नेटवर्क सुरक्षा के लिए बेंचमार्क डेटासेट पर विसंगति-आधारित घुसपैठ पहचान: एक व्यापक मूल्यांकन

यह अध्ययन नेटवर्क घुसपैठ पहचान के लिए दो व्यापक रूप से स्वीकृत डीप लर्निंग विधियों पर चर्चा करता है: डीप न्यूरल नेटवर्क (DNN) और रिकरंट न्यूरल नेटवर्क (RNN)। दोनों मॉडल्स को तीन व्यापक रूप से उपयोग किए जाने वाले बेंचमार्क डेटासेट्स पर प्रशिक्षित और मूल्यांकित किया गया: KDDCup99, NSL-KDD (प्रत्येक में पांच वर्ग), और UNSW-NB15 (दस वर्ग)। इसके बाद कई ऑप्टिमाइज़र जैसे Adam, SGD, Adamax, AdamW, और Adadelta की समीक्षा की गई, जिसमें Adam ने लगातार सबसे अच्छा प्रदर्शन दिया। CrossEntropyLoss को इन बहु-वर्गीय वर्गीकरण कार्यों के लिए सबसे प्रभावशाली हानि फ़ंक्शन पाया गया। कच्चे डेटा से स्वचालित रूप से प्रासंगिक विशेषताओं को सीखने और निकालने के लिए डिज़ाइन किए गए मॉडल मैनुअल फीचर इंजीनियरिंग पर निर्भरता को कम करते हैं। प्रदर्शन का आकलन सटीकता, प्रेसिजन, रिकॉल, F1-स्कोर, और झूठी सकारात्मक दर से किया गया। प्रयोगात्मक परिणाम दिखाते हैं कि दोनों मॉडल KDDCup99 पर 99% से अधिक सटीकता प्राप्त करते हैं, साथ ही KDDCup99 और NSL-KDD के लिए बेहतर पहचान दर और 1% से कम झूठी सकारात्मक दर होती है। अधिक जटिल UNSW-NB15 डेटासेट पर भी झूठी सकारात्मक दर 8% से कम रहती है, जो विभिन्न घुसपैठ परिदृश्यों में मॉडल की मजबूती और सामान्यीकरण क्षमता को दर्शाती है।