КОНЦЕПТУАЛЬНІ ОСНОВИ ВИЯВЛЕННЯ АНОМАЛІЙ У ПРОМИСЛОВИХ ІНФОРМАЦІЙНИХ СИСТЕМАХ З ВИКОРИСТАННЯМ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.072Ключові слова:
машинне навчання, аномалії, інформаційна безпека, автоенкодер, промислові системи, поведінковий аналізАнотація
У роботі розглянуто підходи до виявлення аномалій у промислових інформаційно-управляючих системах із використанням методів машинного навчання. Проаналізовано особливості функціонування сучасних виробничих середовищ та пов’язані з ними ризики інформаційної безпеки, що виникають у процесі цифрової трансформації промисловості та інтеграції інформаційних технологій у виробничі процеси. Основну увагу приділено моделям неконтрольованого навчання, які дозволяють формувати узагальнене уявлення про нормальний стан системи без попереднього маркування даних. Розглянуто принцип роботи автоенкодера як інструмента виявлення відхилень на основі аналізу помилки реконструкції. Запропоновано узагальнену концептуальну схему виявлення аномалій, що базується на порівнянні фактичних і відновлених значень параметрів та дозволяє інтерпретувати відхилення як потенційні порушення нормального функціонування системи. Робота має теоретичний характер і спрямована на систематизацію існуючих підходів.
Посилання
Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, 2016. URL: https://www.deeplearningbook.org
Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey. ACM Computing Surveys. 2009. Vol. 41, No. 3. P. 1–58. DOI: 10.1145/1541880.1541882
Hinton G. E., Salakhutdinov R. R. Reducing the dimensionality of data with neural networks. Science. 2006. Vol. 313. P. 504–507. DOI: 10.1126/science.1127647
Aggarwal C. C. Outlier Analysis. 2nd ed. Springer, 2017. DOI: 10.1007/978-3-319-47578-3
Ahmed M., Mahmood A. N., Hu J. A survey of network anomaly detection techniques. Journal of Network and Computer Applications. 2016. Vol. 60. P. 19–31. DOI: 10.1016/j.jnca.2015.11.016
Goh J., Adepu S., Junejo K. N., Mathur A. A dataset to support research in the design of secure water treatment systems (SWaT). International Conference on Critical Information Infrastructures Security. 2016. DOI: 10.1007/978-3-319-71368-7_25
