モバイルWebアプリケーションにおけるサイバー脅威検出のためのACO調整ランダム決定木

科学分野:

• サイバーセキュリティとネットワークセキュリティ
• 機械学習アプリケーション
• モバイルコンピューティングセキュリティ

背景:

• モバイルWebアプリケーションは不可欠なサービスにとって重要ですが、サイバー攻撃の脆弱性が増大しています。
• 従来のセキュリティ対策は、モバイル環境の動的でリソースが制約された性質に対処するのに苦労しています。
• モバイルシステムにおける侵入の効果的な識別には、高度で適応性のあるソリューションが必要です。

主な方法:

• グローバル最適化のためのAnt Colony Optimisation (ACO)と分類のためのRandomised Decision Tree Classifier (RDTC)を組み合わせたハイブリッドアプローチ。
• 次元削減のための特異値分解 (SVD)と特徴量選択のためのSelectKBestを利用したデータ前処理。
• ACOはRDTCのハイパーパラメータを動的に最適化し、特徴量サブセットを洗練してパフォーマンスを向上させます。

結論:

• 提案されたACO-RDTCフレームワークは、最新のモバイルWeb環境を保護するための堅牢でスケーラブルなソリューションを提供します。
• 適応型特徴洗練と最適化は、侵入検出機能を大幅に向上させます。
• この研究は、複雑なサイバーセキュリティの課題に対処する上で、ハイブリッド機械学習モデルの効果を強調しています。