ВЕБ-СЕРВЕРЛЕРДИН ТРАФИГИНДЕГИ АНОМАЛИЯЛАРДЫ АНЫКТОО ҮЧҮН МАШИННЫК ОКУТУУНУ КОЛДОНУУ

Авторлор

  • Кубатбек Абдумиталип уулу Ош мамлекеттик университети
  • Гулбайра Омаралиева Ош мамлекеттик университети
  • Акмарал Исакова Ош мамлекеттик университети
  • Ыкыбал Замирбек кызы Ош мамлекеттик университети

DOI:

https://doi.org/10.52754/16948610_2026_2_24

Ачкыч сөздөр:

аномалияны аныктоо, веб-трафик, HTTP, машиналык окутуу, изоляция токою

Аннотация

Маанилүүлүк. Бул макалада веб-сервер трафигиндеги аномалияларды машиналык үйрөнүү алгоритмдерине жана тиркеме деңгээлиндеги журналдарга (HTTP) негизделген аныктоо методологиясын иштеп чыгуу жана кайталап сыноо баяндалат. Практикага багытталган түтүк сунушталат: веб-сервер жана IDS окуяларын чогултуу, нормалдаштыруу жана байытуу, функцияларды түзүү (структуралык, мазмундук, энтропия, жүрүм-турумдук), көзөмөлсүз ансамблдик окутуу (изоляция токою, бир класстагы SVM) жана терең автокодерлер (LSTM варианттарын кошо алганда) аныкталган четтөөлөрдү кийинчерээк түшүндүрүү менен. Демонстрациялык жыйынтыктар жалпыга жеткиликтүү маалымат топтомдорунда (HTTP суроо-талаптары үчүн CSIC-2010, тармактык агымдары үчүн CIC-IDS2017/CSE-CIC-IDS2018) жана университеттин веб схемасынын жүктөө профилдерин симуляциялаган синтетикалык журналдарда көрсөтүлгөн; Сандык сапат метрикалары (AUROC/AUPRC, F1@FPR≤1%), иштин натыйжалуулугун баалоо жана Ош мамлекеттик университетинин маалымат борборунун инфраструктурасында ишке ашыруу боюнча сунуштар берилген. Этика боюнча эскертүү: Бул макала кайталап протокол жана демонстрациялык баалоону берет; бул басылмада биз жеке өндүрүш журналдарын иштеттик деп ырастабайбыз.

Библиографиялык шилтемелер

Зуев, В.Н. (2021). Обнаружение аномалий сетевого трафика методом глубокого обучения. Программные продукты и системы, 34(1), 91–97. https://doi.org/10.15827/0236-235X.133.091-097 DOI: https://doi.org/10.15827/0236-235X.133.091-097

Омаралиев, А.Ч., Карабаев, С.Э., Омаралиева, Г.А., Данг, В. (2025). Методология тестирования безопасности веб-приложений на Django с акцентом на выявление уязвимостей бизнес-логики. Вестник Ошского государственного университета, (4), 199–211. https://doi.org/10.52754/16948610_2025_4_14 DOI: https://doi.org/10.52754/16948610_2025_4_14

Омаралиев, А. Ч., Омаралиева, Г. А., Абдималик уулу, К. (2025). Кыргызстандын жогорку окуу жайларынын өзүндөй информациалык системаларын интеграциялоо мүмкүнчүлүктөрү билим берүү процессиңде. Жамын жарчысы, 2025(4).

Benova, L., & Hudec, L. (2024). Comprehensive analysis and evaluation of anomalous user activity in web server logs. Sensors, 24(3), Article 746. https://doi.org/10.3390/s24030746 DOI: https://doi.org/10.3390/s24030746

Boukhamla, A., & Coronel Gaviro, J. (2021). CICIDS2017 dataset: Performance improvements and validation as a robust intrusion detection system testbed. International Journal of Information and Computer Security, 16(1/2), 20–32. https://doi.org/10.1504/IJICS.2021.117392 DOI: https://doi.org/10.1504/IJICS.2021.117392

Canadian Institute for Cybersecurity. (2017). Intrusion detection evaluation dataset (CIC-IDS2017) [Data set]. University of New Brunswick. https://www.unb.ca/cic/datasets/ids-2017.html

Chua, W., Pajas, A. L. D., Castro, C. S., Panganiban, S. P., Pasuquin, A. J., Purganan, M. J., Malupeng, R., Pingad, D. J., Orolfo, J. P., & Lua, H. H. (2024). Web traffic anomaly detection using isolation forest. Informatics, 11(4), Article 83. https://doi.org/10.3390/informatics11040083 DOI: https://doi.org/10.3390/informatics11040083

IMPACT Cyber Trust. (2010). HTTP dataset CSIC 2010 [Data set]. https://www.impactcybertrust.org/dataset_view?idDataset=940

Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM) (pp. 413–422). IEEE. https://doi.org/10.1109/ICDM.2008.17 DOI: https://doi.org/10.1109/ICDM.2008.17

Moradi Vartouni, A., Teshnehlab, M., & Sedighian Kashi, S. (2019). Leveraging deep neural networks for anomaly-based web application firewall. IET Information Security, 13(4), 352–361. https://doi.org/10.1049/iet-ifs.2018.5404 DOI: https://doi.org/10.1049/iet-ifs.2018.5404

Schölkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., & Williamson, R. C. (2000). Support vector method for novelty detection. In Advances in neural information processing systems (Vol. 12, pp. 582–588). https://alex.smola.org/papers.html

Smolen, T., & Benova, L. (2023). Comparing autoencoder and isolation forest in network anomaly detection. In Proceedings of the 33rd Conference of Open Innovations Association (FRUCT). IEEE. https://doi.org/10.23919/FRUCT58615.2023.10143005 DOI: https://doi.org/10.23919/FRUCT58615.2023.10143005

Torrano-Gimenez, C., Perez-Villegas, A., & Alvarez, G. (2010). An anomaly-based approach for intrusion detection in web traffic. Journal of Information Assurance and Security, 5(4), 446–454.

Xu, H., Pang, G., Wang, Y., & Wang, Y. (2022). Deep isolation forest for anomaly detection (arXiv preprint arXiv:2206.06602). arXiv. https://arxiv.org/abs/2206.06602

Жүктөөлөр

Жарыяланды

2026-06-30

Кандай шилтеме берүү керек

Абдумиталип уулу , К., Омаралиева , Г., Исакова , А., & Замирбек кызы , Ы. (2026). ВЕБ-СЕРВЕРЛЕРДИН ТРАФИГИНДЕГИ АНОМАЛИЯЛАРДЫ АНЫКТОО ҮЧҮН МАШИННЫК ОКУТУУНУ КОЛДОНУУ. Ош мамлекеттик университетинин Жарчысы, (2), 327–340. https://doi.org/10.52754/16948610_2026_2_24

Саны (чыгарылыш)

№ 2 (2026): Ош мамлекеттик университетинин Жарчысы

Бөлүм

ИНФОРМАТИКА

Лицензия

Copyright (c) 2026 Кубатбек Абдумиталип уулу , Гулбайра Омаралиева , Акмарал Исакова , Ыкыбал Замирбек кызы

Лицензия Creative Commons

Бул эмгек Creative Commons лицензиясы менен жеткиликтүү «Attribution-NonCommercial» («Атрибуция — Коммерциялык эмес максатта колдонуу») 4.0 Жалпы дүйнөлүк.

Бул автор(лор)дун эң көп окулган макалалары