[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-en-105":3,"doc-seo-290634-105":59,"doc-detail-290634-en":129},{"code":4,"msg":5,"data":6},0,"success",[7,13,18,23,28,33,38,43,48,51,55],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},1,"Document","Story & Novel",90,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":16,"slug":17},2,"Literature",80,"literature",{"id":19,"doc_module":4,"doc_module_name":9,"category_name":20,"show_sort_weight":21,"slug":22},4,"Exam",70,"exam",{"id":24,"doc_module":4,"doc_module_name":9,"category_name":25,"show_sort_weight":26,"slug":27},5,"Comic",60,"comic",{"id":29,"doc_module":4,"doc_module_name":9,"category_name":30,"show_sort_weight":31,"slug":32},6,"Technology",50,"technology",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":36,"slug":37},7,"Healthcare",40,"healthcare",{"id":39,"doc_module":4,"doc_module_name":9,"category_name":40,"show_sort_weight":41,"slug":42},8,"Research & Report",30,"research-report",{"id":44,"doc_module":4,"doc_module_name":9,"category_name":45,"show_sort_weight":46,"slug":47},9,"Religion & Spirituality",20,"religion-spirituality",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":49,"show_sort_weight":46,"slug":50},"World Cup","world-cup",{"id":52,"doc_module":4,"doc_module_name":9,"category_name":53,"show_sort_weight":52,"slug":54},10,"Lifestyle","lifestyle",{"id":56,"doc_module":4,"doc_module_name":9,"category_name":57,"show_sort_weight":24,"slug":58},19,"General","general",{"code":4,"msg":60,"data":61},"ok",{"site_id":62,"language":63,"slug":64,"title":65,"keywords":66,"description":67,"schema_data":68,"social_meta":122,"head_meta":124,"extra_data":126,"updated_unix":128},105,"ru","application-of-machine-learning-methods-for-automated-detection-of-network-intrusions","Применение методов машинного обучения для автоматизированного обнаружения сетевых вторжений","","Цель исследования заключается в разработке автоматизированных систем обнаружения сетевых атак, способных адаптироваться к постоянно меняющемуся характеру атак и новым типам угроз. Для обучения моделей подготовлена выборка нормального и аномального трафика, предварительно прореженная и сбалансированная на основе статистического анализа. Отобраны и протестированы пять алгоритмов машинного обучения на обучающих и экспериментально полученных тестовых данных, по результатам чего выбран классификатор случайного леса. Разработанная модель демонстрирует точность обнаружения 0,99 на реальном трафике.",{"@graph":69,"@context":121},[70,84,104],{"@type":71,"itemListElement":72},"BreadcrumbList",[73,77,79,82],{"item":74,"name":75,"@type":76,"position":8},"https://docshare.wps.com","Home","ListItem",{"item":78,"name":9,"@type":76,"position":14},"https://docshare.wps.com/document/",{"item":80,"name":40,"@type":76,"position":81},"https://docshare.wps.com/document/research-report/",3,{"item":83,"name":65,"@type":76,"position":19},"https://docshare.wps.com/document/application-of-machine-learning-methods-for-automated-detection-of-network-intrusions/290634/",{"url":83,"name":65,"@type":85,"image":86,"author":91,"headline":65,"publisher":94,"fileFormat":97,"inLanguage":63,"description":67,"dateModified":98,"datePublished":98,"encodingFormat":97,"isAccessibleForFree":99,"interactionStatistic":100},"DigitalDocument",{"url":87,"@type":88,"width":89,"height":90},"https://docshare.wps.com/thumbnails/application-of-machine-learning-methods-for-automated-detection-of-network-intrusions/290634.png","ImageObject",300,407,{"name":92,"@type":93},"Asher","Person",{"url":74,"name":95,"@type":96},"DocShare","Organization","application/pdf","2026-09-17",true,{"@type":101,"interactionType":102,"userInteractionCount":4},"InteractionCounter",{"@type":103},"ViewAction",{"@type":105,"mainEntity":106},"FAQPage",[107,113,117],{"name":108,"@type":109,"acceptedAnswer":110},"В чем цель исследования по автоматизированному обнаружению сетевых вторжений?","Question",{"text":111,"@type":112},"Цель заключается в развитии автоматизированных систем обнаружения сетевых атак, которые могут адаптироваться к меняющемуся характеру атак и новым видам угроз.","Answer",{"name":114,"@type":109,"acceptedAnswer":115},"Как формировалась обучающая выборка для моделей машинного обучения?",{"text":116,"@type":112},"Подготовлена выборка с признаками нормального и аномального трафика, которая была прорежена и сбалансирована в результате предварительного статистического анализа.",{"name":118,"@type":109,"acceptedAnswer":119},"Какой алгоритм показал лучшие результаты и какова точность модели?",{"text":120,"@type":112},"Лучшие результаты показал классификатор случайного леса. Разработанная модель достигла точности обнаружения 0,99 на реальном трафике.","https://schema.org",{"og:url":83,"og:type":123,"og:title":65,"og:site_name":95,"og:description":67},"article",{"robots":125,"canonical":83},"index,follow",{"doc_id":127,"site_id":62},290634,1789642240,{"code":4,"msg":5,"data":130},{"doc_id":127,"user_id":131,"nickname":92,"user_avatar":132,"doc_module":4,"category_id":39,"category_name":40,"doc_title":65,"doc_description":67,"doc_content":133,"file_id":134,"file_url":135,"file_type":136,"file_size":137,"view_count":4,"is_deleted":4,"is_public":8,"is_downloadable":8,"audit_status":8,"page_count":44,"language":138,"language_code":63,"site_id":62,"html_lang":139,"table_of_contents":140,"faqs":141,"seo_title":142,"seo_description":67,"update_tm":128,"read_time":143},687197207639,"https://ap-avatar.wpscdn.com/davatar_a8503ba1806abce46bf441b54a3ca4cd","ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИ  \nINFORMATION TECHNOLOGY AND TELECOMMUNICATIONS  \nУДК 004.056  \nDOI: 10.21822/2073-6185-2023-50-1-53-61 Оригинальная статья/Original Paper  \nПрименение методов машинного обучения для автоматизированногообнаружения сетевых вторженийМ.