УСОВЕРШЕНСТВОВАНИЕ СИСТЕМ ОБНАРУЖЕНИЯ ВТОРЖЕНИЙ С ПОМОЩЬЮ АНАЛИЗА СЕТЕВОГО ТРАФИКА НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ФОКУС НА ОБНАРУЖЕНИИ АНОМАЛИЙ

Аннотация

АННОТАЦИЯ. В эпоху сложных киберугроз и растущей сложности сетевых инфраструктур системы обнаружения вторжений (IDS) играют критически важную роль в обеспечении безопасности цифровых активов. Традиционные методы IDS, основанные на заранее определенных правилах и сигнатурах, становятся менее эффективными против сложных атак. Для решения этой проблемы методы машинного обучения, такие как XGBoost (Extreme Gradient Boosting), становятся мощными инструментами для улучшения возможностей обнаружения вторжений. В этой статье рассматривается применение XGBoost в IDS для обнаружения как известных, так и неизвестных сетевых вторжений. Используя подход ансамблевого обучения, XGBoost улучшает точность и эффективность, предлагая надежное решение для реального времени в динамичных сетевых средах. Исследование охватывает этапы сбора данных, предобработки, обучения модели и оценки ее работы. Кроме того, рассматриваются проблемы, такие как интерпретируемость модели, ложные срабатывания и необходимость в непрерывном обучении. Работа демонстрирует значительный потенциал XGBoost для повышения безопасности сетей и обеспечения проактивного обнаружения угроз.

Ключевые слова: система обнаружения вторжений (ids), машинное обучение, xgboost, сетевая безопасность, обнаружение в реальном времени, обнаружение аномалий, кибербезопасность, инженерия признаков, градиентный бустинг, ложные срабатывания, оценка модели, предобработка данных.