Анализ систем обнаружения вторжений на наборах данных UNSW-NB15 и NSL-KDD с использованием алгоритмов машинного обучения

В последние годы потребность в сетевых системах и интеллектуальных устройствах быстро растёт. Использование умных устройств практически во всех областях, предоставление услуг частными и государственными учреждениями через сетевые серверы, технологии облачных вычислений и системы баз данных осуществляется почти полностью удалённо. Вследствие растущих требований к сетевым системам вредоносное программное обеспечение и злоумышленники, к сожалению, активизировали свою деятельность в этих областях. Некоторые организации ежедневно подвергаются сотням или даже тысячам сетевых атак. Поэтому недостаточно лишь использовать антивирусные программы или файрволы для противодействия атакам. Обнаружение и корректный анализ сетевых атак имеют жизненно важное значение для функционирования всей системы. С помощью методов глубокого обучения и машинного обучения обнаружение и классификация атак могут выполняться успешно. В данном исследовании был проведён комплексный процесс обнаружения атак на наборах данных UNSW-NB15 и NSL-KDD с применением существующих алгоритмов машинного обучения. На наборе UNSW-NB15 были получены точности 98,6% и 98,3% для бинарной (двухклассовой) и многоклассовой классификации соответственно, а на наборе NSL-KDD — 97,8% и 93,4%. Результаты показывают, что алгоритмы машинного обучения являются эффективным решением для систем обнаружения вторжений.