АППАРАТНОЕ ОБЛАКО МЕЖСЕТЕВЫХ ЭКРАНОВ КАК КОМПОНЕНТ ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ СИСТЕМ КИБЕРЗАЩИТЫ
Ключевые слова:
аппаратное облако, системы защиты информации, межсетевой экран (МСЭ), файрволл, функциональное расширение, информационная безопасность, архитектура безопасности, модульность, отказоустойчивость, автоматизированные информационные системы реального времени защищенного исполнения (АИСРВ ЗИ), аппаратные облачные системы (АОС)Аннотация
современные автоматизированные информационные системы характеризуются ростом вычислительных нагрузок и усложнением киберугроз, что требует развития аппаратно-программных средств информационной безопасности. Особый интерес представляет применение аппаратно-ориентированных подходов и облачных архитектур для повышения производительности, масштабируемости и устойчивости средств защиты информации. Цель: разработка принципов организации аппаратного облака в системах защиты информации и создание архитектуры облачной системы межсетевых экранов, обеспечивающей адаптивную защиту автоматизированных информационных систем от киберугроз. Результаты: рассмотрены методы аппаратно-программного обеспечения информационной безопасности автоматизированных информационных систем и принципы организации аппаратного облака на основе функциональных элементов микроэлектронных систем. Представлен прототип облачной системы межсетевых экранов/брандмауэров, функционирующей в рамках аппаратно-ориентированной сети. Предложен подход к формированию конфигурации функциональных возможностей межсетевых экранов, объединённых аппаратным облаком под управлением нейронной сети. Разработаны архитектура и алгоритм работы аппаратного межсетевого экрана, реализующего принципы аппаратно-ориентируемых сетей. Введены определения аппаратной облачной сети и аппаратного облака. Практическая значимость: полученные результаты могут быть использованы при проектировании и модернизации аппаратно-программных комплексов защиты информации, в том числе в корпоративных и критически важных автоматизированных системах. Предложенные архитектурные решения обеспечивают повышение масштабируемости, адаптивности и эффективности межсетевых экранов в условиях динамически изменяющихся киберугроз.
Библиографические ссылки
1. Buczak, A. L., & Guven, E. (2016). A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Communications Surveys & Tutorials, 18(2), 1153–1176.
2. Kohonen, T. (2001). Self-organizing maps (3rd ed.). Springer.
3. Советов, Б. Я. Моделирование систем [Текст] / Б. Я. Советов. – М.: Высш. шк., 2001. – 343 с.
4. Болодурина, И. П. Исследование моделей нейронной сети для обеспечения безопасности и качества обслуживания мультиоблачной платформы [Текст] / И. П. Болодурина, Д. И. Парфенов // Информационные и математические технологии в науке и управлении. – Оренбург, 2018. – С. 18–26.
5. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
6. Курзыкина, А. В. Проблемы внедрения автоматизированной информационной системы [Текст] / А. В. Курзыкина // Молодой ученый. – 2017. – № 4. – С. 124–167. – Режим доступа: URL https://moluch.ru/archive/138/38806/. – Загл. с экрана. – Дата обращения: 16.09.2025.
7. Корякин, С. В. Разработка программно-аппаратного ядра универсальной среды проектирования автоматизированных систем защищенного исполнения [Текст] / С. В. Корякин // Проблемы автоматики и упр. – Бишкек, 2020. – № 1 (38). – С. 60–69.
8. Hennessy, J. L., & Patterson, D. A. (2019). Computer architecture: A quantitative approach (6th ed.). Morgan Kaufmann.
9. Stallings, W. (2017). Network security essentials (6th ed.). Pearson.
10. Sommer, R., & Paxson, V. (2010). Outside the closed world: On using machine learning for network intrusion detection. In Proceedings of the IEEE Symposium on Security and Privacy (pp. 305–316). IEEE.
11. Tehranipoor, M., & Wang, C. (2012). Introduction to hardware security and trust. Springer.
12. Sivarama, P. Dandamudi. Guide to RISC Processors [Text]: For Programmers and Engineers / P. Sivarama. – USA: Springer Science+Business Media, Inc., 2005. – 387 p.
13. Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on Neural Networks, 11(3), 586–600.
14. Шматок, А. Аппаратные ускорители на базе ПЛИС [Текст] / А. Шматок // Современная электроника. – 2007. – № 6. – С. 60–63.
15. Zhang, Q., Chen, M., & Li, Y. (2018). FPGA-based acceleration for machine learning applications. IEEE Transactions on Circuits and Systems, 65(3), 1–12.
16. Корякин, С. В. Облачная система межсетевых экранов / С. В. Корякин, Ю. С. Корякина // Вестник Кыргызско-Российского Славянского университета. – 2023. – Т. 23, № 4. – С. 67-78. – DOI 10.36979/1694-500X-2023-23-4-67-78. – EDN ZWRQES.
17. Cheswick, W. R., Bellovin, S. M., & Rubin, A. D. (2003). Firewalls and Internet security. Addison-Wesley.
18. Vinayakumar, R., et al. (2019). Deep learning approach for intelligent intrusion detection system. IEEE Access, 7, 41525–41550.
19. Buczak, A. L., & Guven, E. (2016). Machine learning for cybersecurity. Pattern Recognition Letters, 101, 3–10.
20. Information Technologies and Automation 2021. (2021). Procedia Computer Science, 190, 1–8.
21. Students’ motivation and engagement during distance learning. (2021). Procedia Computer Science, 192, 247–256.
22. Methods and algorithms of multidimensional data analysis. (2014). In Neuro-fuzzy methods in intelligent systems (pp. 9–72).
23. Gruzdeva, L. M. (2015). Models for improving corporate telecommunication networks under information security threats (Doctoral dissertation).
Загрузки
Опубликован
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 С.В. Корякин
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
