Обнаружение вторжений в компьютерные сети на основе аномалий с помощью методов машинного обучения
DOI:
https://doi.org/10.52575/2687-0932-2025-52-2-465-475Ключевые слова:
компьютерные сети, система обнаружения вторжений, аномалии, машинное обучениеАннотация
Актуальность данной работы основана на необходимости обнаружения вредоносной активности и вторжений в сеть или устройство в рамках мер противодействия и пресечения кибератак и киберпреступлений. Предлагаемое авторами программное обеспечение является системой обнаружения вторжений на сетевом уровне, использующей аномальный подход к интерпретации сетевого трафика и пассивные режимы реагирования и поиска данных. Архитектура предлагаемой сетевой системы обнаружения вторжений содержит в себе модуль прослушивания передаваемых и получаемых пакетов данных и сохранения данных в виде датасета, модуль анализа и реагирования и модуль пользовательского интерфейса. В ходе разработки были подготовлены данные для дальнейшего обучения системы, определены механизмы формирования данных в выбранном обучающем датасете, исходя из изученных механизмов реализован алгоритм по прослушиванию сетевых пакетов и формированию нового тестового датасета. В модуле анализа и реагирования применялись распространенные алгоритмы машинного обучения. Данный модуль также содержит обработчик и дает возможность пользователю выбрать и запустить нужный ему алгоритм машинного обучения. Для оценки качества алгоритмов классификации были смоделированы сетевые атаки на защищаемые компьютерные сети. Тестирование проводилось на сбалансированном датасете, в сети без сетевых атак, а дообученные алгоритмы тестировались в сети без сетевых атак и с сетевыми атаками. Дообученные алгоритмы показали приемлемо высокие результаты точности.
Скачивания
Библиографические ссылки
Список литературы
Григорьев А. 2023. Машинное обучение. Портфолио реальных проектов. Спб: Питер, 496 с.
Исследование ГК «Солар»: Атаки на российские компании в III квартале 2023 года [Электронный ресурс]. URL: https://rt-solar.ru/analytics/reports/3889/ (дата обращения: 12.12.2024).
Мартин Р. 2022. Чистая архитектура. Искусство разработки программного обеспечения. Санкт-Петербург: Питер, 352 с.
Отчет о DDOS-атаках за третий квартал 2023 года от StormWall [Электронный ресурс]. URL: https://stormwall.pro/otchet-o-ddos-atakah-2023-tretij-kvartal (дата обращения: 12.12.2024).
Плас Дж. 2021. Python для сложных задач: наука о данных и машинное обучение. СПб: Питер, 576 с.
Репозиторий с данными об уязвимостях Cross Site Scripting (XSS) Vulnerability Payload List [Электронный ресурс]. URL: https://github.com/payloadbox/xss-payload-list (дата обращения: 12.12.2024).
Репозиторий с данными по информационной безопасности SecList [Электронный ресурс]. URL: https://github.com/danielmiessler/SecLists (дата обращения: 12.12.2024).
Репозиторий свободной системы обнаружения вторжений Open Source Tripwire [Электронный ресурс]. URL: https://github.com/Tripwire/tripwire-open-source (дата обращения: 12.12.2024).
Репозиторий свободной системы обнаружения вторжений Snort [Электронный ресурс]. URL: https://github.com/snort3/snort3 (дата обращения: 12.12.2024).
Репозиторий свободной системы обнаружения вторжений Zeek [Электронный ресурс]. URL: https://github.com/zeek/zeek (дата обращения: 12.12.2024).
Траск Э. 2022. Грокаем глубокое обучение. Спб: Питер, 352 с.
A Realistic Cyber Defense Dataset (CSE-CIC-IDS2018) [Электронный ресурс]. URL: https://registry.opendata.aws/cse-cic-ids2018/ (дата обращения: 12.12.2024).
Kelleher J.D. 2019. Deep Learning. The Massachusetts Institute of Technology, 296 p.
Kneusel R.T. 2022. Math for Deep Learning. A practitioner`s guide to mastering neural networks. – San Francisco: No Starch Press, 344 p.
