ОПТИМИЗАЦИЯ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ЭФФЕКТИВНОГО ПРЕДОТВРАЩЕНИЯ КИБЕРАТАК В СИСТЕМАХ ОБНАРУЖЕНИЯ СЕТЕВЫХ ВТОРЖЕНИЙ

Аннотация

В данной статье рассматривается оптимизация моделей машинного обучения (ML), предназначенных для улучшения предотвращения кибератак в системах обнаружения сетевых вторжений. В исследовании делается упор на повышение производительности и надежности этих моделей путем точной настройки их гиперпараметров с использованием передовых методов оптимизации. Используя широко известный набор данных CIC-IDS-2018, проведенисчерпывающий сравнительный анализ различных алгоритмов классификации, включая деревья принятия решений, методы опорных векторов, логистическую регрессию и продвинутые групповые подходы, такие как случайные леса и градиентный бустинг. Эмпирические данные свидетельствуют о существенном повышении производительности благодаря оптимизированным конфигурациям, особенно при выявлении сложных киберугроз. Важнейшие показатели оценки, такие как показатель F1, правильность, полнота, и точность, подтверждают превосходство оптимизированных моделей ML в защите жизненно важных инфраструктур от текущих киберугроз.