Киберқауіптердің қарқынды өсуі жағдайында желілік шабуылдарды тиімді анықтау ақпараттық жүйелердің қауіпсіздігін қамтамасыз етуде аса маңызды міндетке айналуда. Бұл жұмыста әртүрлі желілік шабуылдар мен қалыпты трафик түрлерін қамтитын ауқымды деректер жиынтығы – CICIDS2018 датасеті негізінде шабуылдарды анықтау үшін жасанды нейрондық желілерді (ЖНЖ) қолдану қарастырылады. Зерттеудің мақсаты – желілік трафиктегі шабуылдарды анықтаудың дәлдігі мен жылдамдығын арттыру үшін ЖНЖ негізінде гибридті модельді әзірлеу және бағалау.

Тақырыптың өзектілігі өзгермелі жағдайлар мен жаңа шабуыл түрлеріне бейімделе алатын киберқауіптерден қорғаудың тиімді әдістерін әзірлеу қажеттілігімен түсіндіріледі. 80-нен астам түрлі шабуыл класын қамтитын CICIDS2018 датасеті әзірленген модельдерді тестілеу мен валидациялауға бірегей мүмкіндік береді. Осы жұмыста үш негізгі міндет қарастырылады: датасет деректерін талдау және алдын ала өңдеу, ЖНЖ-нің гибридті архитектурасын әзірлеу және ұсынылған модельдің өнімділігін тестілік деректер жиынтығында бағалау.

Зерттеу әдістемесі белгілерді шығару, нейрондық желі архитектурасын таңдау және гиперпараметрлерді оңтайландыру кезеңдерін қамтиды. Атап айтқанда, құрылымдалған және құрылымдалмаған деректерді тиімді өңдеуге мүмкіндік беретін көпқабатты персептрондар мен конволюциялық нейрондық желілерді біріктіретін гибридті модель қолданылады. Зерттеу нысаны – желілік трафикті терең талдау мен шабуылдарды анықтауға мүмкіндік беретін CICIDS2018 датасеті.

Осылайша, бұл зерттеу машиналық оқытудың заманауи әдістерін қолдана отырып, шабуылдарды анықтау жүйелерінің тиімділігін арттыру мәселесін шешуге бағытталған. Жұмыс нәтижелері киберқауіпсіздік технологияларын одан әрі дамытуға және желілік трафикті талдаудың жаңа тәсілдерін енгізуге ықпал етуі мүмкін. Бұл салада ЖНЖ-нің гибридті моделін қолдану ақпараттық қауіпсіздік жүйелерін жетілдіру үшін жаңа мүмкіндіктер ашады.

КЕРЕЕВ А.К.

PhD, информатика және ақпараттық технологиялар кафедрасының доценті, Қ.Жұбанов атындағы Ақтөбе өңірлік университеті, Ақтөбе қ., Қазақстан

E-mail: adiljan@mail.ru, https://orcid.org/0000-0002-8283-5807

ТӘҢІРБЕРГЕН А.К.

Магистр, Қ.Жұбанов атындағы Ақтөбе өңірлік университеті, Ақтөбе қ., Қазақстан

E-mail: aisulu21@mail.ru, https://orcid.org/0009-0009-2936-4637

АБДЫГАЛИЕВА Г.Б.

Магистр, информатика пәні мұғалімі, педагог-шебер, Фариза Оңғарсынова атындағы №41 мектеп-гимназиясы, Ақтөбе қ., Қазақстан

E-mail: guldariya78@mail.ru, https://orcid.org/0009-0001-0552-8475

ИГИСИНОВ С.Ж.

PhD, математика кафедрасының қауымдастырылған профессор м.а., М.Х. Дулати атындағы Тараз университеті, Тараз қ., Қазақстан.

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

ТОЛЕУОВ Т.Ж.

