Цель. Исследование направлено на обнаружение аномалий в данных с использованием моделей машинного обучения, в частности случайного леса и градиентного бустинга, для анализа активности сети и обнаружения кибератак. Тема исследования является актуальной, поскольку кибератаки становятся все более сложными и изощренными. Разработка эффективных методов обнаружения аномалий и защиты от киберугроз становится приоритетной задачей для организаций. Метод. Исследование основано на методах комплексного анализа, начиная с разработки алгоритма тестирования и загрузки данных для обучения и тестирования. Исследование проводится с помощью двух алгоритмов машинного обучения: Random Forest и градиентного Бустинга. Процесс включает в себя анализ важных признаков, визуализацию решений, оценку производительности моделей и анализ матриц ошибок для каждой категории атак. Результат. Модель Random Forest показала точность около 94% при использовании топ-10 важных признаков. Графическое представление решений позволяет понять, как модель принимает решения на основе признаков. Модель градиентного бустинга Xgboost достигла высокой точности и достоверности результатов. В классификационном отчете приводится подробное описание производительности моделей по каждой категории. Вывод. Проделанная работа представляет собой результат комплексного анализа модели машинного обучения, предназначенной для обнаружения кибератак. Она включает в себя несколько ключевых шагов и методов, позволяющих оценить эффективность модели, выделить наиболее важные признаки и проанализировать ее производительность для различных категорий атак.