Інтелектуальна система виявлення аномалій у мережевому трафіку
Вантажиться...
Дата
2026
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Дипломна робота: 110 с., 7 рис., 11 табл., 20 джерел, 1 додаток.
Об’єкт дослідження - виявлення аномалій у мережевому трафіку. Предмет - методи й архітектурні рішення для систем виявлення аномалій на основі ансамблевого машинного навчання. Мета - розробити прототип інтелектуальної системи виявлення мережевих атак у реальному часі з мінімальним рівнем хибнопозитивних спрацювань. Методи - машинне й глибоке навчання (Isolation Forest, автоенкодер, LSTM), ансамблеве навчання, інженерія ознак, метод SHAP, мікросервісне проектування. Результати. Реалізовано ансамблеву систему з детекторів Isolation Forest, автоенкодера та LSTM з оптимізацією ваг методом Nelder-Mead. На датасеті CICIDS2018 (2 млн записів) досягнуто F1 = 0.881, Precision = 0.981, AUC-ROC = 0.946 за FPR = 1,0%; пропускна здатність - 84 700 потоків/с на серверному CPU без GPU. Наукова новизна - ансамблева архітектура з трьох детекторів різної природи; удосконалене навчання LSTM із Focal Loss; стратифіковане розбиття датасету, що виключає витік інформації. Рекомендації щодо використання. Систему доцільно застосовувати як компонент SIEM-платформ і центрів моніторингу безпеки (SOC); інтеграція через REST API та формат STIX 2.1.
Опис
Ключові слова
виявлення аномалій, мережевий трафік, ансамблеве машинне навчання, isolation forest, автоенкодер, lstm, кібербезпека, cicids2018, shap, anomaly detection, network traffic, ensemble machine learning, autoencoder, cybersecurity
Бібліографічний опис
Камінська, В. Я. Інтелектуальна система виявлення аномалій у мережевому трафіку : дипломна робота … бакалавра : 122 Комп'ютерні науки / Камінська Вікторія Ярославівна. – Київ, 2026. – 110 с.