Метод виявлення комп’ютерних атак на основі адаптивності та балансування навчальної вибірки

Богдан Семенюк; Богдан Савенко

Журнал: Том 31, № 1, 2026

Сторінки: 34 – 43

DOI: https://doi.org/10.62660/bcstu/1.2026.3

222 Перегляди

Метод виявлення комп’ютерних атак на основі адаптивності та балансування навчальної вибірки

Богдан Семенюк, Богдан Савенко

Отримано 05.11.2025

Доопрацьовано 13.02.2026

Прийнято 16.03.2026

Опубліковано 08.04.2026

Анотація

Актуальність роботи визначається тим, що в сучасних системах кіберзахисту зберігається проблема дисбалансу даних у задачах виявлення комп’ютерних атак. Нерівномірне представлення класів призводить до зниження здатності моделей машинного навчання розпізнавати рідкісні, але критично важливі типи вторгнень. Наявні методи синтетичного доповнення вибірок часто спотворюють структуру даних і призводять до втрати характерних сигнатур атак, що негативно впливає на достовірність класифікації. Метою дослідження було підвищення точності та повноти виявлення мережевих атак шляхом розроблення адаптивного методу балансування навчальної вибірки зі збереженням статистичних і сигнатурних властивостей аномалій. Методологія дослідження передбачала створення детермінованого алгоритму, який обчислював коефіцієнти доповнення окремо для кожного типу атаки з урахуванням його частоти та мінімально необхідного обсягу вибірки. Для генерації нових прикладів застосовувався статистичний підхід, заснований на локальних медіанах і крайніх значеннях сусідніх зразків, що забезпечувало відтворення типової структури аномальних патернів без випадкової інтерполяції. Розроблений метод інтегрувався у послідовність обробки даних, у межах якої параметри мережевого трафіку перетворювалися у звукові сигнали, а на їх основі формувалися спектрограми для подальшого аналізу двовимірною згортковою нейронною мережею. Основні результати дослідження показали підвищення повноти виявлення малопоширених типів атак у середньому на 10-12 % порівняно з базовими підходами, водночас зберігаючи стабільний рівень загальної точності. Збереження сигнатур у синтетичних зразках забезпечувало покращене розпізнавання рідкісних атак і підвищувало достовірність класифікації. Практична цінність роботи полягає у можливості застосування розробленого методу для формування збалансованих вибірок у системах виявлення вторгнень та його інтеграції з існуючими моделями глибинного навчання з метою підвищення надійності кіберзахисту корпоративних мереж

Ключові слова

дисбаланс даних; сигнатурне моделювання аномалій; синтетичне доповнення вибірки; аналіз мережевого трафіку; згорткові нейронні мережі; акустичне представлення даних; стійкість класифікації

