Central Asian
Scientific
Journal

ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · УДК 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
Выпуск
№4(32), Т. 2, 2026
Страницы
354–361
Опубликовано
15.11.2026
Скачать PDF

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

Список литературы

  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.

Как цитировать

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 Статья в открытом доступе по лицензии CC BY 4.0: её можно свободно читать, копировать и распространять с указанием авторов и ссылки на статью. Подробнее о лицензии

Отзывы о статье

Оставить отзыв

Оцените статью и поделитесь мнением. Отзыв появится после проверки модератором.

Оценка