В работе рассматривается проблема обнаружения вредоносного трафика в современных компьютерных системах. Актуальность исследования обусловлена ростом киберугроз, таких как DDoS-атаки, SQL-инъекции и атаки нулевого дня, которые могут привести к серьезным последствиям, включая утечку данных и нарушение работы критически важных инфраструктур. Целью работы является разработка и экспериментальная проверка системы обнаружения вредоносного трафика с использованием нейросетевых методов. Для достижения цели были выполнены следующие задачи: анализ классических методов обнаружения, подбор нейросетевых алгоритмов (включая сверточные нейронные сети и LSTM), настройка параметров моделей, проведение экспериментов и оценка эффективности предложенной системы. Результаты показали, что использование нейросетевых методов позволяет повысить точность обнаружения на 11% (с 85% до 96%) и снизить количество ложных срабатываний на 9% по сравнению с классическими подходами. Разработанная система была успешно протестирована в реальных условиях, что подтверждает ее практическую значимость. Исследование также включает рекомендации по улучшению алгоритмов и интеграции системы в существующие инфраструктуры.
< ... >
This paper considers the problem of detecting malicious traffic in modern computer systems. The aim of the work is to develop and experimentally test a system for detecting malicious traffic using neural network methods. To achieve this goal, the following tasks were completed: analysis of classical detection methods, selection of neural network algorithms (including convolutional neural networks and LSTM), tuning of model parameters, conducting experiments and evaluating the effectiveness of the proposed system. The results showed that the use of neural network methods can increase detection accuracy by 11% (from 85% to 96%) and reduce the number of false positives by 9% compared to classical approaches. The developed system has been successfully tested in real conditions, which confirms its practical significance. The study also includes recommendations for improving algorithms and integrating the system into existing infrastructures.
Keywords:
detection of malicious traffic, neural network methods, information security, convolutional neural networks, LSTM, machine learning, cyber threats, DDoS attacks, SQL injections, system adaptability
Полную версию статьи смотрите на страницах журнала «Защита информации. Инсайд»