Використані джерела

Ahmad, Z., Khan, A.S., Shiang, C.W., Abdullah, J., & Ahmad, F. (2021). Network intrusion detection system: A systematic study of machine learning and deep learning approaches. Emerging Telecommunications Technologies, 32(1), article number e4150. doi: 10.1002/ett.4150.
Alladi, T., Chamola, V., Sikdar, B., & Choo, K.-K.R. (2020). Consumer IoT: Security vulnerability case studies and solutions. IEEE Consumer Electronics Magazine, 9(2), 17-25. doi: 10.1109/MCE.2019.2953740 .
Baich, M., & Sael, N. (2025). Enhancing machine learning model prediction with feature selection for botnet intrusion detection. Engineering Proceedings, 112(1), article number 55. doi: 10.3390/engproc2025112055.
Cai, Z., Du, H., Wang, H., Zhang, J., Si, Y., & Li, P. (2023). One-dimensional convolutional Wasserstein generative adversarial network based intrusion detection method for industrial control systems. Electronics, 12(22), article number 4653. doi: 10.3390/electronics12224653 .
Dalou’, J., Al-Duwairi, B., & Al-Jarrah, M. (2020). Adaptive entropy-based detection and mitigation of DDoS attacks in SDN networks. International Journal of Computing, 19(3), 399-410. doi: 10.47839/ijc.19.3.1889.
Denysiuk, D., Savenko, O., Lysenko, S., Savenko, B., & Kashtalian, A. (2023). Method for detecting steganographic changes in images using machine learning. In Proceedings of the 13th international conference on dependable systems, services and technologies (DESSERT) (pp. 1-6). Athens: IEEE. doi: 10.1109/DESSERT61349.2023.10416453 .
Farooq, M., & Ahmad, F. (2024). Improved intrusion detection in IoT using multi-layered neural architectures. International Journal of Computing, 23(2), 268-273. doi: 10.47839/ijc.23.2.3546.
Hussain, A., Sharif, H., Rehman, F., Kirn, H., Sadiq, A., Khan, M.S., Riaz, A., Ali, C.N., & Chandio, A.H. (2023). A systematic review of intrusion detection systems in Internet of Things using ML and DL. In 2023 4th international conference on computing, mathematics and engineering technologies (iCoMET). Sukkur: IEEE. doi: 10.1109/ iCoMET57998.2023.10099142 .
Joloudari, J.H., Marefat, A., Nematollahi, M.A., Oyelere, S.S., & Hussain, S. (2023). Effective class-imbalance learning based on SMOTE and convolutional neural networks. Applied Sciences, 13(6), article number 4006. doi: 10.3390/app13064006.
Joseph, J.E., Aleke, N.T., & Onyeanisi, O.P. (2025). Deep learning based intrusion detection system for network security in IoT system. International Journal of Education, Management, and Technology, 3(1), 119-138. doi: 10.58578/ijemt.v3i1.4539.
Kashtalian, A., Sergii, L., Sachenko, A., Savenko, B., Savenko, O., & Nicheporuk, A. (2025). Evaluation criteria of centralization options in the architecture of multicomputer systems with traps and baits. Radioelectronic and Computer Systems, 2025(1), 264-297. doi: 10.32620/reks.2025.1.18 .
Kilincer, I.F., Ertam, F., & Sengur, A. (2021). Machine learning methods for cyber security intrusion detection: Datasets and comparative study. Computer Networks, 188, article number 107840. doi: 10.1016/j. comnet.2021.107840 .
Li, G., & Jung, J.J. (2023). Deep learning for anomaly detection in multivariate time series: Approaches, applications, and challenges. Information Fusion, 91, 93-102. doi: 10.1016/j.inffus.2022.10.008.
Maniriho, P., Niyigaba, E., Bizimana, Z., Twiringiyimana, V., Mahoro, L.J., & Ahmad, T. (2020). Anomaly-based intrusion detection approach for IoT networks using machine learning. In 2020 international conference on computer engineering, network, and intelligent multimedia (CENIM) (pp. 303-308). Surabaya: IEEE. doi: 10.1109/ CENIM51130.2020.9297958.
Mari, A.-G., Zinca, D., & Dobrota, V. (2023). Development of a machine-learning intrusion detection system and testing of its performance using a generative adversarial network. Sensors, 23(3), article number 1315. doi: 10.3390/s23031315 .
Mijalkovic, J., & Spognardi, A. (2022). Reducing the false negative rate in deep learning based network intrusion detection systems. Algorithms, 15(8), article number 258. doi: 10.3390/a15080258 .
Sathaporn, P., Krungseanmuang, W., Chaowalittawin, V., Benjangkaprasert, C., & Purahong, B. (2025). DDoS detection using a hybrid CNN-RNN model enhanced with multi-head attention for cloud infrastructure. Applied Sciences, 15(21), article number 11567. doi: 10.3390/app152111567.
Shahriar, M.H., Haque, N.I., Rahman, M.A., & Alonso, M. (2020). G-IDS: Generative adversarial networks assisted intrusion detection system. In 2020 IEEE 44th annual computers, software, and applications conference (COMPSAC) (pp. 376-385). Madrid: IEEE. doi: 10.1109/compsac48688.2020.0-218.
Sheibani, M., Konur, S., Awan, I., & Qureshi, A. (2024). A multi-layered defence strategy against DDoS attacks in SDN/NFV-based 5G mobile networks. Electronics, 13(8), article number 1515. doi: 10.3390/electronics13081515 .
Sheikh, M.S., & Peng, Y. (2022). Procedures, criteria, and machine learning techniques for network traffic classification: A survey. IEEE Access, 10, 64806-64829. doi: 10.1109/access.2022.3181135 .

ЦИТУВАТИ

Semenyuk, B., & Savenko, B. (2026). Method for detecting computer attacks based on adaptability and balancing of training samples. Bulletin of Cherkasy State Technological University, 31(1), 34-43. https://doi.org/10.62660/bcstu/1.2026.3

[1] Ahmad, Z., Khan, A.S., Shiang, C.W., Abdullah, J., & Ahmad, F. (2021). Network intrusion detection system: A systematic study of machine learning and deep learning approaches. Emerging Telecommunications Technologies, 32(1), article number e4150. doi: 10.1002/ett.4150.

[2] Alladi, T., Chamola, V., Sikdar, B., & Choo, K.-K.R. (2020). Consumer IoT: Security vulnerability case studies and solutions. IEEE Consumer Electronics Magazine, 9(2), 17-25. doi: 10.1109/MCE.2019.2953740 .

[3] Baich, M., & Sael, N. (2025). Enhancing machine learning model prediction with feature selection for botnet intrusion detection. Engineering Proceedings, 112(1), article number 55. doi: 10.3390/engproc2025112055.

[4] Cai, Z., Du, H., Wang, H., Zhang, J., Si, Y., & Li, P. (2023). One-dimensional convolutional Wasserstein generative adversarial network based intrusion detection method for industrial control systems. Electronics, 12(22), article number 4653. doi: 10.3390/electronics12224653 .

