Методи збільшення даних для покращення контрольованого навчання при виявленні кібератак

Баєв, І. С.

Публікація:
Методи збільшення даних для покращення контрольованого навчання при виявленні кібератак

dc.contributor.author	Баєв, І. С.
dc.date.accessioned	2025-08-24T16:09:52Z
dc.date.available	2025-08-24T16:09:52Z
dc.date.issued	2025
dc.description.abstract	Метою кваліфікаційної роботи є вивчення та оцінка різних методів доповнення даних для підвищення ефективності моделей контрольованого навчання у виявленні кібератак. У ході виконання кваліфікаційної роботи розроблено та апробовано гібридний підхід до синтетичного розширення незбалансованих вибірок із використанням методів SMOTE, ADASYN та Tomek Links. Такий підхід дозволив зменшити ризик перенавчання та суттєво підвищити здатність моделей до узагальнення, особливо в умовах мінливих кіберзагроз. Також запропоновано стратегії безперервного та ансамблевого навчання, інтеграцію зворотного зв'язку з центру операцій безпеки (SOC) та поєднання методів навчання з учителем і без учителя. У роботі обґрунтовано необхідність використання механізмів пояснення (LIME, SHAP) для підвищення прозорості моделей. Отримані результати підтверджують перспективність застосованих методів для адаптивного та надійного виявлення аномалій у кібербезпеці.
dc.identifier.citation	Баєв І. С. Методи збільшення даних для покращення контрольованого навчання при виявленні кібератак : пояснювальна записка до кваліфікаційної роботи здобувача вищої освіти на другому (магістерському) рівні, спеціальність 123 Комп'ютерна інженерія / І. С. Баєв ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2025. – 59 с.
dc.identifier.uri	https://openarchive.nure.ua/handle/document/32407
dc.language.iso	uk
dc.subject	доповнення даних
dc.subject	SMOTE
dc.subject	ADASYN
dc.subject	виявлення аномалій
dc.subject	ансамблеве навчання
dc.subject	інтерпретація моделей
dc.title	Методи збільшення даних для покращення контрольованого навчання при виявленні кібератак
dc.title.alternative	Data Augmentation Methods for Improving Supervised Learning in Cyberattack Detection
dc.type	Other
dspace.entity.type	Publication