Применение алгоритмов машинного обучения для выявления сетевых атак и повышение обнаружения редких атак балансировкой классов

Архипов М.О.

Ключевые слова: кибербезопасность, обнаружение вторжений, IDS, машинное обучение, сетевые атаки, NSL-KDD, балансировка классов, SMOTE, редкие атаки, защита информации.

Аннотация. В статье оценивается применимость машинного обучения к обнаружению сетевых атак. На наборе NSL-KDD обучены и сопоставлены пять классификаторов – дерево решений, случайный лес, градиентный бустинг, логистическая регрессия и метод k ближайших соседей; проверка выполнена на отдельной тестовой выборке с ранее не встречавшимися атаками. Лучший баланс точности и полноты показал градиентный бустинг (F1 = 0,801), наибольший ROC-AUC – случайный лес (0,960). Анализ по типам атак выявил резкий перекос: массовые атаки DoS и Probe обнаруживаются в 84% случаев, тогда как редкие R2L и U2R почти ускользают (5-15% в зависимости от модели). Балансировка обучающей выборки методом SMOTE повысила обнаружение U2R до 34%, R2L – до 13% при сохранении точности и росте F1.

Application of machine learning algorithms for network attack detection

Arkhipov M.O.

Keywords: cybersecurity, intrusion detection, IDS, machine learning, network attacks, NSL-KDD, class balancing, SMOTE, rare attacks, information security.

Abstract. The paper evaluates the applicability of machine learning to network attack detection. Five classifiers – logistic regression, k-nearest neighbours, decision tree, random forest and gradient boosting – were trained and compared on the NSL-KDD dataset; evaluation was carried out on a separate test set containing previously unseen attacks. Gradient boosting achieved the best balance of precision and recall (F1 = 0.801), while random forest reached the highest ROC-AUC (0.960). Analysis by attack type revealed a sharp imbalance: high-volume DoS and Probe attacks are detected in 84% of cases, whereas rare R2L and U2R attacks almost slip through (5–15% depending on the model). Balancing the training set with SMOTE increased U2R detection to 34% and R2L to 13% while preserving precision and improving F1.