PyTorch-based deep learning approach for real-time network traffic analysis
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
As the internet continues to expand and cyber-attacks become more complex, the area of network intrusion detection (NID) has gained considerable relevance in research. NID describes the process of monitoring and analysing network traffic to identify indicators of unauthorized access, misuse, or any other malicious activity. Various machine learning techniques can automate this process and identify anomalies in network traffic as either normal or anomaly (Bhattacharyya and Kalita, 2013). This thesis focuses on a deep learning-based network intrusion detection model trained using the PyTorch framework with the NSL-KDD dataset. The NSL-KDD dataset is widely recognized and offers a comprehensive set of features. However, given its age and its limited conformity with contemporary real-world networks, this thesis also explores alternative datasets. One significant alternative is the CIC-IDS2017 dataset from the University of New Brunswick's Canadian Institute for Cybersecurity, along with other commercial options. Moreover, the thesis compares the differences and functionality of these datasets regarding accuracy, precision, modernness and ease of use. To facilitate the comparison, the presented paper starts with an introduction and description of machine learning, PyTorch, the NSL-KDD dataset and its implementation and finishes with the description of the alternative datasets. The research significantly enhances the current body of knowledge regarding the utilization of machine learning techniques and provides advantages and disadvantages of machine learning, as well as insights into the strengths and weaknesses of the datasets. Furthermore, it provides strategies for improving their effectiveness and recommendations for future research in this specific area.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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