反射式分布式拒绝服务检测:一种使用二进制粒子群集优化的新型模型 - 模拟特征选择的和灰狼优化 - 优化光GBM算法

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:

• 互联网的普及加剧了网络安全的担忧,需要强大的入侵检测系统 (IDS).
• 传统的IDS与大规模的高维数据扎,导致低效率和延长检测时间.
• 有效的特征选择 (FS) 对于通过减少复杂性和提高准确性来提高IDS性能至关重要.

研究的目的:

• 提出一种新的特征选择 (FS) 方法,BPSO-SA,用于优化入侵检测系统 (IDS).
• 开发一个先进的分布式拒绝服务 (DDoS) 攻击检测模型,使用优化的机器学习算法.
• 为了提高准确性,精度,回忆,F1分数,并减少网络安全中的预测时间.

主要方法:

• 一种新的特征选择 (FS) 方法,BPSO-SA,结合了二进制粒子群优化 (BPSO) 和模拟化 (SA).
• 集成灰狼优化 (GWO) 算法以优化LightGBM模型的超参数.
• 开发一个反射DDoS攻击检测模型,利用BPSO-SA和GWO优化的LightGBM.

主要成果:

• BPSO-SA算法有效地识别最佳特征子集,增强全球搜索能力.
• GWO算法优化了LightGBM,显著提高了检测性能.
• 实验结果表明,在关键指标上,拟议模型的性能优于传统方法.

结论:

• 拟议的BPSO-SA功能选择方法与GWO优化的LightGBM相结合,为网络入侵检测提供了一个高度有效的解决方案.
• 开发的反射DDoS攻击检测模型表现出强大的弹性和泛化能力.
• 这种方法解决了传统IDS在处理大规模,高维的网络流量数据方面的局限性.