mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2025-13-5-25-40JKQMQMmireabulletin-1242Research ArticleИНФОРМАЦИОННЫЕ СИСТЕМЫ. ИНФОРМАТИКА. ПРОБЛЕМЫ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИINFORMATION SYSTEMS. COMPUTER SCIENCES. ISSUES OF INFORMATION SECURITYИмитационная модель масштабируемого метода выявления многовекторных атак с учетом ограничений вычислительных и информационных ресурсов IoT-устройствSimulation model of a scalable method for detecting multi-vector attacks taking into account the limitations of computing and information resources of IoT deviceshttps://orcid.org/0000-0003-4293-7013ПетренкоВ. И.PetrenkoV. I.

Петренко Вячеслав Иванович, к.т.н., доцент, заведующий кафедрой организации и технологии защиты информации, факультет математики и компьютерных наук имени профессора Н.И. Червякова

355017, Ставрополь, ул. Пушкина, д. 1

Scopus Author ID 57189512011

ResearcherID A-3196-2017

Vyacheslav I. Petrenko, Сand. Sci. (Eng.), Associate Professor, Head of the Department of Organization and Technology of Information Security, Prof. Nikolay Chervyakov Faculty of Mathematics and Computer Sciences

1, Pushkina ul., Stavropol, 355017

Scopus Author ID 57189512011

ResearcherID A-3196-2017

vipetrenko@ncfu.ruhttps://orcid.org/0000-0002-7373-4692ТебуеваФ. Б.TebuevaF. B.

Тебуева Фариза Биляловна, д.ф.-м.н., доцент, профессор кафедры вычислительной математики и кибернетики, факультет математики и компьютерных наук имени профессора Н.И. Червякова

355017, Ставрополь, ул. Пушкина, д. 1

Scopus Author ID 57189512319

ResearcherID H-4548-2017

Fariza B. Tebueva, Dr. Sci. (Phys.-Math.), Associate Professor, Professor, Department of Computational Mathematics and Cybernetics, Prof. Nikolay Chervyakov Faculty of Mathematics and Computer Sciences

1, Pushkina ul., Stavropol, 355017

Scopus Author ID 57189512319

ResearcherID H-4548-2017

ftebueva@ncfu.ruhttps://orcid.org/0000-0002-2387-0901ОгурМ. Г.OgurM. G.

Огур Максим Геннадьевич, старший преподаватель, кафедра вычислительной математики и кибернетики, факультет математики и компьютерных наук имени профессора Н.И. Червякова

355017, Ставрополь, ул. Пушкина, д. 1

ResearcherID B-1332-2017

Maxim G. Ogur, Senior Lecturer, Department of Computational Mathematics and Cybernetics, Prof. Nikolay Chervyakov Faculty of Mathematics and Computer Sciences,

1, Pushkina ul., Stavropol, 355017

ResearcherID B-1332-2017

ogur26@gmail.comhttps://orcid.org/0000-0002-2279-3887ЛинецГ. И.LinetsG. I.

Линец Геннадий Иванович, д.т.н., профессор, профессор департамента цифровых, робототехнических систем и электроники, институт перспективной инженерии

355017, Ставрополь, ул. Пушкина, д. 1

Scopus Author ID 6506372022

Gennady I. Linets, Dr. Sci. (Eng.), Professor, Department of Digital, Robotic Systems and Electronics, Institute of Advanced Engineering

1, Pushkina ul., Stavropol, 355017

Scopus Author ID 6506372022

kbytw@mail.ruhttps://orcid.org/0000-0002-5131-5649МочаловВ. П.MochalovV. P.

