Details

Целью работы является разработка метода интеллектуального управления deception-объектами, обеспечивающего снижение эффективности продвижения атакующего по инфраструктуре за счет динамического формирования и обновления ложной среды. Объектом исследования является процесс управления распределенными защитными объектами в системах класса Deception. Задачи, решаемые в ходе исследования: 1. Провести анализ существующих подходов к управлению deception-объектами, включая математические модели и современные DDP-платформы. 2. Разработать метод интеллектуального управления deception-объектами. 3. Реализовать программную модель разработанного метода. 4. Выполнить сравнительный анализ полученных результатов. В ходе работы был проведен анализ существующих подходов к построению deception-систем и методов управления deception-объектами. На его основе разработан метод интеллектуального управления deception-объектами в инфраструктуре сети. Для исследования поведения метода реализована программная модель, позволяющая оценивать изменение маршрута атакующего при адаптивном управлении deception-объектами, а также введена метрика оценки. При выполнении работы использовались Python 3.12, библиотеки NetworkX, Matplotlib, средства работы с коллекциями (defaultdict), среда разработки PyCharm.

The purpose of the work is to develop an intelligent deception object management method that reduces the effectiveness of attacker movement through dynamic formation and updating of a decoy environment. The object of the study is the process of managing distributed protection objects in Deception class systems. Tasks solved in the course of the study: 1. Analyze existing approaches to deception object management, including mathematical models and modern DDP platforms. 2. Develop an intelligent deception object management method. 3. Implement a software prototype of the developed method. 4. Perform a comparative analysis of the obtained results. An analysis of existing approaches to deception system construction and deception object management methods was carried out. Based on the results, an intelligent deception object management method was developed. To study the behavior of the method, a software prototype was implemented, allowing the evaluation of attacker route changes under adaptive deception object management, and an evaluation metric was introduced. The work used Python 3.12, NetworkX and Matplotlib libraries, standard collection tools (defaultdict), and the PyCharm development environment.