ВАЖЛИВІ ПИТАННЯ ОБРОБКИ ТА ЗАХИСТУ ДАНИХ У ДИСТРИБУТОВАНИХ СИСТЕМАХ
DOI:
https://doi.org/10.32782/IT/2024-4-9Ключові слова:
великі дані, розподілені мережі, кібербезпека, захист інформації, криптографія, гомоморфне шифрування, виявлення аномалій, машинне навчання, блокчейн, управління ризиками, конфіденційність, цілісність даних, хмарні технології.Анотація
Метою статті є дослідження критичних аспектів обробки великих даних у розподілених мережах як сучасного виклику забезпечення кібербезпеки. Особлива увага приділена проблемам конфіденційності, цілісності та доступності даних у багатокористувацьких середовищах із високим рівнем складності взаємодії. У методології роботи застосовано комплексний підхід, що включає аналіз загроз і вразливостей, характерних для розподілених архітектур, таких як хмарні технології, однорангові мережі та децентралізовані інфраструктури. Розглянуто ключові проблеми, зокрема асинхронний доступ до даних, обмежені обчислювальні ресурси, складність синхронізації операцій і ризики перехоплення інформації під час передачі. Проведено аналіз сучасних криптографічних підходів, включаючи гомоморфне шифрування, механізми розподіленого управління ключами та протоколи збереження конфіденційності. Додатково досліджено алгоритми машинного та глибинного навчання для виявлення аномалій у поведінкових моделях систем у режимі реального часу. Наукова новизна роботи полягає у систематизації загроз та вразливостей, притаманних розподіленим системам обробки даних, і розробці ефективних підходів для їх нейтралізації. Вперше запропоновано комплексний підхід до використання блокчейн-технологій як засобу забезпечення прозорості аудиту подій і відстеження транзакцій у розподілених середовищах. У висновках наведено практичні рекомендації щодо інтеграції сучасних криптографічних методів, механізмів розподіленого управління ключами, блокчейн-технологій та алгоритмів машинного навчання для побудови стійких до загроз кібербезпекових систем. Результати дослідження мають практичне значення для забезпечення захисту великих даних у розподілених мережах та підвищення ефективності реагування на потенційні загрози.
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: 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: 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: 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, vol. 12, р. 113898–113909, 2024, doi: 10.1109/ACCESS.2024.3445143.
D. Park, S. Kang and C. Joo, «A learning-based distributed algorithm for scheduling in multi-hop wireless networks,» Journal of Communications and Networks, vol. 24, no. 1, pp. 99–110, Feb. 2022, doi: 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: 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: 10.1109/ACCESS.2023.3320945.
