Review and Analysis of Cyberattack Detection Methods in Corporate Networks
Keywords:
Cluster Analysis Method, Intrusion Detection Systems, Artificial Neural Network, Signature Analysis Method, Biometric Method, Statistical Analysis Method, Graphical ModelAbstract
This paper presents and analyzes existing methods for detecting network attacks. The purpose of reviewing the principal existing attack-detection technologies is to examine the effectiveness of the attack-detection technologies currently available, along with their main advantages and shortcomings. On the basis of the methods discussed, it can be concluded that, in terms of software implementation and the quality of attack detection, the signature-based detection method remains one of the most effective approaches. The vast majority of contemporary systems rely solely on the signature-based method to identify the impact of an attack, or combine it with mechanisms for detecting anomalies in monitored network behavior.
Downloads
References
ი. ქართველიშვილი, ა. ბიჩნიგაური, ზ. ბერიძე, "აკადემიური საზოგადოების როლი კიბერუსაფრთხოების ცნობიერების ამაღლებაში," საქართველოს ტექნიკური უნივერსიტეტის შრომები, თბილისი: გამომცემლობა „ტექნიკური უნივერსიტეტი", 2025, ISBN 978-9941-520-86-0.
ი. ქართველიშვილი, ა. ბიჩნიგაური, ლ. შონია, "ფიშინგისა და მავნე კოდის მქონე ვებგვერდების პრევენციის ეფექტური მექანიზმის მოდელის შემუშავება და რეალიზაცია ვებბრაუზერის გარემოში," საქართველოს ტექნიკური უნივერსიტეტის შრომები, თბილისი: გამომცემლობა „ტექნიკური უნივერსიტეტი", 2023, ISBN 978-9941-512-06-3.
ი. ქართველიშვილი, ლ. შონია, "ვირტუალური კერძო ქსელის (VPN) აგების კონცეფცია, ქსელის ფუნქციები და მათი კლასიფიკაცია," მართვის ავტომატიზებული სისტემები, საქართველოს ტექნიკური უნივერსიტეტი, №2(26), თბილისი, 2018.
K. Zetter, Countdown to Zero Day: Stuxnet and the Launch of the World's First Digital Weapon. Crown, 2014, 406 p.
J. Seitz, Black Hat Python: Python Programming for Hackers and Pentesters. No Starch Press, 2014, 171 p.
M. Sikorski, A. Honig, Practical Malware Analysis: The Hands-On Guide to Dissecting Malicious Software. No Starch Press, 2012, 800 p.
R. Boyle, R. Panko, Corporate Cybersecurity. Pearson, 2025, 646 p.
დ. ჩაკვეტაძე, "Machine Learning მეთოდების გამოყენება ქაოსის ექსპერიმენტების შედეგების პროგნოზირებაში," ბიზნესისა და ტექნოლოგიების უნივერსიტეტი, 2026, 55 გვ.
