Статистический анализ данных поведения сетевого трафика при DDoS-атаках
DOI:
https://doi.org/10.17072/1993-0550-2026-2-112-129Ключевые слова:
статистический анализ, DDoS, критерий Колмогорова–Смирнова, распределение Максвелла–Больцмана, распределение Лапласа, анаморфозаАннотация
Из-за прошедшего этапа информатизации общества в последнее время участились случаи атак злоумышленников, которые воруют данные и перегружают сеть. Цель работы состоит в том, чтобы исследовать статистические особенности DDoS-трафика, оценить устойчивость точечных оценок и проверить соответствие данных известным распределениям. Построение гистограммы и эмпирической функции распределения; разбиение выборки на пять случайных подвыборок ( от объема); расчет точечных оценок (медиана, среднее, дисперсия, СКО); построение -ных доверительных интервалов для математического ожидания и дисперсии; вычисление усеченного среднего; проверка гипотезы о симметрии с использованием коэффициента асимметрии; применение критерия Колмогорова–Смирнова и графического метода анаморфоз с оценкой соответствия по коэффициенту детерминации для трех распределений: логнормального, Максвелла–Больцмана и Лапласа. В результате анализа была выявлена ярко выраженная правосторонняя асимметрия и тяжелый "хвост". Выборочное среднее оказалось заметно смещено вправо по сравнению с медианой и усеченным средним, что типично для подобной структуры распределения. Все три рассмотренные параметрические модели (логнормальное, Максвелла–Больцмана и Лапласа) были отвергнуты на уровне значимости , несмотря на то, что распределение Лапласа формально продемонстрировало наивысшее качество соответствия. В ходе исследования подтверждено, что DDoS-трафик обладает сложной структурой, которая не описывается классическими параметрическими моделями. Полученные результаты обосновывают необходимость применения сложных и непараметрических подходов при предобработке данных и разработке систем обнаружения вредоносного трафика.Библиографические ссылки
Кодацкий Н. М., Муратов И. А. Решения в кибербезопасности // StudNet. 2022. № 1. URL: https://cyberleninka.ru/article/n/resheniya-v-kiberbezopasnosti (дата обращения: 10.22.2025).
Крыгин Н. Д. DDoS-атаки и защиты от них // Столыпинский вестник. 2022. № 4. URL: https://cyberleninka.ru/article/n/ddos-ataki-i-zaschity-ot-nih (дата обращения: 10.22.2025).
Nour Moustafa // The Bot-IoT dataset from IEEE-DataPort. URL: https://dx.doi.org/10.21227/r7v2-x988 (дата обращения: 10.22.2025).
The CAIDA UCSD "DDoS Attack 2007" Dataset. URL: https://www.caida.org/catalog/datasets/ddos-20070804_dataset/ (дата обращения: 27.01.2026).
Cloudflare Radar. URL: https://radar.cloudflare.com/?dateRange=7d (дата обращения: 27.01.2026).
Коновалова М. Е., Жиронкин С. А., Сагдеев Р. Р. Особенности формирования инвестиционного портфеля розничных инвесторов // Вестник РГЭУ (РИНХ). 2024. № 2.
Дьячкова О. Н., Михайлов А. Е. Опыт применения эмпирических функций распределения для описания градостроительной деятельности (на примере Санкт-Петербурга) // Экология урбанизированных территорий. 2023. № 2.
Mokhtar S. f., Yusof Z. Md, Sapiri H. Confidence Interval Estimating the Mean of Normal Distribution and Skewed Distribution // Malaysian Journal of Fundamental and Applied Sciences. 2024. Vol. 20(5). P. 1124−1135. URL: https://www.researchgate.net/publication/384959202_Confidence_Interval_Estimating_the_Mean_of_Normal_Distribution_and_Skewed_Distribution (дата обращения: 10.22.2025).
Галалу В. Г., Киракосян С. А., Аль-Карави Х. Ш. М., Турулин И. И. Сравнительная оценка методов усреднений для фильтрации измерительных сигналов // Известия ЮФУ. Технические науки. 2023. № 2 (232). URL: https://cyberleninka.ru/article/n/sravnitelnaya-otsenka-metodov-usredneniy-dlya-filtratsii-izmeritelnyh-signalov (дата обращения: 10.22.2025).
Буре В. М. Теория вероятностей и вероятностные модели: учебник. В. М. Буре, Е. М. Парилина, А. А. Седаков. Санкт-Петербург: Лань, 2020. 296 с. ISBN 978-5-8114-3168-7. URL: https://e.lanbook.com/book/108328 (дата обращения: 10.22.2025).
Тарханова А. М., Шулдикова Н. С. Компьютерное моделирование процесса установления распределения молекул по энергиям // МНКО. 2023. № 2 (99). URL: https://cyberleninka.ru/article/n/kompyuternoe-modelirovanie-protsessa-ustanovleniya-raspredeleniya-molekul-po-energiyam (дата обращения: 10.22.2025).
Chattamvelli R., ShanmugamR. Laplace Distribution. In: Continuous Distributions in En-gineering and the Applied Sciences. Part II. Synthesis Lectures on Mathematics & Statis-tics. Springer, Cham. URL: https://doi.org/10.1007/978-3-031-02435-1_4 P. 189–199 (да-та обращения: 10.22.2025).
Воробьёв Р. И., Брагин А. С. Исследование статистических критериев проверки гипотез для целей определения местоположения // Экономика и качество систем связи. 2022. № 3 (25). URL: https://cyberleninka.ru/article/n/issledovanie-statisticheskih-kriteriev-proverki-gipotez-dlya-tseley-opredeleniya-mestopolozheniya (дата обращения: 10.22.2025).
Шукуров И. А. Парная регрессия и корреляция // Universum: технические науки. 2021. № 5–1 (86). URL: https://cyberleninka.ru/article/n/parnaya-regressiya-i-korrelyatsiya (дата обращения: 10.22.2025).
Кочергин С. В., Артемова С. В., Бакаев А. А., Митяков Е. С., Вегера Ж. Г., Максимо-ва Е. А. Кибербезопасность смарт-сетей: сравнение подходов машинного обучения для обнаружения аномалий // Russian Technological Journal. 2024. Т. 12(6). С. 7–19. URL: https://doi.org/10.32362/2500-316X-2024-12-6-7-19 (дата обращения: 10.22.2025).
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Алексей Леонидович Шкерин, Дмитрий Иванович Понаётов, Фёдор Владимирович Пискун
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Публикация статьи в журнале осуществляется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
