ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ АНОМАЛИЙ В ТРАФИКЕ ВЕБ‑СЕРВЕРОВ

<jats:p>Актуальность. Работа посвящена разработке и реплицируемой апробации методологии обнаружения аномалий в трафике веб‑серверов на основе алгоритмов машинного обучения и журналов прикладного уровня (HTTP). Предлагается практико‑ориентированный конвейер: сбор событий веб‑сервера и IDS, нормализация и обогащение, построение признаков (структурные, содержательные, энтропийные, поведенческие), обучение ансамблей без учителя (Isolation Forest, One‑Class SVM) и глубоких автоэнкодеров (в т.ч. LSTM‑варианты) с последующим объяснением выявленных отклонений. Демонстрационные результаты представлены на общедоступных наборах (CSIC‑2010 для HTTP‑запросов, CIC‑IDS2017/CSE‑CIC‑IDS2018 для сетевых потоков) и синтетических журналах, имитирующих нагрузочные профили университетского веб‑контура; даются количественные метрики качества (AUROC/AUPRC, F1@FPR≤1%), оценка производительности и рекомендации по внедрению в инфраструктуре дата‑центра ОшГУ. Этическая оговорка: статья предоставляет реплицируемый протокол и демонстрационную оценку; мы не утверждаем, что обрабатывали приватные продукционные логи в рамках этой публикации.</jats:p>