ИССЛЕДОВАНИЕ УСТОЙЧИВОСТИ АНСАМБЛЕВЫХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ К СОСТЯЗАТЕЛЬНЫМ АТАКАМ В СИСТЕМАХ ОБНАРУЖЕНИЯ ВТОРЖЕНИЙ IOT-СЕТЕЙ

Аннотация

В данной работе исследуется устойчивость ансамблевых моделей машинного обучения к adversarial воздействиям в контексте мультиклассового обнаружения вторжений в IoT-сетях. Экспериментальная база формируется на основе набора данных ToN-IoT, широко применяемого для оценки систем обнаружения вторжений. Для решения задачи мультиклассовой классификации сетевого трафика используются три ансамблевые модели: XGBoost, Random Forest и LightGBM. Предобработка данных включает удаление нерелевантных признаков, one-hot encoding категориальных атрибутов, стандартизацию и разбиение на обучающую и тестовую выборки. С целью анализа влияния снижения размерности на устойчивость моделей применяется метод главных компонент (PCA). Для оценки робастности моделей реализованы два вида атак: Gaussian Noise Attack и FGSM (Fast Gradient Sign Method). Поскольку ансамблевые модели являются недифференцируемыми, генерация adversarial примеров для FGSM осуществляется посредством суррогатной нейронной сети с использованием transfer-based подхода. Дополнительно исследуется метод adversarial training, предполагающий дополнение обучающей выборки adversarial примерами и последующее дообучение моделей. Качество классификации оценивается по метрикам Accuracy и F1-score с анализом деградации показателей при различных уровнях шума и perturbations. Интерпретация поведения моделей выполняется с помощью SHAP-анализа. Полученные результаты свидетельствуют о высокой точности всех трёх моделей на чистых данных при заметном снижении качества под воздействием adversarial атак. Random Forest демонстрирует наибольшую устойчивость среди рассмотренных методов. Установлено, что применение PCA повышает робастность моделей, а adversarial training эффективно снижает влияние FGSM-атак. Результаты подтверждают перспективность ансамблевых методов в сочетании с adversarial training для построения надёжных IDS в IoT-окружениях.