ІНТЕЛЕКТУАЛЬНА ІНФОРМАЦІЙНА СИСТЕМА АДАПТИВНОГО ВИЯВЛЕННЯ АНОМАЛІЙ У РОЗПОДІЛЕНИХ СЕРЕДОВИЩАХ НА ОСНОВІ ГІБРИДНИХ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ

Анотація

У статті розглянуто проблему виявлення аномалій у розподілених інформаційних середовищах, що
функціонують в умовах динамічних навантажень, високої інтенсивності інформаційних потоків, неоднорідності
даних та зростання кіберзагроз. Актуальність дослідження зумовлена розвитком хмарних технологій, Internet of
Things (IoT) та систем обробки великих даних, що ускладнює моніторинг стану інформаційних систем і потребує
застосування інтелектуальних методів аналізу. Встановлено, що традиційні підходи, засновані на статичних
правилах і порогових значеннях, не забезпечують достатньої точності та адаптивності, що призводить до
помилкових спрацьовувань або пропуску критичних подій. Метою дослідження є розроблення інтелектуальної
інформаційної системи адаптивного виявлення аномалій на основі гібридних моделей штучного інтелекту. Для
її досягнення використано нейронні мережі, методи машинного навчання та нечітку логіку. Запропоновано
архітектуру системи з модулями збору даних, прогнозування, виявлення аномалій та прийняття рішень.
Розроблено математичну модель оцінювання аномалій на основі відхилення між фактичними та прогнозованими
параметрами, а також інтегральний показник з урахуванням вразливості та критичності. Реалізовано механізм
нечіткого логічного виведення для формування керуючих впливів. Проведено імітаційне моделювання для різних
сценаріїв, що підтвердило підвищення точності виявлення аномалій, зменшення помилкових спрацьовувань і
скорочення часу реагування системи.
Ключові слова: інтелектуальна інформаційна система; хмарні технології; розподілені системи; виявлення
аномалій; машинне навчання; нейронні мережі; нечітка логіка; адаптивні системи; штучний інтелект.

