Rosnąca złożoność i zakres wojskowych sieci komputerowych wymagają solidnych metod zapewniających stabilność i bezpieczeństwo sieci. Celem niniejszej pracy jest przedstawienie kompleksowej analizy statystyk sieci komputerowych w lokalnych sieciach wojskowych w celu opracowania metody wykrywania przepływów informacji, które zakłócają stabilność. Wykorzystując zaawansowane techniki statystyczne i algorytmy uczenia maszynowego, niniejsze badanie ma na celu poprawę postawy cyberbezpieczeństwa lokalnych sieci wojskowych na całym świecie. Sieci wojskowe są niezbędne do komunikacji, wymiany danych i koordynacji operacyjnej. Jednak dynamiczna natura ruchu sieciowego i ciągłe zagrożenie cyberatakami stanowią poważne wyzwanie dla utrzymania stabilności sieci. Tradycyjne techniki monitorowania często nie spełniają unikalnych wymagań sieci wojskowych, które wymagają wysokiego poziomu bezpieczeństwa i możliwości szybkiego reagowania. W niniejszym badaniu zastosowano wieloaspektowe podejście do wykrywania anomalii w ruchu sieciowym, wykorzystując metody statystyczne, takie jak analiza Z-score, analiza głównych składowych (PCA) i modele autoregresyjnej zintegrowanej średniej ruchomej (ARIMA). Techniki uczenia maszynowego, w tym maszyny wektorów nośnych (SVM), lasy losowe, sieci neuronowe, klasteryzacja K-means i uczenie wzmacniające, są również stosowane w celu identyfikacji wzorców wskazujących na przepływy informacji zakłócające stabilność. Integracja metod statystycznych i uczenia maszynowego tworzy hybrydowy model, który wzmacnia wykrywanie anomalii, zapewniając solidne ramy dla bezpieczeństwa sieci. Problem badawczy sformułowano w następujący sposób: czy zbieranie danych obejmuje kompleksowe dane o ruchu sieciowym z różnych segmentów wojskowych sieci lokalnych, w tym przepływy pakietów, szybkości transmisji i wskaźniki błędów w określonym okresie? Analiza statystyczna identyfikuje wzorce w ruchu sieciowym, które są następnie wykorzystywane do trenowania modeli uczenia maszynowego w celu klasyfikowania normalnego i nieprawidłowego ruchu. Hipoteza badawcza stwierdza, że modele uczenia maszynowego osiągają wysoką dokładność w wykrywaniu przepływów informacji zakłócających stabilność, ze współczynnikiem precyzji przekraczającym 90%. Modele zidentyfikowały kilka przypadków zdarzeń zakłócających stabilność, korelując je ze znanymi incydentami bezpieczeństwa w celu sprawdzenia skuteczności metody wykrywania. Niniejsze badanie podkreśla znaczenie ciągłego monitorowania i analizy statystyk sieci w celu zapewnienia stabilności i bezpieczeństwa. Proponowaną metodę można zintegrować z istniejącymi systemami monitorowania sieci i wykrywania włamań, zapewniając kompleksowe podejście do bezpieczeństwa sieci. Przyszłe badania mogą opierać się na tych ustaleniach, aby opracować bardziej wyrafinowane modele i zbadać dodatkowe czynniki wpływające na stabilność sieci, w tym włączenie zaawansowanych technik uczenia maszynowego, takich jak głębokie uczenie, oraz eksplorację innych metryk sieciowych, takich jak opóźnienie i utrata pakietów. To kompleksowe podejście ma na celu zwiększenie bezpieczeństwa i niezawodności operacyjnej wojskowych sieci lokalnych.