2797 Обнаружение сетевых атак с помощью методов машинного обучения на основе анализа трафика

Антон Сергеев

руководитель проекта

Заявка создана

26.10.2026

На рассмотрении у ПО

26.10.2026

Отправлен на комиссию

26.10.2026

Одобрен с рекомендациями

27.10.2026

Паспорт проекта

Аннотация

Сигнатурные системы обнаружения вторжений не успевают выявлять новые и модифицированные сетевые атаки, а поведенческий анализ трафика вручную невозможен из-за объема данных. Проект исследует применение методов машинного обучения к статистическим признакам сетевых потоков: длительности, числу и размеру пакетов, межпакетным интервалам, флагам TCP. Такой подход позволяет отличать нормальный трафик от атак и определять тип атаки без анализа полезной нагрузки, в том числе для шифрованного...

Отрасль

Информационная безопасность

Цель

Разработать и экспериментально исследовать модель (набор моделей) машинного обучения для обнаружения и классификации сетевых атак на основе статистических признаков сетевого трафика, оценить ее качество на открытых датасетах CICIDS2017 и/или UNSW-NB15 и сравнить с базовыми подходами.

Ожидаемые результаты

Аналитический обзор
- Классификация сетевых атак и архитектур IDS (сигнатурные и аномальные, NIDS и HIDS)
- Обзор публикаций по применению машинного обучения в IDS за последние 5–7 лет
- Сравнение датасетов CICIDS2017 и UNSW-NB15 и их известных недостатков
Воспроизводимый программный конвейер
- Загрузка и предобработка данных без утечки (data leakage)
- Обучение, оценка и сохранение моделей
- Инструкция по воспроизведению экспериментов
Сравнение моделей машинного обучения
- Не менее трех моделей разных семейств

Форма и способы промежуточного контроля

Еженедельные встречи, ежемесячные совещания с координаторами от ЦБ

Форма представления результатов

Аналитический отчет (публичный) и статья для конференции. Обзорная презентация.

Ресурсное обеспечение

Библиотека ВШЭ

Имеющийся задел

Подобраны открытые размеченные датасеты CICIDS2017, CSE-CIC-IDS2018 и UNSW-NB15 с готовыми признаками сетевых потоков; известны их ограничения (дубликаты записей, ошибки разметки, дисбаланс классов), которые учитываются при подготовке данных. Сформированы список литературы и нормативных документов (ГОСТ Р 53113.1-2008, ГОСТ Р ИСО/МЭК 27001-2021, методический документ ФСТЭК России «Меры защиты информации в государственных информационных системах») и структура пояснительной записки. Часть команды...