基于深度学习和修改的爬行动物搜索算法的物联网入侵检测系统
Abdelghani Dahou1,2, Mohamed Abd Elaziz3,4,5, Samia Allaoua Chelloug6
1Mathematics and Computer Science Department, University of Ahmed DRAIA, 01000 Adrar, Algeria.
Computational intelligence and neuroscience
|June 19, 2023
概括
本研究引入了使用深度学习和元启发优化来增强物联网 (IoT) 安全的入侵检测系统 (IDS) 的新框架. 该方法有效地提取和选择关键特征,提高检测准确性和性能.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 侵入检测系统 (IDS) 对于保护物联网 (IoT) 环境至关重要.
- 现有的IDS经常与物联网数据的高维度和复杂性作斗争.
- 功能提取和选择对于优化IDS性能至关重要.
研究的目的:
- 提出一个新的框架,以提高IDS在物联网设置中的性能.
- 为有效的功能工程利用深度学习和元启发式优化.
- 为了提高入侵检测的准确性和效率.
主要方法:
- 一个框架,将卷积神经网络 (CNN) 结合为特征提取和爬行动物搜索算法 (RSA),一种元启发方法,用于特征选择.
- 美国有线电视新闻网 (CNN) 在缩小维空间中学习相关数据表示.
- 为了优化IDS,RSA从CNN输出中识别并选择最具影响力的特征.
主要成果:
- 拟议的框架证明了在多个基准数据集 (KDDCup-99,NSL-KDD,CICIDS-2017,BoT-IoT) 中具有竞争力的分类性能.
- 基于RSA的特征选择有效地确定了最佳特征子集,大大提高了IDS的性能.
- 该框架在IDS的特征选择中取得了与现有优化方法相比或优于现有优化方法的结果.
结论:
- 整合CNN和RSA的新框架提供了一种强大的方法来提高IDS在物联网环境中的性能.
- 超启发式优化,特别是RSA,在复杂的网络安全数据中对特征选择非常有效.
- 这项研究提供了一种强大的方法来增强入侵检测系统的检测能力.