Магистр, информатика және АТ кафедрасының аға оқытушысы, Қ. Жұбанов атындағы Ақтөбе өңірлік университеті, Ақтөбе қ., Қазақстан

E-mail: timur_toleuov@mail.ru, https://orcid.org/0000-0002-6050-1056

1. Kumar B. P., Giri M., Devish R., Dhanush A. V. Mitigating unknown DDoS attacks with RPL: a computationally efficient IDS framework // 2025 4th International Conference on Advances in Computing, Communication, Embedded and Secure Systems (ACCESS). Ernakulam, India, – IEEE, 2025. – P. 555-560. URL: https://ieeexplore.ieee.org/document/11135873
2. Liu X., Cao Y. Research on network intrusion detection techniques based on feature selection model and recurrent neural network // Proceedings of the 8th International Conference on Cyber Security and Information Engineering (ICCSIE 2023), Putrajaya, Malaysia, 22–24 September 2023. — New York: Association for Computing Machinery, 2023. — P. 45–51. — DOI: 10.1145/3617184.3617781.
3. Priya S. et al. Performance analysis comparison on various cyber-attack datasets by relating a deep belief network model on an intrusion detection system (IDS) // Information Technology in Industry. – 2021. – Vol. 9. – №. 3. – P. 608-613. URL: https://it-in-industry.org/index.php/itii/article/view/600
4. Mhawi D. N., Aldallal A., Hassan S. Advanced feature-selection-based hybrid ensemble learning algorithms for network intrusion detection systems // Symmetry. – 2022. – Vol. 14. – №. 7. – Art. 1461. DOI: 10.3390/sym14071461.
5. Emanet S., Baydogmus G. K., Demir O. An ensemble learning based IDS using Voting rule: VEL-IDS // PeerJ Computer Science. – 2023. – Vol. 9. – P. e1553. DOI: 10.7717/peerj-cs.1553.
6. Markovic T., Leon M., Buffoni D., Punnekkat S. Random forest with differential privacy in federated learning framework for network attack detection and classification // Applied Intelligence. – 2024. – Vol. 54. – №. 17. – P. 8132-8153. DOI: 10.1007/s10489-024-05589-6.
7. Mukhef H. A., Ali H. H., Ibrahim Z. S. Adversarial robustness of network IDS (structured data) // Journal of Al-Qadisiyah for Computer Science and Mathematics. – 2025. – Vol. 17. – №. 4. – P. 209–224. DOI: 10.29304/jqcsm.2025.17.42554
8. Kumar A., Kumar V., Singh Bhadauria A. P. Optimizing intrusion detection in edge computing network: a hybrid ML approach with recursive feature elimination // International Journal of Intelligent Engineering and Systems. – 2025. – Vol. 18. – №. 1. – P. 36–46. DOI: 10.22266/ijies2025.0229.04.
9. Jadhav A. D., Pellakuri V., Ahire P. G., Chaugule A. A., Tiwari H. U. Distributed two phase intrusion detection system using machine learning techniques and underlying big data storage and processing architecture-HDFS // Inteligencia Artificial. – 2025. – Vol. 28. – №. 76. – P. 124-148. DOI: 10.4114/intartif.vol28iss76pp124-148.
10. Zhang S., Wang J., An D. Diffusion multimodal distillation collaboration: a generative equilibrium framework for efficient vehicle networking intrusion detection // IEEE Internet of Things Journal. – 2026. – Vol. 13, №. 9. – P. 19491–19505. DOI: 10.1109/JIOT.2026.3664119.
11. Budilaksono S. et al. Comparison of data mining algorithm: PSO-KNN, PSO-RF, and PSO-DT to measure attack detection accuracy levels on intrusion detection system // Journal of Physics: Conference Series. – IOP Publishing, 2020. – Vol. 1471. – №. 1. – Art. 012019. DOI: 10.1088/1742-6596/1471/1/012019.
12. Salih A. A., Abdulazeez A. M. Evaluation of classification algorithms for intrusion detection system: A review // Journal of Soft Computing and Data Mining. – 2021. – Vol. 2. – №. 1. – P. 31-40. DOI: 10.30880/jscdm.2021.02.01.004.
13. Tahri R. et al. A comparative study of machine learning algorithms on the UNSW-NB15 dataset // ITM Web of Conferences. – EDP Sciences, 2022. – Vol. 48. – Art. 03002. DOI: 10.1051/itmconf/20224803002.

киберқауіпсіздік, машиналық оқыту, нейрондық желілер, желілік трафик, CICIDS2018, шабуылдарды анықтау жүйесі