一个基于勒索软件的智能网络威胁检测模型,使用基于多头注意力的循环神经网络,在物联网环境中使用优化算法
Sarah A Alzakari1, Mohammed Aljebreen2, Nazir Ahmad3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, P.O. Box 84428, Riyadh, 11671, Saudi Arabia.
Scientific reports
|March 11, 2025
概括
一个新的多头基于注意力的循环神经网络与强化大猩猩部队优化网络安全勒索软件检测 (MHARNN-EGTOCRD) 有效地检测勒索软件. 这种先进的方法实现了98.53%的准确性,超过了物联网环境中的现有模型.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 物联网 (IoT) 安全 安全 物联网
背景情况:
- 物联网 (IoT) 设备的扩散需要强有力的安全措施来应对勒索软件等不断变化的威胁.
- 传统的勒索软件检测方法往往不足以应对先进和适应性的勒索软件攻击.
- 深度学习 (DL) 和机器学习 (ML) 为提高勒索软件检测效率提供了有希望的途径.
研究的目的:
- 提出和评估一种用于在物联网环境中检测和分类勒索软件攻击的新方法.
- 为了引入多头基于注意力的循环神经网络与强化大猩猩部队优化网络安全勒索软件检测 (MHARNN-EGTOCRD) 模型.
- 为了提高勒索软件检测系统的准确性和可靠性.
主要方法:
- 使用min-max转换进行数据规范化.
- 使用虫优化 (DBO) 模型来改进数据集的特征选择.
- 实施多头注意力长期短期记忆 (MHA-LSTM) 模型用于勒索软件检测.
- 通过增强的大猩猩部队优化 (EGTO) 模型对MHA-LSTM模型进行超参数优化.
主要成果:
- MHARNN-EGTOCRD方法在勒索软件检测方面表现出卓越的性能.
- 在勒索软件检测数据集上的实验验证结果准确率为98.53%.
- 提出的技术在准确性方面显著超过现有模型.
结论:
- MHARNN-EGTOCRD模型为物联网设置中的勒索软件检测提供了一个有效和可靠的机制.
- 混合DL/ML模型与优化技术相结合,显示出推动网络安全的巨大潜力.
- 该研究强调了先进的人工智能技术在打击复杂的网络威胁方面的重要性.
