Интегрированная система обнаружения аномалий сервера и IoT-устройств

Abstract

Рассмотрена система обнаружения аномального поведения IoT-устройств и сервера (MQTT-брокер), разработанная с применением методов машинного обучения. Для детекции аномалий телеметрии, получаемой от сенсоров, используется модель K-Nearest Neighbors, для перехвата вредоносного сетевого трафика – Random Forest. Реализована единая архитектура сбора данных, обучения моделей и их интеграции в режиме реального времени.

This work presents an end-to-end system for detecting anomalous behavior in IoT devices and DDoS/DoS attacks on an MQTT broker using machine learning. K-Nearest Neighbors is applied to telemetry from sensors, while a Random Forest ensemble identifies malicious network patterns. A unified architecture for data collection, model training, and real-time inference is implemented.