В работе рассматривается актуальная задача обнаружения атак нулевого дня в корпоративных информационных системах авиапредприятий, относящихся к объектам критической информационной инфраструктуры. Показано, что традиционные сигнатурные средства защиты, включая классические системы обнаружения вторжений (IDS), обладают фундаментальной ограниченной эффективностью в условиях ранее неизвестных и целенаправленных кибервоздействий, что подтверждается реальными инцидентами в авиационном секторе. Поиск эффективных средств детектирования атак нулевого дня, а также комплексных целенаправленных воздействий (APT) остается актуальным, поскольку их скрытность и уникальность сводят к минимуму эффективность сигнатурных методов обнаружения. В данной работе предложена нейросетевая модель обнаружения вторжений, ориентированная на применение в центрах обеспечения безопасности (SOC) авиапредприятий и основанная на методах глубокого неконтролируемого обучения. Модель реализована в виде глубокого автоэнкодера, обучаемого исключительно на легитимном сетевом трафике, что позволяет формировать устойчивое представление нормального поведения системы и выявлять статистические отклонения без предварительного знания сигнатур атак. Экспериментальная валидация проведена на наборе данных CICIDS2018 с использованием метрик F1-score, ROC-AUC, precision и recall. Предложенный подход продемонстрировал F1-меру 0,81 и ROC-AUC 0,844, превысив показатели классических алгоритмов неконтролируемого обнаружения аномалий (Isolation Forest и One-Class SVM). Полученные результаты подтверждают применимость разработанной модели в качестве проактивного аналитического компонента гибридных систем обнаружения вторжений и ее потенциал для повышения киберустойчивости информационных систем авиационного сектора. Модель может быть интегрирована в существующие SOC-платформы авиапредприятий для дополнения сигнатурного анализа поведенческим контекстом.