Модель обнаружения компьютерных инцидентов на основе машинного обучения

Написать диплом по теме «Модель обнаружения компьютерных инцидентов на основе машинного обучения»

Тема «Модель обнаружения компьютерных инцидентов на основе машинного обучения» подразумевает разработку системы, способной автоматически выявлять аномалии в сетевом трафике. В статье — структура ВКР, примеры кода, чек-листы и анализ требований Финансовый университет по специальности 10.03.01 . Работа должна включать анализ реальных датасетов, выбор алгоритма ML, оценку метрик и экономический расчёт эффективности.

Нужен разбор вашей темы Модель обнаружения компьютерных инцидентов на основе машинного обучения? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Среднее время обнаружения утечки данных — 207 дней (IBM Cost of a Data Breach Report, 2024). Это критично для финансовых организаций, где каждая минута простоя обходится в десятки тысяч рублей. Традиционные системы SIEM (например, Splunk, QRadar) полагаются на сигнатуры, что делает их беспомощными перед zero-day атаками.

Модели машинного обучения, особенно на основе временных рядов (LSTM, GRU), способны выявлять аномалии без предварительной сигнатуры. В исследовании Kaspersky (2023) использование Autoencoder позволило снизить количество ложных срабатываний на 42% по сравнению с классическими методами.

В Финансовый университет по специальности 10.03.01 важно, чтобы актуальность была привязана к реальному сектору. Например: «АО «Трансбанк» зафиксировало 12 000 подозрительных событий в месяц, 78% из которых требовали ручной проверки. Внедрение ML-модели может сократить нагрузку на SOC-аналитиков».

Ключевые сущности темы (entities)

• ГОСТ Р 57580.1-2017 — требования к системам обнаружения вторжений.
• CIC-IDS2017 — открытый датасет сетевого трафика с атаками.
• SIEM — система управления событиями и информацией о безопасности.
• Isolation Forest — алгоритм обнаружения аномалий.
• TensorFlow / PyTorch — фреймворки для ML.
• NetFlow — протокол сбора сетевой статистики.
• ROC-AUC — метрика оценки качества модели.
• ФСТЭК России — регулятор в сфере ИБ.
• Autoencoder — нейросеть для обнаружения аномалий.
• UNSW-NB15 — датасет для тестирования IDS.

Цель и задачи

Цель: разработка и оценка эффективности модели машинного обучения для обнаружения компьютерных инцидентов на основе анализа сетевого трафика.

Задачи (должны соответствовать методичке Финансовый университет ):

1. Анализ угроз и существующих решений (Splunk, ELK, Wazuh).
2. Выбор и предобработка датасета (CIC-IDS2017).
3. Проектирование архитектуры модели (например, LSTM + Attention).
4. Обучение и валидация модели (метрики: precision, recall, F1-score).
5. Оценка экономического эффекта от внедрения.

Заметьте: задачи должны логически вести к цели. Если вы заявляете «проектирование модели» — в проектной части должна быть схема архитектуры, а не только код.

Объект и предмет

• Объект: процесс мониторинга сетевой безопасности в коммерческом банке.
• Предмет: модель обнаружения аномалий на основе машинного обучения.

Не путайте: объект — где применяется, предмет — что разрабатывается.

Ожидаемые результаты и практическая значимость

• Снижение времени обнаружения инцидента с 15 минут до 2 минут.
• Сокращение ложных срабатываний на 35%.
• Экономия 2,3 млн руб./год на работе SOC-аналитиков.

Эффект должен быть измеримым. Используйте реальные ставки: средняя зарплата SOC-специалиста — 120 000 руб./мес. (источник: hh.ru, 2025).

Рекомендуемая структура дипломной работы

Пример введения для Финансовый университет

Рост числа кибератак на финансовые организации требует перехода от сигнатурных к поведенческим методам обнаружения. В 2024 году 63% атак на банки были скрыты под легитимным трафиком (источник: Group-IB). Стандартные системы SIEM не справляются с объемом данных — в среднем 1,2 ТБ/день. Модели машинного обучения позволяют выявлять аномалии на основе паттернов поведения. Цель ВКР — разработать и оценить эффективность модели на основе LSTM для обнаружения атак типа DDoS и Brute Force. Объект исследования — процесс мониторинга безопасности в АО «Трансбанк». Предмет — модель обнаружения инцидентов. Задачи: анализ угроз, выбор датасета, обучение модели, оценка метрик и экономический расчёт.

Этапы разработки модели

Как написать заключение по Информационная безопасность

В ходе работы была разработана модель обнаружения инцидентов на основе LSTM, обученная на датасете CIC-IDS2017. Модель показала точность 96,7% и F1-score 0,94. Внедрение позволит сократить время реакции на инциденты на 85% и сэкономить 2,3 млн руб. в год. Работа соответствует требованиям ГОСТ Р 57580.1-2017. Рекомендуется дальнейшее тестирование в промышленной среде с использованием потоковой обработки (Apache Kafka).

Требования к списку литературы Финансовый университет

Оформлять по ГОСТ Р 7.0.100-2018. Примеры источников:

• IBM. (2024). Cost of a Data Breach Report 2024. https://www.ibm.com/reports/data-breach
• Sharafaldin, I., Lashkari, A.H., Ghorbani, A.A. (2018). Toward Generating a New Intrusion Detection Dataset for Cyber Research. CIC-IDS2017. https://www.unb.ca/cic/datasets/ids-2017.html
• ГОСТ Р 57580.1-2017. Защита информации. Системы обнаружения вторжений. Часть 1. Общие положения.

Вопросы, которые часто задают студенты

• Какой алгоритм выбрать: классику (Random Forest) или нейросеть (LSTM)?
• Можно ли использовать датасет KDD Cup 99? Он устарел, но разрешён в некоторых вузах.
• Как интегрировать модель с SIEM? Через REST API или syslog.

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?