Die Vorbereitung auf das Experiment beschreibt die experimentelle Umgebung für die Studie in Tabelle 3. Das NIDS-BAI ist ein Klassifikationsmodell für Netzwerkverkehrsdaten, das Wahrscheinlichkeiten für jeden Datentyp produziert. Die Verwirrungsmatrix wird aus den Klassifikationsergebnissen erstellt und enthält Angaben zu WAHREN Positiven, WAHREN Negativen, Falschen Positiven und Falschen Negativen für jeden Verkehrstyp. Diese Metriken werden verwendet, um die Leistung des Modells zu bewerten und Einblicke in die Genauigkeit über verschiedene Kategorien und häufige Fehlklassifikationen zu geben. Beispiele für Verwirrungsmatrizen werden in Tabelle 4 dargestellt.
Die Evaluation von Schlüsselindikatoren wie Recall, Precision und F1-Score für jeden Netzwerkverkehrstyp in den drei Datensätzen zeigt, dass das Modell in der Identifizierung der meisten Kategorien gut abschneidet. Dies liegt daran, dass der ARL-Algorithmus jede Kategorie gleichmäßiger lernt und somit die Fähigkeit des Modells verbessert, Kategorien mit weniger Instanzen zu erkennen und zu klassifizieren. Obwohl die Erkennungsfähigkeit in bestimmten Kategorien noch verbessert werden muss, kann die Verwendung des ARL-Algorithmus die Robustheit und Generalisierungsfähigkeit des Modells verbessern und eine hervorragende Leistung über alle Kategorien gewährleisten.
In den Kontrastexperimenten wurden die Leistung des NIDS-BAI-Modells mit anderen zuvor vorgeschlagenen Modellen auf den drei Datensätzen Edge-IIoTset, CIC-IDS2107 und CIC IoT 2023 verglichen. Die Ergebnisse zeigen, dass das NIDS-BAI-Modell in Bezug auf Recall, Precision und F1-Score auf dem Edge-IIoTset-Datensatz gute Ergebnisse erzielt, während es auf dem CIC IoT 2023-Datensatz die anderen Modelle übertrifft. Dies deutet auf das große Potenzial und den praktischen Wert des NIDS-BAI-Modells im Bereich der IIoT-Eindringungserkennung hin.