TII-SSRC-23-Datensatz: Typologische Untersuchung vielfältiger Verkehrsstrukturen für Intrusion Detection

Die Effektivität von Netzwerkintrusionserkennungssystemen, die überwiegend auf maschinellem Lernen basieren, wird stark durch die Datensätze beeinflusst, auf denen sie trainiert werden. Es ist entscheidend, dass diese Datensätze eine genaue Abbildung der vielfältigen Natur von legitimer und schädlicher Netzwerkverkehrsaktivität widerspiegeln, um Modelle zu entwickeln, die in der Lage sind, eine breite Palette an Eindringmuster zu erkennen und darauf zu reagieren. Doch bestehende Datensätze erfüllen diese Anforderungen häufig nicht, da sie an mangelnder Vielfalt und an einer unzureichenden Anpassung an die aktuellen Netzwerkumgebungen leiden, was die Wirksamkeit der Intrusionserkennung einschränkt. In diesem Beitrag stellen wir TII-SSRC-23 vor – einen neuartigen und umfassenden Datensatz, der diese Herausforderungen adressiert. Der Datensatz umfasst eine breite Vielfalt an Verkehrstypen und -untertypen und stellt damit ein robustes und vielseitiges Werkzeug für die Forschungsgemeinschaft dar. Zudem führen wir eine Analyse der Merkmalsrelevanz durch, die wertvolle Einblicke in die für die Intrusionserkennung entscheidenden Merkmale liefert. Durch umfangreiche Experimente etablieren wir zudem feste Benchmarks für überwachte und unüberwachte Ansätze der Intrusionserkennung mithilfe unseres Datensatzes und tragen so zur Weiterentwicklung und Anpassungsfähigkeit von Intrusionserkennungsmodellen in der sich rasch verändernden Landschaft der Netzwerksicherheit bei. Unser Datensatz ist unter https://kaggle.com/datasets/daniaherzalla/tii-ssrc-23 verfügbar.