Безопасность цифровых технологий

БЕЗОПАСНОСТЬ ЦИФРОВЫХ ТЕХНОЛОГИЙ

БЕЗОПАСНОСТЬ
ЦИФРОВЫХ ТЕХНОЛОГИЙ

English | Русский

Последний выпуск
№3(122) Июль - Сентябрь 2026

Применение нейронной сети Multilayer Perceptron (MLP) для обнаружения и классификации киберугроз в сетевом трафике

Выпуск № 4 (115) Октябрь-Декабрь 2024
Авторы:

Подсевалов Артем Георгиевич ,
Киселев Максим Алексеевич ,
Иванов Андрей Валерьевич ,
DOI: http://dx.doi.org/10.17212/2782-2230-2024-4-37-65
Аннотация

В настоящей статье рассматривается применение многослойного перцептрона (MLP) для классификации сетевого трафика с целью обнаружения киберугроз. Модель была обучена на датасете NSL-KDD, который является стандартом для задач выявления атак и широко используется в исследованиях. В ходе экспериментов была проведена предварительная обработка данных, включающая кодирование категориальных признаков

и балансировку классов методом SMOTE для устранения дисбаланса между нормальным и вредоносным трафиком. Результаты показали высокую точность классификации?– 96.64 % – даже в условиях формирования шума и 10-кратной кросс-валидации, что подтверждает надежность предложенного подхода. В статье предложены показатели эффективности, такие как точность, полнота и F1-мера, которые могут служить основой для дальнейших исследований и оптимизации моделей машинного обучения для повышения безопасности сетей.


Ключевые слова: информационная безопасность, киберугрозы, машинное обучение, MLP, NSL-KDD, ROC-AUC, SMOTE, кросс-валидация, One-Hot Encoding
Подсевалов Артем Георгиевич
Новосибирский государственный технический университет,
podsevalov-artem@mail.ru
Orcid: 0009-0005-8042-3947

Киселев Максим Алексеевич
НГТУ,
asuszenfone_2@mail.ru
Orcid: 0009-0001-2100-0611

Иванов Андрей Валерьевич
кандидат технических наук, доцент, НГТУ,
andrej.ivanov@corp.nstu.ru
Orcid:

Список литературы

1.??Sommer R., Paxson V. Outside the closed world: on using machine learning for network intrusion detection // 2010 IEEE Symposium on Security and Privacy.?– IEEE, 2010. – P. 305–316. – DOI: 10.1109/SP.2010.25.



2.??Roesch M. Snort: lightweight intrusion detection for networks // Proceedings of the 13th USENIX Conference on System Administration (LISA '99). – USENIX, 1999. – P. 229–238.



3.??Fuzziness based semi-supervised learning approach for intrusion detection system / R.A.R. Ashfaq, X.Z. Wang, J.Z. Huang, H. Abbas, Y.L. He // Information Sciences. – 2017. – Vol. 378. – P. 484–497.



4.??A deep learning approach to network intrusion detection / N. Shone, T.N. Ngoc, V.D. Phai, Q. Shi // IEEE Transactions on Emerging Topics in Computational Intelligence. – 2018. – Vol. 2 (1). – P. 41–50.



5.??Intrusion detection system: a comprehensive review / H.J. Liao, C.H.R. Lin, Y.C. Lin, K.Y. Tung // Journal of Network and Computer Applications. – 2013. – Vol. 36 (1). – P. 16–24.



6.??Bhuyan M.H., Bhattacharyya D.K., Kalita J.K. Network anomaly detection: methods, systems and tools // IEEE Communications Surveys & Tutorials. – 2014.?– Vol. 16 (1). – P. 303–336.



7.??A deep learning approach for network intrusion detection system / A. Javaid, Q. Niyaz, W. Sun, M. Alam // Proceedings of the 9th EAI International Conference on Bio-inspired Information and Communications Technologies. – ACM, 2016. – P. 21–26.



8.??Vinayakumar R., Soman K.P., Poornachandran P. Applying deep learning approaches for network traffic classification and intrusion detection // 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI). – IEEE, 2017. – P. 1222–1228.



9.??Aggarwal C.C. Neural networks and deep learning: a textbook. – Springer, 2018.



10.??Goodfellow I., Bengio Y., Courville A. Deep learning. – MIT Press, 2016.



11.??Akbar K.A.C., Varma P.M. Intrusion detection system based on multi-layer perceptron neural networks // International Journal of Computer Applications. – 2012. – Vol. 52 (7). – P. 25–30.



12.??Ahmed M.S.S. Intrusion detection system using MLP neural network with packet statistical features // Journal of Communications Software and Systems. – 2019. – Vol. 15 (3). – P. 267–274.



