Глибоке навчання для мережевої безпеки: Модель Attention-CNN-LSTM для точного виявлення вторгнень

Abstract

У статті розглянуто проблему виявлення вторгнень у сучасних комп’ютерних мережах, які стають дедалі більш складними та вразливими до кібератак. Запропоновано гібридну модель глибинного навчання Attention-CNN-LSTM, яка поєднує можливості згорткових нейронних мереж (CNN), довгострокової пам’яті (LSTM) та механізму самоуваги (attention). Мета роботи полягає у створенні системи виявлення вторгнень (IDS), здатної до високої точності та продуктивності в умовах реального часу. Експериментальні результати на датасетах NSL-KDD та Bot-IoT підтвердили ефективність моделі, яка забезпечила точність до 97,5 %, низьку затримку обробки (< 35 мс) і пропускну здатність понад 1200 записів/с. Таким чином, запропонована архітектура є перспективним рішенням для впровадження у практичні системи кіберзахисту.