Введение
Актуальность исследования возможностей применения методов машинного обучения для анализа сетевых потоков с целью обнаружения каналов управления и связи (C2) не вызывает сомнений. Современные кибератаки всё чаще используют зашифрованные и мультиплексированные протоколы, маскируя управляющий трафик под легитимную активность пользователей. В этих условиях классические сигнатурные детекторы и эвристики демонстрируют недостаточную эффективность, особенно при столкновении с ранее не известными модификациями вредоносного ПО. Выпускная квалификационная работа, посвящённая разработке алгоритмов интеллектуального анализа трафика для выявления C2-коммуникаций, представляет собой законченное научное исследование, сочетающее теоретическую проработку вопросов кибербезопасности, экспериментальную реализацию прототипа и его верификацию на репрезентативном наборе данных.
Подобная тема ВКР востребована не только в академической среде, но и в индустрии: операторы центров мониторинга информационной безопасности, разработчики систем обнаружения вторжений (IDS/IPS) и вендоры решений класса NTA (Network Traffic Analysis) заинтересованы в новых подходах к детекции трафика командного сервера. Для студента написание такой работы открывает перспективы трудоустройства в профильные отделы банков, телеком-операторов и компаний, разрабатывающих средства защиты информации. Однако сложность темы, необходимость глубокого понимания сетевых протоколов, статистического анализа и методов машинного обучения делают самостоятельную подготовку качественного дипломного исследования чрезвычайно трудоёмкой. Именно поэтому всё больше обучающихся обращаются за профессиональной помощью, стремясь заказать ВКР по трафик командного сервера, гарантирующую соответствие требованиям ГОСТ и методическим рекомендациям вуза.
В настоящем материале рассмотрены ключевые аспекты подготовки выпускной квалификационной работы по направлению, связанному с аналитикой сетевых потоков для выявления C2-каналов: от сбора и предобработки трафика до построения прогностических моделей и лабораторного тестирования. Особое внимание уделено практическим рекомендациям по выбору темы, преодолению типичных трудностей, прохождению антиплагиата и успешной защите. Статья адресована как студентам, планирующим самостоятельно выполнить исследование, так и тем, кто рассматривает возможность делегировать часть задач экспертам.
Характеристики C2-каналов и сбор трафика
Ключевой этап любого исследования в области детекции командных серверов состоит в формировании понимания того, какие именно признаки отличают C2-коммуникации от обычного пользовательского трафика. Каналы управления и связи (C2, Command and Control) служат для передачи команд от атакующего на скомпрометированное устройство (бот, имплант) и приёма украденных данных. В отличие от легитимных сессий, трафик C2-каналов часто характеризуется периодичностью, малыми объёмами передаваемых пакетов, наличием шифрования и использованием нестандартных протоколов поверх HTTP, DNS, ICMP или TCP. Особую сложность представляет DNS-туннелирование, при котором данные инкапсулируются в запросы и ответы доменных имён, что позволяет обходить файрволы и системы фильтрации.
Сбор репрезентативного набора данных для ВКР требует либо создания собственного лабораторного стенда, либо использования публичных корпусов трафика, таких как CTU-13, ISCX Botnet, CICIDS2017, Malware Capture Facility Project. Каждый из этих наборов содержит размеченные сессии, включающие как вредоносные потоки, так и фоновый трафик. При разработке прототипа системы детекции целесообразно применять инструменты захвата пакетов (tcpdump, Wireshark) и движки потоковой аналитики (Zeek, Suricata), позволяющие выделять из сырого pcap-файла агрегированные метаданные: длительность соединения, количество переданных байтов, межпакетные интервалы, флаги TCP, распределение размеров пакетов. Для эмуляции C2-серверов и ботов в контролируемой среде могут использоваться фреймворки Metasploit, Cobalt Strike или специализированные скрипты на Python, генерирующие трафик с заданными параметрами периодичности и энтропии.
Для обеспечения воспроизводимости результатов в выпускном проекте необходимо задокументировать конфигурацию стенда, версии используемого ПО и методологию разметки данных. Практика показывает, что многие студенты недооценивают важность этапа сбора трафика, фокусируясь сразу на моделировании. Это приводит к тому, что обученная модель демонстрирует высокие метрики на тестовой выборке, но оказывается непригодной для реальной эксплуатации из-за переобучения на артефакты конкретного датасета. Поэтому в рамках подготовки дипломной работы следует предусмотреть сбор данных как минимум из двух разнородных источников и провести кросс-валидацию на независимых выборках.
