Аңдатпа
ост числа кибератак на промышленные сети повышает тре-бования к своевременному выявлению аномальной активности в операционных технологических (OT) средах. Цель исследования заключается в сравнительной оценке методов машинного обучения для обнаружения кибератак и классифи-кации сетевых аномалий в OT-сетях. Экспериментальная методика предусма-тривает предварительную обработку сетевого трафика, формирование информа-тивного пространства признаков и обучение моделей Random Forest, XGBoost, Support Vector Machine и многослойной нейронной сети. Эффективность алго-ритмов оценивается по показателям Accuracy, Precision, Recall, F1-score и ROC-AUC, а также по способности выявлять различные категории атак. Наилучшие результаты получены с использованием XGBoost: Accuracy составила 98,4%, F1-score — 98,1%, ROC-AUC — 0,994. Сравнительный анализ показал, что приме-нение ансамблевых методов позволяет повысить точность обнаружения сетевых аномалий при сохранении низкой доли ошибочных срабатываний. Полученные результаты могут быть использованы при разработке интеллектуальных систем обнаружения вторжений для промышленных OT-инфраструктур.