Целью работы является адаптация модели обнаружения атак для различных наборов данных. Предметом исследования является адаптация модели машинного обучения. Задачи, решаемые в ходе исследования: 1. Проанализировать наборы данных, выбрать наиболее информативные признаки для обучения нейронной сети. 2. Разработать программный прототип персептрона, определить гиперпараметры НС, влияющие на качество обучения. 3. Адаптировать модель для получения высокого качества обучения. 4. Проанализировать полученные результаты. В ходе работы была исследована архитектура персептрона и его параметров. Выбранная модель должна классифицировать атаки в сети интернета вещей. Были проанализированы результаты при различных параметрах нейронной сети. В частности, проводились эксперименты при различных оптимизаторах, функциях активации, количестве нейронов, а также при различных методах стандартизации и масштабирования данных перед непосредственным обучением. В результате работы была разработана модель машинного обучения, которая показывает качество классификации свыше 90% на различных наборах данных, содержащих трафик сети устройств интернета вещей, а именно NF-UQ-NIDS-v2, CIC IoT 2023, CIC IoMT 2024.

The purpose of the study is to adapt the attack detection model for various datasets. The subject of the research is the adaptation of the machine learning model. The research set the following goals: 1. Analyze datasets and select the most informative features for training the neural network. 2. Develop a software prototype of the perceptron, and determine the neural network hyperparameters that affect the quality of training. 3. Adapt the model to achieve high training quality. 4. Analyze the obtained results. During the work the architecture of the perceptron and its parameters were studied. The chosen model should classify attacks in the Internet of Things network. The results were analyzed with various parameters of the neural network. In particular, experiments were conducted with different optimizers, activation functions, the number of neurons, as well as with various methods of data standardization and scaling before training. As a result of the work, a machine learning model was developed that shows a classification quality above 90% on various datasets containing traffic from Internet of Things devices, namely NF-UQ-NIDS-v2, CIC IoT 2023, and CIC IoMT 2024.