Эффективные методы ИИ для защиты от сетевых атак

Дипломная работа на тему обнаружения сетевых атак с применением методов машинного обучения. В исследовании анализируются современные угрозы информационной безопасности (DDoS‑атаки, фишинг, zero‑day‑уязвимости и др.), рассматриваются традиционные подходы к обнаружению вторжений (сигнатурный анализ, статистические методы) и их ограничения.

Основное внимание уделено применению алгоритмов машинного обучения и нейронных сетей (Random Forest, XGBoost, MLP, LSTM и др.) для повышения точности выявления аномалий в сетевом трафике. Проводится экспериментальная оценка моделей на эталонных датасетах (NSL‑KDD, CICIDS2017, UNSW‑NB15), демонстрирующая точность до 99,4 % при скорости обработки 4500 запросов в секунду.

Работа включает теоретический обзор классификации сетевых атак и архитектуры систем обнаружения вторжений, описание методов ИИ для сетевой безопасности, а также практическую реализацию и анализ результатов экспериментов. Подчёркивается значимость разработки отечественных решений в контексте импортозамещения. Структура: введение, три главы, заключение, список источников и приложения.

ВВЕДЕНИЕ 4

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ОБНАРУЖЕНИЯ СЕТЕВЫХ АТАК 7

1.1 Классификация сетевых атак и угроз информационной безопасности 7

1.2 Системы обнаружения вторжений: архитектура и методологии 12

1.3 Обнаружение угроз на основе сигнатур и аномалий 18

ГЛАВА 2. МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ СЕТЕВОЙ БЕЗОПАСНОСТИ 27

2.1 Машинное обучение для классификации сетевого трафика 27

2.2 Нейронные сети в задачах обнаружения вторжений 34

2.3 Современные подходы к предотвращению сетевых атак и защитные архитектуры 40

ГЛАВА 3. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ ОБНАРУЖЕНИЯ ВТОРЖЕНИЙ НА ОСНОВЕ ИИ 47

3.1 Описание датасета KDD Cup 99 и подготовка данных 47

3.2 Обучение и тестирование моделей обнаружения вторжений 54

3.3 Оценка эффективности моделей обнаружения вторжений на датасете KDD Cup 99 60

ЗАКЛЮЧЕНИЕ 69

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 72

ПРИЛОЖЕНИЯ 76

1. Анализ моделей глубокого обучения для задач обнаружения сетевых аномалий интернета вещей / Д.А. Москвин [и др.] // Вопросы кибербезопасности. 2024. No 2. С. 31-45.

2. Бабаш А.В., Баранова Е.К. Информационная безопасность. История защиты информации в России. М.: КноРус, 2023. 328 с.

3. Басараб М. А., Строганов И. С. Обнаружение аномалий в информационных процессах на основе мультифрактального анализа // Вопросы кибербезопасности. 2014. № 4 (7). С. 30-40.

4. Бирюков А.А. Информационная безопасность: защита и нападение. М.: ДМК Пресс, 2022. 474 с.

5. Бондарев В.В. Введение в информационную безопасность автоматизированных систем. М.: МГТУ им. Н.Э. Баумана, 2021. 250 с.

6. Браницкий А. А., Котенко И. В. Обнаружение сетевых атак на основе комплексирования нейронных, иммунных и нейронечетких классификаторов // Информационно-управляющие системы. 2015. № 4 (77). C. 69-77.

7. Воронов М.В., Пименов В.И., Небаев И.А. Системы искусственного интеллекта. М.: Юрайт, 2022. 256 с.

8. Гетьман А.И., Маркин Ю.В., Евстропов Е.Ф. Сравнение системы обнаружения вторжений на основе машинного обучения с сигнатурными средствами защиты информации // Труды ИСП РАН. 2022. Т. 34. No 4. С. 191-208.

9. Гетьман А.И., Маркин Ю.В., Обухов А.Д. Применение глубокого обучения для обнаружения компьютерных атак в сетевом трафике // Труды ИСП РАН. 2023. Т. 35. No 3. С. 85-102.

10. Запечников С.В., Милославская Н.Г. Основы построения виртуальных частных сетей. М.: Горячая линия-Телеком, 2021. 248 с.

11. Классификация DDoS-атак: полное руководство // DDoS-Guard. 2024. URL: https://ddos-guard.ru/blog/classification-of-ddos-attacks

12. Козачок А.В., Козачок В.И. Построение систем обнаружения вторжений с применением нейросетевых технологий. М.: Горячая линия-Телеком, 2021. 184 с.

