Разработка методов выявления аномалий сетевого трафика с использованием алгоритмов машинного обучения

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.

1. Греков М. М. Учебный стенд для анализа методов обнаружения аномалий на основе теории машинного обучения // Моделирование, оптимизация и информационные технологии. 2022. Т. 10. № 1. С. 22. https://doi.org/10.26102/2310-6018/2022.36.1.019

2. Поздняк И. С., Макаров И. С. Модели обнаружения атак с использованием методов машинного обучения // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2024. № 1. С. 99–109. https://doi.org/10.18137/RNU.V9187.24.01.P.99

3. Каскырбаева К. С. Применение методов машинного обучения для выявления аномалий в сетевом трафике // Вестник науки. 2025. Т. 2. № 4. С. 712–717.

4. Татарникова Т.М., Богданов П.Ю. Обнаружение атак в сетях интернета вещей методами машинного обучения // Информационно-управляющие системы. 2021. № 6 (115). С. 42–52. https://doi.org/10.31799/1684-8853-2021-6-42-52

5. Мұрат С.А. Обнаружение и предотвращение кибератак с помощью гибридного подхода: использование машинного обучения и традиционных методов // Студенческий вестник. 2024. № 37-4 (323). С. 63–67.