Development of a Network Threat Detection System using Artificial Intelligence

Abstract

This research aims to develop a prototype system for detecting threats in computer networks using an artificial neural network (ANN) model trained with a standard intrusion detection dataset. The model is implemented on a web-based platform that allows client-side processing without relying on external servers. The system can process both simulated data files and real network traffic captured using packet analysis tools and presents results through a dashboard that simulates near real-time display, although it does not yet support live network traffic processing. Experimental results show that the ANN model achieved an accuracy of 90.2%, outperforming support vector machine (SVM) and random forest models. The system can accurately detect major threats such as denial-of-service attacks, brute-force attempts, SQL injection, and phishing. This research provides a promising direction for developing practical and efficient network threat detection systems for real-world applications in the future.

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบต้นแบบสำหรับตรวจจับภัยคุกคามในเครือข่ายคอมพิวเตอร์ โดยใช้แบบจำลองโครงข่ายประสาทเทียมที่ฝึกด้วยชุดข้อมูลมาตรฐานสำหรับการตรวจจับการบุกรุกในระบบเครือข่าย และนำมาประยุกต์ใช้งานผ่านเว็บไซต์โดยไม่ต้องพึ่งพาเครื่องแม่ข่ายภายนอก ระบบสามารถประมวลผลข้อมูลจากแฟ้มจำลองและข้อมูลจราจรจริงที่ดักจับได้ พร้อมแสดงผลผ่านแผงควบคุมแบบใกล้เคียงเวลาจริง แม้ยังไม่รองรับการประมวลผลข้อมูลสด ผลการทดลองแสดงว่าแบบจำลองมีความแม่นยำร้อยละ 90.2 ซึ่งสูงกว่าแบบจำลองเวกเตอร์สนับสนุนและกลุ่มต้นไม้ตัดสินใจหลายต้น อีกทั้งสามารถจำแนกภัยคุกคามสำคัญ เช่น การโจมตีเพื่อทำให้ระบบไม่สามารถให้บริการได้ การสุ่มรหัสผ่าน การแทรกคำสั่งฐานข้อมูล และการหลอกลวงเพื่อขโมยข้อมูล ได้อย่างถูกต้องและมีประสิทธิภาพ จึงเป็นแนวทางที่มีศักยภาพในการพัฒนาระบบตรวจจับภัยคุกคามที่สามารถนำไปประยุกต์ใช้ได้จริงในอนาคต