УЗАГАЛЬНЕНА МОДЕЛЬ ПРОГНОЗУВАННЯ ТА ВИЯВЛЕННЯ КІБЕРБЕЗПЕКОВИХ АНОМАЛІЙ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ

У статті розроблено та представлено інтегровану математичну модель для прогнозування мережевого навантаження та виявлення кібербезпекових аномалій, яка базується на сучасних методах глибокого навчання та архітектурі автоенкодера. Запропонований підхід об’єднує функціонал прогнозування на основі нейронної мережі з механізмами автоматичного виявлення відхилень у поведінці мережевого трафіку. На початковому етапі модель здійснює попередню обробку історичних даних із використанням нормалізації та експоненційного згладжування, що дозволяє ефективно виділити актуальні патерни навантаження. Прогнозування здійснюється за допомогою глибокої нейронної мережі, оптимізованої методом градієнтного спуску для досягнення мінімальної середньоквадратичної похибки. Для виявлення аномалій застосовується автоенкодер, який навчається на нормальних даних та використовує евклідову норму різниці між вхідним і відновленим сигналами для визначення рівня аномальності. Межі аномальності формуються адаптивно на основі стандартного відхилення та параметра чутливості, що дозволяє підвищити точність виявлення відхилень у змінних умовах мережевого середовища. У роботі запропоновано модель визначення критичності ситуації, яка враховує частку аномальних значень у загальному потоці даних. Це дає змогу класифікувати події за рівнем загрози та забезпечити своєчасну реакцію системи управління. Інтегрована модель працює як багаторівнева самонавчальна система, здатна не лише прогнозувати майбутній стан мережі, а й виявляти потенційно небезпечні ситуації у реальному часі. Практична реалізація запропонованого підходу дозволяє досягти високої точності прогнозу (до 95%) навіть за умов наявності аномалій та знижує кількість хибних тривог. Актуальність дослідження підтверджується викликами, пов’язаними з цифровізацією, масштабуванням мереж і необхідністю забезпечення безпеки в умовах зростання складності ІТ-інфраструктур. Представлена модель є ефективним інструментом для моніторингу, аналізу та реагування на загрози в контексті NFV/SDN-технологій, IoT і хмарних обчислень.