特徴選択と最適化された花火アルゴリズムに基づくネットワークセキュリティ分析

科学分野:

• サイバーセキュリティ
• 人工知能
• 機械学習

背景:

• 従来のネットワークセキュリティ手法は、高次元の動的データに対処するのが難しく、特徴選択が悪く、脅威検出感度が低くなります。
• 進化するサイバー脅威は、リアルタイムネットワークセキュリティのための高度な分析モデルを必要とします。
• 既存のアルゴリズムは、大規模で動的なネットワークデータを処理する際の適応性と効率が不足しています。

研究 の 目的:

• ネットワークセキュリティ分析を強化するための多目的、マルチラベル特徴選択モデルを提案すること。
• 改良されたリアルタイム脅威検出のために、最適化された花火アルゴリズムとファジィニューラルネットワークを統合すること。
• 従来のネットワークセキュリティ手法のデータ処理容量、感度、および効率の制限に対処すること。

主な方法:

• ガウス演算子と適応関数を組み込んだ改良花火アルゴリズムモデルを開発しました。
• リアルタイム脅威対応機能を強化するためにファジィニューラルネットワークを統合しました。
• さまざまな規模の Palmer Penguin、Fashion MNIST、Bike Sharing データセットでモデルを検証しました。

主要な成果:

• ベースラインアルゴリズムと比較して66%向上した5,000サンプルのデータ処理容量を達成しました。
• 従来の 30% ポイントを上回る 70% から 100% の検出感度を示しました。
• 適応調整時間を 50% 短縮し、大幅な効率向上を示しました。
• 中規模データセットでの過剰適合または不十分な汎化の可能性が観察され、包括的なパフォーマンスで 5/10 を獲得しました。

結論:

• 提案されたモデルは、動的なネットワークセキュリティ分析のための堅牢なフレームワークを提供し、処理容量と検出感度を大幅に向上させます。
• 最適化された花火アルゴリズムは、ネットワークセキュリティアプリケーションにおいて効率が向上することを示しています。
• 複雑なデータ環境におけるスケーラビリティの制約と汎化は、さらなる調査とモデルの洗練が必要です。