Гибридный метод обнаружения аномалий в сетевом трафике на основе автоэнкодера и алгоритма кластеризации DBSCAN

Abstract

Проведен анализ существующих методов обнаружения аномалий в сетевом трафике и рассмотрены возможности применения машинного обучения в задачах информационной безопасности. Исследованы особенности, преимущества и ограничения алгоритма кластеризации DBSCAN и автоэнкодера, а также обоснована эффективность совместного применения. Разработан гибридный метод обнаружения аномалий в сетевом трафикена основе автоэнкодера и алгоритма кластеризации DBSCAN. Реализована программная модель, включающая предварительную обработку данных, обучение автоэнкодера, формирование латентного пространства признаков и кластеризацию сетевых соединений. Проведено экспериментальное исследование предложенного метода на наборе данных NSL-KDD и выполнено сравнение результатов гибридного подхода с раздельным использованием автоэнкодера и DBSCAN. Оценена эффективность разработанного метода с использованием метрик Accuracy, Precision, Recall, F1-score, ROC-AUC и матрицы ошибок.