Застосування методів машинного навчання для виявлення аномалій у мережевому трафіку
| dc.contributor.author | Малієнко, Станіслав Євгенович | uk_UA |
| dc.contributor.author | Селівьорстова, Тетяна Віталіївна | uk_UA |
| dc.date.accessioned | 2026-06-16T14:41:22Z | |
| dc.date.issued | 2026 | |
| dc.description | С. Малієнко: ORCID 0009-0003-8223-5240; Т. Селівьорстова: ORCID 0000-0002-2470-6986 | uk_UA |
| dc.description.abstract | UKR: У роботі досліджено ефективність методів машинного навчання для виявлення аномалій у мережевому трафіку. Проаналізовано основні підходи до побудови інтелектуальних систем виявлення вторгнень (IDS), зокрема сигнатурний аналіз та методи на основі машинного навчання. Виконано експериментальне порівняння алгоритмів Random Forest, Support Vector Machine, k-Nearest Neighbors та багатошарового перцептрона на датасеті NSL-KDD. Оцінку якості класифікації проведено за метриками Accuracy, Precision, Recall та F1-score. Результати показали, що метод Random Forest забезпечує найкращий баланс точності та швидкодії для задач виявлення мережевих аномалій у режимі реального часу. Визначено перспективи застосування ансамблевих методів та глибокого навчання для підвищення якості детектування кіберзагроз. | uk_UA |
| dc.description.abstract | ENG: This paper investigates the effectiveness of machine learning methods for anomaly detection in network traffic. The main approaches to building intelligent intrusion detection systems (IDS) are analyzed, including signature-based analysis and machine learning-based methods. An experimental comparison of Random Forest, Support Vector Machine, k-Nearest Neighbors, and Multilayer Perceptron algorithms was performed on the NSL-KDD dataset. Classification quality was assessed using Accuracy, Precision, Recall, and F1-score metrics. The results showed that the Random Forest method provides the best balance of accuracy and computational efficiency for real-time network anomaly detection tasks. The prospects of applying ensemble methods and deep learning for improving cyber threat detection quality are identified. | en |
| dc.identifier.citation | Малієнко С. Є., Селівьорстова Т. В. Застосування методів машинного навчання для виявлення аномалій у мережевому трафіку. Інформаційні технології в металургії та машинобудуванні – ІТММ’2026 : тези доп. Міжнародної наук.-техн. конф. (м. Дніпро, 21-23 березня 2026 р.). Дніпро, 2026. C. 460–464. DOI: https://doi.org/10.34185/1991-7848.itmm.2026.01.082. | uk_UA |
| dc.identifier.doi | https://doi.org/10.34185/1991-7848.itmm.2026.01.082 | en |
| dc.identifier.issn | 2708-0102 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/itmm/uk/article/view/2466 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/22406 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ІВК «Системні технології», Дніпро | uk_UA |
| dc.rights | Creative Commons Attribution 4.0 International License | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | виявлення аномалій | uk_UA |
| dc.subject | мережевий трафік | uk_UA |
| dc.subject | кібербезпека | uk_UA |
| dc.subject | система виявлення вторгнень | uk_UA |
| dc.subject | класифікація | uk_UA |
| dc.subject | NSL-KDD | en |
| dc.subject | machine learning | en |
| dc.subject | anomaly detection | en |
| dc.subject | network traffic | en |
| dc.subject | cybersecurity | en |
| dc.subject | intrusion detection system | en |
| dc.subject | Random Forest | en |
| dc.subject | classification | en |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY | en |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.title | Застосування методів машинного навчання для виявлення аномалій у мережевому трафіку | uk_UA |
| dc.title.alternative | Application of Machine Learning Methods for Anomaly Detection in Network Traffic | en |
| dc.type | Thesis | en |