Система виявлення аномалій та моніторингу трафіку в комп’ютерних мережах

Розглянуто проблему виявлення аномалій у мережному трафіку та запропоновано комплексне рішення для підвищення рівня кібербезпеки організацій різного масштабу. Здійснено порівняльний аналіз наявних систем моніторингу та виявлення аномалій, включаючи як відкриті рішення, так і комерційні продукти. На основі проведеного дослідження обґрунтовано вибір технологічного стека для реалізації системи виявлення аномалій у мережному трафіку, зокрема оптимальне поєднання бібліотек Python для збору та обробки мережного трафіку, підготовки даних, застосування алгоритмів машинного навчання та візуалізації результатів.
Розроблено повнофункціональну систему з п’ятьох основних компонентів: модуля збору мережного трафіку на базі PyShark, сервісу обробки пакетів для агрегації потоків, модуля виявлення аномалій із використанням алгоритмів машинного навчання, API- модуля на базі FastAPI та вебінтерфейсу користувача на React. Система забезпечує високу точність виявлення потенційних загроз, оптимізацію використання обчислювальних ресурсів та зручний аналіз стану мережі.
Проведено експериментальне дослідження на наборі даних UNSW-NB15, що містить понад 2,5 мільйона записів мережних з’єднань. Здійснено порівняльний аналіз трьох алгоритмів машинного навчання: випадковий ліс, метод опорних векторів та логістична регресія. Випадковий ліс продемонстрував найкращі результати з точністю 94% на тестовій вибірці та площею під ROC-кривою 0,99, значно перевищуючи показники альтернативних алгоритмів.
Особливістю запропонованого підходу є інтеграція методів машинного навчання з комплексним аналізом різноманітних параметрів мережного трафіку, що дає змогу значно підвищити точність виявлення аномалій та мінімізувати кількість хибних спрацьовувань порівняно з наявними рішеннями.