Анализ набора данных NSL-KDD: реализация машинного обучения для обнаружения вторжений в компьютерной сети

Интернет существенно изменил общество, в том числе деловые операции, и при этом увеличил угрозы безопасности, требующие надежной защиты компьютерных ресурсов. В этом исследовании предлагается использовать методы машинного обучения для повышения эффективности обнаружения вторжений, выходя за рамки традиционных систем на основе правил. Путем выбора ключевых признаков ставится задача более эффективного выявления злоумышленников и аномалий в сети. Исследователь рассмотрит алгоритмы классификации, такие как случайный лес, логистическая регрессия и метод k ближайших соседей, используя набор данных NSL-KDD. Подход включает использование матриц неточностей (confusion matrices) для углубленного анализа с целью повышения точности обнаружения и снижения избыточности. Дополнительно будут рассмотрены проблемы, связанные с качеством данных, интерпретируемостью моделей и этические вопросы смещения (bias) в машинном обучении.