ПРИМЕНЕНИЕ АНСАМБЛЕВЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ СИСТЕМ ОБНАРУЖЕНИЯ СЕТЕВЫХ ВТОРЖЕНИЙ

Abstract

В статье исследуется применение ансамблевых методов машинного обучения для повышения эффективности обнаружения сетевых вторжений. Предложена архитектура системы на основе метода стекинга, объединяющего Random Forest, метод опорных векторов и многослойный перцептрон. Экспериментальная оценка проведена на наборах данных NSL-KDD и CICIDS2017. Результаты показали, что ансамблевый подход достигает точности 98,3% и значения F1-score 0,983, превосходя отдельные модели и существующие аналоги. Особое внимание уделено интерпретируемости решений с помощью метода SHAP и адаптации модели к дрейфу данных