ИССЛЕДОВАНИЕ РЕЗУЛЬТАТИВНОСТИ ОБНАРУЖЕНИЯ АНОМАЛИЙ В ТЕЛЕМЕТРИИ УЗЛОВ ПРОМЫШЛЕННЫХ СИСТЕМ ИНТЕРНЕТ ВЕЩЕЙ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ БЕЗ УЧИТЕЛЯ

Аннотация

Статья посвящена сравнению и рекомендациям по выбору алгоритмов машинного обучения без учителя по критерию возможности выявления аномалий в телеметрии узлов промышленных киберфизических систем, в том числе промышленных интернет вещей. Рассматривается ситуация, когда разметка датасетов кибератак и нарушений ограничена, поэтому модели обучаются на нормальном поведении, а отклонения выявляются по аномальному баллу. В работе предложено формировать набор телеметрических признаков операционной системы, таких как: нагрузка процессора, использование памяти и диска, сетевые метрики, состояние процессов и сервисов, при этом набор дополняется искусственно внедрёнными аномалиями, имитирующими резкие всплески потребления ресурсов, утечки памяти и нарушения работы сервисов. Обоснован выбор ряда методов машинного обучения без учителя: лес изолирующих деревьев, полносвязный автоэнкодер, вариационный автоэнкодер и LSTM-автоэнкодер. Выполнен анализ и синтез предложенных методов на базе классических показателей: Precision, Recall и F1. Сделан вывод, что детальные результаты демонстрирует LSTM-автоэнкодер, что интерпретируется как преимущество моделей, способных учитывать временные зависимости. Подчеркивается прикладная значимость мониторинга аномалий для повышения устойчивости промышленных инфраструктур. Отмечены ограничения рассматриваемых решений и направления развития исследования, включая гибридные модели и методы объяснимости.