الكشف عن التسلل القائم على الشذوذ في مجموعات البيانات المرجعية لأمن الشبكات: تقييم شامل

تتناول هذه الدراسة اثنين من الأساليب المعروفة على نطاق واسع في التعلم العميق لكشف التسلل الشبكي: الشبكة العصبية العميقة (DNN) والشبكة العصبية المتكررة (RNN). تم تدريب وتقييم النموذجين على ثلاث مجموعات بيانات مرجعية شائعة الاستخدام: KDDCup99، NSL-KDD (كل منها يحتوي على خمس فئات)، وUNSW-NB15 (عشر فئات). تم استكشاف عدة محسنات، بما في ذلك Adam، وSGD، وAdamax، وAdamW، وAdadelta، حيث أظهر Adam أفضل أداء بشكل مستمر. وُجد أن دالة الخسارة CrossEntropyLoss هي الأكثر فعالية لمهام التصنيف متعددة الفئات هذه. تم تصميم النماذج لتتعلم وتستخلص الميزات ذات الصلة تلقائيًا من البيانات الخام، مما يقلل من الاعتماد على هندسة الميزات اليدوية. تم تقييم الأداء باستخدام الدقة، الدقة النوعية، الاسترجاع، مقياس F1، ومعدل الإيجابيات الكاذبة. أظهرت النتائج التجريبية أن النموذجين حققا دقة تزيد عن 99% على مجموعة KDDCup99، مع تحسن معدلات الكشف ومعدلات إيجابيات كاذبة أقل من 1% لكل من KDDCup99 وNSL-KDD. أما في مجموعة UNSW-NB15 الأكثر تعقيدًا، فقد ظلت معدلات الإيجابيات الكاذبة تحت 8%، مما يبرهن على متانة النماذج وقدرتها على التعميم عبر سيناريوهات تسلل متنوعة.