Details

Целью работы является построение и экспериментальная оценка многозадачной нейросетевой модели, выполняющей одновременное обнаружение и классификацию сетевых аномалий в трафике IoT и сопровождающей свои решения интерпретируемыми объяснениями. Объект исследования - сетевой трафик устройств интернета вещей; предмет - совместное обнаружение и классификация аномалий с обеспечением интерпретируемости. Для достижения цели решаются следующие задачи: 1. Исследовать предметную область – обнаружение и классификация сетевых аномалий в IoT, выявить ключевые киберугрозы. 2. Проанализировать существующие подходы к обнаружению, классификации и интерпретации аномалий в кибер-физических и IoT-системах. 3. Предложить собственный подход к обнаружению и классификации, устраняющий недостатки известных методов. 4. Реализовать экспериментальный макет подхода и провести его тестирование на наборе данных CICIoT2023. 5. Рассмотреть результаты программной реализации модели, провести экспериментальную оценку и анализ результатов. В ходе работы разработан подход к обучению единой многозадачной модели, проведена серия из семи экспериментов. Итоговая модель показывает высокое качество обнаружения; получены интерпретируемые объяснения на основе SHAP и весов внимания. Полученные результаты могут быть использованы при построении интерпретируемых систем обнаружения вторжений для сетей интернета вещей.

The purpose of the study is to build and experimentally evaluate a multi-task neural network model that performs simultaneous detection and classification of network anomalies in IoT traffic and accompanies its decisions with interpretable explanations. The object of the study is the network traffic of IoT devices; the subject is the joint detection and classification of anomalies with built-in interpretability. The following tasks are addressed: 1. Investigate the subject area-detection and classification of network anomalies in the IoT-and identify key cyber threats. 2. Analyze existing approaches to the detection, classification, and interpretation of anomalies in cyber-physical and IoT systems. 3. Propose an original approach to detection and classification that addresses the shortcomings of known methods. 4. Implement a prototype of the approach and test it on the CICIoT2023 dataset. 5. Review the results of the models software implementation, conduct an experimental evaluation, and analyze the results. In the course of the work, an approach to build and train a unified multi-task model was developed, and a series of seven experiments was conducted. The final model shows high detection quality; interpretable explanations based on SHAP and attention weights were obtained.