Анализ наборов данных KDD-Cup’99, NSL-KDD и UNSW-NB15 с применением глубокого обучения в IoT

Сеть Интернета вещей (IoT) — это современная технология для соединения объектов вокруг нас. По мере масштабирования внедрения IoT возникают собственные риски, поэтому требуются высокоэффективные модели для быстрого и точного обнаружения вредоносной активности. В данной работе рассматривается глубокая нейронная сеть (DNN) для идентификации атак в среде IoT. Интеллектуальная система обнаружения проникновений возможна при наличии эффективного набора данных. Производительность DNN по корректной идентификации атак была оценена на широко используемых наборах данных: KDD-Cup’99, NSL-KDD и UNSW-NB15. Экспериментальные результаты показывают, что предложенный метод на основе DNN обеспечивает точность свыше 90% для каждого набора данных.