Network Intrusion Detection System Based on Separable Convolution AutoEncoder with Long Short-Term Memory
Notice bibliographique
Résumé
In recent years, Intrusion Detection System (IDS) that continuously detects, analyzed network traffic for signs of malicious activity by enabling prompt detection and response to potential security incidents. Traditional approaches IDS had faced several challenges which include high false positive rates, limited detection capability. Therefore, this research proposes Separable Convolution AutoEncoder-Long Short-Term Memory (SCAE-LSTM) for network intrusion detection system. Initially, data is taken from Canadian Institute for Cybersecurity Intrusion Detection System (CICIDS) 2018 dataset is preprocessed by using t-Distributed Stochastic Neighboring Embedding (t-SNE) which reduces effectively in high-dimensional network traffic data to a lower dimensional representation. Then, the features are extracted from preprocessed data by using Local Linear Embedding (LLE) which identified nonlinear structures and anomalies that indicated in the network intrusions. After that, classification is done by using SCAE to complex patterns and anomalies in traffic data. Finally, the network intrusions are detected by using LSTM which effectively improves accuracy, reduces false positives, enhances the overall robustness in intrusion detection system. The proposed SCAE-LSTM achieved better accuracy (0.9755), detection rate (0.9999), F1 value (0.9575) and false positive rate (0.0128) when compared with existing CNN-LSTM.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».