Conference proceedings

Keywords
: Generative Adversarial Networks, Cyberattack Detection, Semi-Supervised Learning, Deep Learning. 
 Introduction 
Due to the high usage of the Internet in many domains, cyberattacks are frequently encountered which carry an 
extreme risk for data privacy, IT systems of corporations, etc., and canbe cost millions of dollars. In order to protect from 
cyberattacks, many traditional prevention techniques such as network firewalls, user privileges, data access security are 
being used as a first defense line of systems. Nowadays, many systems utilize Intrusion Detection Systems (IDS) as a 
prevention technique in the second defense line which assists in the diminishing of cyberattacks. Using specific features 
of attacks and normal cases from historical data, the performance of IDS can be advanced to detect the cyberattacks. 
These systems may benefit from the application of machine learning models in detection tasks based on features of the 
historical data. 
 Conclusion 
The main goal of this study was to provide a new approach to accurately detect anomalies and classify 
cyberattacks without needing extensive labeled datasets. We developed the Generative Adversarial Network, which 

---

enabled the effective classification of cyberattacks based on semi-supervised learning. As a result, we demonstrated that 
our GAN-style approach for intrusion detection could be used in real-world applications. 
References 
1. Kim, J., Thi Thu, H. L., and Kim, H. Long Short Term Memory Recurrent Neural Network Classifier for Intrusion Detection. In: 
International Conference on Platform Technology and Service, (2016). 
doi: 10.1109/PlatCon.2016.7456805. 
2. Zhang, Y., Chen, X., Jin, L., Wang, X. and Guo, D., Network Intrusion Detection: Based on Deep Hierarchical Network and Original 
Flow Data. In: IEEE Access, vol. 7, pp. 37004-37016, (2019). doi: 10.1109/ACCESS.2019.2905041. 
3. Alrawashdeh, Khaled & Purdy, Carla: oward an Online Anomaly Intrusion Detection System Based on Deep Learning, (2016), doi: 
10.1109/ICMLA.2016.0040. 
4. Alom, M. Z., Venkataramesh Bontupalli and Taha, T. Intrusion detection using deep belief networks, In: National Aerospace and 
Electronics Conference (NAECON), (2015): 339-344.