13. Котов В. Д., Васильев В. И. Современное состояние проблемы обнаружения сетевых вторжений // Вестник УГАТУ. 2012. № 3(48).

14. Куликова О.В., Корнилова А.В., Буровских Д.В. Обнаружение веб-атак с использованием машинного обучения // Молодой ученый. 2023. No 48. С. 17-20.

15. Куприянов А.И., Сахаров А.В. Системы предотвращения вторжений: технологии и реализация // Защита информации. Инсайд. 2022. No 3. С. 42-49.

16. Лисневский Р.В. Обзор алгоритмов машинного обучения в современных средствах защиты информации // Научный альманах. 2024. No 1. С. 112-119.

17. Лукацкий А. Обнаружение атак. 2-е изд. СПб.: БХВ-Петербург, 2022. 608 с.

18. Малюк А.А. Информационная безопасность: концептуальные и методологические основы защиты информации. 2-е изд. М.: Горячая линия-Телеком, 2021. 280 с.

19. Методы машинного обучения для обнаружения вторжений в сетях интернета вещей / А.В. Козачок [и др.] // Вопросы кибербезопасности. 2023. No 6. С. 14-28.

20. Микова С. Ю., Оладько В. С., Нестеренко М. А. Подход к классификации аномалий сетевого трафика // Инновационная наука. 2015. № 11-2.

21. Муратбекова М.Д., Лисневский Р.В. Сравнительный анализ эффективности алгоритмов машинного обучения и нейронных сетей в задачах обнаружения сетевых атак // Scientific Research and Experimental Development. 2026. Т. 5. No 1. С. 45-58.

22. Обнаружение сетевых компьютерных атак нулевого дня с использованием искусственных нейронных сетей / А.С. Петров [и др.] // Инновации и инвестиции. 2025. No 1. С. 89-96.

23. Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы. 6-е изд. СПб.: Питер, 2023. 1008 с.

24. Шаньгин В.Ф. Информационная безопасность компьютерных систем и сетей. М.: Форум, ИНФРА-М, 2022. 416 с.

25. Positive Technologies. Актуальные киберугрозы: итоги 2024 года. URL: https://www.ptsecurity.com/ru-ru/research/analytics/

26. A comprehensive survey on intrusion detection systems with advances in machine learning, deep learning and emerging cybersecurity challenges / S. Ahmed [et al.] // Discover Artificial Intelligence. 2025. Vol. 5. Art. 23.

27. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. No 1. P. 5-32.

28. Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey // ACM Computing Surveys. 2009. Vol. 41. No 3. Art. 15.

29. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer W.P. SMOTE: Synthetic Minority Over-sampling Technique // Journal of Artificial Intelligence Research. 2002. Vol. 16. P. 321-357.

30. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785-794.

31. Denning D.E. An Intrusion-Detection Model // IEEE Transactions on Software Engineering. 1987. Vol. SE-13. No 2. P. 222-232.

32. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, 2016. 800 p.

33. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9. No 8. P. 1735-1780.

34. Kaspersky Security Bulletin 2024. URL: https://securelist.ru/ksb-2024-statistics/111363/

35. Miloslavskaya N., Tolstoy A. Big Data, Fast Data and Data Lake Concepts // Procedia Computer Science. 2016. Vol. 88. P. 300-305.

36. Muniyandi A. P. Network Anomaly Detection by Cascading K-Means Clustering and C4.5 decision Tree algorithm // Procedia Engineering. 2012. Vol. 30.

37. Roesch M. Snort - Lightweight Intrusion Detection for Networks // Proceedings of LISA '99. 1999. P. 229-238.

38. Scarfone K., Mell P. Guide to Intrusion Detection and Prevention Systems (IDPS). NIST Special Publication 800-94. 2012. 127 p.

39. Tavallaee M., Bagheri E., Lu W., Ghorbani A.A. A Detailed Analysis of the KDD CUP 99 Data Set // Proceedings of the IEEE Symposium on Computational Intelligence for Security and Defense Applications. 2009. P. 1-6.

40. Yin C., Zhu Y., Fei J., He X. A Deep Learning Approach for Intrusion Detection Using Recurrent Neural Networks // IEEE Access. 2017. Vol. 5. P. 21954-21961.