13.??Goodfellow I., Bengio Y., Courville A. Deep learning. – MIT Press, 2016.



14.??Nielsen M.A. Neural networks and deep learning. – Determination Press, 2015.



15.??Deep learning approach for intelligent intrusion detection system / R. Vinayakumar, M. Alazab, K.P. Soman, P. Poornachandran, S. Venkatraman // IEEE Access. – 2019. – Vol. 7. – P. 41525–41550.



16.??Method of intrusion detection using deep neural network / Y. Kim, J. Lee, Y. Kim, H.K. Kim // 2017 International Conference on Big Data and Smart Computing (BigComp). – IEEE, 2018. – P. 313–316.



17.??Li Y., Wang Y. A hybrid malicious code detection method based on deep learning // International Journal of Security and Its Applications. – 2018. – Vol. 12 (2). – P. 71–82.



18.??Network traffic classifier with convolutional and recurrent neural networks for internet of things / M. López-Martín, B. Carro, A. Sánchez-Esguevillas, J. Lloret // IEEE Access. – 2017. – Vol. 5. – P. 18042–18050.



19.??Chiu  W.Y., Tsai Y.H., Li M.H. Improving network intrusion detection by the time-related features // 2015 IEEE International Conference on Applied System Innovation (ICASI). – IEEE, 2015. – P. 997–1000.



20.??Bishop C.M. Pattern recognition and machine learning. – Springer, 2006.



21.??A detailed analysis of the KDD CUP 99 data set / M. Tavallaee, E. Bagheri, W. Lu, A.A. Ghorbani // Proceedings of the 2009 IEEE Symposium on Computational Intelligence in Security and Defense Applications. – IEEE, 2009. – DOI: 10.1109/CISDA.2009.5356528.



22.??Han J., Kamber M., Pei J. Data mining: concepts and techniques. – 3rd ed. – Morgan Kaufmann, 2012.



23.??SMOTE: synthetic minority over-sampling technique / N.V. Chawla, K.W. Bowyer, L.O. Hall, W.P. Kegelmeyer // Journal of Artificial Intelligence Research. – 2002. – Vol. 16. – P. 321–357.



24.??Zhang J., Li W., Liu Z. Enhancing intrusion detection using noise injection in deep neural networks // Security and Communication Networks. – 2018. – Art. 6725018.



25.??Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection // Artificial Intelligence. – 1995. – Vol. 14 (2). –

P. 1137–1143.



26.??Bishop C.M. Training with noise is equivalent to Tikhonov regularization // Neural Computation. – 1995. – Vol. 7 (1). – P. 108–116.



27.??Aggarwal C.C. Outlier analysis. – 2nd ed. – Springer, 2016.



28.??Box G.E., Jenkins G. M., Reinsel G.C. Time series analysis: forecasting and control. – 5th ed. – Wiley, 2015.



29.??Hsu C.W., Chang C.C., Lin C.J. A practical guide to support vector classification. Technical Report. – National Taiwan University, 2010.



30.??Ng A.Y. Feature selection, L1 vs. L2 regularization, and rotational invariance // Proceedings of the 21st International Conference on Machine Learning (ICML). – ACM, 2004. – P. 615–622.



31.??Generative adversarial nets / I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio // Advances in Neural Information Processing Systems (NeurIPS). – Montreal, 2014.

Просмотров аннотации: 1280
Скачиваний полного текста: 488
Просмотров интерактивной версии: 0
Для цитирования:

Подсевалов А.Г., Киселев М.А., Иванов А.В. Применение нейронной сети Multilayer Perceptron (MLP) для обнаружения и классификации киберугроз в сетевом трафике // Безопасность цифровых технологий. – 2024. – № 4 (115). – С. 37–65. – DOI: 10.17212/
2782-2230-2024-4-37-65.

For citation:

Podsevalov A.G., Kiselev M.A., Ivanov A.V. Primenenie neironnoi seti Multilayer Perceptron (MLP) dlya obnaruzheniya i klassifikatsii kiberugroz v setevom trafike [Application of Multilayer Perceptron (MLP) neural network for detection and classification of cyber threats in network traffic]. Bezopasnost' tsifrovykh tekhnologii = Digital Technology Security, 2024, no. 4 (115), pp. 37–65. DOI: 10.17212/2782-2230-2024-4-37-65.

 

Обработка персональных данных

Мы используем сервис веб-аналитики Яндекс Метрика, который использует cookie.

Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Вы можете отказаться от использования cookies, выбрав соответствующие настройки в браузере. Также Вы можете запретить сбор данных с помощью расширения для браузера «Блокировщик Яндекс Метрики». Используя этот сайт, вы соглашаетесь на обработку персональных данных.