Erweiterung der Netzwerkintrusionserkennung mit verbesserten Techniken der Partikelschwarmoptimierung

Die vorliegende Forschung untersucht, wie die Systeme zur Netzwerkintrusionserkennung (NIDS) durch die Kombination von Techniken des maschinellen Lernens (ML) und des tiefen Lernens (DL) verbessert werden können, um der wachsenden Herausforderung von Cybersecurity-Bedrohungen zu begegnen. Ein gründlicher Prozess zur Datenvorbereitung, der Aktivitäten wie Reinigung, Normalisierung und Segmentierung in Trainings- und Testdatensätze umfasst, bildet das Fundament für das Training und die Bewertung des Modells. Die Studie verwendet die Datensätze CSE-CIC-IDS 2018 und LITNET-2020, um ML-Methoden (Entscheidungsbäume, Zufallswald, XGBoost) und DL-Modelle (CNNs, RNNs, DNNs, MLP) anhand wichtiger Leistungsmetriken (Genauigkeit, Präzision, Recall und F1-Score) zu vergleichen. Das Entscheidungsbaum-Modell erzielte nach der Feinabstimmung mit verbesserter Partikelschwarmoptimierung (EPSO) bessere Ergebnisse in allen Maßnahmen und zeigte die Fähigkeit des Modells, Netzwerkverletzungen effektiv zu erkennen. Die Ergebnisse heben die Bedeutung von EPSO zur Verbesserung von ML-Klassifizierern für Cybersecurity hervor und schlagen einen starken Rahmen für NIDS mit hoher Präzision und Zuverlässigkeit vor. Diese umfassende Analyse trägt nicht nur zur Cybersecurity bei, indem sie einen Weg zu robusten Lösungen zur Intrusionserkennung bietet, sondern schlägt auch zukünftige Ansätze zur Verbesserung von ML-Modellen vor, um der sich verändernden Landschaft der Netzwerkbedrohungen entgegenzuwirken.