В условиях стремительного роста объёмов сетевого трафика и усложнения структуры киберугроз традиционные методы анализа и мониторинга становятся всё менее эффективными, что создаёт серьёзные уязвимости в системах информационной безопасности. Существующие сигнатурные подходы неспособны справляться с новыми типами атак, особенно тех, которые используют полиморфные вредоносные программы, эксплуатируют уязвимости нулевого дня или применяют скрытные методы проникновения. Это обусловливает необходимость внедрения более интеллектуальных и адаптивных решений, способных эффективно анализировать большие объёмы гетерогенных данных в реальном времени и своевременно выявлять аномалии в сетевом трафике. Представленное исследование направлено на разработку и апробацию современных методов обнаружения аномалий в сетевом трафике на основе алгоритмов машинного обучения, включая как классические, так и продвинутые подходы — глубокие нейронные сети и ансамблевые методы. Цель проекта — создание эффективных моделей, способных автоматически идентифицировать подозрительную активность, классифицировать возможные угрозы и предсказывать потенциальные векторы атак. Особое внимание уделяется практическому применению данных моделей в условиях реального времени без значительного увеличения вычислительных затрат. Для реализации поставленных задач в работе используется аналитическая платформа KNIME (Konstanz Information Miner), которая обеспечивает визуальную среду для построения, обучения и тестирования моделей машинного обучения. Благодаря модульной архитектуре и интуитивно понятному интерфейсу, KNIME упрощает процесс обработки данных, построения рабочих процессов и интерпретации результатов. Это делает платформу особенно привлекательной для специалистов, не обладающих глубокими знаниями в программировании, но заинтересованных в использовании интеллектуального анализа данных для повышения уровня кибербезопасности.