Мочалов Валерий Петрович, д.т.н., профессор, профессор департамента цифровых, робототехнических систем и электроники, институт перспективной инженерии

355017, Ставрополь, ул. Пушкина, д. 1

 

Valery P. Mochalov, Dr. Sci. (Eng.), Professor, Department of Digital, Robotic Systems and Electronics, Institute of Advanced Engineering

1, Pushkina ul., Stavropol, 355017

Scopus Author ID 57202300745

mochalov.valery2015@yandex.ruСеверо-Кавказский федеральный университетРоссияNorth Caucasus Federal UniversityRussian Federation2025081020251352540Copyright © Петренко В.И., Тебуева Ф.Б., Огур М.Г., Линец Г.И., Мочалов В.П., 20252025Петренко В.И., Тебуева Ф.Б., Огур М.Г., Линец Г.И., Мочалов В.П.Petrenko V.I., Tebueva F.B., Ogur M.G., Linets G.I., Mochalov V.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/1242

Цели. Основная цель работы – разработка масштабируемого метода для выявления многовекторных атак на устройства интернета вещей (Internet of Things, IoT). Учитывая рост угроз безопасности в IoT-сетях, решение должно обеспечивать высокую точность обнаружения атак при минимальных вычислительных затратах и с учетом ограничений ресурсов IoT-устройств.Методы. Для достижения поставленной цели разработана гибридная архитектура нейронных сетей, сочетающая сверточные сети для анализа пространственных зависимостей и сети долгой краткосрочной памяти или Gated Recurrent Units (управляемые рекуррентные блоки) – один из видов рекуррентных нейронных сетей для анализа временных зависимостей в сетевом трафике. Техника обрезки (pruning) сокращает параметры модели и вычислительные затраты. Блокчейн с механизмом консенсуса Proof of Voting обеспечивает безопасное управление данными и децентрализованную верификацию.Результаты. Эксперименты на датасете CIC IoT Dataset 2023 показали эффективность модели: точность и F1-мера составили 99.1%, что подтверждает способность выявлять известные и новые атаки в реальном времени с высокой точностью и полнотой. Время обработки сокращено до 12 мс, использование памяти – до 180 МБ, что делает модель пригодной для устройств с ограниченными ресурсами.Выводы. Разработанная модель превосходит аналоги по точности, времени обработки и использованию памяти. Гибридная архитектура, обрезка и децентрализованная верификация обеспечивают эффективность против многовекторных угроз IoT. Работа открывает перспективы для исследований в кибербезопасности, предлагая решения для защиты IoT-сетей от сложных атак.

Objectives. The study sets out to develop a scalable method for detecting multi-vector attacks on Internet of Things (IoT) devices. Given the growth of security threats in IoT networks, such a solution must provide high accuracy in detecting attacks with minimal computing costs while taking into account the resource constraints of IoT devices.Methods. The developed hybrid neural network architecture combines convolutional networks for spatial dependence analysis and long short-term memory networks or gated recurrent units representing types of recurrent neural networks for analyzing time dependencies in network traffic. Model parameters and computational costs are reduced by pruning. A blockchain with a proof of voting consensus mechanism provides secure data management and decentralized verification.Results. Experiments on the CIC IoT Dataset 2023 showed the effectiveness of the model: the accuracy and F1 measure were 99.1%. This confirms the ability to detect known and new attacks in real time with high accuracy and completeness. Processing time is reduced to 12 ms, while memory usage is reduced to 180 MB, which makes the model suitable for devices with limited resources.Conclusions. The developed model is superior to analogues in terms of accuracy, processing time, and memory usage. Hybrid architecture, pruning, and decentralized verification provide effectiveness against multi-vector IoT threats.

