| dc.contributor.author | Куперштейн, Л. М. | uk |
| dc.contributor.author | Залепа, О. В. | uk |
| dc.contributor.author | Kupershtein, L. | en |
| dc.contributor.author | Zalepa, O. | en |
| dc.date.accessioned | 2026-09-03T10:55:21Z | |
| dc.date.available | 2026-09-03T10:55:21Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Куперштейн Л. М., Залепа О. В. До проблеми збору доменної інформації на основі мультиагентного підходу для задач кібербезпеки // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/26859. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/53853 | |
| dc.description.abstract | У роботі розглянуто доменну інформацію (WHOIS, DNS, SSL/TLS, дані з відкритих джерел) як набір артефактів, що дозволяють виявляти ознаки фішингу, шкідливої інфраструктури та аномалій конфігурації. | uk |
| dc.description.abstract | The paper examines domain-related information (WHOIS, DNS, SSL/TLS, and open-source intelligence data) as a set of artifacts that enable the identification of phishing indicators, malicious infrastructure, and configuration anomalies. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/26859 | |
| dc.subject | доменна інформація | uk |
| dc.subject | збір даних | uk |
| dc.subject | DNS | en |
| dc.subject | OSINT | en |
| dc.subject | мультиагентні системи | uk |
| dc.subject | штучний інтелект | uk |
| dc.subject | domain information | en |
| dc.subject | data collection | en |
| dc.subject | DNS | en |
| dc.subject | OSINT | en |
| dc.subject | multi-agent systems | en |
| dc.subject | artificial intelligence | en |
| dc.title | До проблеми збору доменної інформації на основі мультиагентного підходу для задач кібербезпеки | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.8+004.056 | |
| dc.relation.references | доменної розвідки є різнорідними та мають різні затримки й обмеження доступу, доцільною є централізовано-координована мультиагентна модель, в якій спеціалізовані агенти виконують незалежні запити паралельно, а координатор відповідає за синхронізацію, таймліміти, уніфікацію форматів і агрегацію результатів. Така організація підтримує принципи єдиної відповідальності, слабкої зв’язаності та масштабування через паралельні запуски агентів при пакетному аналізі доменів[2]. Аналіз поширених інструментів і сервісів доменної розвідки (наприклад, Maltego, SecurityTrails, Censys, Shodan, VirusTotal) показує, що вони ефективні в межах окремих класів джерел (пасивні DNSдані, інфраструктурні ознаки, сертифікати, репутаційні сигнали), однак практичне застосування часто супроводжується фрагментованістю процесу. Аналітику доводиться виконувати переходи між різними платформами, узгоджувати результати вручну, враховувати квоти безкоштовних планів і відмінності форматів даних. Крім того, більшість рішень не забезпечує єдиної узгодженої моделі результатів і не надає інтегральної оцінки ризику домену з автоматизованою класифікацією, залишаючи фінальну інтерпретацію на експерта. У таких умовах мультиагентний підхід є більш придатним для задач швидкого комплексного аналізу. Різні джерела опитуються паралельно, дані нормалізуються в єдину структуру та можуть бути використані для автоматичного скорингу, кореляції і формування підсумкового технічного звіту. Висновки Доменна інформація є ключовим джерелом технічних і репутаційних ознак для CTI та DFIR, оскільки дозволяє швидко формувати профіль ресурсу й виявляти приховані зв’язки інфраструктури через кореляцію реєстраційних, DNS-, криптографічних та інфраструктурних артефактів. Комплексний доменний OSINT потребує одночасного залучення кількох класів джерел (WHOIS, DNS, SSL/TLS, CT-журнали, інтернет-сканери, репутаційні платформи та контент-аналіз), оскільки кожне з них має власні обмеження та “сліпі зони”, а достовірний висновок формується лише на основі їх поєднання. Аналіз існуючих інструментів показує, що попри високу корисність окремих сервісів, практичний процес часто залишається фрагментованим і залежним від ручної інтерпретації, квот та неоднорідності форматів даних. Тому більш ефективним для задач швидкого й відтворюваного аналізу є інтегрований підхід із централізовано-координованою мультиагентною моделлю, де паралельне опитування джерел, нормалізація результатів і агрегація в єдину структуру даних створюють основу для автоматизованого скорингу, кореляції артефактів та формування узгодженого технічного звіту. СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ | uk |
| dc.relation.references | Domain Names: Understanding the Basics. URL: https://www.rdj.ie/insights/domain-namesunderstanding-the-basics (date of access: 08.09.2025). | en |
| dc.relation.references | Wang L., Ma C., Feng X. et al. A survey on large language model based autonomous agents. Frontiers of Computer Science, 2024, Vol. 18, Article 186345. DOI: 10.1007/s11704-024-40231-1 (дата звернення: 16.12.2025). | en |
