Details

Данная работа посвящена сравнительному анализу эффективности алгоритмов машинного обучения в задаче бинарной классификации сетевого трафика «нормальный трафик / атака» и разработке рекомендаций по выбору модели для прототипирования систем обнаружения вторжений. Задачи, которые решались в ходе работы: 1. анализ современных подходов к обнаружению аномалий в сетевом трафике и выделение критериев сравнения; 2. подготовка набора данных к эксперименту; 3. реализация и обучение моделей машинного обучения: логистической регрессии, градиентного бустинга (XGBoost), многослойного перцептрона и автоэнкодера; 4. оценка и сравнение обученных моделей по комплексу метрик. В результате было проведено сравнение моделей по метрикам качества. Установлено, что нелинейные модели обеспечивают наиболее высокие значения F1-score, тогда как логистическая регрессия уступает им по всем интегральным показателям. На основании полученных данных разработаны рекомендации по выбору алгоритма в зависимости от требований целевой системы обнаружения вторжений.

This work is devoted to a comparative analysis of the effectiveness of machine learning algorithms for binary classification of network traffic (“normal traffic / attack”) and to developing recommendations for model selection when prototyping intrusion detection systems. The tasks addressed during the work: analysis of modern approaches to anomaly detection in network traffic and identification of comparison criteria; preparation of the dataset for the experiment; implementation and training of machine learning models: logistic regression, gradient boosting (XGBoost), multilayer perceptron, and autoencoder; evaluation and comparison of the trained models using a set of metrics. As a result, the models were compared according to quality metrics. It was found that nonlinear models achieve the highest F1-score values, whereas logistic regression is inferior to them in all aggregate metrics. Based on the obtained data, recommendations for algorithm selection depending on the requirements of the target intrusion detection system were developed.