Högskolan i Skövde

Denna studie undersöker hur effektiva tre olika AI-modeller, Autoencoder, Isolation Forest och One-Class SVM, är på att identifiera anomalier i nätverkstrafik, ett centralt område inom cybersäkerhet. I takt med ökad digitalisering och alltmer komplexa cyberhot, har behovet av avancerade detektionssystem blivit kritiskt. Genom en kombination av litteraturstudie och experimentell ansats tillämpades modellerna på det realistiska och fritt tillgängliga datasetet CICIDS2017. Modellerna tränades på normal trafik för att sedan identifiera avvikelser på testdatan och utvärderades utifrån prestandamått som precision, recall, F1-score och ROC AUC. Resultaten visar att Autoencoder har hög recall men låg precision, One-Class SVM har hög precision men låg recall, medan Isolation Forest erbjuder en balans mellan de två. Analysen visar att valet av modell bör anpassas efter tillämpningsmiljö och önskad balans mellan detektionsgrad och falsklarm. Studien lyfter också fram möjligheten att kombinera flera modeller i ett ensemblebaserat system för ökad robusthet. Slutligen diskuteras metodvalet, vetenskapliga avvägningar, samhällelig relevans och etiska utmaningar för att ge en bred och nyanserad bild av AI-baserad anomaliupptäckt.