многовекторные атакиинтернет вещейвыявление угрознейронные сетиблокчейнобрезка нейроновкибербезопасностькомпрометация узловконсенсусфедеративное обучениеmulti-vector attacksInternet of Thingsthreat detectionneural networksblockchainneuronal pruningcybersecuritynode compromiseconsensusfederated learningReferencesSen Ö., Ivanov B., Henze M., Ulbig A. Investigation of Multi-stage Attacks and Defense Modeling for Data Synthesis. In: Proceedings of the International Conference on Smart Energy Systems and Technologies (SEST). IEEE; 2023. P. 1–12. https://doi.org/10.1109/SEST57387.2023.10257329Sen Ö., Ivanov B., Henze M., Ulbig A. Investigation of Multi-stage Attacks and Defense Modeling for Data Synthesis. In: Proceedings of the International Conference on Smart Energy Systems and Technologies (SEST). IEEE; 2023. P. 1–12. https://doi.org/10.1109/SEST57387.2023.10257329Lysenko S., Bobrovnikova K., Kharchenko V., Savenko O. IoT Multi-Vector Cyberattack Detection Based on Machine Learning Algorithms: Traffic Features Analysis, Experiments, and Efficiency. Algorithms. 2022;15(7):239. https://doi.org/10.3390/a15070239Lysenko S., Bobrovnikova K., Kharchenko V., Savenko O. IoT Multi-Vector Cyberattack Detection Based on Machine Learning Algorithms: Traffic Features Analysis, Experiments, and Efficiency. Algorithms. 2022;15(7):239. https://doi.org/10.3390/a15070239Aguru A., Erukala S. OTI-IoT: A Blockchain-based Operational Threat Intelligence Framework for Multi-vector DDoS Attacks. ACM Trans. Internet Technol. 2024;24(3):15.1–15.31. https://doi.org/10.1145/3664287Aguru A., Erukala S. OTI-IoT: A Blockchain-based Operational Threat Intelligence Framework for Multi-vector DDoS Attacks. ACM Trans. Internet Technol. 2024;24(3):15.1–15.31. https://doi.org/10.1145/3664287Ipole-Adelaiye N., Tatama F.B., Egena O., Jenom M., Ibrahim L. Detecting Multi-Vector Attack Threats Using Multilayer Perceptron Network. IRE Journals. 2024;8(1):119–123.Ipole-Adelaiye N., Tatama F.B., Egena O., Jenom M., Ibrahim L. Detecting Multi-Vector Attack Threats Using Multilayer Perceptron Network. IRE Journals. 2024;8(1):119–123.Pakmehr A., Aßmuth A., Taheri N., Ghaffari A. DDoS attack detection techniques in IoT networks: a survey. Cluster Comput. 2024;27(4):14637–14668. https://doi.org/10.1007/s10586-024-04662-6Pakmehr A., Aßmuth A., Taheri N., Ghaffari A. DDoS attack detection techniques in IoT networks: a survey. Cluster Comput. 2024;27(4):14637–14668. https://doi.org/10.1007/s10586-024-04662-6Alhakami W. Evaluating modern intrusion detection methods in the face of Gen V multi-vector attacks with fuzzy AHP-TOPSIS. PLoS One. 2024;19(5):e0302559. https://doi.org/10.1371/journal.pone.0302559Alhakami W. Evaluating modern intrusion detection methods in the face of Gen V multi-vector attacks with fuzzy AHP-TOPSIS. PLoS One. 2024;19(5):e0302559. https://doi.org/10.1371/journal.pone.0302559Saiyed M.F., Al-Anbagi I. Deep Ensemble Learning With Pruning for DDoS Attack Detection in IoT Networks. IEEE Trans. Machine Learning Commun. Networks. 2024;2:596–616. https://doi.org/10.1109/TMLCN.2024.3395419Saiyed M.F., Al-Anbagi I. Deep Ensemble Learning With Pruning for DDoS Attack Detection in IoT Networks. IEEE Trans. Machine Learning Commun. Networks. 2024;2:596–616. https://doi.org/10.1109/TMLCN.2024.3395419Liebl S. Threat Modelling for Internet of Things Devices. Research Report 2023 of the Technical University OTH Amberg-Weiden. 2023. URL: https://www.researchgate.net/publication/369488078. Дата обращения 25.02.2025. / Accessed February 25, 2025.Liebl S. Threat Modelling for Internet of Things Devices. Research Report 2023 of the Technical University OTH Amberg-Weiden. 