Evaluierung von flachen und tiefen neuronalen Netzen für Netzwerk-Intrusion-Detektionssysteme in der Cybersicherheit

Ein Intrusion Detection System (IDS) ist aufgrund der wachsenden Bedeutung von Cybersicherheit im täglichen Leben zu einer unverzichtbaren Komponente in allen modernen Information- und Kommunikationstechnologie-(ICT)-Systemen geworden. Gründe hierfür sind die Unsicherheit bei der Erkennung der Angriffstypen sowie die zunehmende Komplexität fortschrittlicher Cyberangriffe, weshalb eine Integration von Deep Neural Networks (DNNs) erforderlich wird. In diesem Artikel werden DNNs eingesetzt, um Angriffe im Rahmen eines Network Intrusion Detection Systems (N-IDS) vorherzusagen. Ein DNN mit einer Lernrate von 0,1 wird über 1000 Epochen trainiert, wobei der KDDCup-99-Datensatz zur Ausbildung und Benchmarking des Netzwerks verwendet wird. Zur Vergleichbarkeit erfolgt die Trainingsdurchführung auf demselben Datensatz mit mehreren klassischen maschinellen Lernalgorithmen sowie DNNs mit einer Anzahl von Schichten zwischen 1 und 5. Die Ergebnisse werden miteinander verglichen und ergeben, dass ein DNN mit drei Schichten eine überlegene Leistung im Vergleich zu allen anderen klassischen maschinellen Lernalgorithmen aufweist.