Details

Целью работы является прогнозирование атак на реляционные СУБД с учетом сезонности, с целью рационального планирования ресурсов. Задачи, решаемые в ходе исследования: 1. Анализ атак на РСУБД, предусматривающих вторжение. 2. Исследование методов прогнозирования атак на РСУБД. 3. Разработка метода оценки сезонности вторжений в РСУБД с использованием набора данных, подготовленного с использованием методов машинного обучения. 4. Разработка и тестирование программного прототипа, реализующего предложенный метод. В ходе работы были исследованы системы управления базами данных, атаки на реляционные системы управления базами данных, генеративно-состязательные сети и прогнозирование атак со вторжением. Были проанализированы современные исследования в области безопасности баз данных и атак на них. В результате работы был разработан программный прототип, реализующий оценку сезонности вредоносных запросов. Полученные результаты могут быть использованы в качестве основы исследования прогнозирования на синтетических данных. Для достижения данных результатов была разработана программа, использующая генеративно-состязательную сеть для генерации синтетических данных, а также модель SARIMA для прогнозирования вторжений.

The purpose of the study is to forecast attacks on relational DBMS considering seasonality, for the purpose of rational resource planning. The research set the following goals: 1. Analysis of intrusion attacks on RDBMS. 2. Investigation of methods for forecasting attacks on RDBMS. 3. Development of a method for assessing seasonality of RDBMS intrusions using a dataset prepared with machine learning methods. 4. Development and testing of a software prototype implementing the proposed method. During the work, we studied database management systems, attacks on relational database management systems, generative adversarial networks, forecasting of intrusion attacks Current research was analyzed in the field of database security and attacks against them. As a result, there was developed a software prototype that evaluates seasonality of malicious queries. The obtained results can serve as a basis for research on forecasting using synthetic data. To achieve these results, the program was implemented, using generative adversarial networks to generate synthetic data and a SARIMA model for intrusion forecasting.