Цель исследования – разработка и количественная оценка математико-программного обеспечения интеллектуальной подсистемы анализа сетевого трафика на основе ансамбля специализированных импульсных нейронных сетей в условиях сокращенного признакового пространства и междоменного переноса. В рамках исследования выполнены задачи: формирование редуцированного инженерного пространства признаков для датасетов UNSW-NB15, CIC-IDS-2017 и TON_IoT; математическая формализация этапов нормализации, спайкового кодирования, стохастического инференса и ансамблевой агрегации; построение программно-алгоритмического контура обработки сетевых признаков; сравнительный анализ специализированных SNN-архитектур; оценка качества бинарной классификации по метрикам Precision, Recall, F1, FPR и MCC; анализ устойчивости программно-алгоритмического решения при переносе на внешние датасеты без дообучения; сопоставление ансамблевого подхода с универсальной SNN-моделью; оценка применимости событийно-ориентированной обработки данных в задачах интеллектуального анализа сетевого трафика. Исследование опирается на имитационное моделирование полного цикла функционирования интеллектуальной подсистемы анализа сетевого трафика – от инженерного преобразования признаков и нормализации до спайкового кодирования, стохастического инференса, ансамблевой агрегации и формирования итогового решения. Проведен сравнительный анализ специализированных архитектур, стратегий ансамблевого голосования и кросс-датасетного переноса. Предложено математико-программное решение, основанное на редуцированном пространстве признаков, ансамбле специализированных SNN-моделей и калибруемом механизме принятия решения. В статье обосновано, что эффективная интеллектуальная обработка сетевого трафика требует не только построения классификатора, но и согласованного программно-алгоритмического контура, учитывающего неоднородность сетевых событий, стохастическую природу спайкового кодирования, переносимость между доменами наблюдений и ограничения вычислительных ресурсов. Ключевым результатом исследования является подтверждение того, что ансамбль специализированных импульсных нейронных сетей в компактном признаковом пространстве может служить основой интеллектуальной подсистемы анализа сетевого трафика в информационно-телекоммуникационных системах.
The purpose of the research is to develop and quantify mathematical software for an intelligent subsystem for network traffic analysis based on an ensemble of specialized impulse neural networks in conditions of reduced feature space and cross–domain transfer. Within the framework of the study, the following tasks were performed: formation of a reduced engineering feature space for datasets UNSW-NB15, CIC-IDS-2017 and TON_IoT; mathematical formalization of the stages of normalization, spike coding, stochastic inference and ensemble aggregation; construction of a software-algorithmic contour for processing network features; comparative analysis of specialized SNN architectures; evaluation of the quality of binary classification using Precision, Recall, F1, FPR and MCC metrics; analysis of the stability of a software-algorithmic solution when transferred to external datasets without additional training; comparison of an ensemble approach with a universal SNN model; assessment of the applicability of an event-oriented data processing in network traffic mining tasks. The research is based on simulation modeling of the full cycle of the intelligent subsystem of network traffic analysis – from engineering transformation of features and normalization to spike coding, stochastic inference, ensemble aggregation and the formation of the final solution. A comparative analysis of specialized architectures, ensemble voting strategies, and cross-dataset migration has been performed. A mathematical and software solution based on a reduced feature space, an ensemble of specialized SNN models, and a calibrated decision-making mechanism is proposed. The article proves that effective intelligent processing of network traffic requires not only the construction of a classifier, but also a consistent software-algorithmic contour that considers the heterogeneity of network events, the stochastic nature of spike coding, portability between observation domains and limitations of computing resources. The key result of the study is the confirmation that an ensemble of specialized impulse neural networks in a compact feature space can serve as the basis for an intelligent subsystem for analyzing network traffic in information and telecommunications systems.
1. Serban A., van der Blom K., Hoos H., Visser J. Software engineering practices for machine learning – Adoption, effects, and team assessment // Journal of Systems and Software. 2023. Vol. 209. Art. 111907. DOI: 10.1016/j.jss.2023.111907.
2. Berman D. S., Buczak A. L., Chavis J. S., Corbett C. L. A Survey of Deep Learning Methods for Cyber Security // Information. 2019. Vol. 10. Is. 4. Article 122. DOI: 10.3390/info10040122.
3. Tokar V. Integration of Intelligent Information Systems into the Architecture of National Economic Security within the Framework of European Digital Transformation. In Proceedings of the International Conference on Economics, Accounting and Finance (ICEAF 2025). Scientific Center of Innovative Research. 2025. DOI: 10.36690/ICEAF-2025-31.
4. Петросов Д. А., Пальчевский Е. В., Хасанов И. И., Свирина А. Г., Горохова Р. И., Никитин П. В., Корчагин С. А., Коровин Д. И., Беспалова Н. В., Абаев В. А., Косарев В. Е., Сердечный Д. В., Мисюков Г. И., Раздьяконов Е. С., Жолобов О. А. Анализ и применение интеллектуальных моделей и методов проактивной защиты и обнаружения кибератак на объекты критической информационной инфраструктуры финансового сектора: монография. М.: ООО «Русайнс», 2025. 234 с. EDN: DQALVT. ISBN 978-5-466-08528-0.
