System zur Erkennung von Netzwerkeinbrüchen

Diese Arbeit konzentriert sich auf Intrusion Detection Systems (IDS), die für den Schutz von Computernetzwerken vor Cyberangriffen und unbefugtem Zugriff unerlässlich sind. Mit der zunehmenden Komplexität des modernen Netzwerkverkehrs ist die Erkennung von Bedrohungen eine größere Herausforderung geworden. Die Studie unterstreicht die Bedeutung von qualitativ hochwertigen Datensätzen und effektiven Bewertungsmetriken für die Entwicklung zuverlässiger IDS-Modelle.Sie untersucht die Grenzen traditioneller Datensätze wie KDD Cup 99 und diskutiert moderne Alternativen wie UNSW-NB15, CICIDS2017 und TON-IoT, die reale Angriffsszenarien besser darstellen. Die Arbeit hebt auch wichtige Bewertungsmetriken hervor, darunter Genauigkeit, Präzision, Rückruf und F1-Score, die dabei helfen, die Erkennungsleistung zu messen und Fehlalarme zu reduzieren. Insgesamt bietet sie Einblicke in die Verbesserung von IDS mithilfe von Techniken des maschinellen Lernens für mehr Sicherheit in sich entwickelnden Netzwerkumgebungen.