Қазіргі заманғы желілік инфрақұрылымдардың күрделілігінің артуы, желілік трафиктің динамикалық сипаты және кибершабуылдар санының өсуі жағдайында желіге ену әрекеттерін анықтау жүйелерінің тиімділігін арттыру өзекті міндет болып табылады. Зерттеудің мақсаты – сигнатуралық талдауды жүзеге асыратын Suricata жүйесі мен желілік трафикті интеллектуалды талдауға арналған жасанды нейрондық желіні біріктіретін гибридті шабуылдарды анықтау жүйесін әзірлеу және эксперименттік бағалау. Зерттеу барысында аномалияларды анықтау жүйелеріне қойылатын талаптар талданып, қолданыстағы шешімдер салыстырылды, модульдік архитектура жобаланды және CICIDS2018 деректер жинағы негізінде желілік трафикті көпкласты жіктеу бойынша эксперименттік модельдеу жүргізілді. Ұсынылған жүйе желілік трафикті жинау, деректерді алдын ала өңдеу, нейрондық желі арқылы жіктеу, мониторинг жүргізу және ескерту хабарламаларын қалыптастыру модульдерінен тұрады. Кластар арасындағы деректер теңгерімсіздігінің әсерін азайту үшін кластарды салмақтау және оқыту деректерін теңгеру әдістері қолданылды. Эксперимент нәтижелері сигнатуралық және интеллектуалды талдауды біріктіру шабуылдарды анықтау тиімділігін арттыратынын көрсетті. Suricata + ANN гибридті жүйесі үшін Precision, Recall және F1-score мәндері сәйкесінше 0,97, 0,96 және 0,96 болды. Зерттеудің ғылыми жаңалығы сигнатуралық және нейрондық талдау нәтижелерін біріктіру арқылы шабуылдарды анықтау ауқымын кеңейтуде көрінеді. Ұсынылған архитектураны корпоративтік желілерді нақты уақытқа жақын режимде мониторингтеу және қорғау үшін қолдануға болады.

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

РЫСКЕЛДІҚЫЗЫ Р.

Магистр, математика кафедрасының аға оқытушысы, М.Х. Дулати атындағы Тараз университеті, Тараз қ., Қазақстан

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

ГАЙСАГАЛЕЕВА Б.М.

Магистр, информатика пәнінің мұғалімі, Ақтөбе қаласындағы Назарбаев Зияткерлік мектебінің жаратылыстану-математикалық бағытындағы, Ақтөбе қ., Қазақстан

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

УВАЛИЕВА Г.М.

Магистр, компьютерлік технологиялар және жасанды интеллект кафедрасының профессор ассистенті, Ш. Есенов атындағы Каспий мемлекеттік технологиялар және инжиниринг университеті, Ақтау қ., Қазақстан

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

ЖУМАБАЕВА Ж.О.

Техника ғылымдарының магистрі, М. Әуезов атындағы Оңтүстік Қазақстан зерттеу университеті, Шымкент қ., Қазақстан.

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.

ақпараттық қауіпсіздік, ену әрекеттерін анықтау, желілік трафик, аномалиялар, машиналық оқыту, нейрондық желілер, шабуылдарды жіктеу