Цели. Стремительное проникновение технологий беспроводной связи и устройств Интернета вещей (IoT) в деятельность человека и их повсеместное использование потребителями информации является значимым историческим явлением. Этот процесс сопровождается растущей интенсивностью негативных информационных атак, прежде всего, широким распространением бот-атак через IoT, объем которых наряду с сетевыми атаками достигает критического уровня, и снизить его самостоятельно потребителям контента не представляется возможным. В таких обстоятельствах возрастает потребность в синтезе технологически новой, основанной на новейших достижениях искусственного интеллекта, системы обнаружения вторжений. Важнейшим требованием к системе является ее эффективность при работе на полученных разными способами несбалансированных наборах данных атак, использующих разные технологические приемы вторжения. Синтез такой системы обнаружения вторжений является сложной задачей из-за отсутствия универсальных методов обнаружения технологически разных атак, а последовательное применение известных методов является недопустимо долгим. Ликвидация этого научного пробела и является целью настоящей статьи.Методы. Используя достижения искусственного интеллекта в борьбе с атаками, авторы предложили способ, основанный на комбинации модели машины опорных векторов генетического программирования (GPSVM) с применением несбалансированного набора данных CICIDS2017. Результаты. Предложена архитектура системы технологического обнаружения вторжений с возможностью целевого обучения набора данных в интересах обнаружения атак на CICIDS2017 и извлечения объектов обнаружения. Архитектурой предусмотрено разделение набора данных на проверяемые и непроверяемые объекты, которые по результатам обратной связи будут добавлены в обучающий набор. Для того чтобы обеспечить лучшую точность результата, происходит обучение модели и совершенствование обучающего набора GPSVM. Показана работоспособность новой блок-схемы модели GPSVM относительно того, как набор данных вводится в качестве входных данных и выдает выходные данные после обработки с помощью обучающего набора модели GPSVM. Численный анализ результатов модельных экспериментов по выбранным показателям качества показал увеличение точности результатов по сравнению с известным методом SVM. Выводы. Компьютерные эксперименты подтвердили методическую правильность выбора комбинации модели GPSVM с применением несбалансированного набора данных CICIDS2017 для повышения эффективности обнаружения вторжений. Предложена процедура формирования обучающего набора данных, основанная на обратной связи. Показано, что применение такой процедуры вместе с разделением наборов данных создает условия для совершенствования обучения модели. Комбинация модели GPSVM с несбалансированным набором данных CICIDS2017 для сбора выборки повышает точность обнаружения вторжений и обеспечивает наилучшую производительность обнаружения вторжений по сравнению с методом SVM.