Машинное обучение для обнаружения вторжений в сетях Wi‑Fi: сравнительное исследование точности, интерпретируемости и устойчивости к состязательным атакам

Стремительное развитие искусственного интеллекта (ИИ) вызвало широкое обсуждение его потенциала в улучшении повседневной жизни посредством различных приложений. Среди них машинное обучение (МО) стало перспективным инструментом обнаружения угроз в сетях Wi‑Fi — области, становящейся все более уязвимой для атак вследствие широкого распространения беспроводной связи. В данной работе рассматриваются ограничения существующих исследований, которые зачастую опираются на стандартные метрики без всестороннего анализа производительности, интерпретируемости и устойчивости моделей. Цель исследования заключается в углубленной оценке моделей МО для обнаружения угроз в сетях Wi‑Fi с использованием таких метрик, как точность, precision, полнота и F1-мера, а также матриц ошибок для оценки эффективности классификации. Кроме того, будут проанализированы время обучения и вывода, размеры моделей и влияние признаков с использованием значений аддитивных объяснений Шепли (Shapley Additive Explanations, SHAP). Ошибки классификации будут тщательно изучены для выявления потенциальных ошибок, обусловленных свойствами наборов данных, что подчеркивает необходимость тщательной предварительной обработки данных для обеспечения более широкой применимости. Кроме того, устойчивость моделей будет проверена на предмет состязательных атак, адаптированных к обнаружению угроз в сетях Wi‑Fi. Результаты будут обобщены в сравнительном анализе моделей, подчеркивающем значение каждого методологического этапа и возможные последствия пренебрежения критически важными аспектами. Настоящая работа призвана внести вклад в развитие данной области посредством углубления понимания применения МО в кибербезопасности и содействия разработке более надежных и интерпретируемых систем обнаружения.