Multilayer Perceptron: Ein intelligentes Modell zur Klassifikation und Intrusionserkennung

Heutzutage wächst die Sicherheit von Computergeräten signifikant. Dies liegt daran, dass immer mehr Geräte mit dem Netzwerk verbunden sind. Aus diesem Grund ist die Optimierung der Leistung von Systemen zur Erkennung von Intrusionen (IDS) ein Ziel von gemeinsamem Interesse. Die folgende Arbeit besteht darin, die Generalisierungsfähigkeit von neuronalen Netzwerken zur Klassifikation von Angriffen zu nutzen. Insbesondere werden wir einen mehrschichtigen Perzeptron (MLP) mit dem Backpropagation-Algorithmus und der sigmoidal Aktivierungsfunktion verwenden. Wir verwenden einen Teil des DARPA-Datensatzes, der als KDD99 bekannt ist. Es handelt sich um einen öffentlichen Datensatz, der für ein IDS gekennzeichnet und vorher verarbeitet wurde. Wir werden eine Analyse der Ergebnisse durchführen, die mit verschiedenen Konfigurationen, der Variation der Anzahl der versteckten Schichten und der Anzahl der Trainings-Epochen erzielt wurden, um eine niedrige Anzahl von falschen Ergebnissen zu erhalten. Wir beobachten, dass eine große Anzahl von Trainings-Epochen erforderlich ist und wie, unter Verwendung des gesamten Datensatzes, der aus 41 Merkmalen besteht, die beste Klassifikation für die Arten von DOS- und Probeangriffen durchgeführt wird.