АДАПТИВНА МОДЕЛЬ ВИЯВЛЕННЯ КІБЕРЗАГРОЗ У IOT-ПІДСИСТЕМАХ ДАТА ЦЕНТРІВ

Надія Довженко; Євген Іваніченко; Володимир Соколов

doi:10.28925/2663-4023.2026.33.1258

Автор(и)

Надія Довженко Київський столичний університет імені Бориса Грінченка https://orcid.org/0000-0003-4164-0066
Євген Іваніченко Київський столичний університет імені Бориса Грінченка https://orcid.org/0000-0002-6408-443X
Володимир Соколов Київський столичний університет імені Бориса Грінченка https://orcid.org/0000-0002-9349-7946

DOI:

https://doi.org/10.28925/2663-4023.2026.33.1258

Ключові слова:

IoT, сенсор, дата-центр, ЦОД, хмарне середовище, кібербезпека, DDoS-атаки, spoofing, edge computing, граф, аналіз, оцінювання ризику, компрометація

Анотація

Інтеграція технологій Інтернету речей (IoT), edge/fog-обчислень і хмарних сервісів у сучасні центри обробки даних створює передумови для підвищення ефективності моніторингу, автоматизації управління інфраструктурою, безперервного збору телеметричних даних та адаптивного керування системами охолодження, енергоспоживанням і мережевими ресурсами дата-центрів. Разом із перевагами зростає і кількість кіберзагроз, пов’язаних із розширенням поверхні атаки, використанням гетерогенних IoT-пристроїв та складністю захисту розподіленої інфраструктури. У роботі досліджено особливості впровадження IoT-компонентів у хмарні середовища та дата-центри з урахуванням сучасних загроз інформаційній безпеці. Основну увагу приділено DDoS-атакам, spoofing-атакам та компрометації вузлів інфраструктури. Запропоновано адаптивну модель виявлення кіберзагроз, яка поєднує статистичний аналіз мережевого трафіку, поведінковий аналіз вузлів та графове представлення взаємодій між компонентами системи. Для оцінювання стану інфраструктури використано інтегральний показник ризику, що враховує інтенсивність трафіку, ентропію джерел, відхилення поведінкового профілю та параметри графа взаємодій. У статті також запропоновано архітектуру адаптивної системи виявлення кіберзагроз в IoT-орієнтованому дата-центрі, яка включає IoT-рівень, edge/fog-рівень попередньої обробки, аналітичний cloud-рівень, модуль графової кореляції та рівень автоматизованого реагування на кіберінциденти.

Завантаження

Дані завантаження ще не доступні.

Посилання

Dovzhenko, N., Ivanichenko, Y., Ausheva, N., Shevchuk, Y., & Lukovskyi, T. (2025). Study of data center architectures with integration of IoT components to ensure energy efficiency and cyber resilience. Cybersecurity: Education, Science, Technique, 4(28), 547-564. https://doi.org/10.28925/2663-4023.2025.28.835

Dovzhenko, N. M., Ivanichenko, Y. V., & Mazur, N. P. (2025). Technological aspects of implementing intelligent transportation systems in urban infrastructure based on IoT, AI, and cloud technologies. In Proceedings of the XII All-Ukrainian Scientific and Practical Conference of Young Scientists “Information Technologies – 2025” (pp. 124-126).

Hulak, H. M., Zhyltsov, O. B., Kyrychok, R. V., Korshun, N. V., & Skladannyi, P. M. (2023). Enterprise information and cyber security. Borys Grinchenko Kyiv Metropolitan University.

Dovzhenko, N., Mazur, N., Skladannyi, P., Kostiuk, Y., & Rzaieva, S. (2024). Integration of IoT and artificial intelligence into intelligent transportation systems. Cybersecurity: Education, Science, Technique, 2(26), 430-444. https://doi.org/10.28925/2663-4023.2024.26.708

Kostiuk, Y. V., Skladannyi, P. M., Hulak, H. M., Bebeshko, B. T., Khorolska, K. V., & Rzaieva, S. L. (2025). Information security systems. Borys Grinchenko Kyiv Metropolitan University.

NETSCOUT. (n.d.). Cyber Threat Horizon: Real-time global threat intelligence. https://horizon.netscout.com/

Forescout. (2025). 2025 threat report: Exploitation grows across IT, IoT and OT. https://www.forescout.com/blog/2025-threat-report-exploitation-grows-across-it-iot-and-ot/

Khedr, A., & Sheeja, S. (2026). Cloud-based congestion-aware data distribution for healthcare IoT using Laplacian kernel clustering and censored weighted queuing. Neural Computing and Applications, 38. https://doi.org/10.1007/s00521-026-11854-1

Wahyuddin, S., Saikhu, A., & Raharjo, A. (2026). Shapelet transformation of multivariate time series for IoT anomaly detection. Engineering, Technology & Applied Science Research, 16, 33549–33556. https://doi.org/10.48084/etasr.17048

Dovzhenko, N., Ivanichenko, Y., Skladannyi, P., & Ausheva, N. (2024). Integration of security and fault tolerance of sensor networks based on energy consumption and traffic analysis. Cybersecurity: Education, Science, Technique, 1(25), 390-400. https://doi.org/10.28925/2663-4023.2024.25.390400

Shah, I., & Tariq, A. (2025). Building resilient smart cities: AI-driven SOCs and blockchain for IoT cybersecurity. https://doi.org/10.13140/RG.2.2.13351.25763

Sun, Y., Wang, Y., Jiang, G., Cheng, B., & Zhou, H. (2024). Deep learning-based power usage effectiveness optimization for IoT-enabled data center. Peer-to-Peer Networking and Applications, 17, 1-18. https://doi.org/10.1007/s12083-024-01663-5

Dovzhenko, N., Ivanichenko, Y., & Kostiuk, Y. (2025). Methodology for detection and localization of cyber threats in cloud environments with integrated IoT components based on graph models. Cybersecurity: Education, Science, Technique, 1(29), 762-776. https://doi.org/10.28925/2663-4023.2025.29.938

Sim, S.-H., & Jeong, Y.-S. (2021). Multi-blockchain-based IoT data processing techniques to ensure the integrity of IoT data in AIoT edge computing environments. Sensors, 21(10), 3515. https://doi.org/10.3390/s21103515

Abdullah, S., & Assaad, A. (2026). Internet of Things (IoT) and artificial intelligence (AI)-based smart cities management: A review study. Humanitarian and Natural Sciences Journal, 7(1), 724-738. https://doi.org/10.53796/hnsj71/45