Detecção de intrusão baseada em anomalias em conjuntos de dados de referência para segurança de rede: uma avaliação abrangente

Este estudo discute duas abordagens amplamente reconhecidas de deep learning para detecção de intrusão em redes: uma Rede Neural Profunda (DNN) e uma Rede Neural Recorrente (RNN). Ambos os modelos são treinados e avaliados em três conjuntos de dados de benchmark amplamente usados: KDDCup99, NSL-KDD (cada um com cinco classes) e UNSW-NB15 (dez classes). Vários otimizadores, incluindo Adam, SGD, Adamax, AdamW e Adadelta, são então explorados, sendo o Adam o que consistentemente fornece o melhor desempenho. A CrossEntropyLoss mostrou-se a função de perda mais eficaz para essas tarefas de classificação multiclasse. Projetados para aprender e extrair automaticamente características relevantes a partir dos dados brutos, os modelos reduzem a dependência de engenharia manual de features. O desempenho é avaliado usando acurácia, precisão, recall, F1-score e taxa de falso positivo. Resultados experimentais mostram que ambos os modelos atingem mais de 99% de acurácia no KDDCup99, com taxas de detecção melhoradas e taxas de falso positivo abaixo de 1% para KDDCup99 e NSL-KDD. No conjunto de dados mais complexo UNSW-NB15, as taxas de falso positivo também permanecem abaixo de 8%, demonstrando a robustez e a capacidade de generalização dos modelos em cenários diversos de intrusão.