**Поддомен:** Cybersecurity
**Роль:** Специалист по ИБ
---
### H1: SIM-фермы в дипломе: как интегрировать реальные угрозы в анализ уязвимостей и проектирование защиты
В апреле 2026 года ZDNet опубликовал разоблачение *SIM-ферм* — масштабных операций, где злоумышленники арендуют сотни тысяч SIM-карт через поддельные юридические компании, чтобы отправлять спам-сообщения, фишинговые ссылки и симулировать доверие к легитимным сервисам. Это не вымышленная угроза — это уже текущая практика в 35+ странах, включая Россию, где за последние 18 месяцев было зарегистрировано более 2,7 млн таких сообщений (по данным МВД РФ). Для выпускника ИТ-специальности это — не «теоретический кейс», а реальный контекст для анализа архитектуры безопасности, моделирования угроз и оценки TCO защиты.
---
## Темы ВКР (схема C — карточки
)
```html
-
Анализ уязвимостей в мобильной экосистеме
Актуальность: SIM-фермы используют слабости в SMS-аутентификации, API-интерфейсах операторов и отсутствии межсетевого контроля.
Цель: Построить модель угроз на основе MITRE ATT&CK Mobile, выявить точки перехвата и внедрения.
Задачи: 1) Анализ структуры ферм по данным из статьи; 2) Разработка матрицы уязвимостей (CWE/CVSS); 3) Проектирование брандмауэра для блокировки трафика с подозрительных IP.
Структура: Гл.1 — Теория угроз и стандарты (ISO/IEC 27001, NIST SP 800-53); Гл.2 — Архитектура защиты (C4-диаграмма + UML sequence); Гл.3 — Тестирование (OWASP Mobile Top 10, нагрузочное тестирование).
-
Моделирование атак через OpenTelemetry и SIEM
Актуальность: Статья показывает, что фермы работают в режиме «пикового трафика» — 100–500 тыс. сообщений/час, что требует мониторинга на уровне метрик.
Цель: Настроить систему обнаружения аномалий в реальном времени.
Задачи: 1) Определить ключевые метрики (например, rate of SMS per IP); 2) Интегрировать OpenTelemetry с ELK; 3) Реализовать правила в Grafana Loki.
Структура: Гл.1 — Метрики и инструменты (OpenTelemetry, Prometheus); Гл.2 — Дизайн системы мониторинга (BPMN-схема потока данных); Гл.3 — Результаты (примеры alerting rules).
-
Проектирование отказоустойчивой системы предотвращения фишинга
Актуальность: Злоумышленники переходят от массовых SMS к целенаправленным атакам через соцсети и мессенджеры — но основа остаётся та же: автоматизация.
Цель: Создать модуль проверки подлинности номера и домена на стороне клиента.
Задачи: 1) Реализовать локальный API-клиент (Python/Go); 2) Подключить к DNS-регистратору (например, Cloudflare); 3) Протестировать на симуляторе (mitmproxy).
Структура: Гл.1 — Анализ архитектур (microservices vs monolith); Гл.2 — Реализация (код + диаграмма компонентов); Гл.3 — Эффективность (метрики снижения числа жертв).
```
---
## Основная часть
### 1. Как вписать материал статьи в главу 1 — теоретическую базу
В главе 1 можно использовать **MITRE ATT&CK Mobile** как основу для модели угроз. Например, в разделе «Типичные тактики» добавьте:
| Тактика | Описание | Связь с SIM-фермами |
|--------|----------|---------------------|
| T1092 | Обход аутентификации | Фермы используют SMS-токены без проверки источника |
| T1093 | Управление устройством | Номера привязаны к роботизированным аккаунтам |
| T1094 | Контроль над приложением | Отправка SMS через скрытые API |
Пример кода для сбора метрик в Python (используется в главе 2):
```python
# monitor_sim_farm.py
import requests
from opentelemetry import trace
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk.trace.export import BatchSpanProcessor
trace.set_tracer_provider(TracerProvider())
tracer = trace.get_tracer(__name__)
exporter = OTLPSpanExporter(endpoint="http://localhost:4317")
processor = BatchSpanProcessor(exporter)
trace.get_tracer_provider().add_span_processor(processor)
def check_sms_rate(ip):
with tracer.start_as_current_span("sms_rate_check"):
response = requests.get(f"https://api.ipinfo.io/{ip}/json")
if response.status_code == 200:
data = response.json()
return data.get("country", "RU") == "RU"
return False
```
Этот код можно вставить в главу 2 как пример реализации мониторинга.
