Оценка применимости модели Хольта–Винтерса для прогнозирования ежемесячной динамики DDoS-атак
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Электромагнитная совместимость и безопасность оборудования
Статья в выпуске: 1 (93) т.24, 2026 года.
Бесплатный доступ
В статье представлено комплексное исследование применимости модели Хольта–Винтерса для прогнозирования динамики DDoS атак на основе реальных данных компании DDoS-Guard за период 2022–2024 гг. Работа посвящена актуальной проблеме повышения эффективности систем информационной безопасности через внедрение современных методов прогнозирования кибератак. Исследование включает сравнительный анализ двух спецификаций модели – аддитивной и мультипликативной, с оценкой их прогностической способности по метрикам MAE, RMSE и MAPE. На основе экспериментальных данных выявлены существенные ограничения классической модели при работе с временными рядами в сфере кибербезопасности. Результаты исследования демонстрируют крайне низкую точность прогнозирования: показатели MAPE составили 107,7 % для аддитивной модели и 315,2 % для мультипликативной. Основными причинами неэффективности модели определены нестационарность временного ряда и отсутствие устойчивой 12-месячной сезонной компоненты в данных о DDoS-атаках. Научная новизна работы заключается в систематизации факторов, ограничивающих применение классических методов прогнозирования временных рядов в кибербезопасности, и формулировке рекомендаций по их преодолению. Практическая значимость исследования состоит в обосновании необходимости перехода к гибридным подходам, сочетающим методы машинного обучения с анализом внешних факторов влияния.
Короткий адрес: https://sciup.org/140316418
IDS: 140316418 | УДК: 004.056 | DOI: 10.18469/ikt.2026.24.1.09
Evaluation of the Holt–Winters model for forecasting monthly DDoS attack dynamics
The paper evaluates the applicability of the Holt–Winters model for predicting the monthly dynamics of DDoS attacks based on open data from DDoS-Guard for 2022–2024. It compares the additive and multiplicative specifications of the model using the metrics MAE, RMSE, and MAPE. The results show low prediction accuracy, with MAPE values of 107,7 % and 315,2 %, respectively, indicating the model's inadequacy. The main reasons are the non-stationarity of the time series and the absence of a stable 12-month seasonal component. It is concluded that it is necessary to use hybrid approaches that combine machine learning methods and external factor analysis to solve forecasting problems in the field of information security.