Συγκριτική ανάλυση μοντέλων μηχανικής μάθησης για ανίχνευση εισβολών (Dataset : CIC-IDS-2017)

Abstract

Η εργασία αυτή επικεντρώνεται στη συγκριτική ανάλυση μοντέλων μηχανικής μάθησης για την ανίχνευση εισβολών κυβερνοασφάλειας, χρησιμοποιώντας το σύνολο δεδομένων CIC-IDS-2017. Παρέχει μια εις βάθος κατανόηση και αξιολόγηση διαφόρων αλγορίθμων μηχανικής μάθησης, όπως το Random Forest, τα Νευρωνικά Δίκτυα, το XGBoost και τα Δέντρα Αποφάσεων, συγκρίνοντας την απόδοσή τους με βάση βασικούς δείκτες (όπως Area Under the Curve και Accuracy) αλλά και την ταχύτητα εκτέλεσης. Η μελέτη εξετάζει τις προκλήσεις στην ανίχνευση εισβολών σε δίκτυα και τον ρόλο της μηχανικής μάθησης στη βελτίωση της ακρίβειας ανίχνευσης αυτών των επιθέσεων. Τα αποτελέσματα παρέχουν πολύτιμες πληροφορίες για την αποτελεσματικότητα των διαφόρων μοντέλων μηχανικής μάθησης σε εφαρμογές κυβερνοασφάλειας.