МОДЕЛЬ КЛАСТЕРИЗАЦІЇ ШИФРОВАНИХ ДАНИХ ПРИ ПЕРЕДАЧІ ДЕЦЕНТРАЛІЗОВАНОЮ МЕРЕЖЕЮ НА ОСНОВІ КРИПТОГРАФІЧНОГО АЛГОРИТМУ AES

DOI: 10.31673/2409-7292.2025.014570

Анотація

В роботі розглянуто модель кластеризації шифрованих даних під час передачі в децентралізованих
мережах основі криптографічного алгоритму AES. Зростання обсягів переданої інформації в таких системах, як
блокчейн, розподілені обчислення та IoT, вимагає розробки нових підходів до забезпечення конфіденційності та
ефективності обробки даних. Основною проблемою є те, що традиційні моделі шифрування значно ускладнюють
виконання кластеризації через необхідність попереднього дешифрування. Запропонована модель використовує
гомоморфне шифрування та розроблений алгоритм на базі AES із динамічним оновленням ключів, що дозволяє
групувати дані без порушення їхньої конфіденційності. Модель кластеризації базується на використанні
гомоморфної функції відстані, яка дає змогу визначати схожість між зашифрованими блоками даних без їх
розшифрування. Це дозволяє покращити безпеку обробки інформації, мінімізуючи ризики витоку даних.
Додатково запропонований механізм динамічного оновлення ключів шифрування після кожного раунду, що
суттєво ускладнює криптоаналітичні атаки. Також впроваджено модель додавання контрольованого шуму до
шифротексту, що знижує ймовірність аналізу зашифрованих даних та підвищує захищеність переданих
повідомлень. Проведене дослідження демонструє, що запропонована модель кластеризації має переваги над
традиційними підходами, які передбачають дешифрування перед групуванням даних. Аналіз продуктивності
підтверджує, що використання гомоморфного аналізу дозволяє зменшити обчислювальні витрати та зберегти
високу швидкість обробки. Отримані результати свідчать про ефективність розробленої моделі для застосування
в децентралізованих мережах, особливо в системах, що працюють із великими обсягами конфіденційної
інформації, таких як фінансові технології, блокчейн та інтернет речей.
Ключові слова: кластеризація, шифровані дані, децентралізована мережа, гомоморфне шифрування,
алгоритм AES, конфіденційність, безпека.

Перелік посилань
1. Hurtado Ramírez D. & Auñón J.M. (2020). Privacy Preserving K-Means Clustering: A Secure Multi-Party
Computation Approach. https://arxiv.org/pdf/2009.10453
2. Li Q. & Luo L. (2023). On the Privacy of Federated Clustering: A Cryptographic View.
https://arxiv.org/pdf/2312.07992
3. Aggarwal C.C. & Reddy C.K. (2013). Data Clustering: Algorithms and Applications. CRC Press.
4. Berkhin P. (2006). A Survey of Clustering Data Mining Techniques. In Grouping Multidimensional Data
(pp. 25–71). Springer.
5. Jain A., Murty M. & Flynn P. (1999). Data Clustering: A Review. ACM Computing Surveys.
6. Schubert E., Sander J., Ester M., Kriegel H.P. & Xu X. (2022). DBSCAN: Why and How You Should (Still)
Use DBSCAN. ACM Transactions on Database Systems.
7. Xu R. & Wunsch D. (2005). Survey of Clustering Algorithms. IEEE Transactions on Neural Networks, 16(3),
645–678.
8. Ng R.T. & Han J. (2002). CLARANS: A Method for Clustering Objects for Spatial Data Mining. IEEE
Transactions on Knowledge and Data Engineering, 14(5), 1003–1016.
9. Сабов Д.П. & Шаркаді М.М. (2023). Підходи щодо кластеризації криптовалют. Науковий вісник
Ужгородського університету. Серія «Математика і інформатика», 42(1), 201–207.
https://doi.org/10.24144/2616-7700.2023.42(1).201-207
10. Yang Y., Cer D. & Ahmad A. (2019). Multilingual Universal Sentence Encoder for Semantic Retrieval.
11. Аріткулова Ю.Р. (2024). Кластеризація sybil-адрес на блокчейні методами машинного навчання.
https://openarchive.nure.ua/handle/document/27730
12. Hastie Trevor, Tibshirani Robert, Friedman Jerome (2019) «The EM algorithm» – New York: Springer. –
С. 236–242.
13. Zobaed S.M. & Salehi M.A. (2020). Privacy-Preserving Clustering of Unstructured Big Data for CloudBased Enterprise Search Solutions. https://arxiv.org/pdf/2005.11317
14. Kaufman L. & Rousseeuw P.J. (2009). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.
15. Yinfei Yang, Daniel Cer, Amin Ahmad (2019). «Multilingual Universal Sentence Encoder for Semantic
Retrieval».
16. Ester M., Kriegel H.P., Sander J. & Xu X. (1996). A Density-Based Algorithm for Discovering Clusters in
Large Spatial Databases with Noise. In Proceedings of the Second International Conference on Knowledge Discovery
and Data Mining (pp. 226–231).
17. Пількевич І.А., Бойченко О.С. & Гуменюк І.В. (2019). Метод децентралізованого управління
мережевими ресурсами інформаційно-комунікаційних мереж. Технічна інженерія, 2(84), 100–108.
https://journals.uran.ua/index.php/2706-5847/article/view/186576
18. Estivill-Castro V. (2002). Why So Many Clustering Algorithms: A Position Paper. ACM SIGKDD
Explorations Newsletter, 4(1), 65–75.
19. Guha S., Rastogi R. & Shim K. (1998). CURE: An Efficient Clustering Algorithm for Large Databases. In
Proceedings of the 1998 ACM SIGMOD International Conference on Management of Data (pp. 73–84).
20. Mirkes E.M. (2021). «K-means and K-medoids applet».