Аннотация. Цифровизация энергетической инфраструктуры становится неотъемлемой частью ее функционирования, одновременно повышая уязвимость перед киберугрозами, в частности распределёнными атаками отказа в обслуживании (DDoS). Эти атаки нарушают стабильную работу SCADA-систем, устройств Интернета вещей (IoT) и интеллектуальных энергетических сетей, создавая серьёзные риски для критически важной инфраструктуры. В статье рассматриваются современные методы выявления и предотвращения DDoS-атак на энергетические объекты с применением алгоритмов машинного обучения. Анализируются классические модели (Random Forest, Decision Tree, Gradient Boosting, SVM), архитектуры глубинного обучения (CNN, LSTM), а также их гибридные комбинации (LSTM-CNN). Эффективность моделей оценивалась с использованием эталонных наборов данных (CICDDoS2019, KDD-CUP) и тестировалась в модельной среде SCADA. Основное внимание уделяется разработке адаптивной интеллектуальной системы защиты, способной в режиме реального времени выявлять аномалии в сетевом трафике энергетических объектов. Результаты показали, что гибридные модели достигают точности распознавания до 99% в ряде сценариев. Дополнительно рассматриваются перспективы интеграции технологий блокчейна и облачных вычислений для повышения устойчивости и масштабируемости систем кибербезопасности. Полученные выводы имеют прикладное значение при проектировании комплексных решений по защите цифровой энергетической инфраструктуры.

Ключевые слова: Кибербезопасность, DDoS-атаки, энергетические объекты, SCADA, IoT, машинное обучение, глубокое обучение, гибридные модели, блокчейн, интеллектуальные сети.