Применение моделей машинного обучения для обнаружения аномалий в поведении пользователей автоматизированных систем

В условиях современного цифрового мира проблема безопасности данных и защиты информации становится всё более актуальной. Одним из самых перспективных направлений борьбы с киберугрозами является применение методов машинного обучения для обнаружения аномалий в поведении пользователей автоматизированных систем. Эти методы позволяют эффективно выявлять отклонения от нормального поведения, что особенно важно в рамках защиты централизованных систем хранения и обработки данных, где аномальные действия могут свидетельствовать о попытках несанкционированного доступа или других угроз. С учетом возрастающего объема данных и разнообразия киберугроз, исследование применения машинного обучения в данной области становится не просто интересным, а жизненно необходимым для обеспечения безопасности информационных систем.

Целью данной курсовой работы является изучение методов и моделей машинного обучения для обнаружения аномалий в поведении пользователей автоматизированных систем, а также оценка их эффективности и возможностей применения на практике. Для достижения этой цели будут поставлены следующие задачи: анализ теоретических основ машинного обучения, изучение методов определения аномального поведения, обзор популярных моделей и алгоритмов машинного обучения, а также разработка системы мониторинга с применением этих моделей для реального обнаружения аномалий.

Объектом исследования данной работы являются автоматизированные системы, в частности, их компоненты, ответственные за обработку и анализ информации о действиях пользователей. Предметом исследования выступают методы и модели машинного обучения, используемые для идентификации аномалий в поведении пользователей в контексте обеспечения информационной безопасности.

Работа будет начинаться с теоретического анализа основ машинного обучения, где будут рассмотрены ключевые понятия и подходы к обработке данных, а также основные этапы подготовки наборов данных для обучения моделей. Затем внимание будет уделено типам аномалий в поведении пользователей и их классификации, что позволит углубиться в специфику работы моделей машинного обучения. Рассмотрив популярные алгоритмы, мы перейдем к методикам их применения для решения задач обнаружения аномалий, включая процессы сбора и подготовки данных, оптимизацию алгоритмов и сравнение их поведения в различных условиях.

Далее будет представлено практическое приложение моделей для выявления аномалий в сети, включая разработку системы мониторинга, результаты проведённых экспериментов и выводы касательно предложенных рекомендаций по улучшению существующих систем. В завершении будут подведены итоги, обобщающие достижения исследования, а также даны рекомендации по дальнейшему развитию систем на основе машинного обучения в области кибербезопасности.