Table 5. Classification Report. Precision

Mathematics 2024, 12, 571
19 of 26
Figure 11.
Normalized Confusion Matrix.
5.3. Fifteen-Class Classification Results
Based on the fifteen-class classification, the ensemble model’s ingenuity was rigor-
ously evaluated in its ability to discern a detailed spectrum of cybersecurity threats, each
with unique signatures and behavioral patterns. After a formidable training duration of
50 epochs, the model emerged with a commendable test accuracy of 96.90% (Figure
12
).
Although slightly lower than the six-class classification accuracy, this figure remains signifi-
cantly high given the complexity introduced by the finer granularity of threat categories.
The test loss of 0.0632, although higher than previous test results (Table
3
), aligns with ex-
pectations for a more challenging classification task and underscores the tradeoffs inherent
in multiclass classification (Figure
12
). The training time, recorded at 14,719.47 s, indicates
the considerable computational resources deployed in this endeavor. However, the model’s
testing efficiency, as evidenced by the brief testing time of 40.65 s, affirms its potential for
real-time application.

Mathematics 2024, 12, 571
20 of 26
Figure 12.
Model accuracy and loss.
The classification report reveals the ensemble model’s nuanced understanding of
diverse attack vectors (Table
6
). With perfect precision and recall in the “Normal” and
“DDoS_UDP” categories, the model demonstrates its ability to identify clear-cut patterns of
network behavior and straightforward intrusion attempts. However, the “SQL_injection”
and “XSS” categories, with lower precision, indicate a propensity for false positives, where
the model’s judgment may benefit from additional refinement. The “Password” and
“Fingerprinting” categories, which show disparities in precision and recall, suggest a more
complex interplay of features that could require advanced analytical strategies to improve
classification accuracy.

Download 6 Mb.