Учебный прототип на Python, который с помощью машинного обучения находит подозрительный сетевой трафик и честно показывает его слабые места.
Проект обучает модель случайного леса определять атаки в сетевом трафике на данных NSL-KDD и специально показывает разрыв между отличным результатом на тестовой выборке (99%+ точности) и куда более скромным результатом на полностью новых данных (76% точности), особенно на редких типах атак вроде подбора паролей. Такой разбор иллюстрирует известную проблему систем обнаружения вторжений: они легко ловят шумные атаки вроде сканирования портов, но плохо справляются с тихими и незаметными.
