спрацювань і оперативно класифікувати рівень загрози. Основна мета полягає у підвищенні точності та гнучкості систем інформаційної безпеки за допомогою сучасних нейромережевих технологій. Методологія. Розроблено два комплементарних методи, що реалізуються в рамках єдиної архітектури. Перший – метод адаптивного визначення меж аномальності – ґрунтується на автоенкодері, який навчається реконструювати нормальну поведінку системи. Як індикатор аномалії використовується похибка реконструкції. Для прогнозування майбутніх станів системи застосовується багатошарова перцептронна мережа (MLP), що дає змогу формувати адаптивні межі на основі стандартного відхилення. Другий метод – визначення критичності ситуації – базується на аналізі частки аномалій у часовому вікні з наступною класифікацією рівня небезпеки (від 0 до 3). Обидва методи працюють у реальному часі, мають модулі самонавчання та забезпечують високий рівень масштабованості. Також передбачено обчислення порогів для реагування і реалізацію сценаріїв: від сповіщення до автоматичного блокування трафіку.Наукова новизна. Вперше розроблено комплексну систему виявлення аномалій, яка поєднує автоенкодер, прогнозну нейромережу MLP та механізми оцінки критичності. На відміну від класичних rule-based підходів, запропонована система не вимагає ручного налаштування порогів і здатна адаптуватися до змін у поведінці трафіку в режимі реального часу. Також вперше реалізовано автоматизовану класифікацію рівня загрози на основі щільності аномалій та контекстної інформації. Така система формує проактивну кібербезпеку, здатну не тільки реагувати на події, але й передбачати їх виникнення.Висновки. Запропоновані методи виявлення аномалій і оцінки критичності показали високу ефективність у виявленні як явних, так і прихованих відхилень у поведінці систем. Комплексна система забезпечує гнучке, адаптивне реагування на кіберзагрози, зменшує кількість хибнопозитивних спрацювань і підвищує загальний рівень кіберстійкості. Вона придатна для впровадження в критично важливих секторах, зокрема в телекомунікаціях, енергетиці, фінансах та охороні здоров’я. Завдяки можливості масштабування, система може бути адаптована до різних архітектур і рівнів навантаження, що робить її перспективною для подальшого розвитку та практичного застосування в умовах зростаючих кіберзагроз. Метод адаптивного визначення меж аномальності та метод оцінки критичності ситуації. Обидва методи базуються на застосуванні глибокого навчання, зокрема автоенкодера та багатошарової нейронної мережі (MLP), для реконструкції нормальної поведінки системи та прогнозування трафіку. Похибка реконструкції використовується як індикатор аномальності, а динамічні межі, що формуються з урахуванням стандартного відхилення, дозволяють адаптивно реагувати на зміни в поведінці системи. Метод оцінки критичності класифікує ситуації за...

В роботі проведено аналіз процесу ідентифікації та аналізу кіберзагроз вхідного трафіку в мережах 5G/IMT-2020, побудованих по технології Ultra-reliable and low latency communications, визначені його особливості та напрямки досліджень по підвищенню ефективності та моніторингу трафіку та аналізу кіберзагроз. Для вирішення завдання ідентифікації трафіку та аналізу кіберзагроз мережі 5G/IMT-2020 в роботі розроблена та подана відповідний методичний підхід. Вказаний методичний підхід включає формування масивів метаданих вхідного потоку корисних даних та даних кібератак, модифікацію їх в набір навчальних даних, формування навчального програмно-апаратного комплексу та розбудову структури нейронної мережі, проведення процесу навчання нейронної мережі та втілення її в процес ідентифікації трафіку та аналізу кіберзагроз в телекомунікаційних мережах 5G/IMT-2020. Оцінка результатів процесу навчання запропонованої нейронної мережі та перевірки її роботи на тестових наборах даних у навченому стані показала, що подана в роботі нейронна мережа здатна провести моніторинг та ідентифікувати згенерований від сервісів Інтернету Речей трафік з ймовірністю до 99,7%. В процесі моніторингу та ідентифікації трафіку від двох та більше сервісів дана ймовірність може знизитися, проте перебуває у допустимих межах 80-90%.

