Аналіз сучасних методів виявлення та усунення аномалій в інфокуманікаційних мережах в умовах високого навантаження
DOI: 10.31673/2412-9070.2025.046209
Анотація
У статтi здійснюється комплексний аналіз сучасних методів виявлення та усунення аномалій в інфокомунікаційних мережах, з урахуванням актуальних проблем, по в’язаних із динамічним масштабуванням трафіку, високою інтенсивністю передавання даних та необхідністю забезпечення стійкої роботи мережної інфраструктури в режимі реального часу. Постійне зростання навантаження на інфокомунікаційні системи, через активне використання потокового відео, хмарних обчислень та мобільних сервісів, призводить до збільшення частоти появи аномальних подій. Такі події можуть спричинити втрату пакетів, підвищення затримок або повну втрату зв’язку. Це актуалізує потребу у впровадженні високоефективних систем виявлення порушень, здатних адаптуватися до змін у мережному середовищі. У традиційних підходах часто використовуються фіксовані порогові значення, сигнатури або евристичні правила, що істотно обмежує їх ефективність у динамічних умовах. Такі системи не здатні оперативно реагувати на невідомі загрози або аномальні патерни трафіку, що не були передбачені на етапі налаштування. У роботі розглянуто широкий спектр сучасних методів: від класичних статистичних моделей до алгоритмів машинного навчання. Зокрема, акцент зроблено на методах кластеризації, байєсівських мережах, деревоподібних моделях Decision Tree та Random Forest, а також підходах на основі часових рядів ARIMA та LSTM. Оцінка методів проводиться з позицій відповідності сучасним вимогам: здатності до масштабування, роботи в реальному часі, інтеграції з системами автоматичного управління та мінімізації помилкових спрацьовувань. У процесі аналізу виявлено, що більшість існуючих рішень демонструють недостатню здатність до генералізації, високу чутливість до налаштувань і складність адаптації до змін ного навантаження.
Обґрунтувано перспективу використання гібридних систем, що комбінують кілька різних методів, включаючи Autoencoders, GANs, VAE та алгоритми Isolation Forest. Такий підхід дозволяє суттєво підвищити адаптивність і точність виявлення аномалій навіть у складних і непередбачуваних умовах. Результати роботи є практично значущими для подальшої розробки інтелектуальних систем моніторингу трафіку, що враховують описані проблеми в умовах критичного навантаження.
Ключові слова: інфокомунікаційні мережі; аномалії; адаптивність; прогнозування; масштабованість; навантаження; патерни; машинне навчання; аналіз трафіку; гібридні моделі.