Feature engineering и модели (Random Forest, XGBoost)
После того как собран и размечен набор сетевых потоков, наступает этап конструирования признаков (feature engineering). От качества и репрезентативности используемых признаков напрямую зависит способность модели различать C2-трафик и легитимную активность. Традиционно для анализа трафика командного сервера применяются три группы характеристик: статистические (среднее значение и стандартное отклонение размера пакета, межпакетные интервалы, длительность потока, отношение отправленных к полученным байтам), временн
В качестве базовых алгоритмов в выпускных квалификационных работах зарекомендовали себя ансамблевые модели — Random Forest и XGBoost. Random Forest позволяет получить робастную оценку важности признаков, устойчив к выбросам и не требует тщательной настройки гиперпараметров для достижения приемлемого качества. XGBoost, реализующий градиентный бустинг над решающими деревьями, часто демонстрирует более высокие метрики AUC-ROC и F1 за счёт последовательной коррекции ошибок предыдущих деревьев. Обе модели хорошо масштабируются на датасеты размером в сотни тысяч потоков и допускают применение L1/L2-регуляризации для борьбы с переобучением. При сравнении нескольких алгоритмов (логистическая регрессия, SVM, kNN, нейронная сеть) в экспериментальной части дипломной работы рекомендуется использовать кросс-валидацию с фиксацией random seed для воспроизводимости результатов.
Особое внимание следует уделить интерпретируемости модели — обоснованию, почему конкретный поток классифицируется как C2-коммуникация. Для этой цели применяются методы SHAP (Shapley Additive Explanations) и LIME (Local Interpretable Model-agnostic Explanations), позволяющие визуализировать вклад каждого признака в итоговое предсказание. В контексте темы ВКР детальный анализ важности признаков не только усиливает научную новизну, но и служит материалом для доклада на защите, демонстрируя членам комиссии логику принятия решений разработанной системой. Более подробно о том, как интерпретировать выходы моделей с помощью механизмов внимания, можно прочитать в отдельной публикации, посвящённой визуализации внимания в задачах ИБ — на статью о механизмах внимания в ИБ.
Развертывание и тестирование в лабораторной среде
Завершающий этап экспериментальной части ВКР предполагает развертывание разработанного детектора в контролируемой лабораторной среде и его тестирование в условиях, приближенных к реальным. Лабораторный стенд обычно включает несколько виртуальных машин: одну или две, эмулирующие C2-сервер и заражённые хосты (агенты), а также мониторинговую станцию, на которой запущен прототип системы обнаружения. Сбор трафика осуществляется через зеркалирование портов (port mirroring) или с помощью TAP-устройств, что гарантирует получение полной копии всех сетевых пакетов. Важно, чтобы среда тестирования была максимально изолирована от корпоративной сети вуза, чтобы исключить утечку вредоносного трафика и ложные срабатывания на реальных сервисах.
В рамках тестирования необходимо оценить не только метрики качества классификации (точность, полнота, F1-мера), но и эксплуатационные характеристики: производительность анализатора (количество обработанных потоков в секунду), задержку детекции (latency) и количество ложноположительных срабатываний при варьировании фоновой нагрузки. Для имитации условий реального трафика в стенд добавляют генераторы легитимной активности — просмотр веб-страниц, передачу файлов по FTP, видеозвонки, работу с электронной почтой. Полученные результаты позволяют сделать обоснованный вывод о применимости предложенного подхода в реальной инфраструктуре и сформулировать рекомендации по его внедрению.
Особую ценность для выпускного проекта представляет сравнение разработанного решения с существующими открытыми детекторами (например, Zeek, Suricata в режиме детекции аномалий) на едином датасете. Если вычислительные ресурсы вуза ограничены, допускается использование облачных лабораторных стендов (AWS, Google Cloud), предварительно согласовав этот момент с научным руководителем. В контексте перспектив развития темы стоит изучить, как методы переноса знаний с предобученных моделей могут улучшить детекцию новых разновидностей C2-протоколов — подробнее об этом рассказывается в статье «Transfer learning в задачах кибербезопасности: уроки и прим». Также при сериализации команд и управляющих пакетов в C2-каналах могут быть полезны рекуррентные нейросетевые архитектуры, о чём сообщается на материалы по безопасности удаленного доступа.
