Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM
This paper investigates the application of the one-class SVM (Support Vector Machines) method for detecting anomalies in network traffic, a critical challenge in the field of cybersecurity. Traditional signature-based detection systems are limited to identifying known threats, leaving them vulnerabl...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2025
|
| Теми: | |
| Онлайн доступ: | https://jais.net.ua/index.php/files/article/view/418 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Problems of Control and Informatics |
Репозитарії
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-418 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2025-04-27T12:16:17Z |
| collection |
OJS |
| language |
English |
| topic |
Оцифрування виявлення аномалій однокласова SVM мережева безпека машинне навчання CICIDS2017 |
| spellingShingle |
Оцифрування виявлення аномалій однокласова SVM мережева безпека машинне навчання CICIDS2017 Kerimov, Komil Kurbanov , Sardor Azizova, Zarina Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM |
| topic_facet |
digitization anomaly detection one-class SVM network security machine learning CICIDS2017 Оцифрування виявлення аномалій однокласова SVM мережева безпека машинне навчання CICIDS2017 |
| format |
Article |
| author |
Kerimov, Komil Kurbanov , Sardor Azizova, Zarina |
| author_facet |
Kerimov, Komil Kurbanov , Sardor Azizova, Zarina |
| author_sort |
Kerimov, Komil |
| title |
Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM |
| title_short |
Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM |
| title_full |
Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM |
| title_fullStr |
Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM |
| title_full_unstemmed |
Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM |
| title_sort |
методи виявлення аномалій у мережевому трафіку на основі однокласової технології svm |
| title_alt |
Methods for detecting anomalies in network traffic based on one-class SVM technology |
| description |
This paper investigates the application of the one-class SVM (Support Vector Machines) method for detecting anomalies in network traffic, a critical challenge in the field of cybersecurity. Traditional signature-based detection systems are limited to identifying known threats, leaving them vulnerable to new, unknown attacks. In contrast, the one-class SVM method, which focuses exclusively on «normal» data, offers a robust alternative capable of detecting both familiar and novel anomalies without requiring prior knowledge of potential threats. We introduce several enhancements to the one-class SVM approach, including the integration of online learning capabilities to allow the model to dynamically adapt to fluctuations in network traffic, advanced data preprocessing techniques, and the generation of additional synthetic features through statistical and signal processing methods. These modifications significantly boost the accuracy of anomaly detection. Our proposed model effectively identifies a range of attacks, including distributed denial of service (DDoS), SQL injection, and port scanning, without the need for examples of anomalous behavior during training. The paper also explores hybrid approaches that combine one-class SVM with statistical and rule-based methods to further enhance the systemʼs reliability and accuracy. Additionally, we address the importance of model interpretability, employing decision explanation techniques such as SHAP and LIME to make the results more transparent for cybersecurity experts. The paper concludes with an evaluation of our adaptive model’s performance using the CICIDS2017 dataset, demonstrating high accuracy (over 95 %) and good recall (approximately 90 %). The results underscore the potential of the modified one-class SVM to serve as an effective tool for real-time anomaly detection in network traffic, highlighting its advantages over conventional algorithms. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2025 |
| url |
https://jais.net.ua/index.php/files/article/view/418 |
| work_keys_str_mv |
AT kerimovkomil methodsfordetectinganomaliesinnetworktrafficbasedononeclasssvmtechnology AT kurbanovsardor methodsfordetectinganomaliesinnetworktrafficbasedononeclasssvmtechnology AT azizovazarina methodsfordetectinganomaliesinnetworktrafficbasedononeclasssvmtechnology AT kerimovkomil metodiviâvlennâanomalíjumereževomutrafíkunaosnovíodnoklasovoítehnologíísvm AT kurbanovsardor metodiviâvlennâanomalíjumereževomutrafíkunaosnovíodnoklasovoítehnologíísvm AT azizovazarina metodiviâvlennâanomalíjumereževomutrafíkunaosnovíodnoklasovoítehnologíísvm |
| first_indexed |
2025-10-30T02:49:09Z |
| last_indexed |
