MACHINE LEARNING-BASED CYBERATTACK DETECTION IN OT-NETWORKS: A COMPARATIVE ANALYSIS OF NETWORK ANOMALY CLASSIFICATION METHODS

Аннотация

Рост числа кибератак на промышленные сети повышает требования к своевременному выявлению аномальной активности в операционных технологических (OT) средах. Цель исследования заключается в сравнительной оценке методов машинного обучения для обнаружения кибератак и классификации сетевых аномалий в OT-сетях. Экспериментальная методика предусматривает предварительную обработку сетевого трафика, формирование информативного пространства признаков и обучение моделей Random Forest, XGBoost, Support Vector Machine и многослойной нейронной сети. Эффективность алгоритмов оценивается по показателям Accuracy, Precision, Recall, F1-score и ROC-AUC, а также по способности выявлять различные категории атак. Наилучшие результаты получены с использованием XGBoost: Accuracy составила 98,4%, F1-score — 98,1%, ROC-AUC — 0,994. Сравнительный анализ показал, что применение ансамблевых методов позволяет повысить точность обнаружения сетевых аномалий при сохранении низкой доли ошибочных срабатываний. Полученные результаты могут быть использованы при разработке интеллектуальных систем обнаружения вторжений для промышленных OT-инфраструктур.