A Stable Generative Adversarial Network Architecture for Network Intrusion Detection
Notice bibliographique
Résumé
Many approaches have been proposed for detecting and categorizing malicious activities over the years. The adversarial training process has recently been applied to solve this task, yielding remarkable results. Generative Adversarial Networks (GANs) can model complex distributions of high-dimensional data, which is useful for anomaly detection. Few studies have examined the use of GANs to detect network intrusions. This paper aimed to develop a new architecture for generative and discriminative training to improve the detection of multi-attack types with a stable training process using ensemble convolutional neural networks (CNNs). By applying the stacking ensemble learning method to the public datasets, NSL-KDD and UNSW-NB15, efficient intrusion detection is achieved compared to the state-of-the-art performance. Additionally, the training process is more stable with this novel architecture, and the model converges faster. The proposed method's accuracy, precision, sensitivity, and F1 score are obtained at 86.36%, 86.29%, 86.36%, and 85.81% for the NSL_KDD dataset, respectively. For the UNSW-NB15 dataset, the accuracy, precision, sensitivity and F1 score are 89.43%, 91.51%, 89.44%, and 89.72%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».