КРИТИЧНІ АСПЕКТИ ОБРОБКИ ВЕЛИКИХ ДАНИХ ДЛЯ ЗАБЕЗПЕЧЕННЯ ЇХ ЗАХИСТУ В РОЗПОДІЛЕНИХ МЕРЕЖАХ
DOI:
https://doi.org/10.32782/IT/2025-1-9Ключові слова:
великі дані, розподілені мережі, кібербезпека, захист інформації, криптографія, гомоморфне шифрування, виявлення аномалій, машинне навчання, блокчейн, управління ризиками, конфіденційність, цілісність даних, хмарні технології.Анотація
У статті детально розглянуто критичні аспекти обробки великих даних у розподілених мережах, які становлять сучасний виклик для забезпечення кібербезпеки. Метою даної роботи є проведення глибокого аналізу теоретичних і практичних підходів до вирішення проблем конфіденційності, цілісності та доступності даних у багатокористувацьких середовищах із високою складністю взаємодії. Особлива увага приділена класифікації загроз, що виникають під час обробки великих обсягів інформації, із врахуванням специфіки архітектур розподілених систем, таких як хмарні технології, однорангові мережі та інфраструктури з високим рівнем децентралізації. Також проаналізовано основні вразливості, що виникають через динамічний характер обробки даних у таких середовищах, зокрема: асинхронність доступу, обмеженість обчислювальних ресурсів, складність синхронізації операцій і ризики перехоплення інформації під час передавання. Наукова новизна. Обговорено механізми забезпечення безпеки на рівні мережевої взаємодії, включаючи використання блокчейн-технологій для аудиту подій і трасування транзакцій. Висновки. Особливу увагу приділено методам захисту великих даних, зокрема криптографічним підходам, таким як гомоморфне шифрування (Rahman, 2022, c. 8–11), протоколи збереження конфіденційності на основі обчислювальної складності та механізми розподіленого управління ключами. Додатково розглянуто методи виявлення аномалій у поведінкових патернах систем на основі машинного навчання (Syed, 2021, c. 4–6) та алгоритмів глибокого навчання, які дозволяють ефективно ідентифікувати потенційні загрози в режимі реального часу.
Посилання
M. S. Rahman and H. Reza, “A Systematic Review Towards Big Data Analytics in Social Media”, in Big Data Mining and Analytics, vol. 5, no. 3, pp. 228–244, September 2022, doi: https://doi.org/10.26599/BDMA.2022.9020009
D. Syed, A. Zainab, A. Ghrayeb, S. S. Refaat, H. Abu-Rub and O. Bouhali, “Smart Grid Big Data Analytics: Survey of Technologies, Techniques, and Applications”, in IEEE Access, vol. 9, pp. 59564–59585, 2021, doi: https://doi.org/10.1109/ACCESS.2020.3041178
X. Sun, Y. He, D. Wu and J. Z. Huang, “Survey of Distributed Computing Frameworks for Supporting Big Data Analysis”, in Big Data Mining and Analytics, vol. 6, no. 2, pp. 154–169, June 2023, doi: https://doi.org/10.26599/BDMA.2022.9020014.
J. Liao and J. Lin, “A Distributed Deep Reinforcement Learning Approach for Reactive Power Optimization of Distribution Networks”, в IEEE Access, том. 12, стор. 113898–113909, 2024, doi: https://doi.org/10.1109/ACCESS.2024.3445143
D. Park, S. Kang and C. Joo, “A learning-based distributed algorithm for scheduling in multi-hop wireless networks”, in Journal of Communications and Networks, vol. 24, no. 1, pp. 99–110, Feb. 2022, doi: https://doi.org/10.23919/JCN.2021.000030
M. W. S. Atman and A. Gusrialdi, “Finite-Time Distributed Algorithms for Verifying and Ensuring Strong Connectivity of Directed Networks”, in IEEE Transactions on Network Science and Engineering, vol. 9, no. 6, pp. 4379–4392, 1 Nov.-Dec. 2022, doi: https://doi.org/10.1109/TNSE.2022.3200466
T. Lenard, A. Collen, M. Benyahya, N. A. Nijdam and B. Genge, “Exploring Trust Modeling and Management Techniques in the Context of Distributed Wireless Networks: A Literature Review”, in IEEE Access, vol. 11, pp. 106803–106832, 2023, doi: https://doi.org/10.1109/ACCESS.2023.3320945
