基于异常的网络安全入侵检测基准数据集上的全面评估

本研究讨论了两种广泛认可的深度学习网络入侵检测方法：深度神经网络（DNN）和循环神经网络（RNN）。两种模型均在三种广泛使用的基准数据集上进行训练和评估：KDDCup99、NSL-KDD（各含五类）及UNSW-NB15（含十类）。随后探讨了多种优化器，包括Adam、SGD、Adamax、AdamW和Adadelta，其中Adam始终表现最佳。CrossEntropyLoss被发现是这些多分类任务中最有效的损失函数。模型设计用于自动学习和提取原始数据中的相关特征，减少了对手工特征工程的依赖。性能通过准确率、精确率、召回率、F1分数和误报率进行评估。实验结果表明，两种模型在KDDCup99上的准确率均超过99%，在KDDCup99和NSL-KDD上的检测率提高且误报率低于1%。在更复杂的UNSW-NB15数据集上，误报率也保持在8%以下，显示出模型在多样化入侵场景中的鲁棒性和泛化能力。