Модель виявлення ботнет-атак у бездротових мережах на основі методів машинного навчання

Abstract

Мета роботи – розробка та впровадження методу виявлення ботнет-атак на основі штучного інтелекту для забезпечення точної класифікації мережевого трафіку та оперативного реагування на кіберзагрози. Об’єкт дослідження – процеси виявлення та нейтралізації ботнет-атак у комп’ютерних мережах. Предмет дослідження – методи штучного інтелекту, зокрема алгоритми машинного навчання (GaussianNB, RandomForestClassifier), для аналізу мережевого трафіку, класифікації загроз та генерації синтетичних даних. Основні методи дослідження включають аналіз мережевого трафіку, класифікацію за допомогою машинного навчання, генерацію синтетичних даних та тестування на реальних і модельованих сценаріях атак. У роботі досліджено сучасні методи виявлення ботнет-атак, розроблено програмне забезпечення з інтерактивним інтерфейсом для моніторингу загроз, реалізовано класифікатор загроз та генератор синтетичних даних. Результати можуть бути використані для підвищення безпеки інформаційних систем та в наукових дослідженнях кібербезпеки.

The purpose of the work is the development and implementation of a method for detecting botnet attacks based on artificial intelligence to ensure accurate classification of network traffic and prompt response to cyber threats. The object of research is the processes of detection and neutralization of botnet attacks in computer networks. The subject of research is artificial intelligence methods, in particular machine learning algorithms (GaussianNB, RandomForestClassifier), for analyzing network traffic, classifying threats, and generating synthetic data. The main research methods include network traffic analysis, classification using machine learning, synthetic data generation, and testing on real and simulated attack scenarios. The work investigates modern methods of detecting botnet attacks, develops software with an interactive interface for threat monitoring, implements a threat classifier and a synthetic data generator. The results can be used to improve the security of information systems and in scientific research on cybersecurity.