ネットワークセキュリティのベンチマークデータセットにおける異常検知型侵入検知：包括的評価

本研究ではネットワーク侵入検知のための二つの広く認識されている深層学習アプローチ、すなわちディープニューラルネットワーク（DNN）とリカレントニューラルネットワーク（RNN）について論じる。両モデルは三つの広く使用されるベンチマークデータセット、KDDCup99、NSL-KDD（各五クラス）、およびUNSW-NB15（十クラス）で訓練および評価される。Adam、SGD、Adamax、AdamW、Adadeltaなど複数のオプティマイザーを検討した結果、Adamが一貫して最良の性能を示した。これらの多クラス分類課題において、CrossEntropyLossが最も効果的な損失関数であることがわかった。モデルは生データから自動的に関連特徴を学習・抽出するよう設計されており、手動の特徴工学への依存を減らしている。性能は正確度、適合率、再現率、F1スコア、および偽陽性率で評価された。実験結果は両モデルがKDDCup99で99%以上の正確度を達成し、KDDCup99およびNSL-KDDで検出率の向上と偽陽性率が1%未満に抑えられたことを示す。さらに、より複雑なUNSW-NB15データセットでも偽陽性率は8%未満にとどまり、多様な侵入シナリオに対するモデルの堅牢性と一般化能力を示している。