РАЗРАБОТКА МЕТОДА РАННЕГО ОБНАРУЖЕНИЯ КИБЕРАТАК НА ОСНОВЕ CNN-LSTM ДЛЯ IOT

Аннотация

Аннотация. Стремительное развитие Интернета вещей (IoT) и широкое распространение сетевых устройств привели к значительному увеличению объёма сетевого трафика и росту числа кибератак. Традиционные методы обнаружения атак часто требуют анализа полного сетевого потока и значительных вычислительных ресурсов, что ограничивает их применение в IoT-средах, характеризующихся ограниченной вычислительной мощностью и объёмом памяти. В связи с этим разработка эффективных методов раннего обнаружения кибератак является актуальной научной задачей, поскольку позволяет выявлять угрозы на начальном этапе сетевого соединения и обеспечивать более быстрое реагирование систем информационной безопасности. В данном исследовании предложен подход к раннему обнаружению кибератак на основе гибридной архитектуры глубокого обучения, объединяющей Convolutional Neural Networks (CNN) и Long Short-Term Memory (LSTM). Сверточные слои CNN обеспечивают извлечение пространственных признаков сетевого трафика, тогда как рекуррентные LSTM-слои позволяют моделировать временные зависимости в последовательностях пакетов. Для повышения информативности анализа используется расширенный статистико-динамический набор признаков, включающий энтропию распределения размеров пакетов, межпакетные интервалы и коэффициент вариации. Экспериментальная оценка показала, что предложенный подход демонстрирует более высокую точность классификации по сравнению с традиционными алгоритмами машинного обучения, такими как Support Vector Machine (SVM), Random Forest и Multilayer Perceptron (MLP). Анализ первых десяти пакетов сетевого соединения позволяет значительно сократить время обнаружения атак, что особенно важно для систем безопасности, работающих в режиме реального времени. Кроме того, оптимизированная версия модели для IoT-сред снижает вычислительную нагрузку при сохранении высокой точности и обеспечивает практическую применимость в современных сетевых инфраструктурах. Предложенный метод способствует повышению эффективности систем кибербезопасности в IoT-инфраструктурах.