Algorithm for improving interpretability of support vector models for anomaly detection in network traffic

Abstract

This paper is devoted to enhancing the development of an algorithm aimed at improving the interpretability of machine learning models used for detecting anomalies in network traffic, which is critical for modern cybersecurity systems. The focus is on one-class support vector machine (SVM) models, which are widely used for their high accuracy in anomaly detection but suffer from a lack of transparency, often being referred to as «black box» models.Удосконалення розробки алгоритму для покращення інтерпретованості моделей машинного навчання, що використовуються для виявлення аномалій у мережевому трафіку, критично важливе для сучасних систем кібербезпеки. Головна увага приділяється однокласовим моделям опорних векторів (SVM — Support Vector Machine), які широко застосовуються завдяки високій точності виявлення аномалій, але є недостатньо прозорими, тому їх називають моделями «чорної скриньки».