Почему студентам сложно самостоятельно написать ВКР по трафик командного сервера
Тематика, связанная с интеллектуальным анализом сетевых потоков и детекцией C2-коммуникаций, предъявляет к исполнителю высокие требования, выходящие за рамки базовых компетенций бакалавра или магистра. Написание ВКР по трафик командного сервера на заказ становится обоснованным решением для студентов, которые сталкиваются с дефицитом времени, недостаточным уровнем технической подготовки или отсутствием доступа к лабораторной инфраструктуре. Рассмотрим ключевые причины, по которым самостоятельная подготовка качественной работы затруднена.
Первая причина — междисциплинарность задачи. Исследователь должен одновременно разбираться в сетевых протоколах (TCP/IP, DNS, HTTP/2, TLS), анализе временных рядов, методах машинного обучения и подходах к обнаружению аномалий. Учебные программы, как правило, охватывают эти области по отдельности, не давая студенту навыков их интеграции в рамках единого проекта. Вторая причина — высокая трудоёмкость сбора и разметки данных. Для получения репрезентативного датасета требуется развернуть полигон с использованием специализированного ПО (Cobalt Strike, Mythic, Merlin), что сопряжено с настройкой виртуальных машин, сертификатов и правил маршрутизации. Без опыта административной работы этот этап может занять несколько недель.
Третья причина — необходимость написания качественного программного кода. Экспериментальная часть ВКР предполагает реализацию пайплайна обработки трафика, извлечения признаков, обучения модели и визуализации результатов на языке Python (библиотеки Scikit-learn, XGBoost, Keras/TensorFlow, Pandas, Matplotlib). Многие студенты не владеют фреймворками для обработки больших объёмов данных и не умеют оптимизировать код для работы с сетевыми дампами большого размера. Четвёртая причина — ограничения по доступу к вычислительным ресурсам. Обучение ансамблевых моделей и нейронных сетей на выборках объёмом десятки гигабайт требует GPU-ускорения или кластерных мощностей, которые не всегда доступны в университетских лабораториях. Наконец, пятая причина связана с оформлением результатов в соответствии с ГОСТ и методическими рекомендациями вуза, что требует специальных навыков подготовки научных отчётов, оформления ссылок и формул.
Перечисленные обстоятельства приводят к тому, что студент, даже проявив усердие, рискует получить работу, не отвечающую критериям полноты, достоверности и новизны. Профессиональная помощь в написании ВКР трафик командного сервера позволяет избежать этих рисков, гарантируя соблюдение академических стандартов.
Что входит в подготовку дипломной работы
Комплексный процесс подготовки дипломной работы по обнаружению C2-каналов на основе анализа сетевых потоков охватывает несколько последовательных этапов, каждый из которых требует детальной проработки. При обращении за профессиональной поддержкой исполнитель предоставляет полный цикл: от выбора темы до подготовки речи для защиты. Рассмотрим основные составляющие.
1. Аналитический обзор литературы и патентов. Студент получает реферативную часть, в которой систематизированы существующие подходы к детекции C2-трафика: сигнатурные методы, статистические модели, методы машинного обучения, гибридные схемы. Обзор должен включать не менее 30–40 источников, включая статьи из рецензируемых журналов (IEEE, ACM, «Вопросы кибербезопасности») и материалы конференций. 2. Проектирование архитектуры решения. Разрабатывается общая схема системы обнаружения: модуль захвата трафика, блок предобработки, конвейер извлечения признаков, классификатор и интерфейс визуализации. Архитектурные решения обосновываются с точки зрения производительности и масштабируемости.
3. Разработка прототипа и его отладка. На основе выбранной архитектуры пишется программный код на Python, реализующий пайплайн обучения и инференса. В зависимости от сложности работы может быть выполнена интеграция с фреймворками NuPIC (Hierarchical Temporal Memory) или библиотеками для обработки сетевых потоков (Scapy, NFStream). 4. Экспериментальное исследование. Проводится оценка точности детекции на тестовых наборах данных, сравнительный анализ с бейзлайнами (Random Forest, XGBoost, градиентный бустинг с CatBoost). Результаты оформляются в виде таблиц и графиков, обосновывающих преимущества предложенного подхода. 5. Оформление пояснительной записки. Текст работы структурируется по главам в соответствии с ГОСТ 7.32-2017, включая введение, обзор литературы, теоретическую часть, практическую часть, заключение и список литературы. 6. Подготовка презентационных материалов. Создаётся слайд-шоу (10–15 слайдов), демонстрирующее актуальность, постановку задачи, архитектуру, ключевые результаты и выводы. При необходимости готовится раздаточный материал и скрипт выступления.
