在安全的分布式系统中集成混合头乌搜索算法和深度学习,以增强恶意节点检测
1Department of Computer Science, University of Tabuk, University of College Duba, Tabuk, 71491, Kingdom of Saudi Arabia. falmatarne@ut.edu.sa.
Scientific reports
|April 12, 2025
概括
这项研究介绍了一种混合的 Bald Eagle-Crow 搜索算法和深度学习用于增强恶意节点检测 (HBECSA-DLMND) 技术. 在分布式系统中检测恶意节点时,HBECSA-DLMND方法达到98.99%的准确性,提高了安全性和可靠性.
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:
- 分布式系统由于独立的单元和潜在的单点故障而面临安全挑战.
- 恶意节点检测对于确保分布式方法的安全性和可靠性至关重要.
- 现有的方法通常结合了异常检测,机器学习,密码学和入侵检测系统.
研究的目的:
- 在安全的分布式系统中设计和评估一种用于增强恶意节点检测的新技术.
- 提高在分布式环境中识别恶意节点的稳定性和准确性.
- 引入一种混合方法,将元启发式优化与深度学习相结合,以实现卓越的检测能力.
主要方法:
- 开发了混合光头-搜索算法和深度学习用于增强恶意节点检测 (HBECSA-DLMND) 技术.
- 进行了数据规范化 (线性缩放规范化 - LSN) 和类失衡处理 (ADASYN).
- 使用混合 Bald Eagle-Crow 搜索算法 (HBECSA) 和卷积 Sparse 自动编码器 (CSAE) 进行检测,并使用 Dung Beetle 优化 (DBO) 进行参数调整.
主要成果:
- 在WSN-DS基准数据集上,HBECSA-DLMND技术显示了98.99%的高检测精度.
- 混合方法有效地选择了最佳特征,并准确识别了恶意节点.
- 与现有的恶意节点检测方法相比,性能验证显示出更好的结果.
结论:
- HBECSA-DLMND技术在保护分布式系统免受恶意节点攻击方面取得了重大进展.
- 超启发算法和深度学习的整合为强大的入侵检测提供了一个强大的框架.
- 该研究强调了拟议方法在提高分布式环境的整体安全性和可靠性的有效性.