In this paper, we present an agent-based model of a controlled detonation system for dynamic sandbox analysis of suspicious software. Instead of treating the sandbox as a passive observer, the model places an AI operator inside the analysis loop and allows it to perform adaptive GUI interactions in a plausible, isolated execution environment. The controlled detonation process is formulated as a partially observable Markov decision process (POMDP), while the proposed proof-of-concept architecture combines initial profiling, VM preparation, multi-layer telemetry, and an RL policy with visual perception and temporal memory. Evaluation in a controlled emulation setting on 180 malware samples from three threat classes shows higher Activity Rates and Coverage, and shorter Time-to-Reveal than passive and fixed scripted baselines. These results support the feasibility of adaptive interactions as a promising direction for sandbox analysis, while broader external validation, matched comparisons with prior systems, and component-wise ablation remain future work.

У статті розроблено ризик-орієнтовану методику побудови системи безпеки об’єкта інформаційної діяльності для роботи з інформацією з обмеженим доступом. Методика узгоджує системний контур кіберзахисту з фізичним та інженерно-технічним контуром об’єкта, охоплює класифікацію інформації, визначення меж довіри, аналіз ризиків, формування цільового профілю, реалізацію контролів, підготовку доказової бази, незалежне оцінювання, авторизацію та безперервний контроль. Запропоновано аналітичні показники притаманного і залишкового ризику, зваженого покриття вимог, повноти доказів та інтегральної готовності. Показано, що кількісні оцінки мають застосовуватися разом із блокуючими критеріями та експертною перевіркою. Практичне застосування продемонстровано на умовному сценарії обробки службової інформації; наведено матрицю відповідальності RACI та річну послідовність упровадження. Наукова новизна полягає у формалізації наскрізного зв’язку «ризик — вимога — реалізація — доказ — рішення про авторизацію» для системного та фізичного контурів ОІД. Результати придатні для планування впровадження, внутрішнього аудиту й підготовки до незалежного оцінювання. Запропоновані формули мають методичний, а не нормативний статус.

У роботі запропоновано узагальнену інтелектуальну систему прогнозування та виявлення аномалій у кіберінфраструктурах. Метою дослідження є підвищення ефективності виявлення кіберзагроз шляхом інтеграції сучасних методів глибокого навчання (автоенкодерів і багатошарових перцептронів) з адаптивним механізмом аналізу критичності подій. Ключовою новацією є модуль семантичної атрибуції кіберінцидентів з XAI-поясненнями та інтегральним ризик-скорингом: він здійснює глибинний контент-аналіз трафіку, формує векторні представлення, співвідносить події з базою прецедентів і оцінює впевненість атрибуції, передаючи отриманий ризик-скор до модуля критичності. Запропонована система не лише ідентифікує аномальні події в реальному часі, а й прогнозує можливі відхилення на основі історичних даних, що посилює превентивні можливості. Архітектура побудована на модульних підсистемах збору телеметрії, реконструкції поведінки, прогнозування, агрегування аномалій, семантичної атрибуції й ризик-скорингу, оцінки критичності, реагування та самонавчання; взаємодія реалізована як наскрізний конвеєр обробки з контуром зворотного зв’язку. Рішення масштабоване та сумісне з SDN, IoT, хмарними середовищами і корпоративними SIEM/SOAR-платформами. Емпіричні випробування у симульованих сценаріях мережевих атак (DoS, сканування портів, brute-force, ботнет-активність) продемонстрували високі показники класифікації (F1 = 0.89), що підтверджує практичну ефективність і надійність підходу. Зроблені висновки підкреслюють перспективність впровадження системи в умовах зростання складності кіберзагроз і її здатність до адаптації без потреби повного перенавчання моделей.