Abstract
В данной работе исследуется устойчивость ансамблевых мо-делей машинного обучения к состязательным (adversarial) воздействиям в кон-тексте мультиклассового обнаружения вторжений в IoT-сетях. Эксперименталь-ная база формируется на основе набора данных ToN-IoT, широко применяемого для оценки систем обнаружения вторжений.Для решения задачи мультиклассо-вой классификации сетевого трафика используются три ансамблевые модели: XGBoost, Random Forest и LightGBM. Предобработка данных включает удале-ние нерелевантных признаков, one-hot encoding категориальных атрибутов, стан-дартизацию и разбиение на обучающую и тестовую выборки. С целью анализа влияния снижения размерности на устойчивость моделей применяется метод главных компонент (PCA). Для оценки робастности моделей реализованы два вида атак: Gaussian Noise Attack и FGSM (Fast Gradient Sign Method). Поскольку ансамблевые модели являются недифференцируемыми, генерация состязатель-ных примеров для FGSM осуществляется посредством суррогатной нейронной сети с использованием transfer-based подхода. Дополнительно исследуется метод adversarial training, предполагающий дополнение обучающей выборки состяза-тельными примерами и последующее дообучение моделей.Качество классифи-кации оценивается по метрикам Accuracy и F1-score с анализом деградации по-казателей при различных уровнях шума и величинах возмущений. Поведение моделей интерпретируется с помощью SHAP-анализа. Все эксперименты по-вторены для пяти значений random seed с независимыми стратифицированными разбиениями, результаты представлены как среднее ± стандартное отклонение; в качестве нейросетевого базового уровня добавлен многослойный перцептрон (MLP).Полученные результаты свидетельствуют о высокой точности всех трёх моделей на чистых данных при заметном снижении качества под воздействием атак. Random Forest демонстрирует наибольшую устойчивость среди рассмо-тренных методов. Установлено, что применение PCA повышает робастность мо-делей, а adversarial training эффективно снижает влияние FGSM-атак. Результаты подтверждают перспективность ансамблевых методов в сочетании с adversarial training для построения надёжных IDS в IoT-окружениях.