ГИБКАЯ IDPS НА ОСНОВЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ МОНИТОРИНГА И ЗАЩИТЫ ПЕРИФЕРИЙНЫХ IoT-УСТРОЙСТВ

Т. Бабенко, Е.А. Бахтиярова, Д. Ескендирова, А. Сысоев, Ш. Макиленов

2026

Достоверность данных 70 средняя

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

Рост числа периферийных IoT-устройств в инфраструктуре ум-ных городов порождает новые вызовы, связанные с фрагментированной поверх-ностью атак и ограниченностью традиционных средств обнаружения вторжений. Существующие системы IDPS, как правило, работают изолированно, генерируют из-быточные алерты и не способны адаптироваться к условиям распределённой среды. В данной статье предлагается архитектура гибкой IDPS, использующей алгоритмы машинного обучения для повышения качества мониторинга и защиты периферий-ных устройств. Архитектура включает модули нормализации, дедупликации, корре-ляции и ML-анализа с возможностью обратной связи между центром мониторинга и edge-узлами. Архитектурное описание среды мониторинга опирается на иерархиче-ское представление, согласующееся с моделью Purdue, что позволяет разграничить периферийный, локальный и централизованный уровни защиты. Экспериментальная оценка на датасетах BoT-IoT и TON_IoT показала сокращение задержки корреляции событий примерно на 62% и снижение доли ложных срабатываний на 29–31% по сравнению с базовыми подходами. Полученные результаты подтверждают перспек-тивность предложенной архитектуры для инфраструктур умного города.