适应型多目标进化型生成型对抗性网络用于Metaverse网络入侵检测
1State Key Laboratory of Reliability and Intelligence of Electrical Equipment, Hebei University of Technology, Tianjin 300401, China.
Research (Washington, D.C.)
|April 16, 2025
概括
适应式多目标进化生成对抗网络 (AME-GAN) 增强了Metaverse和物联网 (IoT) 设备的网络安全. 这种新的方法提高了入侵检测准确度和实时性能,以应对不断变化的网络威胁.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络入侵检测 网络入侵检测
背景情况:
- 超级宇宙和物联网 (IoT) 的融合创造了重要的网络安全漏洞,包括数据泄露和设备改.
- 现有的入侵检测系统难以在动态的Metaverse环境中应对新出现的网络威胁.
- 用于入侵检测的神经网络的手动设计是耗时的,并且通常会导致低于最佳性能.
研究的目的:
- 提出一种新的,可扩展的解决方案,即自适应的多目标进化生成对抗网络 (AME-GAN),用于优化Metaverse中的网络入侵检测.
- 为了解决Metaverse设备的网络安全方面的关键差距,传统方法经常忽视这些差距.
- 为了提高不同硬件约束的入侵检测系统的准确性,实时性能和模型多样性.
主要方法:
- 开发一个以注意力为基础的反比例混合长短期记忆GAN,以生成少数类样本并解决数据不平衡.
- 实现适应性进化神经架构搜索算法,以指导GAN超网突变并提高训练稳定性.
- 整合双重突变多目标进化神经架构搜索算法以优化准确性,实时性能和模型多样性.
主要成果:
- 与最先进的方法相比,AME-GAN在NSL-KDD,UNSW-NB15和CIC-IDS2017数据集上表现出卓越的表现.
- 在精度方面取得了0.32%,在F1得分方面取得了0.31%,在精度方面取得了0.47%,在回忆方面取得了0.37%.
- 拟议的框架为Metaverse网络安全提供了增强的检测性能和实时适用性.
结论:
- AME-GAN提供了一个有前途的,适应性框架,用于加强Metaverse中的网络安全.
- 这项研究有助于为下一代数字环境推进网络入侵检测.
- 开发的方法有效地解决了数据不平衡,并优化了对Metaverse应用程序至关重要的各种性能指标.
