Детальная информация

Данная работа посвящена разработке системы обнаружения аномалий в сетевом трафике IoT-устройств на основе нейронной сети с оптимизацией её архитектуры алгоритмом роя частиц. Задачи, которые решались в ходе исследования и разработки: анализ особенностей сетевого трафика IoT устройств и существующих методов обнаружения аномалий; формализация задачи оптимизации архитектуры нейронной сети; адаптация алгоритма роя частиц для оптимизации архитектуры многослойного перцептрона; подготовка и предобработка набора данных CIC IoT-DIAD 2024; разработка программной реализации системы; тестирование базовой (без оптимизации) и оптимизированной моделей. В результате была разработана система обнаружения аномалий в сетевом трафике IoT-устройств, основанная на решении задачи классификации с помощью многослойного перцептрона, архитектура и гиперпараметры обучения которого, были оптимизированы с помощью алгоритма роя частиц. Приведённые в работе результаты экспериментального исследования подтверждают эффективность предложенного подхода и корректность работы разработанной системы.

This work is devoted to the development of an anomaly detection system for network traffic of IoT devices based on a neural network with optimization of its architecture using the particle swarm optimization algorithm. The tasks addressed in the course of the research and development include: analysis of the characteristics of network traffic of IoT devices and existing anomaly detection methods; formalization of the problem of neural network architecture optimization; adaptation of the particle swarm optimization algorithm for optimizing the architecture of a multilayer perceptron; preparation and preprocessing of the CIC IoT-DIAD 2024 dataset; development of the software implementation of the system; testing of the baseline (without optimization) and optimized models. As a result, an anomaly detection system for IoT network traffic was developed, based on solving a classification problem using a multilayer perceptron, whose architecture and training hyperparameters were optimized using the particle swarm optimization algorithm. The experimental results presented in the work confirm the effectiveness of the proposed approach and the correctness of the developed system.