У роботі розглянуто проблему забезпечення безпеки мереж Інтернету речей (IoT) шляхом виявлення аномальної активності в трафіку. Проведено порівняльний аналіз двох архітектур глибокого навчання: односпрямованих (LSTM) та двонаправлених (Bi-LSTM) рекурентних нейронних мереж. Досліджено здатність моделей враховувати часові залежності в послідовностях мережевих пакетів для ідентифікації кібератак. Результати аналізу демонструють переваги використання Bi-LSTM у контексті точності детектування складних паттернів аномалій за рахунок аналізу даних у прямому та зворотному напрямках.

A COMPARATIVE ANALYSIS OF THE PERFORMANCE OF LSTM AND BI-LSTM NETWORKS IN IOT TRAFFIC ANOMALY DETECTION TASKS

Abstract:
The paper addresses the problem of securing Internet of Things (IoT) networks by detecting anomalous activity in traffic. A comparative analysis of two deep learning architectures, unidirectional (LSTM) and bidirectional (Bi-LSTM) recurrent neural networks, is performed. The ability of the models to account for temporal dependencies in network packet sequences for cyberattack identification is investigated. The analysis results demonstrate the advantages of using Bi-LSTM in terms of detection accuracy for complex anomaly patterns due to data processing in both forward and backward directions.