Anomalie-basierte Eindringungserkennung auf Benchmark-Datensätzen für Netzwerksicherheit: eine umfassende Bewertung

Diese Studie behandelt zwei weithin anerkannte Deep-Learning-Ansätze zur Netzwerkeindringungserkennung: ein Deep Neural Network (DNN) und ein Recurrent Neural Network (RNN). Beide Modelle werden auf drei häufig verwendeten Benchmark-Datensätzen trainiert und bewertet: KDDCup99, NSL-KDD (jeweils mit fünf Klassen) und UNSW-NB15 (zehn Klassen). Mehrere Optimierer, darunter Adam, SGD, Adamax, AdamW und Adadelta, werden untersucht, wobei Adam durchgehend die beste Leistung erbringt. CrossEntropyLoss erweist sich als die effektivste Verlustfunktion für diese Mehrklassen-Klassifikationsaufgaben. Die Modelle sind darauf ausgelegt, automatisch relevante Merkmale aus Rohdaten zu lernen und zu extrahieren, wodurch die Abhängigkeit von manueller Merkmalsextraktion reduziert wird. Die Leistung wird mittels Genauigkeit, Präzision, Recall, F1-Score und der Rate falscher positiver Ergebnisse bewertet. Experimentelle Ergebnisse zeigen, dass beide Modelle auf KDDCup99 eine Genauigkeit von über 99 % erreichen, mit verbesserten Erkennungsraten und falschen Positivraten unter 1 % für KDDCup99 und NSL-KDD. Auf dem komplexeren UNSW-NB15-Datensatz bleiben falsche Positivraten ebenfalls unter 8 %, was die Robustheit und Generalisierbarkeit der Modelle über verschiedene Eindringszenarien hinweg demonstriert.