УДК 004.8:519.8:336 | DOI: https://doi.org/10.31521/modecon.V52(2025)-28 |
Тищенко С. І., кандидат педагогічних наук, завідувач кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна
ORCID ID: 0000-0001-7881-8740
e-mail: tyschenko@mnau.edu.ua
Пархоменко О. Ю., кандидат фізико-математичних наук, доцент кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна
ORCID ID: 0000-0002-7940-7414
e-mail: parkhomenko@mnau.edu.ua
Ємельянов С. І., доктор філософії з фізики та астрономії, старший викладач кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна
ORCID ID: 0009-0005-9106-5209
e-mail: sviatoslavem@mnau.edu.ua
Богатєнкова О. Є., викладач кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна
ORCID ID: 0009-0003-0214-0680
e-mail: oleksandra.bohatienkova@mnau.edu.ua
Хилько І. І., старший викладач кафедри економічної кібернетики, комп’ютерних наук та інформаційних технологій, Миколаївський національний аграрний університет, м. Миколаїв, Україна
ORCID ID: 0000-0001-7983-8276
e-mail: hilko@mnau.edu.ua
Застосування методів глибокого навчання для виявлення та класифікації кіберзагроз у фінансових мережах на базі набору даних NSL-KDD
Анотація. Досліджено застосування методів глибокого навчання, зокрема багатошарових перцептронів (MLP), для класифікації та прогнозування кіберзагроз у фінансових мережах на основі набору даних NSL-KDD. Розглянуто бінарну класифікацію мережевого трафіку (нормальний vs. атаки) з використанням дискретних математичних структур для представлення даних. Установлено, що MLP досягає точності 97,8%, F1-score 0,976 та AUC 0,99, перевершуючи традиційну модель Random Forest (точність 96,5%, AUC 0,97). Отримано візуалізації результатів (криві навчання, ROC-крива, матриця плутанини, гістограма важливості ознак), що підтверджують ефективність моделі. Виявлено ключові ознаки, такі як src_bytes та dst_bytes, які відображають аномалії в мережевому трафіку. Запропоновано підхід, що має практичне значення для автоматизованого виявлення атак у фінансових системах. Установлено обмеження, пов’язані з використанням лише NSL-KDD, що не охоплює сучасні атаки, такі як фішинг. Перспективи подальших досліджень включають інтеграцію додаткових джерел даних і застосування інших архітектур глибокого навчання, таких як CNN та LSTM, для аналізу часових залежностей.
Ключові слова: глибоке навчання; багатошаровий перцептрон; кіберзагрози; фінансові мережі; NSL-KDD; Random Forest; дискретна математика.
Література:
- Bonderud D. Cost of a data breach 2024: Financial industry. IBM. URL: https://www.ibm.com/think/insights/cost-of-a-data-breach-2024-financial-industry.
- Sutherland T. Two-thirds of financial institutions faced cyberattacks in 2024. Security Magazine | The business magazine for security executives. URL: https://www.securitymagazine.com/articles/101524-two-thirds-of-financial-institutions-faced-cyberattacks-in-2024.
- Tyshchenko S., Parkhomenko O. Analysis of the Impact of Digital Threats on Financial Markets Using Methods of Probability Theory and Python. Modern Economics. 2024. Vol. 43, no. 1. P. 118–124. URL: https://doi.org/10.31521/modecon.v43(2024)-16.
- Tyshchenko S., Parkhomenko O., Hilko I. Modeling the Impact Of Digital Threats on Financial Markets Using Time Series Analysis and Anomaly Detection Using Python. Modern Economics. 2024. Vol. 44, P. 205–212. URL: https://doi.org/10.31521/modecon.v44(2024)-30.
- Tyshchenko S., Parkhomenko O., Darmosyuk V. Modelling and Analysis of Cyberattack Risks on Financial Institutions Using Mathematical Statistics and Python Methods. Modern Economics. 2024. Vol. 48, P. 130-136. URL: https://doi.org/10.31521/modecon.V48(2024)-16.
- Sama L., Wang H., Watters P. Enhancing System Security by Intrusion Detection Using Deep Learning. Lecture Notes in Computer Science. Cham, 2022. P. 169–176. URL: https://doi.org/10.1007/978-3-031-15512-3_14.
- Elsayed S., Mohamed K., Madkour M. A. A Comparative Study of Using Deep Learning Algorithms in Network Intrusion Detection. IEEE Access. 2024. P. 1. URL: https://doi.org/10.1109/access.2024.3389096.
- Modak A., Dehalwar V. Design and Analysis of Intrusion Detection Using Deep Learning Models. 2024 IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT), Bangalore, India, 12–14 July 2024. 2024. P. 1–6. URL: https://doi.org/10.1109/conecct62155.2024.10677142.
- A Proposed Method for Detecting Network Intrusion Using Deep Learning Approach / R. M. Almejarb et al. 2023 IEEE 3rd International Maghreb Meeting of the Conference on Sciences and Techniques of Automatic Control and Computer Engineering (MI-STA), Benghazi, Libya, 21–23 May 2023. 2023. URL: https://doi.org/10.1109/mi-sta57575.2023.10169553.
- Jiang J.-R., Li C.-L. Binary- and Multi-class Network Intrusion Detection with Adaptive Synthetic Sampling and Deep Learning. 2021 IEEE International Conference on Consumer Electronics-Taiwan (ICCE-TW), Penghu, Taiwan, 15–17 September 2021. 2021. URL: https://doi.org/10.1109/icce-tw52618.2021.9603206.
- CİHAN Ş., AYDOS M., ŞİMŞEK N. Y. A Tree Based Machine Learning and Deep Learning Classification for Network Intrusion Detection. European Journal of Science and Technology. 2021. URL: https://doi.org/10.31590/ejosat.889994.
- Fast and Effective Intrusion Detection Using Multi-Layered Deep Learning Networks / P. Chellammal et al. International Journal of Web Services Research. 2022. Vol. 19, no. 1. P. 1–16. URL: https://doi.org/10.4018/ijwsr.310057.
- Hussain J., Hnamte V. Deep Learning Based Intrusion Detection System:Modern Approach. 2021 2nd Global Conference for Advancement in Technology (GCAT), Bangalore, India, 1–3 October 2021. 2021. URL: https://doi.org/10.1109/gcat52182.2021.9587719.
- Investigating Network Intrusion Detection Datasets Using Machine Learning / G. C. Amaizu et al. 2020 International Conference on Information and Communication Technology Convergence (ICTC), Jeju Island, Korea (South), 21–23 October 2020. 2020. URL: https://doi.org/10.1109/ictc49870.2020.9289329.
- M Hassan Zaib (2019) NSL-KDD. URL: https://www.kaggle.com/datasets/hassan06/nslkdd.
Стаття надійшла до редакції: 20.08.2025
Як цитувати статтю: |
Тищенко С. І., Пархоменко О. Ю., Ємельянов С. І., Богатєнкова О. Є., Хилько І. І. Застосування методів глибокого навчання для виявлення та класифікації кіберзагроз у фінансових мережах на базі набору даних NSL-KDD. Modern Economics. 2025. № 52(2025). С. 203-209. DOI: https://doi.org/10.31521/modecon.V52(2025)-28. |
Tyshchenko S., Parkhomenko O., Yemelianov S., Bohatienkova Oleksandra, Hilko I. (2025). Application of Deep Learning Methods for Detection and Classification of Cyber Threats in Financial Networks Based on the NSL-KDD Dataset. Modern Economics, 52(2025), 203-209. DOI: https://doi.org/10.31521/modecon.V52(2025)-28. |