Методы машинного обучения для выявления атак на систему управления промышленного Интернета вещей

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.

1. Машинное обучение [Электронный ресурс]. URL: https://www.sap.com/central-asiacaucasus/products/artificial-intelligence/what-is-machine-learning.html (дата обращения: 11.05.2025).

2. Воронина В. В., Михеев А. В., Ярушкина Н. Г., Святов К. В. Теория и практика машинного обучения: учеб. пособие. Ульяновск: УлГТУ, 2017. 290 с.

3. Лапина М. А., Мовзалевская В. В., Токмакова М. Е., Бабенко М. Г., Саджид Мохаммад. Применение технологий машинного обучения для обнаружения веб-атак // Вопросы кибербезопасности. 2024. № 4 (62). С. 92–103. https://doi.org/10.21681/2311-3456-2024-4-92-103

4. Лапина М. А., Подручный Н. В., Русанов М. А., Бабенко М. Г. Исследование методов машинного обучения для выявления сетевых атак // Труды Института системного программирования РАН. 2025. Т. 37. № 4–2. С. 147–174.

5. IoT SDN IDS Датасет [Электронный ресурс]. URL: https://www.kaggle.com/datasets/hebadhirar/iotsdn-ids-dataset (дата обращения: 11.05.2025).

6. Jolliffe I. T., Cadima J. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A. 2016. Art. 374. https://doi.org/10.1098/rsta.2015.0202

7. Biau G., Scornet E. A random forest guided tour // Test. 2016. Vol. 25. P. 197–227. https://doi.org/10.1007/s11749-016-0481-7

8. Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in Neurorobotics. 2013. Vol. 7. Art. 21. https://doi.org/10.3389/fnbot.2013.00021

9. Song Y., Lu Y. Decision tree methods: applications for classification and prediction // Shanghai Archives of Psychiatry. 2015. Vol. 27. No. 2. P. 130–135. https://doi.org/10.11919/j.issn.1002- 0829.215044

10. Zhang S., Li X., Zong M., Zhu X., Wang R. Efficient kNN classification with different numbers of nearest neighbors // IEEE Transactions on Neural Networks and Learning Systems. 2018. Vol. 29. No. 5. P. 1774–1785. https://doi.org/10.1109/TNNLS.2017.2673241

11. Карачанская Е. В., Соседова Н. И. Метод выявления аномалий сетевого трафика, основанный на его самоподобной структуре // Безопасность информационных технологий. 2019. Т. 26. № 1. С. 98-110. https://doi.org/10.26583/bit.2019.1.10

12. Балыбердин А. В., Крылов Г. О. Повышение точности выявления аномалий для систем обнаружения вторжения с помощью ансамблевого обучения // Безопасность информационных технологий. 2025. Т. 32. № 1. С. 153–171. https://doi.org/10.26583/bit.2025.1.11

13. Лавров Б. О., Иванов М. А. Интеллектуальное обнаружение аномалий в контейнеризованных приложениях: методы, архитектура и инструменты // Безопасность информационных технологий. 2025. Т. 32. № 4. С. 149–164. https://doi.org/10.26583/bit.2025.4.11

14. KNIME Analytics Platform. Available from: https://www.knime.com/knime-analytics-platform [Accessed 11 May 2025].