В. Бабичева, И.А. Третьяков  \nДонецкий национальный университет, 283001, г. Донецк, ул . Университетская, 24, Россия  \nРезюме. Цель. Целью исследования является развитие автоматизированных систем обнаружения сетевых атак, способных адаптироваться под постоянно меняющийся характер сетевых атак и новые виды угроз . В основе таких систем должны быть использованы алгоритмы имодели машинного обучения, которые способны выявлять сложные зависимости между данными в процессе обучения Метод. Для обучения моделей была подготовлена выборка с признаками нормального и аномального трафика, причем она была прорежена и сбалансирована врезультате предварительного статистического анализа. Отобраны пять алгоритмов машинногообучения и протестированы, как на обучающем множестве признаков, так и на реальном тестовом множестве, полученном экспериментально. По результатам экспериментов отобран классификатор случайного леса, показавший наилучшие результаты . Результат. Разработана модель для обнаружения сетевых вторжений, которая показала точность обнаружения на реальном трафике 0,99. Вывод. Показано, что система обнаружения сетевых вторжений на основемашинного обучения может решить проблему гибкой защиты, которая могла бы адаптироваться под постоянно меняющийся характер сетевых атак, поскольку одним из самых важных преимуществ машинного обучения в выявлении сетевых вторжений является способность обучаться признакам атак и выявлять случаи, которые не характерны для тех, что наблюдалисьраннее.  \nКлючевые слова: информационная безопасность, сетевые атаки, сетевой трафик,машинное обучение, модель обнаружения вторжений, автоматизированные системы .  \nДля цитирования: М.В . Бабичева, И.А . Третьяков . Применение методов машинного обучения для автоматизированного обнаружения сетевых вторжений . Вестник Дагестанского государственного технического университета . Технические науки . 2023; 50(1):53-61 . DOI:10.21822/2073-6185-2023-50-1-53-61  \nApplication of machine learning methods for automated detection of network intrusions  \nM.V. Babicheva, I.A. Tretyakov  \nDonetsk National University,  \n24 Universitetskaya Str., Donetsk 283001, Russia  \nAbstract. Objective. Development of automated network attack detection systems capable of adapting to the ever-changing nature of network attacks and new types of threats. Such systems should be based on machine learning algorithms and models that are able to identify complex dependencies between data in the learning process. Method. To train the models, a sample with signs of normal and abnormal traffic was prepared, and it was thinned and balanced as a result of preliminary statistical analysis. Five machine learning algorithms were selected and tested, both on a training set of features and on a real test set obtained experimentally. Based on the results of the experiments, a random forest classifier was selected, which showed the best results. Result. A model for detecting network intrusions has been developed, which showed a detection accuracy of 0.99 on real traffic. Conclusion. It is shown that a machine learning-based network intrusion detection system can solve the problem of flexible protection that could adapt to the ever-changing nature of network attacks, since one of the most im-  \nportant advantages of machine learning in detecting network intrusions is the ability to learn the signs of attacks and identify cases that are uncharacteristic of those that were observed earlier.  \nKeywords: information security, network attacks, network traffic, machine learning, intrusion detection model, automated systems  \nFor citation: M.V. Babicheva, I.A. Tretyakov. Application of machine learning methods for automated detection of network intrusions. ","cbCaikLBlyAQoqK7","https://ap.wps.com/l/cbCaikLBlyAQoqK7","pdf",1161794,"Russian","en","# Введение\n# Постановка задачи\n# Методы исследования\n## Выбор набора данных и формирование признакового пространства","[{\"question\":\"В чем цель исследования по автоматизированному обнаружению сетевых вторжений?\",\"answer\":\"Цель заключается в развитии автоматизированных систем обнаружения сетевых атак, которые могут адаптироваться к меняющемуся характеру атак и новым видам угроз.\"},{\"question\":\"Как формировалась обучающая выборка для моделей машинного обучения?\",\"answer\":\"Подготовлена выборка с признаками нормального и аномального трафика, которая была прорежена и сбалансирована в результате предварительного статистического анализа.\"},{\"question\":\"Какой алгоритм показал лучшие результаты и какова точность модели?\",\"answer\":\"Лучшие результаты показал классификатор случайного леса. Разработанная модель достигла точности обнаружения 0,99 на реальном трафике.\"}]","Применение методов машинного обучения для автоматизированного обнаружения сетевых вторжений | PDF",23]