Fusing network traffic features with host traffic features for an improved network intrusion detection system

Siber tehditler daha karmaşık ve yaygın hale geldikçe, ağ güvenliği günümüzün bağlantılı dünyasında önemli bir endişe kaynağıdır. Geleneksel Ağ Saldırısı Algılama Sistemleri (NIDS) genellikle önceden belirlenmiş imzalara ve kısıtlı algılama kapsamına olan bağımlılıkları nedeniyle yetersiz kalmaktadır ve yeni ve öngörülmeyen saldırıları etkili bir şekilde tanımada önemli boşluklar ortaya çıkarmaktadır. Bu araştırma, NIDS performansını artırmak için ağ ve ana bilgisayar trafiği verilerini karmaşık derin öğrenme algoritmalarıyla birleştirerek bu zorlukları ele almaktadır. Askeri bir ağ bağlamında çoğaltılan birden fazla saldırı senaryosunu içeren Ağ Saldırısı Algılama veri setini kullanarak, tekniğimiz özenli veri toplama, ön işleme ve özellik çıkarmayı içerir. Bu verileri değerlendirmek için evrişimli sinir ağı (CNN) kullandık ve model performansını artırmak için titiz özellik seçimi ve boyut azaltma uyguladık. Bulgular, derin öğrenmeye dayalı NIDS'imizin %98,5'lik inanılmaz bir algılama doğruluğu elde ettiğini, mevcut yaklaşımları aştığını ve gerçek dünya siber güvenlik sorunlarını başarıyla çözdüğünü ortaya koymaktadır. Bu kapsamlı yaklaşım yalnızca NIDS teknolojisini geliştirmekle kalmıyor, aynı zamanda birçok uygulamada ağ güvenliğini artırmak için pratik bir çözüm sunuyor ve dolayısıyla saldırı tespit sistemlerinin geliştirilmesine katkıda bulunuyor.