THE UTILIZATION OF MACHINE LEARNING FOR NETWORK INTRUSION DETECTION SYSTEMS

This study investigates the integration of Multilayer Perceptron (MLP) architecture in Network Intrusion Detection Systems (NIDS) to strengthen cyber defences against evolving threats. The goal is to explore the potential of MLP in learning complex patterns and adapting to dynamic attack vectors, thereby improving detection accuracy. Key results from 5-fold cross-validation demonstrate model consistency, achieving an average accuracy of 0.97 with minimal standard deviation. Further evaluation across multiple nodes per layer and train-test splits demonstrate model robustness, displaying high metrics such as AUC-ROC and F1-Score. Challenges, such as the scarcity of large labelled datasets and complex model interpretability, are acknowledged. This study provides a comprehensive foundation for future investigations, suggesting potential directions such as integrating advanced neural network architectures and assessing model transferability. In conclusion, this study contributes to the evolving intersection of machine learning and cyber security, offering insights into the strengths, limitations, and future directions of MLP-based NIDS. As cyber threats evolve, continued refinement of MLP methods is critical to effective network defences against sophisticated adversaries. W niniejszym artykule zbadano integrację architektury wielowarstwowego perceptronu (MLP) w systemach wykrywania włamań do sieci (NIDS) w celu wzmocnienia cyberobrony przed ewoluującymi zagrożeniami. Celem jest zbadanie potencjału MLP w uczeniu się złożonych wzorców i dostosowywaniu się do dynamicznych wektorów ataków, a tym samym poprawienie dokładności wykrywania. Kluczowe wyniki 5-krotnej walidacji krzyżowej wykazują spójność modelu, osiągając średnią dokładność 0,97 przy minimalnym odchyleniu standardowym. Dalsza ocena w wielu węzłach na warstwę i podziały trening-test wykazują solidność modelu, wykazując wysokie metryki, takie jak AUC-ROC i F1-Score. Wyzwania, takie jak niedobór dużych zestawów danych z etykietami i złożona interpretowalność modelu, są uznawane. Niniejsze badanie zapewnia kompleksową podstawę do przyszłych badań, sugerując potencjalne kierunki, takie jak integracja zaawansowanych architektur sieci neuronowych i ocena przenoszalności modelu. Podsumowując, niniejsze badanie przyczynia się do ewoluującego skrzyżowania uczenia maszynowego i cyberbezpieczeństwa, oferując wgląd w mocne strony, ograniczenia i przyszłe kierunki NIDS opartych na MLP. W miarę rozwoju cyberzagrożeń c