Таким образом, подготовка дипломной работы по трафик командного сервера — это многоэтапный процесс, требующий координации усилий сразу нескольких специалистов: сетевого инженера, аналитика данных, программиста и эксперта по кибербезопасности. Коммерческое предложение на оказание таких услуг обычно включает все перечисленные пункты, что позволяет студенту сосредоточиться на изучении материалов и подготовке к защите.
Методы исследования, используемые в работах по трафик командного сервера
Выпускные квалификационные работы, посвящённые выявлению C2-коммуникаций, опираются на широкий спектр как теоретических, так и эмпирических методов исследования. Ниже перечислены основные из них, сгруппированные по назначению.
- Методы сбора и фильтрации трафика: захват сырых пакетов (pcap), выделение потоков на основе 5-tuple, агрегация по временным окнам, фильтрация по протоколам и портам. Используются Wireshark, tcpdump, ntopng, Zeek.
- Статистические методы: расчёт моментов первого и второго порядка для размера пакетов и межпакетных интервалов, вычисление энтропии, автокорреляции, тесты на стационарность (ADF, KPSS).
- Методы машинного обучения с учителем: Random Forest, XGBoost, LightGBM, CatBoost, логистическая регрессия, метод опорных векторов (SVM), многослойные перцептроны (MLP).
- Методы обучения без учителя: кластеризация (k-means, DBSCAN, HDBSCAN), Isolation Forest, autoencoder для детекции аномалий на основе ошибки реконструкции.
- Глубокое обучение: рекуррентные нейронные сети (LSTM, GRU), свёрточные сети (1D-CNN), графовые нейронные сети (GNN) для анализа топологии C2-инфраструктуры, трансформеры (TimeGPT, Informer) для временных рядов.
- Методы интерпретации: SHAP, LIME, Partial Dependence Plots, Feature Importance из ансамблей, Grad-CAM для CNN.
- Методы валидации: K-fold кросс-валидация, стратифицированное разбиение, временные сдвиги (time series split), bootstrap-оценка метрик.
Применение всей совокупности перечисленных методов в дипломном исследовании позволяет комплексно изучить задачу детекции C2-трафика. В контексте эмпирической части работы важно выбрать хотя бы две модели из разных семейств (например, Random Forest и нейронная сеть) и провести их сравнение на едином датасете. Статистическая обработка результатов, включая расчёт доверительных интервалов для метрик, является обязательным требованием для работ магистерского уровня.
Требования к ВКР
Подготовка выпускной квалификационной работы по направлению «Информационная безопасность», «Компьютерная безопасность» или «Прикладная математика и информатика» регламентируется как общими положениями ФГОС ВО, так и локальными актами учебного заведения. Основные требования, предъявляемые к ВКР в области анализа сетевых потоков, могут быть сведены к следующим пунктам:
- Чёткая формулировка объекта и предмета исследования, целей и задач, гипотезы (если применимо). Объектом может выступать «сетевой трафик в корпоративной сети», предметом — «методы обнаружения C2-каналов на основе анализа статистических характеристик сетевых потоков».
- Обоснование актуальности темы с ссылками на источники — отчёты по киберугрозам (Positive Technologies, Group-IB, Kaspersky ICS CERT), национальные стандарты (ГОСТ Р 56545-2015, ГОСТ Р 53114-2008) и публикации в рецензируемых журналах.
- Наличие обзорной главы, охватывающей не менее 15–20 источников за последние 5 лет, включая зарубежные (IEEE, ACM, Springer).
- Разработка или адаптация существующей модели детекции с обязательным описанием архитектуры, гиперпараметров и процедуры обучения.
- Проведение экспериментальной верификации на репрезентативном датасете, содержащем как вредоносные, так и легитимные потоки. Для бакалаврской работы допускается использование публичных датасетов (например, CICIDS2017); для магистерской диссертации обычно требуется сбор собственного трафика в лабораторных условиях.
