Применение методов машинного обучения для для генерации синтетических датасетов DDOS-атак для программно-определяемых сетей

Распространение наборов данных, содержащих образцы DDoS-атак в программно-определяемых сетях (SDN), является важной задачей для улучшения методов обнаружения угроз. В данной работе исследуются подходы машинного обучения (МО) для генерации синтетических данных на основе датасета HLD-DDoSDN. Рассматриваются генеративные состязательные сети (GAN), вариационные автоэнкодеры (VAE), методы повторной выборки (SMOTE, ADASYN) и диффузионные модели. Проводится сравнительный анализ методов по качеству генерации, вычислительной сложности и применимости в задачах обнаружения DDoS-атак. Результаты показывают, что гибридные методы, сочетающие GAN и SMOTE, демонстрируют наилучший баланс между качеством данных и эффективностью.

1. Частикова В. А., Козачек К. В. Обзор актуальных проблем основных методов фильтрации спама и анализ их эффективности // Вестник Адыгейского государственного университета. Серия : Естественно-математические и технические науки. 2021. № 3 (286). С. 98–106. [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/obzor-aktualnyh-problem-osnovnyhmetodov-filtratsii-spama-i-analiz-ih-effektivnosti (дата обращения: 20.02.2025).

2. Корнюхина С. П., Лапонина О. Р. Исследование возможностей алгоритмов глубокого обучения для защиты от фишинговых атак // International Journal of Open Information Technologies. 2023. Т. 11. № 6. С. 163–174. [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/issledovanie-vozmozhnostey-algoritmov-glubokogo-obucheniyadlya-zaschity-ot-fishingovyh-atak (дата обращения: 20.02.2025).

3. Что такое DDoS-атака: виды и способы защиты. [Электронный ресурс]. URL: https://practicum.yandex.ru/blog/ddos-ataki-vidy-i-posledstviya (дата обращения: 20.02.2025).

4. Киргизбаев С. П., Киргизбаев В. П. Практическое применение искусственного интеллекта для распознавания и предотвращения фишинговых атак. Современная наука: от теории к практике: сборник статей международной научно-практической конференции. Пенза: Наука и Просвещение, 2024. С. 24–26. [Электронный ресурс]. URL: https://naukaip.ru/wpcontent/uploads/2024/03/MK-1969.pdf#page=24 (дата обращения: 20.02.2025).

5. Knime Community Hub. Column Filter. [Electronic resource]. URL: https://hub.knime.com/nightherondata/spaces/Node%20Bites/Column%20Filter~qBtTvZa98BDg60TY/current-state (accessed: 20.02.2025).

6. Knime Community Hub. PCA. [Electronic resource]. URL: https://hub.knime.com/knime/extensions/org.knime.features.base/latest/org.knime.base.node.mine.transformation.pca.perform.PCA2NodeFactory (accessed: 20.02.2025).

7. Knime Community Hub. Number to String. [Electronic resource]. URL: https://hub.knime.com/knime/extensions/org.knime.features.base/latest/org.knime.base.node.preproc.colconvert.numbertostring2.NumberToString2NodeFactory (accessed: 20.02.2025).

8. Knime Community Hub. Partitioning. [Electronic resource]. URL: https://hub.knime.com/knime/extensions/org.knime.features.base/latest/org.knime.base.node.preproc.partition.PartitionNodeFactory (accessed: 20.02.2025).

9. Knime Community Hub. Scorer. [Electronic resource]. URL: https://hub.knime.com/knime/extensions/org.knime.features.base/latest/org.knime.base.node.mine.scorer.accuracy.AccuracyScorer2NodeFactory (accessed: 20.02.2025).