Мережевий моніторинг у реальному часі

Abstract

У роботі розглянуто розробку програмного додатка «Network Monitor» для моніторингу мережевої активності в реальному часі, аналізу трафіку та виявлення аномалій у комп’ютерних мережах. Актуальність дослідження обумовлена стрімким зростанням кількості мережевих пристроїв та необхідністю забезпечення ефективного контролю стану мережевої інфраструктури, своєчасного виявлення загроз і підтримки стабільності функціонування мереж. Запропонований додаток реалізовано на основі мови програмування Python із використанням бібліотек Scapy, NetworkX, Tkinter, Scikit-learn та SQLite. Система забезпечує моніторинг трафіку, аналіз DNS-запитів, сканування мережевих пристроїв, візуалізацію топології мережі та прогнозування можливих мережевих збоїв за допомогою алгоритмів машинного навчання. Для класифікації аномалій застосовано модель RandomForestClassifier, яка дозволяє підвищити ефективність виявлення підозрілої активності та скоротити час реагування адміністратора на інциденти. Проведене тестування у корпоративній мережі підтвердило працездатність і ефективність розробленого рішення, зокрема щодо обробки мережевого трафіку, фіксації DNS-запитів та візуалізації мережевої структури. Визначено, що інтеграція методів машинного навчання, модульна архітектура та підтримка історичних даних забезпечують конкурентні переваги додатка порівняно з традиційними засобами мережев гомоніторингу. Отримані результати можуть бути використані для підвищення ефективності адміністрування корпоративних мереж, аналізу мережевої безпеки та дослідження поведінки мережевого трафіку в умовах сучасних інформаційно-комунікаційних систем. The article discusses the development of the “Network Monitor” software application for real-time monitoring of network activity, traffic analysis, and the detection of anomalies in computer networks. The relevance of the research is due to the rapid growth in the number of network devices and the need to ensure effective monitoring of the network infrastructure, timely detection of threats, and maintenance of network stability. The proposed application is implemented using the Python programming language with the Scapy, NetworkX, Tkinter, Scikit-learn, and SQLite libraries. The system provides traffic monitoring, DNS query analysis, network device scanning, network topology visualization, and prediction of potential network failures using machine learning algorithms. The RandomForestClassifier model was used to classify anomalies, which improves the efficiency of detecting suspicious activity and reduces the administrator’s response time to incidents. Testing conducted on a corporate network confirmed the functionality and effectiveness of the developed solution, particularly regarding network traffic processing, DNS query logging, and network topology visualization. It was determined that the integration of machine learning methods, modular architecture, and support for historical data provide the application with competitive advantages over traditional network monitoring tools. The results obtained can be used to improve the efficiency of corporate network administration, analyze network security, and study network traffic behavior in the context of modern information and communication systems.