Актуальность исследования определяется распространением IoT-устройств и необходимостью легковесных адаптивных систем обнаружения вторжений, способных работать в условиях ограниченных ресурсов. Разработана многозадачная модель с мягким разделением параметров, отличающаяся сочетанием регуляризационного и гейтового механизмов обмена параметрами, а также K-means-усиленной недостаточной выборкой, обеспечивающая сохранение разнообразия данных и снижение вычислительной сложности и позволяющая достигать конкурентоспособной точности на наборах CICIDS2017 и CICIoT2023 при меньших вычислительных затратах.
Результат соответствует Указу Президента Российской Федерации от 28.02.2024 г. № 145 О Стратегии научно-технологического развития Российской Федерации.
Dong H., Kotenko I. Flexible Multi-Task Learning Framework for IoT Network Intrusion Detection: Soft Parameter Sharing and Adaptive Resampling. Future Generation Computer Systems. 2026. Vol. 185, December 2026, 108684. https://doi.org/10.1016/j.future.2026.108684.