Netzwerkangriffserkennung mittels multimodaler Ensemble-Modellierung

In letzter Zeit haben Netzwerke und verwandte Daten aufgrund schneller Entwicklungen im Internet- und Kommunikationsbereich stark zugenommen. Infolgedessen erleben wir einen Anstieg neuer Arten von Sicherheitsbedrohungen, was es für Fachleute der Netzwerksicherheit schwierig gemacht hat, Sicherheitsverletzungen zu identifizieren und diese umgehend zu beheben. Darüber hinaus ist es unmöglich, die Existenz von Hackern zu übersehen, die verschiedene Arten von Angriffen auf das Netzwerk durchführen wollen. Eine solche Technologie ist ein Intrusion Detection System (IDS), das potenzielle Netzwerkinvasionen schützt, indem es den Netzwerkverkehr untersucht, um dessen Verfügbarkeit, Vertraulichkeit und Integrität zu gewährleisten. In diesem Zusammenhang gab es mehrere Arbeiten, in denen wir von traditionellen Werkzeugen zu maschinellen Lerntechniken übergegangen sind. In dieser Arbeit demonstrieren wir die Stärke der Ensemble-Modellierung unter Verwendung einer linearen gewichteten Kombination von XGBoost und CNN. Wir zielen speziell darauf ab, Netzwerkprotokolle sowohl in ihrer tabellarischen Form (mit XGBoost) als auch in Form von Bildern (mit CNN) zu nutzen, um die Daten voll auszuschöpfen. Wir vergleichen unsere Leistung mit bestehenden Benchmarks und stellen fest, dass unsere vorgeschlagene Methode sie übertrifft. Unsere vorgeschlagene Methode erreicht eine hohe Rückrufrate und Präzision, mit einem insgesamt F1-Score von 0,995.