Machine Learning für Netzwerk-Anomalieerkennung

Empirische Untersuchung zur Cross-Dataset-Übertragbarkeit von ML-Modellen zwischen NSL-KDD und CIC-IDS-2017

Überblick

Diese Arbeit untersucht systematisch die Cross-Dataset-Transferabilität von Machine Learning-Modellen für die Netzwerk-Intrusion-Detection. Kernfrage: Inwieweit sind ML-Modelle für Netzwerk-Anomalieerkennung zwischen verschiedenen Datensätzen übertragbar?

Zentrale Ergebnisse:

• 38.6% durchschnittlicher Leistungsverlust bei Cross-Dataset-Transfer
• XGBoost zeigt beste Cross-Dataset-Stabilität

Schnellstart

# Environment Setup
python -m venv network_ids_env
source network_ids_env/bin/activate
pip install -r requirements.txt

# Experimente ausführen
python validate_environment.py
python experiments/01_data_exploration.py
python experiments/05_cross_dataset_evaluation.py

Projektstruktur

├── data/
│   ├── raw/                    # NSL-KDD & CIC-IDS-2017 Datasets
│   ├── models/                 # Trainierte Modelle
│   └── results/                # Experimentelle Ergebnisse
├── experiments/                # Experimentelle Pipeline (01-10)
├── src/                        # Core Implementation
└── docs/                       # Methodologie & Ergebnisse

Ergebnisse

Die wichtigsten Resultate finden sich in:

• data/results/experiment_summary.csv - Konsolidierte Leistungsmetriken
• data/results/bidirectional_cross_dataset_analysis.csv - Transfer-Analyse
• data/results/paper_figures/ - Publikationsreife Visualisierungen

Reproduzierbarkeit

Alle Experimente verwenden RANDOM_STATE = 42 für deterministische Ergebnisse. Getestet auf Python 3.8-3.11, Linux/macOS/Windows.