Аннотация
Шифрланған трафик көлемі артқандықтан, дәстүрлі брандмауэрлердің классикалық сүзу механизмдері енді кешенді қорғаныс деңгейін қамтамасыз ете алмайды. Қазіргі заманғы кибершабуылдар көп сатылы, жасырын және динамикалық болып табылады, ал TLS 1.3, QUIC және басқа шифрлау хаттамаларын кеңінен қолдану шабуылдаушыларға өздерінің зиянды әрекеттерін жасыруға мүмкіндік береді. Сондықтан, желілік трафикті терең талдай алатын, күрделі шабуылдарды ерте кезеңдерде анықтай алатын қауіпсіздік жүйелеріне деген қажеттілік барған сайын өзекті болып келеді. Келесі буын брандмауэрлері (NGFW) классикалық брандмауэр функцияларын IDS/IPS, Deep Packet Inspection (DPI), қолданба деңгейіндегі талдау, мінез-құлыққа негізделген UEBA, SSL/TLS тексеруі және машиналық оқыту әдістері сияқты заманауи технологиялармен біріктіру арқылы осы талаптарға сай келеді. Бұл мүмкіндіктер келесі буын брандмауэрлеріне трафикті тек желі деңгейінде ғана емес, сонымен қатар қолданбаларды, пайдаланушыларды, құрылғыларды, қауіпсіздік саясатын және мінез-құлық үлгілерін ескере отырып кеңірек бағалауға мүмкіндік береді. Бұл мақалада келесі буын брандмауэрлері архитектурасы, олардың сүзу механизмдері, шифрланған трафикті талдаудың қиындықтары және машиналық оқытуға негізделген аномальды белсенділікті анықтау тәсілдері жан-жақты қарастырылады. Зерттеу нәтижелері гибридті тәсілдің - қолтаңбаны талдауды, динамикалық корреляцияны, мінез-құлықты талдауды және машиналық оқыту әдістерін пайдаланудың - ұйымдық желі қауіпсіздігін қамтамасыз етуде тиімді екенін көрсетеді. Бұл тәсіл келесі буын брандмауэрлеріне бұрын белгісіз қауіптерді анықтауға, шифрланған трафиктегі ауытқуларды бақылауға және шабуылдардың ықтималдығын нақты уақыт режимінде азайтуға мүмкіндік береді.