МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІНЕ НЕГІЗДЕЛГЕН КӨЛІК ЖЕЛІЛЕРІНДЕГІ КИБЕРШАБУЫЛДАРДЫ АНЫҚТАУ
##plugins.pubIds.doi.readerDisplayName##:
https://doi.org/10.54309/IJICT.2026.25.1.018Кілт сөздер:
киберқауіпсіздік, көлік желілері, CAN-шина, кибер шабуылдар, машиналық оқыту, XGBoost, логистикалық регрессия, ауытқуларды анықтау, шабуылдарды жіктеу, автомобиль желілері.Аңдатпа
Көлік құралдарын цифрландыру және басқарудың электрондық блоктары санының өсуі жағдайында автомобиль желілерінің киберқауіпсіздігін қамтамасыз ету басым міндеттердің біріне айналуда. Қазіргі заманғы көлік құралдары электрондық компоненттер арасында деректер алмасу CAN (Controller Area Network) шинасы бойынша жүзеге асырылатын күрделі киберфизикалық жүйелер болып табылады. Осы хаттаманың кең таралуына және сенімділігіне қарамастан, CAN архитектурасы бастапқыда киберқақылардан қорғау тетіктерін көздемеген, бұл көлік желілерін DoS, Fuzzy, RPM Spoofing және Gear Spoofing сияқты шабуылдарды қоса алғанда, араласудың әртүрлі түрлеріне осал етеді.
Бұл жұмыста машиналық оқыту әдістері негізінде автомобиль желілерінде киберқақтарды автоматты түрде анықтау және жіктеу міндеті қарастырылады. Бастапқы деректер ретінде қалыпты жағдайларда да, шабуылдарды модельдеу кезінде де CAN-хабарламалардың нақты журналдарын қамтитын Car Hacking Dataset ашық жинағы пайдаланылды. Сыныптарды тазартуды, қалыпқа келтіруді және теңгерімдеуді, сондай-ақ белгілердің корреляциясын талдауды қамтитын деректерді алдын ала өңдеу жүргізілді.
Мультиклассалық жіктеу міндетін шешу үшін машиналық оқытудың екі алгоритмі іске асырылды және салыстырылды: XGBoost және логистикалық регрессия. Модельдер сапасын бағалау қателер матрицаларын және сыныптар бойынша дәлдікті талдауды пайдалана отырып жүргізілді. Эксперименттердің нәтижелері көрсеткендей, XGBoost моделі логистикалық регрессиямен салыстырғанда, әсіресе көптеген шабуылдаушы кластар үшін шабуылдарды жіктеу кезінде жоғары дәлдік пен тұрақтылықты көрсетеді. Белгілердің маңыздылығын қосымша талдау инжектирленетін шабуылдардың сипатын көрсететін CAN-хабарламалардың неғұрлым ақпараттық параметрлерін анықтауға мүмкіндік берді. Алынған нәтижелер көлік желілерінің қауіпсіздік деңгейін арттыру үшін машиналық оқыту әдістерін қолдану тиімділігін растайды және CAN-желілерінде басып кіруді анықтаудың зияткерлік жүйелерін әзірлеу кезінде пайдаланылуы мүмкін.
##plugins.generic.usageStats.downloads##
Жүктеулер
Жарияланды
Дәйексөзді қалай келтіруге болады
Журналдың саны
Бөлім
Лицензия
Авторлық құқық (c) 2026 ХАЛЫҚАPАЛЫҚ АҚПАРАТТЫҚ ЖӘНЕ КОММУНИКАЦИЯЛЫҚ ТЕХНОЛОГИЯЛАР ЖУРНАЛЫ
Бұл жұмыс Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Дүние жүзінде.
https://creativecommons.org/licenses/by-nc-nd/3.0/deed.en