Адаптація алгоритмів багатокласової класифікації для виявлення типу мережевої атаки в маршрутизаційних протоколах з використанням структурованих баз даних

Анотація

Предметом статті є адаптація алгоритмів багатокласової класифікації для виявлення типів мережевих атак у маршрутизаційних протоколах. Мета дослідження – розробити й експериментально перевірити ефективність різних архітектур глибокого навчання (Dense, CNN, LSTM) у задачі багатокласової класифікації мережевих атак, а також оцінити доцільність їх об’єднання в ансамбль для підвищення точності та стійкості класифікації. Для досягнення окресленої мети необхідно виконати такі завдання: проаналізувати типи мережевих атак, властивих для маршрутизаційного рівня, та їх ознаки; оцінити переваги й недоліки традиційних і сучасних методів виявлення атак, зокрема сигнатурні, аномальні та гібридні системи; дослідити архітектури глибокого навчання (Dense, CNN, LSTM) щодо їх придатності до класифікації мережевого трафіку; реалізувати окремі моделі та їх об’єднання в ансамбль із застосуванням voting-механізму. Використано такі методи: глибокі нейронні мережі різних типів, ансамблеве навчання (bagging, stacking, voting), а також аналіз дисбалансованих даних. Для перевірки ефективності моделей застосовано датасет UNSW-NB15, що містить реалістичні приклади нормального й аномального трафіку. Експерименти проведено із застосуванням сучасних бібліотек машинного навчання, а також регуляризації та нормалізації для запобігання перенавчанню. Результати дослідження. Реалізовано й протестовано три архітектури нейронних мереж. Dense-модель підтвердила стабільні результати на агрегованих ознаках, CNN ефективно виділяла локальні патерни навіть за наявності шуму, а LSTM забезпечила виявлення довгострокових залежностей у послідовних даних. Ансамбль моделей продемонстрував вищу точність класифікації порівняно з окремими архітектурами, зменшив кількість хибнопозитивних результатів і підвищив узагальнюваність. Висновки. Адаптація та поєднання різних архітектур глибокого навчання дають змогу суттєво покращити якість багатокласової класифікації мережевих атак. Ансамблевий підхід забезпечує стійкість до дисбалансу даних і підвищує точність виявлення складних атак. Досягнуті  результати підтверджують доцільність використання ансамблів у завданнях кібербезпеки та відкривають перспективи для подальших досліджень, зокрема інтеграції моделей у системи реального часу й розширення аналізу на інші типи мережевих загроз.