В условиях роста сложности современных сетевых инфраструктур, динамического характера сетевого трафика и увеличения числа кибератак повышение эффективности систем обнаружения вторжений является актуальной задачей. Целью исследования является разработка и экспериментальная оценка гибридной системы обнаружения сетевых атак, объединяющей сигнатурный анализ Suricata и искусственную нейронную сеть для интеллектуального анализа сетевого трафика. В работе проведены анализ требований к системам обнаружения аномалий, сравнительный анализ существующих решений, проектирование модульной архитектуры и экспериментальное моделирование с применением многоклассовой классификации данных набора CICIDS2018. Разработанная система включает модули захвата сетевого трафика, предварительной обработки данных, нейросетевой классификации, мониторинга и формирования предупреждений. Для повышения качества классификации в условиях дисбаланса классов применены взвешивание классов и балансировка обучающих данных. Экспериментальные результаты показали, что объединение сигнатурного и интеллектуального анализа повышает эффективность обнаружения атак. Для гибридной системы Suricata + ANN значения Precision, Recall и F1-score составили соответственно 0,97, 0,96 и 0,96, что превышает показатели отдельных методов. Научная новизна заключается в интеграции результатов сигнатурного и нейросетевого анализа. Практическая значимость состоит в возможности применения предложенной архитектуры для мониторинга и защиты корпоративных сетей в режиме, близком к реальному времени.

ИГИСИНОВ С.Ж.

PhD, и.о. ассоциированного профессора кафедры математики, Таразский университет имени М.Х. Дулати, г. Тараз, Казахстан

E-mail: igisinovsabit@gmail.com, https://orcid.org/0000-0002-4189-9142

РЫСКЕЛДІҚЫЗЫ Р.

Магистр, старший преподаватель кафедры математики, Таразский университет имени М.Х. Дулати, г. Тараз, Казахстан

E-mail: makulbekova.1985@mail.ru, https://orcid.org/ 0009-0003-0076-203X

ГАЙСАГАЛЕЕВА Б.М.

Магистр, учитель информатики, Назарбаев Интеллектуальная школа естественно-математического направления города Актобе, г. Актобе, Казахстан

E-mail: gaisagaleeva_m@akb.nis.edu.kz, https://orcid.org/0009-0001-2419-0414

УВАЛИЕВА Г.М.

Магистр, ассистент-профессор кафедры компьютерных технологий и искусственного интеллекта, Каспийский государственный университет технологий и инжиниринга имени Ш. Есенова, г. Актау, Казахстан

E-mail: w_g_w@mail.ru, https://orcid.org/0009-0008-6151-0457

ЖУМАБАЕВА Ж.О.

Магистр технических наук, Южно-Казахстанский исследовательский университет имени М. Ауэзова, г. Шымкент, Казахстан.

E-mail: janaru_77@bk.ru, https://orcid.org/0009-0007-8906-1801

1. Diana L., Dini P., Paolini D. Overview on intrusion detection systems for computers networking security. Computers, – 2025. – Vol. 14, no. 3. – Art. 87. – DOI: 10.3390/computers14030087.
2. Buczak A. L., Guven E. A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Communications Surveys & Tutorials, – 2016. – Vol. 18, no. 2. – P. 1153–1176. – DOI: 10.1109/COMST.2015.2494502
3. Dini P., Elhanashi A., Begni A., Saponara S., Zheng Q., Gasmi K. Overview on intrusion detection systems design exploiting machine learning for networking cybersecurity. Applied Sciences, – 2023. – Vol. 13, no. 13. – Art. 7507. – DOI: 10.3390/app13137507.
4. Arp D., Quiring E., Pendlebury F., Warnecke A., Pierazzi F., Wressnegger C., Cavallaro L., Rieck, K. Dos and don’ts of machine learning in computer security. Proceedings of the 31st USENIX Security Symposium (USENIX Security 22). – Boston : USENIX Association, 2022. – P. 3971–3988. https://www.usenix.org/system/files/sec22summer_arp.pdf
5. Laptiev O., Musienko A., Nakonechnyi V., Sobchuk A., Gakhov S. O. Algorithm for recognition of network traffic anomalies based on artificial intelligence. Proceedings of the 5th International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA). – IEEE, 2023. – P. 1–5. – DOI: 10.1109/HORA58378.2023.10156702.
6. Arp D., Quiring E., Pendlebury F., Warnecke A., Pierazzi F., Wressnegger C., Cavallaro L., Rieck K.. Pitfalls in machine learning for computer security. Communications of the ACM. – 2024. – Vol. 67, no. 11. – P. 104–112. – DOI: 10.1145/3643456.
7. Verma P., Dumka A., Singh R., Ashok A., Gehlot A., Malik P. K., Gaba G. S., Hedabou M. A novel intrusion detection approach using machine learning ensemble for IoT environments. – 2021. – Vol. 11, no. 21. – Art. 10268. – DOI: 10.3390/app112110268.
8. Drǎguşin S.-A., Boştinaru R.-N., Bizon N., Iana G.-V. AI-based embedded framework for cyber-attack detection through signal processing and anomaly analysis. Applied Sciences. – 2026. – Vol. 16, no. 3. – Art. 1416. – DOI: 10.3390/app16031416.
9. Bhattacharya S., Khanna A., Ganapaneni S., Najana M. Attention-based deep learning frameworks for network intrusion detection: an empirical study. International Journal of Global Innovations and Solutions. – 2024. – DOI: 10.21428/e90189c8.eb32676c.
10. Awajan A. A novel deep learning-based intrusion detection system for IoT networks. Computers, – 2023. – Vol. 12, no. 2. – Art. 34. – DOI: 10.3390/computers12020034.
11. Hossain Md. A. Deep learning-based intrusion detection for IoT networks: a scalable and efficient approach. EURASIP Journal on Information Security. – 2025. — Vol. 2025. — Article 28.– DOI: 10.1186/s13635-025-00202-w.
12. Mittra A. Shekhar S. A multiclass approach for network intrusion detection using convolutional neural networks. International Journal of Scientific Development and Research. – 2020. – Vol. 5, no. 4. – P. 253-262. https://ijsdr.org/papers/IJSDR2004044.pdf
13. Fatima R., Sheeba S., Rafa R. AI-driven intrusion detection system: a survey of techniques, datasets, and evaluation frameworks. Journal of Systems Engineering and Electronics. – 2025. 35. 212. https://doi.org/10.5281/zenodo.17949358 .
14. Yin C., Zhu Y., Fei J., He X., A deep learning approach for intrusion detection using recurrent neural networks. IEEE Access. – 2017. – Vol. 5. – P. 21954–21961. – DOI: 10.1109/ACCESS.2017.2762418.
15. Muneer S., Farooq U., Athar A., Raza M. A., Ghazal T. M., Sakib S. A critical review of artificial intelligence-based approaches in intrusion detection: a comprehensive analysis. Journal of Engineering. – 2024. – Vol. 2024. – Art. 3909173. – DOI: 10.1155/2024/3909173.
16. Ali M. L., Thakur K., Schmeelk S., Debello J., Dragos D. Deep learning vs. machine learning for intrusion detection in computer networks: a comparative study. Applied Sciences, – 2025. – Vol. 15, no. 4. – Art. 1903. – DOI: 10.3390/app15041903.

информационная безопасность, обнаружение вторжений, сетевой трафик, аномалии, машинное обучение, нейронные сети, классификация атак