---
### 2. Диаграммы и архитектура
Для главы 2 рекомендую **C4-уровень 2** (Container Level), где:
- **System Context**: клиент → сервер → SIM-ферма (через API-провайдера)
- **Container Diagram**: `SMS Gateway`, `IP Blocker`, `Alert Engine`
- **Component Diagram**: `Validator`, `Rate Limiter`, `Blacklist DB`
Пример ASCII-схемы:
```
[Client App] --> [API Gateway]
|
v
[SMS Validator]
/ | \
[IP Check] [Domain Verify] [Rate Limit]
| | |
[Block List] [DNS Lookup] [Redis Counter]
```
---
### 3. Метрики и эффективность
В главе 3 нужно рассчитать:
- **TTR (Time To Respond)** — время между получением сигнала и блокировкой
- **FPR (False Positive Rate)** — % ложных срабатываний
- **MTTR (Mean Time To Repair)** — время восстановления после сбоя
Пример формулы для FPR:
```
FPR = (FP / (TP + FP)) * 100%
where TP = true positives, FP = false positives
```
Сбор метрик через OpenTelemetry:
```yaml
# otel-collector-config.yaml
receivers:
otlp:
protocols:
grpc:
http:
processors:
batch:
memory_limiter:
exporters:
logging:
prometheus:
endpoint: "0.0.0.0:8888"
service:
pipelines:
metrics:
receivers: [otlp]
processors: [batch, memory_limiter]
exporters: [logging, prometheus]
```
---
## Чему вы научитесь
- ✅ Проектировать отказоустойчивые системы защиты на основе реальных угроз (SIM-фермы, фишинг, DDoS)
- ✅ Настроить мониторинг с помощью OpenTelemetry и Grafana
- ✅ Валидировать модели угроз по MITRE ATT&CK и OWASP Mobile Top 10
- ✅ Оформлять технические требования по ГОСТ 34.19-2000 и ISO/IEC 25010
- ✅ Считать TCO и ROI защиты (например, экономия от снижения числа жертв)
---
## Типичные ошибки студентов
Ошибка 1: Использование только теоретических схем без привязки к реальным кейсам из статьи. Например, описание «атака на SMS» без указания, что в 2026 году 67% фишинговых сообщений шли через SIM-фермы (по данным ZDNet).
Ошибка 2: Неправильное применение метрик — например, использование только количества блокировок вместо FPR и TTR.
Как избежать: Вставляйте цитаты из статьи в разделы «Анализ угроз» и «Методология». Используйте таблицы с реальными цифрами (например, «100 000 SMS/час»).
---
## FAQ
Как выбрать стек для реализации? Что лучше — Python или Go?
Для диплома — Go. Он быстрее, легче в деплое, и его легко интегрировать с OpenTelemetry. Python подходит для прототипирования, но в продакшене — Go или Rust. Не забудьте про Dockerfile и Helm chart в главе 2.
Нужно ли писать весь код вручную? Можно ли использовать open-source решения?
Да, можно. Но обязательно документируйте: «Используется модуль py-sms-validator версии 1.2.3, модифицирован под требования проекта». В главе 1 укажите, какие зависимости были заменены и почему.
Как считать эффективность защиты? Где взять данные?
Возьмите данные из статьи («2,7 млн сообщений»), дополнив их экспериментом: соберите 1000 тестовых SMS, запустите систему, сравните результаты до/после. В главе 3 — таблица с метриками и графиком.
---
## Чек-лист «Что проверить перед сдачей»
- ✅ Все схемы соответствуют C4/UML (не просто рисунки, а диаграммы контекста)
- ✅ Цитаты из статьи вставлены в главу 1, с указанием даты публикации
- ✅ Код в главе 2 — корректный, с комментариями и Dockerfile
- ✅ Метрики в главе 3 — рассчитаны, с формулами и таблицами
- ✅ Соответствие ГОСТ 34.19-2000 (ТЗ, ТУ, Техническое задание)
- ✅ Уникальность — проверено через ГОСТ
- ✅ Приложения — все файлы в архиве, с названиями типа
app_implementation.pdf
---
Материал подготовлен экспертами компании IT-Diploma.ru. Мы помогаем студентам с 2010 года. Если вам нужна помощь в разработке темы или оформлении работы, наши специалисты готовы подсказать.
Последнее обновление: 2026-06-22
Если вы хотите получить бесплатную консультацию по вашей теме — мы подготовили 120 часов материалов по всем поддоменам ИТ. Напишите нам, и мы поможем с выбором стека, составлением плана и проверкой по ГОСТ.
Источник: The shadowy SIM farms behind those incessant scam texts - and how to stay safe (опубликовано 2026-04-22)