Метод виявлення вторгнень у мережі Інтернету речей за допомогою нейронної мережі

Abstract

У кваліфікаційній роботі розроблено метод виявлення кібервторгнень для мереж Інтернету речей на основі глибокого навчання. Проведено порівняльний аналіз ефективності реалізації нейромережевих моделей у фреймворках TensorFlow та PyTorch. Запропоновано архітектуру багатошарового перцептрона 512-256-128-64-3, оптимізовану для аналізу високовимірних даних мережевого трафіку. Експериментально доведено перевагу TensorFlow за точністю класифікації (99,33%) та швидкістю навчання (16,4 хв), тоді як PyTorch демонструє кращі показники швидкості інференсу (7 млн операцій/с). Сформовано репрезентативний датасет об'ємом 4 мільйони зразків для навчання та тестування систем виявлення аномалій. Результати дослідження можуть бути впроваджені в системах кібербезпеки критичної інфраструктури, розумних міст та промислових IoT-систем.