Impact of Resampling techniques in Deep Learning based Intrusion Detection: A Comparative Study on NSL-KDD and UNSW-NB15
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study examines the effectiveness of a specific set of data resampling techniques within a deep learning framework to enhance network intrusion detection system (NIDS) which is a critical aspect of cybersecurity. We evaluate a CNN-BLSTM model for attack classification on two widely used benchmark NIDS datasets (NSL-KDD and UNSW-NB15) that exhibit varying degrees of class imbalance which can undermine the detection of rare yet critical cyberattacks. Our approach integrates Adaptive Synthetic (ADASYN) oversampling both independently and in combination with undersampling methods such as Random UnderSampling (RUS), TomekLinks and One-Sided Selection (OSS) to address this imbalance. The results demonstrate that for the NSL-KDD dataset which suffers from severe imbalance, ADASYN coupled with OSS significantly improves classification accuracy. In contrast, for the UNSW-NB15 dataset, with relatively milder imbalances, the deep learning model performs comparably well without extensive resampling. Beyond the standard metrics, we also conduct additional evaluations through class-wise accuracy analysis and permutation-based feature importance to better understand the impact of resampling on minority class performance and feature relevance. These findings underscore the importance of tailoring resampling strategies to the specific class distributions within NIDS datasets to optimize deep learning performance in cybersecurity applications.
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.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle