КИБЕРШАБУЫЛДАРДЫ ТАЛДАУ ҮШІН МАШИНАЛЫҚ ОҚЫТУДЫ ҚОЛДАНУ: RT-IGOR DATASET НЕГІЗІНДЕГІ ЗЕРТТЕУ 2022

Мақала кибершабуылдарды талдау үшін машиналық оқытудың қолданылуын зерттеуге арналған. Зерттеу аномалияларды анықтау және жалған позитивтерді азайту тапсырмаларын сәтті орындайтын Random Forest, SVM және Logistic Regression алгоритмдерін қарастырады. Модельдерді категориялық белгілер үшін LabelEncoder және деректерді стандарттау үшін StandardScaler пайдалану сияқты теңгерімсіз деректермен жұмыс істеуге бейімдеу олардың өнімділігін айтарлықтай жақсартуға мүмкіндік берді. «Real-time Internet of Things (RT-IoT 2022)» жиынтығындағы деректерді талдау негізінде модельдердің дәлдігі мен тұрақтылығының нәтижелері ұсынылған. Негізгі назар киберқауіптерден, соның ішінде ақпараттың ағып кетуінен, DDoS шабуылдарынан және басқа қауіп түрлерінен қорғауға бағытталған. Кибершабуылдарды зерттеуге арналған әртүрлі Машиналық оқыту алгоритмдерін талдау айтарлықтай нәтиже көрсетті. Random Forest қауіптердің әртүрлі түрлерін жіктеуде жоғары тұрақтылық пен тиімділікті қамтамасыз ете отырып, ең жоғары дәлдікті – 99,86% көрсетті. SVM көптеген күрделі сыныптарды басқара отырып, 99,29% дәлдікті көрсетті. Logistic Regression қанағаттанарлық нәтижелерді 97,71% дәлдікпен көрсетті, дегенмен кейбір сирек жағдайларда дәлдік төмен болды. Осылайша, Random Forest және SVM жоғары дәлдік пен сенімділікті қамтамасыз ете отырып, Цифрлық жүйелердегі қауіпсіздік тапсырмалары мен кибершабуылдарды талдау үшін ең жақсы тиімділікті көрсетті. Болашақта қауіптерді дәлірек анықтау және талдау үшін терең оқыту сияқты күрделі әдістерді енгізу жоспарлануда.

1. Rule-Based With Machine Learning IDS for DDoS Attack Detection in Cyber-Physical Production Systems (CPPS) / A. Hussain et al // IEEE Access. – 2024. – vol. 12. – Р. 3445261. https://doi.org/10.1109/ACCESS.2024.3445261.

2. An Efficient Hybrid-DNN for DDoS Detection and Classification in Software-Defined IIoT Networks / A. Zainudin et al // IEEE Internet of Things Journal. – 2023. – vol. 10, № 10.

3. A Hybrid Machine-Learning Ensemble for Anomaly Detection in Real-Time Industry 4.0 Systems / D. Velásquez et al // IEEE Access. – 2022. – vol. 10. – Р. 3188102. https://doi.org/10.1109/ACCESS.2022.3188102.

4. Toward a Human-Cyber-Physical System for Real-Time Anomaly Detection / B. Bajic et al // IEEE Systems Journal. – 2024. – vol. 18, № 2.

5. Mienye I.D. Deep Learning for Credit Card Fraud Detection: A Review of Algorithms, Challenges, and Solutions / I.D. Mienye, N. Jere // IEEE Access. – 2024. – vol. 12. – Р. 3426955. https://doi.org/10.1109/ACCESS.2024.3426955.

6. Machine and Deep Learning for Digital Twin Networks: A Survey / B. Qin et al // IEEE Internet of Things Journal. – 2024. – vol. 11, № 21.

7. Cybersecurity Threats and Mitigation Measures in Agriculture 4.0 and 5.0 / C. Maraveas et al // Smart Agricultural Technology. – 2024. – vol. 9. https://doi.org/10.1016/j.atech.2024.100616.

8. Credit Card Fraud Detection Using State-of-the-Art Machine Learning and Deep Learning Algorithms / F.K. Alarfaj et al // IEEE Access. – 2022. – vol. 10. – Р. 3166891. https://doi.org/10.1109/ACCESS.2022.3166891.

9. A Fraud Detection System in Financial Networks Using AntiBenford Subgraphs and Machine Learning Algorithms / R.K. Somkunwar et al // in 2023 International Conference on Ambient Intelligence, Knowledge Informatics and Industrial Electronics (AIKIIE). – 2023. https://doi.org/10.1109/AIKIIE60097.2023.1039032.

10. Monamo P. Unsupervised Learning for Robust Bitcoin Fraud Detection / P. Monamo, V. Marivate, B. Twala // in 2016 IEEE Conference. – 2016. https://doi.org/10.1109/XXXX.2016.XXXXXXX.

11. Chatterjee J. Digital Trust in Industry 4.0 & 5.0: Impact of Frauds / J. Chatterjee, M. Damle, A. Aslekar // in Proceedings of the 7th International Conference on Intelligent Computing and Control Systems (ICICCS-2023). – 2023. https://doi.org/10.1109/ICICCS56967.2023.10142925.

12. DIAVA: A Traffic-Based Framework for Detection of SQL Injection Attacks and Vulnerability Analysis of Leaked Data / H. Gu et al // IEEE Transactions on Reliability. – 2020. – vol. 69, № 1.

13. Mienye I.D. A Deep Learning Ensemble With Data Resampling for Credit Card Fraud Detection / I.D. Mienye, Y. Sun, // IEEE Access. – 2023. – vol. 11. – Р. 3262020. https://doi.org/10.1109/ACCESS.2023.3262020.

14. Cyber Threat Predictive Analytics for Improving Cyber Supply Chain Security / Yeboah-Ofori A.Y.O.F.et al // IEEE Access. – 2021. – vol. 9. – Р. 3087109. https://doi.org/10.1109/ACCESS.2021.3087109.

15. Enhancing DDoS Attack Detection and Mitigation in SDN Using an Ensemble Online Machine Learning Model / A.A. Alashhab et al // IEEE Access. – 2024. – vol. 12. Р. 3384398. https://doi.org/10.1109/ACCESS.2024.3384398.