В настоящее время рост количества и сложности кибератак делает обеспечение безопасности компьютерных сетей одной из наиболее актуальных задач. Традиционные сигнатурные методы эффективны при выявлении известных атак, однако их возможности ограничены при обнаружении новых или модифицированных типов атак. В связи с этим возникает необходимость применения интеллектуальных методов анализа сетевого трафика. Целью данного исследования является разработка и оценка эффективной модели обнаружения сетевых атак с использованием методов машинного обучения. В качестве экспериментальной базы использован набор данных CICIDS2018, содержащий различные типы кибератак и нормальный сетевой трафик. В ходе исследования были применены методы предварительной обработки данных, нормализации признаков и построения модели искусственной нейронной сети для многоклассовой классификации. Предложенная модель включает два скрытых слоя и обучается с использованием регуляризации Dropout и оптимизатора Adam. Экспериментальные результаты показали, что модель достигает точности около 96,5% и эффективно обнаруживает различные типы атак. Полученные результаты подтверждают перспективность применения методов машинного обучения для совершенствования систем обнаружения вторжений и развития современных технологий кибербезопасности.

КЕРЕЕВ А.К.

PhD, доцент кафедры информатики и информационных технологий, Актюбинский региональный университет имени К. Жубанова, г. Актобе, Казахстан

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

ТӘҢІРБЕРГЕН А.К.

Магистр, преподаватель кафедры информатики и ИТ, Актюбинский региональный университет имени К. Жубанова, г. Актобе, Казахстан

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

АБДЫГАЛИЕВА Г.Б.

Магистр, учитель информатики, педагог-мастер, Школа-гимназия №41 имени Фаризы Онгарсыновой, г. Актобе, Казахстан  

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

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

ТОЛЕУОВ Т.Ж.

Магистр, старший преподаватель кафедры информатики и ИТ, Актюбинский региональный университет имени К. Жубанова, г. Актобе, Казахстан

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.

кибербезопасность, система обнаружения вторжений, машинное обучение, нейронные сети, сетевой трафик, CICIDS2018