Detection of U2R Attacks by Means of a Multilayer Neural Network

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.