一个基于深度学习的新框架,具有粒子群优化,用于计算机网络中的入侵检测.

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:

• 网络入侵检测对于信息安全至关重要.
• 准确识别多样化和不断发展的网络攻击仍然是一个重大挑战.
• 现有的入侵检测系统往往缺乏对抗新型威胁的强度.

研究的目的:

• 提出一种基于深度学习的新混合架构,用于增强网络入侵检测.
• 提高识别各种入侵类型的效率和准确性.
• 开发一个强大的系统,能够检测当代网络攻击.

主要方法:

• 一种混合深度学习架构,结合了三种预训练的网络模型.
• 粒子群集优化 (PSO) 用于超参数调整.
• 一个六个阶段的方法:数据收集,预处理,DNN设计,超参数优化,培训和评估.

主要成果:

• 拟议的模型在基准数据集上实现了高准确率:KDDCUP'99的93.55%,NSL-KDD的90.42%,UNSW-NB15的82.44%.
• 与其他最先进的入侵检测系统相比,其表现优越.
• 成功地高精度地分类了不同类型的网络入侵.

结论:

• 新的深度学习混合架构在网络入侵检测方面取得了重大进展.
• 拟议的方法为识别不断变化的网络威胁提供了强大而准确的解决方案.
• 这种方法有效地提高了计算机网络的整体安全状况.