В условиях стремительного роста киберугроз и увеличения объема сетевого трафика, выявление и предотвращение сетевых вторжений становятся актуальными задачами для обеспечения кибербезопасности. Целью данного исследования является разработка эффективной модели Mini-VGGNet для обнаружения аномалий в несбалансированном сетевом трафике. Исследование также направлено на анализ временных зависимостей в данных, что позволяет более точно идентифицировать потенциальные угрозы. В работе используется методология глубокого обучения, основанная на архитектуре Mini-VGGNet, которая включает конволюционные слои и пулинг-слои для извлечения признаков из сетевых данных. Для повышения эффективности обнаружения применяются методы предобработки данных, включая удаление ненужных значений и нормализацию, что улучшает качество обучения модели. Модель обучается на наборе данных, содержащем различные типы сетевых атак, что позволяет выявлять аномалии в реальном времени и адаптироваться к изменениям в сетевом трафике. В результате проведенного исследования достигнута высокая точность в обнаружении сетевых вторжений, что подтверждает эффективность предложенной модели. Полученные результаты показывают, что модель Mini-VGGNet значительно превосходит традиционные методы в отношении скорости и точности обнаружения аномалий. Значимость работы заключается в ее вкладе в развитие методов киберзащиты и повышении уровня безопасности информационных систем, что является критически важным в условиях постоянно изменяющихся киберугроз. Результаты могут быть использованы для дальнейших исследований в области кибербезопасности и разработки более продвинутых моделей для обнаружения сетевых атак.