ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ РАЗЛИЧНЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ И КИБЕРАТАК В СЕТЕВОМ ТРАФИКЕ

Аннотация

В статье представлено исследование эффективности различных методов машинного обучения для обнаружения аномалий и кибератак в сетевом трафике. Анализ проводился на датасете CIC-IDS-2017 с применением как контролируемых, так и неконтролируемых методов обучения. В рамках исследования выполнена комплексная предобработка данных, включающая очистку от дубликатов, обработку пропущенных значений и артефактов, отбор информативных признаков и балансировку классов. Сравнительная оценка моделей показала, что ансамблевые методы (LightGBM, Random Forest) демонстрируют наивысшую эффективность среди контролируемых подходов с F1-мерой более 0.997. Неконтролируемые методы (Isolation Forest, автоэнкодеры, k-NN для аномалий) показали умеренные результаты с максимальной F1-мерой около 0.66, что подтверждает их ограниченную применимость в качестве самостоятельных решений, но потенциальную ценность в гибридных системах для обнаружения неизвестных атак. Результаты исследования позволяют сформулировать рекомендации по построению эффективных систем обнаружения вторжений в условиях больших объемов сетевых данных.