Madani A. 2023. Debugging Machine Learning Models with Python. Develop high-performance, low bias, and explainable machine learning and deep learning models. Birmingham: Packt Publishing Ltd., 344 p.
Weber H. 2020. Big Data and Artificial Intelligence. Complete Guide to Data Science, AI, Big Data and Machine Learning. Independently Published: Hans Weber, 160 p.
Yuxi (Hayden) Liu. 2020. Python Machine Learning By Example. Third Edition. Build intelligent systems using Python, Tensor Flow 2, PyTorch, and scikit-learn. Birmingham: Packt Publishing Ltd., 526 p.
References
Grigor'ev A. 2023. Mashinnoe obuchenie. Portfolio real'nyh proektov [Machine Learning. Portfolio of real projects]. Spb: Piter, 496 p.
Issledovanie GK «Solar»: Ataki na rossijskie kompanii v III kvartale 2023 goda [Solar Group Research: Attacks on Russian companies in Q3 2023] [Elektronnyj resurs]. URL: https://rt-solar.ru/analytics/reports/3889/ (data obrashcheniya: 12.12.2024).
Martin R. 2022. Chistaya arhitektura. Iskusstvo razrabotki programmnogo obespecheniya [Pure Architecture. The art of software development]. Sankt-Peterburg: Piter, 352 p.
Otchet o DDOS-atakah za tretij kvartal 2023 goda ot StormWall [DDOS attacks report for the third quarter of 2023 from StormWall] [Elektronnyj resurs]. URL: https://stormwall.pro/otchet-o-ddos-atakah-2023-tretij-kvartal (data obrashcheniya: 12.12.2024).
Plas Dzh. 2021. Python dlya slozhnyh zadach: nauka o dannyh i mashinnoe obuchenie [Python for complex problems: data science and machine learning]. SPb: Piter, 576 p.
Repozitorij s dannymi ob uyazvimostyah Cross Site Scripting (XSS) Vulnerability Payload List [Elektronnyj resurs]. URL: https://github.com/payloadbox/xss-payload-list (data obrashcheniya: 12.12.2024).
Repozitorij s dannymi po informacionnoj bezopasnosti SecList [Elektronnyj resurs]. URL: https://github.com/danielmiessler/SecLists (data obrashcheniya: 12.12.2024).
Repozitorij svobodnoj sistemy obnaruzheniya vtorzhenij Open Source Tripwire [Elektronnyj resurs]. URL: https://github.com/Tripwire/tripwire-open-source (data obrashcheniya: 12.12.2024).
Repozitorij svobodnoj sistemy obnaruzheniya vtorzhenij Snort [Elektronnyj resurs]. URL: https://github.com/snort3/snort3 (data obrashcheniya: 12.12.2024).
Repozitorij svobodnoj sistemy obnaruzheniya vtorzhenij Zeek [Elektronnyj resurs]. URL: https://github.com/zeek/zeek (data obrashcheniya: 12.12.2024).
Trask E. 2022. Grokaem glubokoe obuchenie [Grokai deep learning]. Spb: Piter, 352 p.
A Realistic Cyber Defense Dataset (CSE-CIC-IDS2018) [Elektronnyj resurs]. URL: https://registry.opendata.aws/cse-cic-ids2018/ (data obrashcheniya: 12.12.2024).
Kelleher J.D. 2019. Deep Learning. The Massachusetts Institute of Technology, 296 p.
Kneusel R.T. 2022. Math for Deep Learning. A practitioner`s guide to mastering neural networks. – San Francisco: No Starch Press, 344 p.
Madani A. 2023. Debugging Machine Learning Models with Python. Develop high-performance, low bias, and explainable machine learning and deep learning models. Birmingham: Packt Publishing Ltd., 344 p.
Weber H. 2020. Big Data and Artificial Intelligence. Complete Guide to Data Science, AI, Big Data and Machine Learning. Independently Published: Hans Weber, 160 p.
Yuxi (Hayden) Liu. 2020. Python Machine Learning By Example. Third Edition. Build intelligent systems using Python, Tensor Flow 2, PyTorch, and scikit-learn. Birmingham: Packt Publishing Ltd., 526 p.
Просмотров аннотации: 20
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2025 Экономика. Информатика

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.