Юлия Алексеевна Андрусенко – старший преподаватель,
д. 1, ул. Пушкина, Ставрополь, 355017
Yuliya A. Andrusenko – Senior Lectuter,
1, Pushkin st., Stavropol, 355017
Глеб Алексеевич Семенов – студент,
д. 1, ул. Пушкина, Ставрополь, 355017
Gleb A. Semenov – student,
1, Pushkin st., Stavropol, 355017
Артем Алексеевич Соломянко – студент,
д. 1, ул. Пушкина, Ставрополь, 355017
Artem A. Solomyanko – student,
1, Pushkin st., Stavropol, 355017
Алиса Андреевна Кущенко – студент,
д. 1, ул. Пушкина, Ставрополь, 355017
Alisa A. Kushchenko – student,
1, Pushkin st., Stavropol, 355017
Кристина Юрьевна Серебренникова – студент,
д. 1, ул. Пушкина, Ставрополь, 355017
Kristina Y. Serebrennikova – student,
1, Pushkin st., Stavropol, 355017
Введение. В статье рассматривается задача обнаружения кибератак в инфраструктуре промышленного Интернета вещей (IIoT), актуальность которой обусловлена ростом числа подключённых промышленных устройств и увеличением атак на критические системы управления.
Материалы и методы. Для проведения исследования использован набор данных, сформированный на основе сетевого трафика и содержащий 84 признака и 67 267 записей. В работе применялись методы предварительной обработки данных, отбор информативных признаков, анализ главных компонентов (PCA), а также методы машинного обучения, включая Decision Tree, K Nearest Neighbor, Tree Ensemble, PNN Learner и Gradient Boosted Trees. Для оценки качества моделей использовалась кросс-валидация и ограничение глубины деревьев.
Результаты и обсуждение. Проведено сравнение эффективности различных моделей классификации. Установлено, что применение PCA и оптимизация параметров моделей позволяет повысить точность обнаружения атак. Наилучший результат показала модель Tree Ensemble, обеспечившая точность классификации 97,5% при использовании 17 главных компонентов.
Заключение. Полученные результаты подтверждают перспективность применения методов машинного обучения для выявления кибератак в системах промышленного Интернета вещей и могут быть использованы при построении систем мониторинга и защиты IIoT-инфраструктуры.
Introduction. The article addresses the problem of detecting cyberattacks in the infrastructure of the Industrial Internet of Things (IIoT), the relevance of which is driven by the rapid growth of connected industrial devices and the increasing number of attacks on critical control systems. The aim of the study is to analyze and compare machine learning methods to improve the effectiveness of attack detection in IIoT networks.
Materials and methods. The study is based on a network traffic dataset containing 84 features and 67,267 records. Data preprocessing techniques, informative feature selection, and Principal Component Analysis (PCA) were applied. Several machine learning algorithms were investigated, including Decision Tree, K-Nearest Neighbors, Tree Ensemble, PNN Learner, and Gradient Boosted Trees. Model performance was evaluated using cross-validation and tree depth limitation to mitigate overfitting.
Results and discussion. A comparative analysis of classification models was conducted. The results show that the use of PCA and model parameter optimization significantly improves attack detection accuracy. The best performance was achieved by the Tree Ensemble model, which reached a classification accuracy of 97.5% when using 17 principal components.
Conclusion. The obtained results confirm the effectiveness of machine learning approaches for building intrusion detection and security monitoring systems in Industrial Internet of Things environments.
The authors declare that there are no conflicts of interest present.