非洲水牛优化与基于深度学习的入侵检测在网络物理系统
E Laxmi Lydia1, Sripada N S V S C Ramesh2, Veronika Denisovich3
1Department of Computer Science and Engineering, Vignan's Institute of Engineering for Women, Visakhapatnam, Andhra Pradesh, 530046, India.
Scientific reports
|March 26, 2025
概括
本研究介绍了一种非洲水牛优化算法与深度学习入侵检测 (ABOADL-IDS) 模型,用于增强网络物理系统安全性. 这种新的方法在检测网络入侵时实现了卓越的准确性.
科学领域:
- 网络物理系统安全 网络物理系统安全
- 机器学习应用 机器学习应用
背景情况:
- 由于复杂的互连,网络物理系统 (CPS) 面临越来越多的安全挑战.
- 在CPS中检测入侵是很困难的,通常是由于机器学习模型的功能选择不足而受到限制.
- 现有的入侵检测系统 (IDS) 面临着不平衡的数据集,入侵很少发生.
研究的目的:
- 为强大的CPS安全提出一个先进的非洲水牛优化算法与深度学习入侵检测 (ABOADL-IDS) 模型.
- 通过优化功能选择和深度学习模型超参数来提高入侵检测准确度.
- 解决在复杂的网络环境中识别微妙的网络物理攻击的挑战.
主要方法:
- 该 ABOADL-IDS 模型采用数据规范化,然后使用非洲水牛优化器 (ABO) 进行有效的特征选择.
- 一个堆叠的深信网络 (SDBN) 用于核心入侵检测和识别过程.
- 采用海优化 (SGO) 来微调SDBN模型的超参数,以提高性能.
主要成果:
- 在检测入侵时,ABOADL-IDS模型显示了99.28%的高精度.
- 通过使用基准数据集NSLKDD2015和CICIDS2015.5来验证性能.
- 拟议的模型在各种绩效指标上显著优于现有方法.
结论:
- ABOADL-IDS模型为网络物理系统的入侵检测提供了一个高度有效的解决方案.
- 优化功能选择和深度学习,通过元启发算法增强,对于先进的CPS安全至关重要.
- 这项研究强调了将新型优化算法与网络安全的深度学习相结合的潜力.
