Ein effizientes Deep-Learning-Modell zur Klassifizierung und Vorhersage von Eindringlingen in 5G- und IoT-Netzwerken

Ein Netzwerk-Intrusionserkennungssystem ist ein kritischer Bestandteil jedes internetverbundenen Systems aufgrund möglicher Angriffe von externen und internen Quellen. Solche Sicherheitssysteme werden verwendet, um netzwerkbasierte Angriffe wie Flooding, Denial-of-Service-Angriffe, Malware und zwillingsschädliche Eindringlinge zu erkennen, die im System operieren. Neuronale Netzwerke sind zu einer zunehmend beliebten Lösung für die Erkennung von Netzwerk-Intrusionen geworden. Ihre Fähigkeit, komplexe Muster und Verhaltensweisen zu lernen, macht sie zu einer geeigneten Lösung zur Differenzierung zwischen normalem Datenverkehr und Netzwerkangriffen. In diesem Papier haben wir einen tiefen autoencodierten dichten neuronalen Netzwerkalgorithmus zur Erkennung von Eindringlingen oder Angriffen in 5G- und IoT-Netzwerken angewendet. Wir haben den Algorithmus mit dem Benchmark-Datensatz Aegean Wi-Fi Intrusion evaluiert. Unsere Ergebnisse zeigten eine hervorragende Leistung mit einer insgesamt Erkennungsgenauigkeit von 99,9 % für Flooding, Identitätsdiebstahl und Injektionsarten von Angriffen. Wir haben auch einen Vergleich mit aktuellen Ansätzen in der Literatur vorgestellt, der eine wesentliche Verbesserung in Bezug auf Genauigkeit und Geschwindigkeit der Erkennung mit dem vorgeschlagenen Algorithmus zeigte.