Deep-Learning-basiertes Intrusion-Detection-System mit postquantenverschl�sselten Protokollen

Vor dem Hintergrund der raschen Verlagerung von Unternehmens-Workloads in Cloud-Umgebungen steigt das Volumen sicherheitskritischer Netzwerkprotokolle, die an zentralisierte Überwachungssysteme übertragen werden. Herkömmliche Mechanismen zur Protokollübertragung sind jedoch nach wie vor anfällig für Abhörversuche, Manipulationen und sogar zukünftige quantenbasierte kryptografische Angriffe. Um dieser Herausforderung zu begegnen, wird in der vorliegenden Arbeit ein sicheres Cloud-Intrusion-Detection-System vorgeschlagen, das Netzwerkaktivitätsprotokolle verarbeitet, die mittels Post-Quanten-Kryptografie (PQC) geschützt sind. Die vorgeschlagene Architektur sieht vor, die Netzwerkprotokolle auf dem Client-Gerät mithilfe eines quantenresistenten Schlüsselkapselungsmechanismus zu verschlüsseln, bevor sie an den Cloud-Server gesendet werden; auf der Cloud-Seite nutzt das IDS ein ressourcenschonendes Deep-Learning-Klassifizierungsmodell, um die Protokolle in Echtzeit zu entschlüsseln und Angriffe zu erkennen, wobei die Vertraulichkeit der Daten während der Übertragung gewahrt bleibt.