2023. URL: https://www.researchgate.net/publication/369488078. Дата обращения 25.02.2025. / Accessed February 25, 2025.Aguru A.D., Erukala S.B. A lightweight multi-vector DDoS detection framework for IoT-enabled mobile health informatics systems using deep learning. Inf. Sci. 2024;662:120209. https://doi.org/10.1016/j.ins.2024.120209Aguru A.D., Erukala S.B. A lightweight multi-vector DDoS detection framework for IoT-enabled mobile health informatics systems using deep learning. Inf. Sci. 2024;662:120209. https://doi.org/10.1016/j.ins.2024.120209Петренко В.И., Тебуева Ф.Б., Огур М.Г., Линец Г.И., Мочалов В.П. Методика обнаружения и противодействия многовекторным угрозам нарушения информационной безопасности, децентрализованной IoT системы. Int. J. Open Inf. Technol. 2025;13(1):14–24.Petrenko V.I., Tebueva F.B., Ogur M.G., Linets G.I., Mochalov V.P. Methodology for detecting and countering multi-vector threats to information security of a decentralized IoT system. Int. J. Open Inf. Technol. 2025;13(1):13–24 (in Russ.).Leng S., Guo Y., Zhang L., Hao F., Cao X., Li F., Kou W. Online and Collaboratively Mitigating Multi-Vector DDoS Attacks for Cloud-Edge Computing. In: ICC 2024 – International Conference on Communications. 2024. P. 1394–1399. https://doi.org/10.1109/ICC51166.2024.10623052Leng S., Guo Y., Zhang L., Hao F., Cao X., Li F., Kou W. Online and Collaboratively Mitigating Multi-Vector DDoS Attacks for Cloud-Edge Computing. In: ICC 2024 – International Conference on Communications. 2024. P. 1394–1399. https://doi.org/10.1109/ICC51166.2024.10623052Ali M., Saleem Y., Hina S., Shah G.A. DDoSViT: IoT DDoS attack detection for fortifying firmware Over-The-Air (OTA) updates using vision transformer. Internet of Things. 2025;30:101527. https://doi.org/10.1016/j.iot.2025.101527Ali M., Saleem Y., Hina S., Shah G.A. DDoSViT: IoT DDoS attack detection for fortifying firmware Over-The-Air (OTA) updates using vision transformer. Internet of Things. 2025;30:101527. https://doi.org/10.1016/j.iot.2025.101527Dalal S., Lilhore U.K., Faujdar N., Simaiya S., et al. Next-generation cyberattack prediction for IoT systems: leveraging multiclass SVM and optimized CHAID decision tree. J. Cloud Comput. 2023;12:137. https://doi.org/10.1186/s13677-023-00517-4Dalal S., Lilhore U.K., Faujdar N., Simaiya S., et al. Next-generation cyberattack prediction for IoT systems: leveraging multiclass SVM and optimized CHAID decision tree. J. Cloud Comput. 2023;12:137. https://doi.org/10.1186/s13677-023-00517-4Zahid F., Funchal G., Melo V., Kuo M.M.Y., et al. DDoS attacks on smart manufacturing systems: A cross-domain taxonomy and attack vectors. In: 2022 20th IEEE International Conference on Industrial Informatics (INDIN). 2022. P. 214–219. https://doi.org/10.1109/INDIN51773.2022.9976172Zahid F., Funchal G., Melo V., Kuo M.M.Y., et al. DDoS attacks on smart manufacturing systems: A cross-domain taxonomy and attack vectors. In: 2022 20th IEEE International Conference on Industrial Informatics (INDIN). 2022. P. 214–219. https://doi.org/10.1109/INDIN51773.2022.9976172Lungu N., Dash B.B., De U.C., Dash B.B., et al. Multi-vector Monitoring, Detecting and Classifying GPU Side-Channel Attack Vectors on a Secure GPU Execution Framework. In: 2024 8th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud). 2024. P. 500–505. https://doi.org/10.1109/I-SMAC61858.2024.10714895Lungu N., Dash B.B., De U.C., Dash B.B., et al. Multi-vector Monitoring, Detecting and Classifying GPU Side-Channel Attack Vectors on a Secure GPU Execution Framework. In: 2024 8th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud). 2024. P. 500–505. https://doi.org/10.1109/I-SMAC61858.2024.10714895

The authors declare that there are no conflicts of interest present.