The utilization of machine learning for network intrusion detection systems

• Autorzy: Sanmorino Ahmad , Setiawan Herri , Coyanda John Roni

Identyfikatory

DOI

10.35784/iapgos.6388

Warianty tytułu

PL

Wykorzystanieuczenia maszynowego w systemach wykrywania włamania do sieci

• Języki publikacji: EN

Abstrakty

EN

This study investigates the integration of MultilayerPerceptron (MLP) architecture in Network Intrusion Detection Systems (NIDS) to strengthen cyber defencesagainst evolving threats. The goal is to explore the potential of MLP in learning complex patterns and adapting to dynamic attack vectors, thereby improving detection accuracy. Key results from 5-fold cross-validation demonstrate model consistency, achieving an average accuracy of 0.97 with minimal standard deviation. Further evaluation across multiple nodes per layer and train-test splits demonstrate model robustness, displaying high metrics such as AUC-ROC and F1-Score. Challenges, such as the scarcity of large labelleddatasets and complex model interpretability,are acknowledged. This study provides a comprehensive foundation for future investigations, suggesting potential directions such as integrating advanced neural network architectures and assessing model transferability. In conclusion, this study contributes to the evolving intersection of machine learningand cyber security, offering insights into the strengths, limitations, and future directions of MLP-based NIDS. As cyber threats evolve, continued refinement of MLP methods is critical to effective network defencesagainst sophisticated adversaries.

PL

W niniejszym artykule zbadano integrację architektury wielowarstwowego perceptronu (MLP) w systemach wykrywania włamań do sieci (NIDS) w celu wzmocnienia cyberobrony przed ewoluującymi zagrożeniami. Celem jest zbadanie potencjału MLP w uczeniu się złożonych wzorcówi dostosowywaniu się do dynamicznych wektorów ataków, a tym samym poprawienie dokładności wykrywania. Kluczowe wyniki 5-krotnej walidacji krzyżowej wykazują spójność modelu, osiągając średnią dokładność 0,97 przy minimalnym odchyleniu standardowym. Dalsza ocena w wielu węzłachna warstwę i podziały trening-test wykazują solidność modelu, wykazując wysokie metryki, takie jak AUC-ROC i F1-Score. Wyzwania, takie jak niedobór dużych zestawów danych z etykietami i złożona interpretowalność modelu, są uznawane. Niniejsze badanie zapewnia kompleksową podstawę do przyszłych badań, sugerując potencjalne kierunki, takie jak integracja zaawansowanych architektur sieci neuronowych i ocena przenoszalności modelu. Podsumowując, niniejsze badanie przyczynia się do ewoluującego skrzyżowania uczenia maszynowego i cyberbezpieczeństwa, oferując wgląd w mocne strony, ograniczenia i przyszłe kierunki NIDS opartych na MLP. W miarę rozwoju cyberzagrożeń ciągłe udoskonalanie metodMLP staje się kluczowedla skutecznej obrony sieci przed wyrafinowanymi przeciwnikami.

Słowa kluczowe

EN

network intrusion; multilayer perceptron; machine learning

PL

włamania do sieci; perceptron wielowarstwowy; uczenie maszynowe

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 4
• Strony: 86--89
• Opis fizyczny: Bibliogr. 24 poz., tab., wykr.

Twórcy

autor

Sanmorino Ahmad

• Universitas Indo Global Mandiri, Department of Information Systems, Palembang, Indonesia

• https://orcid.org/0000-0002-4949-4377

autor

Setiawan Herri

• Universitas Indo Global Mandiri, Department of Informatics Engineering, Palembang, Indonesia

• https://orcid.org/0000-0003-4272-0201

autor

Coyanda John Roni

• Universitas Indo Global Mandiri, Department of Information Systems, Palembang, Indonesia