5. Mahdavifar S., Ghorbani A. A. Application of deep learning to cybersecurity: A survey // Neurocomputing. 2019. Vol. 347. P. 149–176. DOI: 10.1016/j.neucom.2019.02.056.
6. Карпухин А. И. Оценка уровня защищенности объектов критической инфраструктуры с использованием машинного обучения и семантического анализа текстового описания угроз и уязвимостей // Экономика строительства. 2025. № 6. С. 479–482. URL: https://econom-journal.ru/upload/iblock/929/wmu8lbymtrnh60jdvu06rg8ah6716b8m/№6%202025%20ЭС.pdf (дата обращения: 17.05.2026). EDN: KGSPPL.
7. Alom M. Z., Taha T. M. Network Intrusion Detection for Cyber Security Using Unsupervised Deep Learning Approaches // 2017 IEEE National Aerospace and Electronics Conference (NAECON). Dayton, OH, 2017. P. 63–69.DOI: 10.1109/NAECON.2017.8268746.
8. Neftci E. O., Mostafa H., Zenke F. Surrogate Gradient Learning in Spiking Neural Networks: Bringing the Power of Gradient-Based Optimization to Spiking Neural Networks // IEEE Signal Processing Magazine. 2019. Vol. 36. Is. 6. P. 51–63. DOI: 10.1109/MSP.2019.2931595.
9. Zhou S., Li X., Chen Y., Chandrasekaran S. T., Sanyal A. Temporal-coded deep spiking neural network with easy training and robust performance // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35. Is. 12. P. 11143–11151. DOI: 10.1609/aaai.v35i12.17329.
10. Tavanaei A., Ghodrati M., Kheradpisheh S. R., Masquelier T., Maida A. Deep learning in spiking neural networks // Neural Networks. 2019. Vol. 111. P. 47–63. DOI: 10.1016/j.neunet.2018.12.002.
11. Roy K., Jaiswal A., Panda P. Towards spike-based machine intelligence with neuromorphic computing // Nature. 2019. Vol. 575. P. 607–617. DOI: 10.1038/s41586-019-1677-2.
12. Pfeiffer M., Pfeil T. Deep Learning With Spiking Neurons: Opportunities and Challenges // Frontiers in Neuroscience. 2018. Vol. 12. Art. 774. DOI: 10.3389/fnins.2018.00774.
13. Gundersen O. E., Shamsaliei S., Langseth H. On Reporting Robust and Trustworthy Conclusions from Model Comparison Studies Involving Neural Networks and Randomness // Proceedings of the 2023 ACM Conference on Reproducibility and Replicability (ACM REP ‘23). Santa Cruz, CA, USA. 2023. 25 p. DOI: 10.1145/3589806.3600044.
14. Moustafa N., Slay J. UNSW-NB15: a comprehensive data set for network intrusion detection systems (UNSW-NB15 network data set) // 2015 Military Communications and Information Systems Conference (MilCIS). Canberra. 2015. P. 1–6. DOI: 10.1109/MilCIS.2015.7348942.
15. Sharafaldin I., Lashkari A. H., Ghorbani A. A. Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization // Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP 2018). 2018. P. 108–116. DOI: 10.5220/0006639801080116.
16. Sharafaldin I., Lashkari A. H., Ghorbani A. A. A Detailed Analysis of the CICIDS2017 Data Set // Information Systems Security and Privacy. Communications in Computer and Information Science. 2019. P. 172–188. DOI: 10.1007/978-3-030-25109-3_9.
17. Moustafa N. A new distributed architecture for evaluating AI-based security systems at the edge: Network TON_IoT datasets // Sustainable Cities and Society. 2021. Vol. 72. Art. 102994. DOI: 10.1016/j.scs.2021.102994.
18. Ayasi Bahgat, Cristóbal J. Carmona, Mohammed Saleh, Angel M. García-Vico. 2025. “A Practical Tutorial on Spiking Neural Networks: Comprehensive Review, Models, Experiments, Software Tools, and Implementation Guidelines” Eng 6. № 11: 304. DOI: 10.3390/eng6110304.
19. Пальчевский Е. В., Антонов В. В., Хасанов И. И., Суворова В. А. Разработка импульсной нейронной сети для количественной оценки защищенности объектов критической информационной инфраструктуры // Программная инженерия. 2026. Т. 17. № 1. С. 3–13. EDN: HLACFS. DOI: 10.17587/prin.17.3-13.
20. Хасанов И. И., Пальчевский Е. В., Стешникова А. Д., Сурова Н. Ю. Подходы к количественной оценке уровня защищенности объектов критической информационной инфраструктуры финансового сектора на основе машинного обучения // Экономика строительства. 2025. № 8. С. 466–468. URL: https://econom-journal.ru/upload/iblock/13a/o61euadw90lkme2w732yaznx0zezylor/№8 %202025 %20ЭС.pdf (дата обращения: 17.05.2026). EDN: OQYIZH.
21. Babu A., Abubeker K. M., Bushara A. R., Mathew M. P. A scalable MLOps-integrated intrusion detection framework using Bi-GRU and attention mechanisms with Kubeflow and KServe // Engineering Research Express. 2025. Vol. 7. Art. 035274. DOI: 10.1088/2631-8695/adfbd0.