- Оформление пояснительной записки объёмом от 60 до 100 страниц (в зависимости от уровня образования), выполненное в строгом соответствии с ГОСТ 7.32-2017 (шрифт Times New Roman, 14 кегль, полуторный интервал, поля не менее 20 мм).
- Наличие акта о внедрении результатов исследования (для магистерских диссертаций) или справки об использовании в учебном процессе (для бакалавров).
Невыполнение даже одного из перечисленных пунктов может стать причиной направления работы на доработку. Студентам, испытывающим трудности с соблюдением формальных требований, рекомендуется обратиться за консультацией к профильным специалистам или заказать ВКР по трафик командного сервера у авторов, имеющих опыт подготовки научных работ в области кибербезопасности.
Как выбрать тему ВКР по трафик командного сервера
Выбор темы — один из наиболее ответственных этапов, определяющих успешность всей выпускной работы. Правильно сформулированная тема должна одновременно отвечать научным интересам студента, быть обеспеченной источниками и данными, соответствовать требованиям научного руководителя и обладать практической значимостью. Ниже приведены критерии, которые помогут принять взвешенное решение.
Актуальность. Тема должна быть связана с реальными проблемами кибербезопасности, такими как рост количества атак с использованием шифрованных C2-каналов, развитие техник DNS-туннелирования, появление C2-протоколов на базе социальных сетей (Telegram, Discord) и анонимных сетей (Tor, I2P). Рекомендуется изучить отчёты ведущих компаний (Лаборатория Касперского, Positive Technologies, Mandiant) за последние 1–2 года и сформулировать тему, отражающую одну из наиболее острых угроз. Доступность выборки. Необходимо убедиться, что для выбранной тематики существуют общедоступные размеченные датасеты (CTU-13, ISCX Botnet, MCFP), либо что у студента есть возможность самостоятельно собрать трафик с помощью эмуляторов C2-фреймворков (Sliver, Havoc, Nighthawk). Отсутствие данных — наиболее частая причина «заморозки» работы на полпути.
Доступность источников. По выбранной теме должно быть опубликовано достаточное количество рецензируемых статей, монографий и диссертаций, которые составят базу обзорной главы. Полезно заранее проверить наличие публикаций на русском языке (РИНЦ, КиберЛенинка) и английском (IEEE Xplore, ACM Digital Library, Google Scholar). Возможность проведения исследования. Оцените, имеются ли в вашем распоряжении необходимые вычислительные мощности, сетевое оборудование и программные инструменты. Для работ, предполагающих глубокое обучение, потребуется GPU; для статистического анализа достаточно CPU и 16 ГБ оперативной памяти. Требования научного руководителя. Согласуйте с руководителем не только формулировку темы, но и методы, которые предполагается использовать, объём эмпирической части и формат представления результатов. Некоторые руководители рекомендуют встраивать элементы сравнительного анализа двух подходов, что усиливает научную новизну.
Примеры удачных формулировок тем: «Разработка метода детекции C2-коммуникаций на основе анализа временных рядов сетевых потоков с применением LSTM-автоэнкодеров», «Исследование эффективности градиентного бустинга в задаче обнаружения DNS-туннелирования», «Применение ансамблевых моделей машинного обучения для выявления трафика командных серверов в зашифрованных протоколах». Если у вас возникают трудности с формулировкой, вы всегда можете рассчитывать на помощь в написании ВКР трафик командного сервера, включая консультацию по выбору наиболее выигрышной темы.
Проверка ВКР на антиплагиат
Прохождение проверки на заимствования является обязательным этапом перед допуском к защите в любом аккредитованном вузе. Система «Антиплагиат.ВУЗ» анализирует текст дипломной работы и выявляет совпадения с открытыми интернет-источниками, диссертациями, журналами и архивом студенческих работ. Для направления «трафик командного сервера» и смежных специальностей требования к оригинальности обычно варьируются от 60% до 85% в зависимости от уровня подготовки (бакалавриат vs магистратура) и политики конкретного учебного заведения.
