Detection of U2R Attacks by Means of a Multilayer Neural
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Sworld & D. A. Tsenov Academy of Economics, Svishtov, Bulgaria
Abstract
ENG: As a research method, multi layer neural network (MLNN) configurations 41-1-Х-4 were used, where 41 is the number of input neurons; 1 – the number of hidden layers; X – the number of hidden neurons; 4 – the number of resultant neurons created using the Neural Network Toolbox of the MatLAB system, to detect U2R network attacks: y1 – Rootkit attack, y2 –Buffer_overflow attack, y3 – Loadmodule attack, y4 – No attack. Using the open database of NSL-KDD network traffic parameters on the created MLNN, a study of its error and number of epochs at different number of hidden neurons (25, 35 and 45 was carried out using different training algorithms: Levenberg-Marquardt; Bayesian Regularization; Scaled Conjugate Gradient. It is determined that the smallest value of the MLNN error was based on the use of the hyperbolic tangent as a function of activating a hidden layer according by the Levenberg-Marquardt training algorithm, and it is enough to have 25 hidden neurons. An assessment of the quality of detection of U2R attacks on MLNN configuration 41-1-25-4 at its optimal parameters was carried out. It is determined that errors of the first and second kind are 9 % and 10 %, respectively.
UKR: У якості методу дослідження використано багатошарову нейронну мережу конфігурації 41-1-Х-4, де 41 – кількість вхідних нейронів; 1 – кількість прихованих шарів; Х – загальна кількість прихованих нейронів; 4 – кількість результуючих нейронів, що створена за допомогою пакета Neural Network Toolbox системи MatLAB, для виявлення мережевих атак категорії U2R: y1 – атака Rootkit, y2 – атака Buffer_overflow, y3 – атака Loadmodule, y4 – відсутність атаки. З використанням відкритої бази даних параметрів мережевого трафіку NSL-KDD на створеній нейронній мережі проведено дослідження її похибки та кількості епох навчання при різній кількості прихованих нейронів (25, 35 та 45) за різними алгоритмами навчання: Levenberg-Marquardt; Bayesian Regularization; Scaled Conjugate Gradient. Досліджено, що найменше значення похибки нейронної мережі склало з використанням гіперболічного тангенсу у якості функції активації прихованого шару за алгоритмом навчання Levenberg-Marquardt, при цьому достатньо мати 25 прихованих нейронів. Проведено оцінювання якості виявлення мережевих атак категорії U2R на нейромережі конфігурації 41-1-25-4 при її оптимальних параметрах. Визначено, що помилка першого та другого роду складає 9 % та 10 % відповідно.
UKR: У якості методу дослідження використано багатошарову нейронну мережу конфігурації 41-1-Х-4, де 41 – кількість вхідних нейронів; 1 – кількість прихованих шарів; Х – загальна кількість прихованих нейронів; 4 – кількість результуючих нейронів, що створена за допомогою пакета Neural Network Toolbox системи MatLAB, для виявлення мережевих атак категорії U2R: y1 – атака Rootkit, y2 – атака Buffer_overflow, y3 – атака Loadmodule, y4 – відсутність атаки. З використанням відкритої бази даних параметрів мережевого трафіку NSL-KDD на створеній нейронній мережі проведено дослідження її похибки та кількості епох навчання при різній кількості прихованих нейронів (25, 35 та 45) за різними алгоритмами навчання: Levenberg-Marquardt; Bayesian Regularization; Scaled Conjugate Gradient. Досліджено, що найменше значення похибки нейронної мережі склало з використанням гіперболічного тангенсу у якості функції активації прихованого шару за алгоритмом навчання Levenberg-Marquardt, при цьому достатньо мати 25 прихованих нейронів. Проведено оцінювання якості виявлення мережевих атак категорії U2R на нейромережі конфігурації 41-1-25-4 при її оптимальних параметрах. Визначено, що помилка першого та другого роду складає 9 % та 10 % відповідно.
Description
V. Pakhomova: ORCID 0000-0002-0022-099X; V. Mostynets: ORCID 0009-0009-4022-7983
Keywords
U2R, traffic, NSL-KDD, MLNN, hyperbolic tangent function, MLNN error, error of the first kind, error of the second kind, трафік, гіперболічний тангенс, похибка, помилка першого роду, помилка другого роду, КЕОМ
Citation
Pakhomova V., Mostynets V. Detection of U2R Attacks by Means of a Multilayer Neural. SWorldJournal. 2024. Iss. 26, Pt. 1. Р. 51–57. DOI: 10.30888/2663-5712.2024-26-00-012.