Методи машинного навчання для виявлення аномалій у сенсорних мережах IoT

Abstract

Метою кваліфікаційної роботи є підвищення рівня захищеності мереж Інтернету речей шляхом створення гібридної системи виявлення вторгнень, що забезпечує мінімізацію пропущених атак при збереженні високої швидкодії. Об’єкт дослідження – процеси обміну інформацією в сенсорних мережах IoT та методи виявлення аномальної поведінки в мережевому трафіку. Предмет дослідження – моделі машинного та глибокого навчання, методи попередньої обробки часових рядів та програмні засоби побудови гібридних ансамблів на основі градієнтного бустингу та згорткових нейронних мереж. Проблема, яка вирішується в роботі, полягає у забезпеченні надійного виявлення кібератак в умовах дисбалансу даних та ресурсних обмежень Edge-пристроїв шляхом подолання недоліків монолітних моделей. Область застосування – системи кібербезпеки критичної інфраструктури, «Розумний дім» (Smart Home) та промисловий IoT, зокрема для моніторингу трафіку на мережевих шлюзах у реальному часі.

The goal of the qualification paper is to enhance the security level of Internet of Things (IoT) networks by creating a hybrid intrusion detection system that ensures the minimization of missed attacks (false negatives) while maintaining high processing speed. The object of study is the processes of information exchange in IoT sensor networks and methods for detecting anomalous behavior in network traffic. The subject of study includes machine learning and deep learning models, methods for time-series preprocessing, and software tools for building hybrid ensembles based on gradient boosting and convolutional neural networks. The problem solved in the work lies in ensuring reliable detection of cyberattacks under conditions of data imbalance and resource constraints of Edge devices by overcoming the limitations of monolithic models. The area of application includes cybersecurity systems for critical infrastructure, Smart Home, and Industrial IoT (IIoT), specifically for real-time traffic monitoring on network gateways.