• https://orcid.org/0000-0002-4896-6686

Bibliografia

• [1] Alazab M. et al.: An Effective Networks Intrusion Detection Approach Based on Hybrid Harris Hawks and Multi-Layer Perceptron. Egyptian Informatics Journal 25, 2024, 100423.
• [2] Anthi E. et al.: Hardening Machine Learning Denial of Service (DoS) Defences against Adversarial Attacks in IoT Smart Home Networks. Computers and Security 108, 2021, 102352.
• [3] Artur M.: Review the Performance of the Bernoulli Naïve Bayes Classifier in Intrusion Detection Systems Using Recursive Feature Elimination with Cross-Validated Selection of the Best Number of Features. Procedia Computer Science 190(2019), 2021, 564–70.
• [4] Bedi P. et al.: Siam-IDS: Handling Class Imbalance Problem in Intrusion Detection Systems Using Siamese Neural Network. Procedia Computer Science 171, 2020, 780–89.
• [5] Bukhari O. et al.: Anomaly Detection Using Ensemble Techniques for Boosting the Security of Intrusion Detection System. Procedia Computer Science 218, 2022, 1003–13.
• [6] Bukhari S. M. S. et al.: Secure and Privacy-Preserving Intrusion Detection in Wireless Sensor Networks: Federated Learning with SCNN-Bi-LSTM for Enhanced Reliability. Ad Hoc Networks 155, 2024, 103407.
• [7] Choudhary S., Nishtha K.: Analysis of KDD-Cup’99, NSL-KDD and UNSW-NB15 Datasets Using Deep Learning in IoT. Procedia Computer Science 167, 2020, 1561–73.
• [8] Hnamte, V., Hussain J.: Dependable Intrusion Detection System Using Deep Convolutional Neural Network: A Novel Framework and Performance Evaluation Approach. Telematics and Informatics Reports 11, 2023, 100077.
• [9] Hossain M. A., Islam M. S.: Ensuring Network Security with a Robust Intrusion Detection System Using Ensemble-Based Machine Learning. Array 19, 2023, 100306.
• [10] Ishaque M. et al.: A Novel Hybrid Technique Using Fuzzy Logic, Neural Networks and Genetic Algorithm for Intrusion Detection System. Measurement: Sensors 30, 2023, 100933.
• [11] Khalil A. et al.: Artificial Intelligence-Based Intrusion Detection System for V2V Communication in Vehicular Adhoc Networks. Ain Shams Engineering Journal 15(4), 2024, 102616.
• [12] Layeghy S. et al.: DI-NIDS: Domain Invariant Network Intrusion Detection System. Knowledge-Based Systems 273, 2023, 110626.
• [13] Lin H. et al.: Internet of Things Intrusion Detection Model and Algorithm Based on Cloud Computing and Multi-Feature Extraction Extreme Learning Machine. Digital Communications and Networks 9(1), 2023, 111–24.
• [14] Manocchio L. D. et al.: FlowTransformer: A Transformer Framework for Flow-Based Network Intrusion Detection Systems. Expert Systems with Applications 241, 2024, 122564.
• [15] Muruganandam S. et al.: A Deep Learning Based Feed Forward Artificial Neural Network to Predict the K-Barriers for Intrusion Detection Using a Wireless Sensor Network. Measurement: Sensors 25, 2023, 100613.
• [16] Osa E. et al.: Design and Implementation of a Deep Neural Network Approach for Intrusion Detection Systems. E-Prime - Advances in Electrical Engineering, Electronics and Energy 7, 2024, 100434.
• [17] Palshikar A.: What Distinguishes Binary from Multi-Class Intrusion Detection Systems: Observations from Experiments. International Journal of Information Management Data Insights 2(2), 2022, 100125.
• [18] Patterson C. M. et al.: ‘I Don’t Think We’re There yet’: The Practices and Challenges of Organisational Learning from Cyber Security Incidents. Computers and Security 139, 2024, 103699.
• [19] Paya A. et al.: Apollon: A Robust Defense System against Adversarial Machine Learning Attacks in Intrusion Detection Systems. Computers and Security 136, 2024, 103546.
• [20] Sanmorino A., Isabella.: The Design a System of Retention and Control on Broiler Farms Based on the Flow of Data. International Conference on Electrical Engineering, Computer Science and Informatics (EECSI) 4, 2017.
• [21] Sanmorino A.: Development of Computer Assisted Instruction (CAI) for Compiler Model: The Simulation of Stack on Code Generation. International Conference in Green and Ubiquitous Technology, GUT 2012, 2012.
• [22] Serinelli B. M. et al.: Training Guidance with KDD Cup 1999 and NSL-KDD Data Sets of ANIDINR: Anomaly-Based Network Intrusion Detection System. Procedia Computer Science 175, 2020, 560–65.
• [23] Ullah S. et al.: TNN-IDS: Transformer Neural Network-Based Intrusion Detection System for MQTT-Enabled IoT Networks. Computer Networks 237, 2023, 110072.
• [24] Wang S. et al.: Res-TranBiLSTM: An Intelligent Approach for Intrusion Detection in the Internet of Things. Computer Networks 235, 2023, 109982.