Details

Тема выпускной квалификационной работы: «Защита сетевого трафика от угрозы идентификации пользовательских приложений». Целью работы является повышение устойчивости сетевого трафика к атакам на конфиденциальность, реализуемым через идентификацию пользовательских приложений с помощью нейронных сетей глубокого обучения. Предметом исследования является защита сетевого трафика от угрозы идентификации пользовательских приложений. Задачи, решаемые в ходе исследования: 1. Проанализировать современные исследования, посвященные угрозам нарушения конфиденциальности сетевого взаимодействия. 2. Составить модель нарушителя. 3. Разработать алгоритм, повышающий устойчивость сетевого трафика к рассматриваемому типу атак.  4. Выполнить программную реализацию разработанного алгоритма. 5. Оценить эффективность работы созданного программного обеспечения. В ходе работы была исследована угроза нарушения конфиденциальности сетевого взаимодействия с использованием нейронных сетей глубокого обучения. Проанализированы современные исследования в области безопасности сетевого взаимодействия. Разработано программное обеспечение, снижающее точность классификации исходящего сетевого трафика по приложениям пользователя. Сравнительный анализ метрик, применяемых для оценки классифицирующих нейронных сетей, подтвердил эффективность предложенного решения. Установлено, что рассмотренная угроза остается мало изученной. Полученные результаты работы могут быть основой для разработки систем повышения безопасности сетевого взаимодействия.

The topic of the graduate qualification work is «Protection of network traffic from user-end app identification threats». The purpose of the study is to enhance the resilience of network traffic against privacy attacks carried out through the identification of user applications using deep learning neural networks. The subject of the work is the protection of network traffic from the threat of user-end app identification. The research set the following goals: 1. Analyze modern research addressing privacy threats in network interactions. 2. Describe adversary model. 3. Develop an algorithm to enhance the resilience of network traffic to the specified type of attacks. 4. Implement the proposed algorithm in software. 5. Evaluate the effectiveness of the developed software The study examined the threat to the confidentiality of network interactions posed by the use of deep learning neural networks. Modern research in a network security was analyzed. A software solution was developed to reduce the accuracy of classifying outgoing network traffic by user applications. A comparative analysis of metrics used to evaluate classifying neural networks confirmed the effectiveness of the proposed solution. It was found that the examined threat remains underexplored. The results of this work can serve as a foundation for the development of systems aimed at enhancing the security of network interactions.