vdgtuВестник Дагестанского государственного технического университета. Технические наукиHerald of Dagestan State Technical University. Technical Sciences2073-61852542-095XDaghestan State Technical University10.21822/2073-6185-2023-50-1-53-61vdgtu-1216Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGY AND TELECOMMUNICATIONSПрименение методов машинного обучения для автоматизированного обнаружения сетевых вторженийApplication of machine learning methods for automated detection of network intrusionsБабичеваМ. В.BabichevaM. V.

Бабичева Маргарита Вадимовна, старший преподаватель кафедры радиофизики и инфокоммуникационных технологий 

283001, г. Донецк, ул. Университетская, 24

Margarita V. Babicheva, Senior Lecturer, Department of Radiophysics and Information and Communication Technologies

24 Universitetskaya Str., Donetsk 283001

mv.babicheva60@gmail.comhttps://orcid.org/0000-0002-7816-1563ТретьяковИ. А.TretyakovI. A.

Третьяков Игорь Александрович, заместитель декана по научной работе, доцент кафедры радиофизики и инфокоммуникационных технологий

283001, г. Донецк, ул. Университетская, 24

Igor A. Tretyakov, Deputy Dean for Research, Associate Professor of the Department of Radiophysics andInfocommunication Technologies

24 Universitetskaya Str., Donetsk 283001

i.tretiakov@mail.ruДонецкий национальный университетРоссияDonetsk National UniversityRussian Federation2023090520235015361Copyright © Бабичева М.В., Третьяков И.А., 20232023Бабичева М.В., Третьяков И.А.Babicheva M.V., Tretyakov I.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.dgtu.ru/jour/article/view/1216Цель

Цель. Целью исследования является развитие автоматизированных систем обнаружения сетевых атак, способных адаптироваться под постоянно меняющийся характер сетевых атак и новые виды угроз. В основе таких систем должны быть использованы алгоритмы и модели машинного обучения, которые способны выявлять сложные зависимости между данными в процессе обучения

Метод

Метод. Для обучения моделей была подготовлена выборка с признаками нормального и аномального трафика, причем она была прорежена и сбалансирована в результате предварительного статистического анализа. Отобраны пять алгоритмов машинного обучения и протестированы, как на обучающем множестве признаков, так и на реальном тестовом множестве, полученном экспериментально. По результатам экспериментов отобран классификатор случайного леса, показавший наилучшие результаты.

Результат

Результат. Разработана модель для обнаружения сетевых вторжений, которая показала точность обнаружения на реальном трафике 0,99.

Вывод

Вывод. Показано, что система обнаружения сетевых вторжений на основе машинного обучения может решить проблему гибкой защиты, которая могла бы адаптироваться под постоянно меняющийся характер сетевых атак, поскольку одним из самых важных преимуществ машинного обучения в выявлении сетевых вторжений является способность обучаться признакам атак и выявлять случаи, которые не характерны для тех, что наблюдались раннее.

Objective

Objective. Development of automated network attack detection systems capable of adapting to the ever-changing nature of network attacks and new types of threats. Such systems should be based on machine learning algorithms and models that are able to identify complex dependencies between data in the learning process.

Method

Method. To train the models, a sample with signs of normal and abnormal traffic was prepared, and it was thinned and balanced as a result of preliminary statistical analysis. Five machine learning algorithms were selected and tested, both on a training set of features and on a real test set obtained experimentally. Based on the results of the experiments, a random forest classifier was selected, which showed the best results.

Result

Result. A model for detecting network intrusions has been developed, which showed a detection accuracy of 0.99 on real traffic.

Conclusion

Conclusion. It is shown that a machine learning-based network intrusion detection system can solve the problem of flexible protection that could adapt to the ever-changing nature of network attacks, since one of the most important advantages of machine learning in detecting network intrusions is the ability to learn the signs of attacks and identify cases that are uncharacteristic of those that were observed earlier.

