混合进化机器学习模型用于先进的入侵检测架构,用于识别网络威胁
Ankita Sharma1, Shalli Rani1, Maha Driss2,3
1Chitkara University Institute of Engineering and Technology, Chitkara University, Chandigarh, Punjab, India.
PloS one
|September 12, 2024
概括
本研究介绍了用于先进入侵检测系统 (IDS) 的进化机器学习算法. 这种新的方法提高了针对不断变化的网络威胁的强大网络安全的适应性和可扩展性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 网络威胁的日益复杂和演变需要先进的网络安全解决方案.
- 传统的入侵检测系统 (IDS) 难以适应新型攻击和跨多种网络环境的可扩展性.
研究的目的:
- 提出和验证一个进化机器学习算法,用于强大的入侵检测.
- 解决应对新威胁的适应能力和网络安全的可扩展性的挑战.
- 开发一种能够处理新出现的网络威胁的先发性自适应IDS.
主要方法:
- 采用混合方法,将基于遗传算法 (GA) 的特征选择与决策树支持矢量机 (DT-SVM) 分类相结合.
- 用GA进行进化特征选择,以识别和优化相关网络数据特征.
- 在BoT-IoT和UNSW-NB15数据集上验证了算法,包括IoT特定和一般网络入侵场景.
主要成果:
- 与传统方法相比,拟议的IDS表现出优越的性能.
- 在识别已知和新型威胁方面实现了高准确性,回忆和低虚假阳性率.
- 基于GA的特征选择有效地优化了分类模型对关键网络数据组件的关注.
结论:
- 进化机器学习算法为强大的入侵检测提供了一个可扩展和适应的解决方案.
- 基于DT-SVM和GA的混合特征选择方法有效地平衡了效率和准确性.
- 开发的IDS能够实时处理数据流,以便快速准确地检测入侵.
相关概念视频
01:18Steps in Outbreak Investigation
114
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
114
02:39Predator-Prey Interactions
16.2K
Predators consume prey for energy. Predators that acquire prey and prey that avoid predation both increase their chances of survival and reproduction (i.e., fitness). Routine predator-prey interactions elicit mutual adaptations that improve predator offenses, such as claws, teeth, and speed, as well as prey defenses, including crypsis, aposematism, and mimicry. Thus, predator-prey interactions resemble an evolutionary arms race.
16.2K