金融安全网络:使用优化的深度学习和多核PCA (MKPCA) 与Nyström近似来保护数字交易.
Ahmad Raza Khan1, Shaik Shakeel Ahamad1, Shailendra Mishra1
1Department of Information Technology, College of Computer and Information Sciences, Majmaah University, 11952, Majmaah, Saudi Arabia.
Scientific reports
|November 5, 2024
概括
一个新的深度学习 (DL) 模型,FinSafeNet,增强了数字银行交易的网络安全. 它使用先进的AI技术以97.8%的准确度检测威胁,有效地保护财务数据.
科学领域:
- 网络安全和人工智能 人工智能
- 金融技术 (金融科技) 安全 安全
- 机器学习用于异常检测.
背景情况:
- 越来越多的数字交易增加了银行业的网络安全风险.
- 现有的安全模型在实时威胁检测方面面临挑战.
- 需要强大的解决方案来保护在线道中的财务数据.
研究的目的:
- 介绍FinSafeNet,这是一种用于保护数字银行交易的新型深度学习模型.
- 解决实时交易安全的技术挑战.
- 提高金融数据中威胁检测的准确性和效率.
主要方法:
- 使用混合深度学习架构:双向长期短期记忆 (Bi-LSTM),卷积神经网络 (CNN) 和双重注意力机制.
- 采用层次粒子群优化 (HPSO) 和改进的雪狮优化算法 (I-SLOA) 进行特征选择.
- 应用多核主要组件分析 (MKPCA) 使用尼斯特罗姆近似来进行维度缩小和特征分析.
- 整合了先进的关联措施和联合互助信息最大化,以加强威胁识别.
主要成果:
- 在检测Paysim数据库上的安全威胁方面,FinSafeNet取得了97.8%的高准确率.
- 该模型证明了对大型数据集的有效特征选择和维度减少.
- 先进的关联技术改善了相关威胁指标的识别.
结论:
- 金融安全网在保护数字银行交易免受网络威胁方面取得了重大进展.
- 混合DL模型提供高效和准确的实时威胁检测.
- 提出的方法提高了金融科技领域的网络安全的稳定性和性能.