Корректные заимствования (цитирование) оформляются в соответствии с ГОСТ Р 7.0.5-2008 — заключение в кавычки, указание автора, названия и источника. При этом объём цитирования не должен превышать 25–30% от общего объёма работы, иначе даже при правильном оформлении система зафиксирует высокий процент заимствований. Критически важно помнить, что «Антиплагиат.ВУЗ» не всегда учитывает корректное цитирование в общем индексе, а лишь отмечает блоки сходства. Поэтому рекомендуется самостоятельно провести предварительную проверку через расширенный модуль поиска, доступный в личном кабинете вуза.
Распространённые причины низкой уникальности текста: копирование кусков из доступных в Сети диссертаций и дипломных работ по той же теме, использование готовых описаний протоколов и алгоритмов из учебников без переработки, вставка больших фрагментов кода с комментариями из открытых репозиториев. Чтобы избежать этих проблем, при написании дипломной работы следует использовать синонимичные обороты, перестраивать структуру предложений, добавлять собственные выводы и соединительные логические элементы. Профессиональные исполнители, специализирующиеся на подготовке дипломов по специальности «трафик командного сервера», гарантируют достижение необходимого процента уникальности за счёт грамотного перефразирования, глубокой переработки источников и использования закрытых баз данных.
Типовые требования вузов к ВКР по трафик командного сервера
Несмотря на общие требования ФГОС, каждый вуз разрабатывает локальные нормативные документы (методические указания по выполнению ВКР), которые содержат специфические критерии оценки, объём разделов и правила оформления. Для работ по тематике, связанной с анализом трафика командных серверов, типовыми являются следующие положения:
- Обязательное наличие раздела «Анализ опасностей и угроз», в котором рассматривается актуальность обнаружения C2-каналов для конкретной предметной области (промышленный интернет вещей, банковский сектор, государственные информационные системы).
- Описание архитектуры программно-аппаратного комплекса с использованием нотаций UML (диаграммы классов, последовательностей или вариантов использования) или IDEF0.
- Представление результатов в виде не менее 3–5 таблиц (сравнение метрик, гиперпараметры, состав датасета) и 5–10 рисунков (графики обучения, ROC-кривые, матрицы ошибок, графики важности признаков).
- Для магистерских диссертаций — подтверждение апробации результатов на профильных конференциях (например, IEEE Conference on Cybersecurity, International Symposium on Information Security) или публикация в журнале из перечня ВАК. Допускается участие в работе научного семинара кафедры с получением справки об апробации.
- Библиотечное оформление списка литературы: не менее 25–30 источников для бакалавров и 40–50 для магистров, не менее 30% из которых — это статьи на иностранных языках, рекомендованных тематической комиссией.
При заказе дипломной работы по трафик командного сервера цена обычно включает приведение текста под конкретные локальные требования (объём глав, количество формул, тип диаграмм). Рекомендуется заранее запросить у консультанта образец методических указаний вашего вуза, чтобы исполнитель мог адаптировать структуру работы.
Типичные ошибки при написании ВКР по трафик командного сервера
Анализ десятков студенческих работ, посвящённых детекции C2-каналов, позволяет выделить ряд повторяющихся ошибок, которые приводят к снижению оценки или передаче ВКР на доработку. Ниже перечислены наиболее распространённые из них.
Ошибка 1: Игнорирование этапа предобработки данных. Студенты часто подают на вход модели сырые неизменённые признаки, содержащие пропуски, выбросы и сильно зашумлённые значения. Это приводит к нестабильности обученного классификатора. Обязательным является удаление или заполнение пропусков, нормирование или стандартизация числовых признаков, а также устранение мультиколлинеарности с помощью анализа корреляционной матрицы.
Ошибка 2: Использование только одного датасета. Обучение и тестирование на одном и том же наборе (например, только на CICIDS2017) не доказывает обобщающую способность метода. Рекомендуется применять как минимум два различных датасета, сгенерированных в разных условиях, и провести кросс-оценку. Ошибка 3: Отсутствие сравнения с базовыми методами. Без сопоставления с простыми моделями (логистическая регрессия, Decision Tree, kNN) невозможно объективно судить о преимуществах предложенного алгоритма. Комиссия ожидает таблицу сравнения метрик (Accuracy, Precision, Recall, F1, AUC-ROC) на одном и том же наборе данных.
Ошибка 4: Пренебрежение интерпретируемостью. Особенно характерна для работ, использующих нейронные сети без какого-либо объяснения результатов. Применение методов XAI (SHAP, LIME) не только повышает научную ценность, но и даёт материал для ответов
Нужна помощь с написанием статьи?