Исследование сетевых систем обнаружения вторжений, использующих методы машинного обучения

Резюме: в статье дано общее представление о системах обнаружения вторжений (СОВ) и машинном обучении, представлена классификация методов машинного обучения. Рассмотрены наиболее часто применяемые наборы данных для обучения СОВ. Описаны основные показатели эффективности, используемые для оценки СОВ. Выполнен обзор современных исследований по разработке методов обнаружения вторжений с использованием машинного обучения, описаны сильные и слабые стороны каждого решения. Проанализированы применяемые в них наборы данных, полученные оценки эффективности предложенных методов обнаружения вторжений. На основе результатов анализа выявлены тенденции развития СОВ, нерешенные проблемы и перспективные направления исследований.

Ключевые слова: система обнаружения вторжений, машинное обучение, обнаружение аномалий, искусственная нейронная сеть, набор данных, метрики классификации, извлечение признаков, направления развития.

V.N. Trufanov, A.L. Ogarok, S.G. Nesterov

A research on network intrusion detection systems using machine learning techniques

Summary: The article gives a general idea of intrusion detection systems (IDS) and machine learning, presents a classification of machine learning methods. The most commonly used data sets for training IDS are considered. The main performance indicators used to assess the IDS are described. A review of modern research on the development of intrusion detection methods using machine learning is made, the strengths and weaknesses of each solution are described. The data sets used in them, the obtained estimates of the effectiveness of the proposed intrusion detection methods, are analyzed. Based on the results of the analysis, development trends, unresolved problems and promising areas of research were identified.

Keywords: intrusion detection system, machine learning, anomaly detection, artificial neural network, dataset, classification metrics, feature extraction, challenges.

DOI: 10.34219/2078-8320-2023-14-4-59-72