Перелік посилань
1. Pustelnyk, P. Y., & Levus, Y. V. (2025). Real-time anomaly detection in distributed IoT systems: A
comprehensive review and comparative analysis. Visnyk of the National University “Lviv Polytechnic”. Series:
Information Systems and Networks, 17, 160–169. https://doi.org/10.23939/sisn2025.17.160.
2. Mitropoulou, K., Kokkinos, P., Soumplis, P., & Varvarigos, M. (2023). Anomaly detection in cloud computing
using knowledge graph embedding and machine learning mechanisms. Journal of Grid Computing, 22.
https://doi.org/10.1007/s10723-023-09727-1.
3. Idamakanti, P. (2025). Cloud network anomaly detection using federated learning and explainable AI.
International Journal on Science and Technology, 16. https://doi.org/10.71097/IJSAT.v16.i3.7336.
4. Lee, C., Yang, T., Chen, Z., Su, Y., & Lyu, M. R. (2023). Maat: Performance metric anomaly anticipation for
cloud services with conditional diffusion. In 2023 38th IEEE/ACM International Conference on Automated Software
Engineering (ASE) (pp. 116–128). IEEE. https://doi.org/10.1109/ASE56229.2023.00082.
5. Liu, W., Sun, D., Yang, H., Wang, Y., & Huang, W. (2025). Manod: A multi-modal anomaly detection
framework for distributed system. Neural Networks, 193, Article 107999. https://doi.org/10.1016/j.neunet.2025.107999.
6. Siddique, H., Neves, M., Kuzniar, C., & Haque, I. (2021). Towards network-accelerated ML-based distributed
computer vision systems. In 2021 IEEE 27th International Conference on Parallel and Distributed Systems (ICPADS)
(pp. 122–129). IEEE. https://doi.org/10.1109/ICPADS53394.2021.00021.
7. Lim, L.-H., Ong, L.-Y., & Leow, M.-C. (2025). Federated learning for anomaly detection: A systematic review
on scalability, adaptability, and benchmarking framework. Future Internet, 17(8), 375. https://doi.org/
10.3390/fi17080375.
8. Wei, X., Wang, J., Sun, C.-A., Towey, D., Zhang, S., Zuo, W., Yu, Y., Ruan, R., & Song, G. (2024). Logbased anomaly detection for distributed systems: State of the art, industry experience, and open issues. Journal of
Software: Evolution and Process, 36. https://doi.org/10.1002/smr.2650.
9. Abououf, M., Singh, S., Mizouni, R., & Otrok, H. (2023). Explainable AI for event and anomaly detection and
classification in healthcare monitoring systems. IEEE Internet of Things Journal, 1–1. https://doi.org
/10.1109/JIOT.2023.3296809.
10. Костюк, Ю., Довженко, Н., Мазур, Н., Складанний, П., & Рзаєва, С. (2025). Методика захисту GRIDсередовища від шкідливого коду під час виконання обчислювальних завдань. Кібербезпека: освіта, наука,
техніка, 3(27), 22–40. https://doi.org/10.28925/2663-4023.2025.27.710.
11. Anusha, R. S., Dadavali, S. P., Akash, D., Vinay, M. G., Tapkire, M., & Manjunath, N. (2024). Efficient
learning-driven anomaly detection and classification for IoT-based monitoring systems. Journal of Electrical Systems,
20(11), 3749–3758. https://doi.org/10.52783/jes.8237.
12. Костюк, Ю., Хорольська, К., Бебешко, Б., Довженко, Н., Коршун, Н., & Пазинін, А. (2025).
Інструментальні засоби забезпечення інформаційної безпеки від прихованих загроз в інфраструктурі хмарних
обчислень. Кібербезпека: освіта, наука, техніка, 4(28), 633–655. https://doi.org/10.28925/2663-4023.2025.28.857.
13. Balega, M., Farag, W., Wu, X.-W., Ezekiel, S., & Good, Z. (2024). Enhancing IoT security: Optimizing
anomaly detection through machine learning. Electronics, 13(11), 2148. https://doi.org/10.3390/electronics13112148.
14. Костюк, Ю. В., & Складанний, П. М. (2026). Криптографічна модель довіри до подій безпеки в SIEM
для інтелектуального формування мережевих інцидентів. Сучасний захист інформації, 1(65), 103–118.
https://doi.org/10.31673/2409-7292.2026.011393.
15. Cauteruccio, F., Cinelli, L., Corradini, E., Terracina, G., Ursino, D., Virgili, L., Savaglio, C., Liotta, A., &
Fortino, G. (2021). A framework for anomaly detection and classification in multiple IoT scenarios. Future Generation
Computer Systems, 114, 322–335. https://doi.org/10.1016/j.future.2020.08.010.
16. Костюк, Ю., Рзаєва, С., & Рзаєв, Д. (2026). Інтелектуальний аналіз мережевого трафіку для виявлення
інцидентів інформаційної безпеки. Наука і техніка сьогодні, 2(56), 1909–1928. https://doi.org/10.52058/2786-6025-
2026-2(56)-1909-1928.
17. DeMedeiros, K., Hendawi, A., & Alvarez, M. (2023). A survey of AI-based anomaly detection in IoT and
sensor networks. Sensors, 23(3), 1352. https://doi.org/10.3390/s23031352.
18. Складанний, П., Костюк, Ю., & Рзаєва, С. (2026). Безперервна оцінка доступу в Zero Trust Access
Management на основі подієвих сигналів безпеки та динамічного керування сесіями. Математичні машини і
системи, 1, 29–46. https://doi.org/10.34121/1028-9763-2026-1-29-46.
19. Dickson, S. M. (2024). Detection of anomalies in Internet of Things (IoT) devices and sensors. Radinka Journal
of Science and Systematic Literature Review, 2(3), 475–481. https://doi.org/10.56778/rjslr.v2i3.347.
20. Костюк, Ю., Складанний, П., Рзаєва, С., Самойленко, Ю., & Коршун, Н. (2025). Інтелектуальні системи
керування та захисту в кіберфізичних і хмарних середовищах Smart Grid. Кібербезпека: освіта, наука, техніка,
2(30), 125–156. https://doi.org/10.28925/2663-4023.2025.30.956.
21. Gad, I. M. (2025). TOCA-IoT: Threshold optimization and causal analysis for IoT network anomaly detection
based on explainable random forest. Algorithms, 18, 117. https://doi.org/10.3390/a18020117.
22. Довженко, Н., Іваніченко, Є., & Костюк, Ю. (2025). Методика виявлення та локалізації кіберзагроз у
хмарних середовищах з інтегрованими IoT-компонентами на основі графових моделей. Кібербезпека: освіта,
наука, техніка, 1(29), 762–776. https://doi.org/10.28925/2663-4023.2025.29.938.
23. Idhalama, O., & Oredo, J. (2024). Exploring the next generation Internet of Things (IoT) requirements and
applications: A comprehensive overview. Information Development. https://doi.org/10.1177/02666669241267852.
24. Kostiuk, Y., Skladannyi, P., Sokolov, V., & Rzaieva, S. (2025). Intelligent system for simulation modeling and
research of information objects. In Proceedings of the 1st Workshop Software Engineering and Semantic Technologies
(SEST 2025), co-located with the 15th International Scientific and Practical Programming Conference (UkrPROG 2025)
(Vol. 4053, pp. 237–251). CEUR-WS.
25.Jaiswal, A., & Koupaei, A. N. (2024). Deep comparison analysis: Statistical methods and deep learning for
network anomaly detection. International Journal of Computer Science and Information Security, 22.
https://doi.org/10.5281/zenodo.14051106.
26. Складанний, П., Костюк, Ю., Рзаєва, С., Самойленко, Ю., & Савченко, Т. (2025). Розробка модульних
нейронних мереж для виявлення різних класів мережевих атак. Кібербезпека: освіта, наука, техніка, 3(27), 534–
548. https://doi.org/10.28925/2663-4023.2025.27.772.
27. Zamanzadeh Draban, Z., Webb, G., Pan, S., Aggarwal, C., & Salehi, M. (2022). Deep learning for time series
anomaly detection: A survey. arXiv. https://doi.org/10.48550/arXiv.2211.05244
28. Liso, A., et al. (2024). A review of deep learning-based anomaly detection strategies in Industry 4.0 focused
on application fields, sensing equipment, and algorithms. IEEE Access, 12, 93911–93923. https://doi.org/
10.1109/ACCESS.2024.3424488.