Сравнительный анализ эффективности алгоритмов машинного обучения и нейронных сетей в задачах обнаружения сетевых атак

Abstract

Статья посвящена исследованию эффективности применения различных методов искусственного интеллекта для задач кибербезопасности. Проведен сравнительный анализ классических ансамблевых алгоритмов (Random Forest), методов градиентного бустинга (XGBoost, LightGBM) и нейронных сетей (MLP) на базе набора данных CICIDS2017. Особое внимание уделено проблеме дисбаланса классов, для решения которой применена гибридная стратегия с использованием SMOTE. Результаты экспериментов показали, что, несмотря на высокую точность нейронных сетей, алгоритмы градиентного бустинга демонстрируют лучший баланс между скоростью обучения и качеством классификации, что делает их предпочтительными для систем реального времени