[5] Dalou’, J., Al-Duwairi, B., & Al-Jarrah, M. (2020). Adaptive entropy-based detection and mitigation of DDoS attacks in SDN networks. International Journal of Computing, 19(3), 399-410. doi: 10.47839/ijc.19.3.1889.

[6] Denysiuk, D., Savenko, O., Lysenko, S., Savenko, B., & Kashtalian, A. (2023). Method for detecting steganographic changes in images using machine learning. In Proceedings of the 13th international conference on dependable systems, services and technologies (DESSERT) (pp. 1-6). Athens: IEEE. doi: 10.1109/DESSERT61349.2023.10416453 .

[7] Farooq, M., & Ahmad, F. (2024). Improved intrusion detection in IoT using multi-layered neural architectures. International Journal of Computing, 23(2), 268-273. doi: 10.47839/ijc.23.2.3546.

[8] Hussain, A., Sharif, H., Rehman, F., Kirn, H., Sadiq, A., Khan, M.S., Riaz, A., Ali, C.N., & Chandio, A.H. (2023). A systematic review of intrusion detection systems in Internet of Things using ML and DL. In 2023 4th international conference on computing, mathematics and engineering technologies (iCoMET). Sukkur: IEEE. doi: 10.1109/ iCoMET57998.2023.10099142 .

[9] Joloudari, J.H., Marefat, A., Nematollahi, M.A., Oyelere, S.S., & Hussain, S. (2023). Effective class-imbalance learning based on SMOTE and convolutional neural networks. Applied Sciences, 13(6), article number 4006. doi: 10.3390/app13064006.

[10] Joseph, J.E., Aleke, N.T., & Onyeanisi, O.P. (2025). Deep learning based intrusion detection system for network security in IoT system. International Journal of Education, Management, and Technology, 3(1), 119-138. doi: 10.58578/ijemt.v3i1.4539.

[11] Kashtalian, A., Sergii, L., Sachenko, A., Savenko, B., Savenko, O., & Nicheporuk, A. (2025). Evaluation criteria of centralization options in the architecture of multicomputer systems with traps and baits. Radioelectronic and Computer Systems, 2025(1), 264-297. doi: 10.32620/reks.2025.1.18 .

[12] Kilincer, I.F., Ertam, F., & Sengur, A. (2021). Machine learning methods for cyber security intrusion detection: Datasets and comparative study. Computer Networks, 188, article number 107840. doi: 10.1016/j. comnet.2021.107840 .

[13] Li, G., & Jung, J.J. (2023). Deep learning for anomaly detection in multivariate time series: Approaches, applications, and challenges. Information Fusion, 91, 93-102. doi: 10.1016/j.inffus.2022.10.008.

[14] Maniriho, P., Niyigaba, E., Bizimana, Z., Twiringiyimana, V., Mahoro, L.J., & Ahmad, T. (2020). Anomaly-based intrusion detection approach for IoT networks using machine learning. In 2020 international conference on computer engineering, network, and intelligent multimedia (CENIM) (pp. 303-308). Surabaya: IEEE. doi: 10.1109/ CENIM51130.2020.9297958.

[15] Mari, A.-G., Zinca, D., & Dobrota, V. (2023). Development of a machine-learning intrusion detection system and testing of its performance using a generative adversarial network. Sensors, 23(3), article number 1315. doi: 10.3390/s23031315 .

[16] Mijalkovic, J., & Spognardi, A. (2022). Reducing the false negative rate in deep learning based network intrusion detection systems. Algorithms, 15(8), article number 258. doi: 10.3390/a15080258 .

[17] Sathaporn, P., Krungseanmuang, W., Chaowalittawin, V., Benjangkaprasert, C., & Purahong, B. (2025). DDoS detection using a hybrid CNN-RNN model enhanced with multi-head attention for cloud infrastructure. Applied Sciences, 15(21), article number 11567. doi: 10.3390/app152111567.

[18] Shahriar, M.H., Haque, N.I., Rahman, M.A., & Alonso, M. (2020). G-IDS: Generative adversarial networks assisted intrusion detection system. In 2020 IEEE 44th annual computers, software, and applications conference (COMPSAC) (pp. 376-385). Madrid: IEEE. doi: 10.1109/compsac48688.2020.0-218.

[19] Sheibani, M., Konur, S., Awan, I., & Qureshi, A. (2024). A multi-layered defence strategy against DDoS attacks in SDN/NFV-based 5G mobile networks. Electronics, 13(8), article number 1515. doi: 10.3390/electronics13081515 .

[20] Sheikh, M.S., & Peng, Y. (2022). Procedures, criteria, and machine learning techniques for network traffic classification: A survey. IEEE Access, 10, 64806-64829. doi: 10.1109/access.2022.3181135 .