Network and server intrusion detection augmented with hybrid detection enhancements through deep learning

Ağ güvenliği ve olası tehditlerin belirlenmesi, ağ trafiğindeki anormallik tespitine büyük ölçüde bağlıdır. Ağ trafiği anormalliklerini tespit etmede hangi makine öğrenimi modellerinin en yararlı olduğunu belirlemek için, bu araştırma bir dizi farklı makine öğrenimi modelini karşılaştırdı ve değerlendirdi. 10 dönemli Derin Öğrenme, Lojistik Regresyon, Filtre yöntemiyle Rastgele Orman, Sarmalayıcı yöntemiyle Rastgele Orman ve Sarmalayıcı yöntemiyle Rastgele Orman değerlendirilen modellerdi. Değerlendirme için çapraz doğrulama, doğruluk, F1 Puanı, ROC (Alıcı İşletim Karakteristiği) ve kesinlik-geri çağırma dahil olmak üzere bir dizi ölçüm kullanıldı. Sonuçlar, Sarmalayıcı yaklaşımıyla Rastgele Orman ve Derin Öğrenme modelinin diğer değerlendirme kriterlerinden daha iyi performans gösterdiğini gösterdi. 0,9716'lık bir ROC puanı ile Derin Öğrenme modeli en iyi performansı gösterdi ve normal ve anormal ağ trafiğini ayırt etme konusundaki üstün yeteneğini açıkça gösterdi. Ayrıca, düşük yanlış pozitif sıklığıyla doğru anomali tespitini gösteren 0,9621'lik olağanüstü kesinlik-geri çağırma puanları da gösterdi. Derin Öğrenme modeli ayrıca geri çağırma ve kesinliğin dengeli bir karışımını temsil eden 0,8405'lik güçlü bir F1 Puanı elde etti.