一种新的入侵检测系统方法,使用混合花粉和猎优化算法来检测入侵

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:

• 传统的入侵检测系统 (IDS) 在动态网络环境中难以适应性,精度和高错误阳性率.
• 当前IDS的局限性阻碍了在复杂的网络流量模式中有效的实时威胁检测.

研究的目的:

• 开发一种新的混合IDS模型,集成花花授粉算法 (FPA),猎优化算法 (COA) 和人工神经网络 (ANN).
• 为了提高检测准确度,减少假阳性,优化功能选择,异常检测和规则适应在网络安全中.
• 解决传统IDS在动态网络环境中面临的关键挑战.

主要方法:

• 提出了一个混合FPA-COA-ANN模型,将优化算法 (FPA,COA) 与人工神经网络 (ANN) 结合起来.
• 在五个基准数据集上评估了模型的性能:CICIDS-2017,TII-SSRC,Lu-flow,NSL-KDD和WSN-DS.
• 分析了关键性能指标,以评估检测恶意活动的有效性.

主要成果:

• 取得的高准确率为:0.99 (CICIDS-2017),1.00 (TII-SSRC),1.00 (Lu-flow),0.99 (NSL-KDD),以及0.93 (WSN-DS) 的数据,这些数据的准确率均为0.99 (CICIDS-2017),1.00 (TII-SSRC),1.00 (Lu-flow),0.99 (NSL-KDD),以及0.93 (WSN-DS) 的数据.
• 与现有的IDS方法相比,表现出卓越的性能,检测精度和适应性得到显著改进.
• 显示了虚假阳性率的显著降低,突出了强度和可扩展性.

结论:

• 混合FPA-COA-ANN模型有效地减轻了传统IDS的局限性,为实时威胁检测提供了强大的和高效的解决方案.
• 该模型在各种数据集中的高准确性和适应性强调了其在加强网络安全防御方面的潜力.
• 拟议的方法提供了一个可扩展的解决方案,用于在动态和复杂的环境中实时检测网络威胁.