2025-10-30T02:49:09Z |
| _version_ |
1847373384148582400 |
| spelling |
oai:ojs2.jais.net.ua:article-4182025-04-27T12:16:17Z Methods for detecting anomalies in network traffic based on one-class SVM technology Методи виявлення аномалій у мережевому трафіку на основі однокласової технології SVM Kerimov, Komil Kurbanov , Sardor Azizova, Zarina digitization anomaly detection one-class SVM network security machine learning CICIDS2017 Оцифрування виявлення аномалій однокласова SVM мережева безпека машинне навчання CICIDS2017 This paper investigates the application of the one-class SVM (Support Vector Machines) method for detecting anomalies in network traffic, a critical challenge in the field of cybersecurity. Traditional signature-based detection systems are limited to identifying known threats, leaving them vulnerable to new, unknown attacks. In contrast, the one-class SVM method, which focuses exclusively on «normal» data, offers a robust alternative capable of detecting both familiar and novel anomalies without requiring prior knowledge of potential threats. We introduce several enhancements to the one-class SVM approach, including the integration of online learning capabilities to allow the model to dynamically adapt to fluctuations in network traffic, advanced data preprocessing techniques, and the generation of additional synthetic features through statistical and signal processing methods. These modifications significantly boost the accuracy of anomaly detection. Our proposed model effectively identifies a range of attacks, including distributed denial of service (DDoS), SQL injection, and port scanning, without the need for examples of anomalous behavior during training. The paper also explores hybrid approaches that combine one-class SVM with statistical and rule-based methods to further enhance the systemʼs reliability and accuracy. Additionally, we address the importance of model interpretability, employing decision explanation techniques such as SHAP and LIME to make the results more transparent for cybersecurity experts. The paper concludes with an evaluation of our adaptive model’s performance using the CICIDS2017 dataset, demonstrating high accuracy (over 95 %) and good recall (approximately 90 %). The results underscore the potential of the modified one-class SVM to serve as an effective tool for real-time anomaly detection in network traffic, highlighting its advantages over conventional algorithms. У статті досліджено використання методу one-class SVM (Support Vector Machines — однокласові опорні вектори) для виявлення аномалій у мережевому трафіку в галузі кібербезпеки. Традиційні методи виявлення атак, що ґрунтуються на сигнатурах, ефективні лише при відомих загрозах, але не працюють у разі нових, невідомих типів атак. У цьому разі метод one-class SVM, що навчається тільки на «нормальних» даних, є ефективною альтернативою, оскільки може виявляти як уже відомі, так і нові аномалії, не вимагаючи попереднього знання про можливі загрози. В роботі запропоновано способи вдосконалення цього методу, включно з впровадженням онлайн-навчання для динамічної адаптації моделі до змін у трафіку, поліпшених методів попереднього опрацювання даних, а також генерації додаткових синтетичних ознак з використанням статистичних і сигнальних методів. Це значно підвищує точність виявлення аномалій. Запропонована модель дає змогу виявляти різні типи атак, включно з DDoS, SQL-ін’єкціями, скануванням портів та іншими загрозами, без необхідності використовувати приклади аномальної поведінки в навчальних даних. У статті також розглядається застосування гібридних підходів, які об’єднують one-class SVM з іншими методами, такими як статистичні та правилоутворювальні техніки, для підвищення надійності та точності системи. Запропоновано шляхи поліпшення інтерпретованості моделі з використанням методів пояснення рішень, таких як SHAP і LIME, що дасть змогу зробити результати застосування моделі прозорішими та зрозумілішими для фахівців. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2025-04-25 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/418 10.34229/1028-0979-2025-2-8 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 70 № 2 (2025): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 91-98 International Scientific Technical Journal "Problems of Control and Informatics; Том 70 № 2 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 91-98 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 70 No. 2 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 91-98 2786-6505 2786-6491 10.34229/1028-0979-2025-2 en https://jais.net.ua/index.php/files/article/view/418/587 Copyright (c) 2025 Komil Kerimov, Sardor Kurbanov , Zarina Azizova https://creativecommons.org/licenses/by-nc-nd/4.0 |