Детальная информация

В работе рассмотрено применение вейвлет-преобразования для обнаружения различных аномалий в сетевом трафике. Основное внимание уделено анализу имеющегося набора данных. Для полного понимания структуры данных были изучены различные статистические характеристики последовательностей данных. Для этого были вычислены индексы Хёрста, которые позволяют понять характер временного ряда; корреляционные размерности временных рядов, дающие представление о сложности временного ряда и количестве параметров системы, которая должна его описывать; проведены тесты Дики-Фуллера для определения стационарности ряда. После определения статистических характеристик был проведён поиск оптимальных вейвлет-функций и уровней разложений для каждого из временных рядов. Решение задачи классификации достигалось путём проектирования и обучения свёрточной нейронной сети, а также поиск оптимальной архитектуры путём оптимизации целевой метрики. Результаты работы показали, что применение вейвлет-анализа позволяет более точно выявлять аномалии в сетевом трафике. В ходе экспериментов были получены более высокие значения метрик, в сравнении с другими методами, такими как градиентный бустинг, логистическая регрессия, а также методы, использующие Фурье преобразование и спектрограммы.

This study examines the application of wavelet transformation for detecting various anomalies in network traffic. The primary focus is placed on analyzing the available dataset. To fully understand the structure of the data, various statistical characteristics of the data sequences were studied. Specifically, Hurst indices were calculated to assess the nature of the time series; correlation dimensions were determined to gain insight into the complexity of the time series and the number of parameters required to describe the system; and Dickey-Fuller tests were conducted to assess the stationarity of the series. After determining the statistical characteristics, a search was conducted for optimal wavelet functions and decomposition levels for each of the time series. The classification task was addressed by designing and training a convolutional neural network, along with searching for an optimal architecture through the optimization of a target metric. The results of the study demonstrated that the use of wavelet analysis allows for more accurate detection of anomalies in network traffic. During the experiments, higher metric values were obtained in comparison with other methods, such as gradient boosting, logistic regression, and approaches utilizing Fourier transforms and spectrograms.