在无线传感器网络中提高入侵检测,使用GSWO-CatBoost方法
Thuan Minh Nguyen1, Hanh Hong-Phuc Vo1, Myungsik Yoo2
1Department of Electronic Engineering, Soongsil University, Seoul 06978, Republic of Korea.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
一种新的遗传牺牲鱼优化 (GSWO) 方法提高了无线传感器网络 (WSN) 中的入侵检测系统 (IDS). GSWO-CatBoost实现了卓越的准确性,并且在实时威胁检测方面比深度学习快得多.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 侵入检测系统 (IDS) 对于无线传感器网络 (WSN) 的安全至关重要.
- 有效的特征选择 (FS) 对IDS性能至关重要,但往往面临局限性.
- 传统的方法可能会在过早的趋同和平衡勘探/开采方面扎.
研究的目的:
- 为WSN入侵检测引入一种新的特征选择和分类方法.
- 通过先进的优化和机器学习来提高IDS的有效性和效率.
- 克服现有方法的局限性,特别是优化算法的过早融合.
主要方法:
- 开发了遗传牺牲鱼优化 (GSWO) 算法,结合了遗传算法 (GA) 和鱼优化算法 (WOA).
- 纳入了三种人口划分策略和条件遗传选择 (CIC),以改善WOA的全球搜索并避免过早的融合.
- 使用CatBoost模型进行分类,并使用GSWO进行增强,通过量子化进行超参数微调.
主要成果:
- 在多个基准数据集 (WSN-DS,WSNBFSF,NSL-KDD,CICIDS2017) 中,GSWO-CatBoost方法表现出卓越的性能.
- 实现了高准确率:99.65% (WSN-DS),99.99% (WSNBFSF),99.76% (NSL-KDD) 和99.74% (CICIDS2017年) 的高准确率.
- 演示显著更快的推断时间,比深度学习方法快近100倍,表明实时适用性.
结论:
- 拟议的GSWO-CatBoost方法为WSNs的入侵检测提供了一个高度准确和高效的解决方案.
- 新的GSWO算法有效地平衡了勘探和开发,增强了全球搜索能力.
- 该方法在各种数据集中被证明是多功能和准确的,突出显示了它对网络安全的实际价值.
