Die zunehmende Komplexität von Netzwerkumgebungen stellt erhebliche Sicherheitsherausforderungen dar, insbesondere bei der Abwehr von Denial of Service (DoS)-Angriffen. Traditionelle Sicherheitslösungen sind oft unzureichend, was die Entwicklung intelligenter Verfahren erforderlich macht. Dieser Artikel untersucht innovative Ansätze unter Verwendung von tiefenlernenden Intrusion Detection Systemen (IDS), insbesondere Bidirektionale Long Short-Term Memory (BiLSTM)-Modelle, zur verbesserten Angriffserkennung. Unsere Ergebnisse zeigen, dass BiLSTM-Modelle bei der binären Klassifikation hervorragende Leistungen erbringen und komplexe Angriffe in Multiklassen-Szenarien besser identifizieren als andere Methoden. Zwei zentrale Bereiche für künftige Forschung werden hervorgehoben: der Einfluss fortschrittlicher Datenverarbeitungstechniken auf die Effektivität von IDS und die Bewertung von Distributed Denial of Service (DDoS)-Angriffen. Die Studie stellt einen verfeinerten BiLSTM (RLSTM)-basierten IDS-Ansatz vor und bewertet dessen Leistung anhand der Datensätze CICIDS-2019, CICIDS-2017 und NSL-KDD. Die Methode beinhaltet Vorverarbeitungstechniken wie Kodierung, Dimensionsreduktion und Normalisierung. Experimentelle Ergebnisse zeigen eine hohe Genauigkeit von 99,2 % für NSL-KDD, 99,4 % für CICIDS-2017 und 99,7 % für CICIDS-2019 Datensätze. Diese Resultate veranschaulichen, dass die vorgeschlagene Technik in komplexen Netzwerkumgebungen gegenüber bestehenden Methoden überlegene Erkennungsfähigkeiten bietet. Die Studie betont die Notwendigkeit fortschrittlicher Sicherheitsmaßnahmen und hebt die Wirksamkeit des Modells bei der Verbesserung des Netzwerkschutzes hervor. • Schlägt IDS mit tiefem Lernen unter Verwendung eines verfeinerten BiLSTM (RLSTM) vor, um DoS-Angriffe in komplexen Netzwerken zu bekämpfen. • Erzielt hohe Erkennungsleistung in binären und Multiklassen-Angriffszenarien. • Integriert effektive Vorverarbeitungstechniken, darunter Kodierung, Dimensionsreduktion und Normalisierung. • Validiert anhand der Datensätze NSL-KDD, CICIDS-2017 und CICIDS-2019 mit Genauigkeiten bis zu 99,6 %. • Demonstriert überlegene Robustheit und Erkennungsfähigkeit im Vergleich zu bestehenden IDS-Ansätzen.
M et al. (Sun,) untersuchten diese Fragestellung.