Central Asian
Scientific
Journal

ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · ӘОЖ 004.056.53:004.85 · Русский

Разработка интеллектуальной системы обнаружения киберугроз на основе методов машинного обучения

  • Ким Владислав Вячеславович Satbayev University, Алматы, Казахстан
  • Хон Дмитрий Анатольевич Satbayev University, Алматы, Казахстан
  • Кадыр Ануар Сакенович Satbayev University, Алматы, Казахстан
  • Цхай Владимир Владиславович Satbayev University, Алматы, Казахстан
Шығарылым
№4(32), Т. 2, 2026
Беттер
354–361
Жарияланды
15.11.2026
PDF жүктеу

Аннотация

Сравнение конфигураций систем обнаружения вторжений обычно сводится к одной итоговой оценке на одном наборе данных, что не позволяет разделить вклад проектных решений и выявить их взаимодействие. В работе протокол полного факторного эксперимента с повторениями, ранее проверенный авторами на синтетическом отклике, применён к реально измеренной F-мере гибридной системы обнаружения на наборе NSL-KDD: варьировались тип детектора, дообучение на данных защищаемого потока и условия трафика (известное распределение либо сдвиг с 17 новыми типами атак), всего 40 прогонов. Установлено, что на реальных данных дисперсии неоднородны (критерий Кочрена 0,858 при критическом 0,391), однородность восстанавливается логарифмированием недобора F-меры, а значимы все восемь эффектов модели, включая тройное взаимодействие. Преимущество ансамбля меняет знак в зависимости от условий: при известном распределении он уступает одиночной модели 1,7 п. п., при сдвиге без дообучения превосходит её на 8,8 п. п., а после дообучения на 5 % потока разница становится несущественной для практики (0,4 п. п.). Индекс стабильности популяции не превысил порог переобучения 0,25 ни по одному признаку, тогда как многомерный доменный классификатор обнаружил сдвиг с площадью под ROC-кривой 0,905.

Ключевые слова: обнаружение вторжений, машинное обучение, планирование эксперимента, полный факторный эксперимент, дрейф данных, ансамбль моделей, воспроизводимость, NSL-KDD

Әдебиеттер тізімі

  1. Jacob S. L., Sultana Habibullah P. A Systematic Analysis and Review on Intrusion Detection Systems Using Machine Learning and Deep Learning Algorithms // Journal of Computational and Cognitive Engineering. – 2025. – Vol. 4, No. 2. – P. 108–120. – DOI: 10.47852/bonviewJCCE42023249.
  2. Sommer R., Paxson V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection // Proceedings of the IEEE Symposium on Security and Privacy. – Oakland, 2010. – P. 305–316. – DOI: 10.1109/SP.2010.25.
  3. Apruzzese G., Colajanni M., Ferretti L. [et al.] On the Effectiveness of Machine and Deep Learning for Cyber Security // Proceedings of the 10th International Conference on Cyber Conflict (CyCon). – Tallinn, 2018. – P. 371–390. – DOI: 10.23919/CYCON.2018.8405026.
  4. Горюнов М. Н., Мацкевич А. Г., Рыболовлев Д. А. Синтез модели машинного обучения для обнаружения компьютерных атак на основе набора данных CICIDS2017 // Труды Института системного программирования РАН. – 2020. – Т. 32, вып. 5. – С. 81–94.
  5. Об информатизации : Закон Республики Казахстан от 24 ноября 2015 года № 418-V [Электронный ресурс]. – URL: https://adilet.zan.kz/rus/docs/Z1500000418 (дата обращения: 10.11.2026).
  6. Об утверждении единых требований в области информационно-коммуникационных технологий и обеспечения информационной безопасности : Постановление Правительства Республики Казахстан от 20 декабря 2016 года № 832 [Электронный ресурс]. – URL: https://adilet.zan.kz/rus/docs/P1600000832 (дата обращения: 10.11.2026).
  7. Kim V., Khon D., Kadyr A., Tskhai V. A Full Factorial Design for the Comparative Evaluation of Intrusion Detection Configurations: Methodology and Controlled Validation : препринт. – Almaty : Satbayev University, 2026. – 10 p. – URL: https://zenodo.org/records/24158881.
  8. Mirsky Y., Doitshman T., Elovici Y., Shabtai A. Kitsune: An Ensemble of Autoencoders for Online Network Intrusion Detection // Proceedings of the Network and Distributed System Security Symposium (NDSS). – San Diego, 2018. – 15 p. – DOI: 10.14722/ndss.2018.23204.
  9. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – San Francisco, 2016. – P. 785–794. – DOI: 10.1145/2939672.2939785.
  10. Wolpert D. H. Stacked generalization // Neural Networks. – 1992. – Vol. 5, No. 2. – P. 241–259. – DOI: 10.1016/S0893-6080(05)80023-1.
  11. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems 30 (NeurIPS 2017). – Long Beach, 2017. – P. 4765–4774.
  12. MITRE ATT&CK: Enterprise Matrix [Электронный ресурс] / The MITRE Corporation. – URL: https://attack.mitre.org (дата обращения: 10.11.2026).
  13. 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 (CISDA). – Ottawa, 2009. – P. 1–6. – DOI: 10.1109/CISDA.2009.5356528.
  14. Liu F. T., Ting K. M., Zhou Z.-H. Isolation Forest // Proceedings of the 8th IEEE International Conference on Data Mining (ICDM). – Pisa, 2008. – P. 413–422. – DOI: 10.1109/ICDM.2008.17.
  15. Адлер Ю. П., Маркова Е. В., Грановский Ю. В. Планирование эксперимента при поиске оптимальных условий. – 2-е изд., перераб. и доп. – М. : Наука, 1976. – 279 с.
  16. Shapiro S. S., Wilk M. B. An Analysis of Variance Test for Normality (Complete Samples) // Biometrika. – 1965. – Vol. 52, No. 3/4. – P. 591–611. – DOI: 10.2307/2333709.
  17. Box G. E. P., Cox D. R. An Analysis of Transformations // Journal of the Royal Statistical Society. Series B (Methodological). – 1964. – Vol. 26, No. 2. – P. 211–252.
  18. Efron B., Tibshirani R. J. An Introduction to the Bootstrap. – New York : Chapman & Hall, 1993. – 436 p.
  19. Rabanser S., Günnemann S., Lipton Z. C. Failing Loudly: An Empirical Study of Methods for Detecting Dataset Shift // Advances in Neural Information Processing Systems 32 (NeurIPS 2019). – Vancouver, 2019. – P. 1394–1406.

Дәйексөз келтіру үлгісі

Ким В.В., Хон Д.А., Кадыр А.С., Цхай В.В. Разработка интеллектуальной системы обнаружения киберугроз на основе методов машинного обучения // Central Asian Scientific Journal. – 2026. – №4(32), Т. 2. – С. 354–361.

CC BY 4.0 Мақала CC BY 4.0 лицензиясы бойынша ашық қолжетімді: оны авторлары мен мақалаға сілтеме көрсетіле отырып еркін оқуға, көшіруге және таратуға болады. Лицензия туралы толығырақ

Мақала туралы пікірлер

Пікір қалдыру

Мақаланы бағалап, пікіріңізбен бөлісіңіз. Пікір модератор тексергеннен кейін шығады.

Баға