информационная безопасностьсетевые атакисетевой трафикмашинное обучениемодель обнаружения вторженийавтоматизированные системыinformation securitynetwork attacksnetwork trafficmachine learningintrusion detection modelautomated systemsReferencesSheluhin, O. I. Comparative analysis of informative features quantity and composition selection methods for the computer attacks classification using the unsw-nb15 dataset / O. I. Sheluhin, V. P. Ivannikova // TComm. – 2020. – Vol. 14. – No. 10. – P. 53-60. – DOI: 10.36724/2072-8735-2020-14-10-53-60.Sheluhin O. I. Comparative analysis of informative features quantity and composition selection methods for the computer attacks classification using the unsw-nb15 dataset. O. I. Sheluhin, V. P. Ivannikova. TComm. 2020; 14(10): 53-60. – DOI: 10.36724/2072-8735-2020-14-10-53-60.Yang, W. Security detection of network intrusion: application of cluster analysis method / W. Yang // Computer Optics. – 2020. –Vol. 44. – No. 4. – P. 660-664. – DOI: 10.18287/2412-6179-CO-657.Yang, W. Security detection of network intrusion: application of cluster analysis method. Computer Optics. 2020; 44( 4): 660-664. – DOI: 10.18287/2412-6179-CO-657.Третьяков И. А. Оптимизация SQL-запросов / И. А. Третьяков, Е. Н. Кожекина, И. В. Журавлёв // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2021. – № 2. – С. 39-49. – EDN: RPSKQQ.Tretiakov I. A. Optimization of SQL queries / I. A. Tretiakov, E. N. Kozhokina, I. V. Zhuravlev. Bulletin of Donetsk National University. Series G: Technical Sciences. 2021;2: 39-49. – EDN: RPSKQQ. (In Russ)Третьяков И. А. Безопасность облачных технологий на тестируемом WEB сервере / И. А. Третьяков, Е. Н. Кожекина, Б. В. Гайван // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2021. – № 3. – С. 49-62. – EDN: IVEBAS.Tretiakov, I. A. Security of cloud technologies on the tested WEB server / I. A. Tretiakov, E. N. Kozhikina, B. V. Gaivan. Bulletin of Donetsk National University. Series G: Technical Sciences. 2021;3: 49-62. – EDN: IVEBAS. (In Russ)Safonov L. Unsupervised anomaly detection in network traffic using deep autoencoding gaussian mixture model / L. Safonov // International Journal of Open Information Technologies. – 2021. –Vol. 9. – No. 9. – P. 109-112.Safonov L. Unsupervised anomaly detection in network traffic using deep autoencoding gaussian mixture model / L. Safonov. International Journal of Open Information Technologies. 2021; 9( 9): 109-112.Третьяков И. А. Выявление проблем безопасности веб-сайтов посредством DoS-атаки / И. А. Третьяков, Е. Н. Кожекина, К. Е. Лебедев // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2022. – № 1. – С. 19-32. – EDN: UOSGYS.Tretiakov, I. A. Identification of website security problems through DoS attacks / I. A. Tretiakov, E. N. Kozhekina, K. E. Lebedev. Bulletin of Donetsk National University. Series G: Technical Sciences. 2022;1: 19-32. – EDN: UOSGYS. (In Russ)Черникова Е. И. Анализ сетевого трафика с использованием метода машинного обучения / Е. И. Черникова // Аллея науки. – 2019. – Т. 1. – № 6(33). – С. 921-925. – EDN BSYXMW.Chernikova E. I. Network traffic analysis using machine learning method. Alley of Science. 2019; 1(6(33)): 921-925. – EDN BSYXMW. (In Russ)Кажемский М. А. Многоклассовая классификация сетевых атак на информационные ресурсы методами машинного обучения / М. А. Кажемский, О. И. Шелухин // Труды учебных заведений связи. – 2019. – Т. 5. – № 1. – С. 107-115. – DOI: 10.31854/1813-324X-2019-5-1-107-115.Kezhemsky, M. A. Multiclass classification of network attacks on information resources by machine learning methods / M. A. Kazhemsky, O. I. Shelukhin. Proceedings of educational institutions of communication. 2019; 5(1):107-115. – DOI: 10.31854/1813-324X-2019-5-1-107-115. (In Russ)Liu, H. Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey / H. Liu, B. Lang // Applied Sciences. – 2019. – Vol. 9. – No. 20:4396. – DOI: 10.3390/app9204396.Liu, H. Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey / H. Liu, B. Lang. Applied Sciences. 2019; 9(20):4396. – DOI: 10.3390/app9204396.Utkin, L. V. A deep forest classifier with weights of class probability distribution subsets / L. V. Utkin, M. S. Kovalev, A. A. Meldo // Knowledge-Based Systems. – 2019. – Vol. 173. – P. 15-27. – DOI: 10.1016/j.knosys.2019.02.022.Utkin, L. V. A deep forest classifier with weights of class probability distribution subsets / L. V. Utkin, M. S.Kovalev, A.A. Meldo.Knowledge-Based Systems. 2019;173:15-27. – DOI: 10.1016/j.knosys.2019.02.022.Машинное обучение для анализа и классификации шифрованного сетевого трафика / В. А. Мулюха, Л. Ю. Лабошин, А. А. Лукашин, Н. В. Нашивочников // Международная конференция по мягким вычислениям и измерениям. – 2020. – Т. 1. – С. 238-241. – EDN XYQCZP.Machine learning for analysis and classification of encrypted network traffic / V. A. Mulukha, L. Yu. Lapshin, A. A. Lukashin, N. V. Nashivochnikov. International Conference on Soft Computing and Measurements. 2020;1: 238-241. – EDN XYQCZP. (In Russ)Ahmed, H. A. Network intrusion detection using oversampling technique and machine learning algorithms / H. A. Ahmed, A. Hameed, N. Z. Bawany // PeerJ Computer science. – 2022. – Vol. 8. – No. e820. – DOI: 10.7717/peerj-cs.820.Ahmed H. A. Network intrusion detection using oversampling technique and machine learning algorithms / H.A. Ahmed, A. Hameed, N. Z. Bawany. PeerJ Computer science. 2022; 8(8):20. DOI: 10.7717/peerj-cs.820.Intrusion Detection Evaluation Dataset (CIC-IDS2017). [Электронный ресурс] – URL: https://www.unb.ca/cic/datasets/ids-2017.html (Дата обращения 22.12.2022)https://www.unb.ca/cic/datasets/ids-2017.html (accessed 22.12.2022)Scikit-learn. sklearn.ensemble.RandomForestClassifier. [Электронный ресурс] – URL: https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html (Дата обращения 22.12.2022)https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html (accessed 22.12.2022)Метод k-ближайших соседей (k-nearest neighbour). [Электронный ресурс] – URL: https://proglib.io/p/metod-k-blizhayshih-sosedey-k-nearest-neighbour-2021-07-19 (Дата обращения 22.12.2022)https://proglib.io/p/metod-k-blizhayshih-sosedey-k-nearest-neighbour-2021-07-19 (accessed 22.12.2022)

The authors declare that there are no conflicts of interest present.