ИИ-система обнаружения атак: точность 95-97% в тестах

Подробно

Что за систему обнаружения атак предложили исследователи?

Статья называется «Causality-driven hybrid intrusion detection with entropy-aware feature learning and federated intelligence». Её авторы - Subham Kumar Gupta и Yogesh Kumar Gupta из Banasthali Vidyapith и Atul Kumar Verma из Manipal University Jaipur (Индия). Verma указан автором для переписки.

По описанию разработчиков, гибридная система обнаружения вторжений состоит из пяти модулей:

• обучение сигнатур атак с учётом причинных связей;
• отбор и сжатие признаков трафика по энтропии;
• модуль обнаружения с механизмом внимания;
• калибровка устойчивости к состязательным воздействиям, то есть к намеренным искажениям входных данных;
• федеративный обмен данными об угрозах с учётом доверия между участниками.

Рукопись поступила в журнал 25 мая 2026 года, её приняли 31 августа и опубликовали 11 октября. Scientific Reports называет размещённый текст ранней версией принятого исследования. До окончательной версии его могут дополнительно отредактировать. Статья находится в открытом доступе.

На каких наборах данных проверяли систему?

Авторы использовали три общедоступных набора сетевого трафика:

• CICIDS2017. Канадский институт кибербезопасности записал этот трафик 3-7 июля 2017 года. В первый день сеть работала в обычном режиме, а в последующие проводились смоделированные атаки, в том числе DoS, DDoS, подбор паролей и атаки на веб-приложения.
• UNSW-NB15. Набор представил в 2015 году Университет Нового Южного Уэльса. В лаборатории UNSW Canberra смешали обычную активность с синтетическими атаками. Создатели описывают девять типов атак и 49 признаков вместе с меткой класса.
• IoT-23. Лаборатория Stratosphere впервые опубликовала набор в январе 2020 года. В него входят 20 записей трафика устройств с запущенным вредоносным ПО и три записи обычного трафика реальных IoT-устройств. Сами записи сделаны в 2018-2019 годах.

По словам авторов, данные разделили так, чтобы не было утечки между обучающей и тестовой выборками. Они также провели пятикратную перекрёстную проверку и десять запусков с контролируемыми случайными начальными значениями.

Какую точность показала ИИ-система?

Заявленная точность обнаружения: 97,4% на CICIDS2017, 96,1% на UNSW-NB15 и 95,6% на IoT-23.

Сводные показатели по десяти запускам: accuracy (общая доля верных решений) - 96,37%, precision (доля настоящих атак среди срабатываний) - 95,97%, recall (доля обнаруженных атак) - 95,43%, F1 - 95,68%. Это разные метрики, и общую точность нельзя считать долей пойманных атак.

По данным авторов, система оставила 18 признаков трафика. Они называют это сокращением на 70,9%. Среднее время обработки одного примера составило 18,6 мс. Доступная аннотация не сообщает, на каком оборудовании измеряли задержку и из скольких исходных признаков считали сокращение.

Разработчики сравнивали систему с методами машинного обучения, оптимизированным XGBoost и совместными системами обнаружения на основе блокчейна. По их словам, во всех сравнениях использовались сходная предварительная обработка и распределение классов. Числовых результатов конкурирующих методов в аннотации нет.

Устойчива ли система к попыткам обхода?

Авторы смоделировали ограниченные градиентные изменения входных данных - так проверяют, можно ли обмануть модель небольшими искажениями трафика. По их данным, точность обнаружения при этом осталась выше 91,5%.

Это результат конкретного авторского теста. Он не доказывает защиту от любых способов обхода. В доступной аннотации не раскрыты параметры этих искажений, результаты по отдельным видам атак и число ложных срабатываний.

Можно ли уже использовать систему для защиты сети?

Пока нет. Это исследовательский прототип, который проверили на заранее записанных наборах данных и смоделированных искажениях. Работа системы в действующей сети не подтверждена. Публичный продукт, условия установки, цена и доступность для организаций в России не объявлены. Публичный исходный код найти не удалось.

Независимого воспроизведения этих результатов или экспертной оценки именно этой статьи на момент публикации тоже не найдено. Заявленные показатели нужно считать данными самих разработчиков.