增强异常网络入侵检测,使用改进的降雪除优化器,具有维度减小和混合深度学习模型
Fatimah Alhayan1, Asma Alshuhail2, Ahmed Omer Ahmed Ismail3
1Department of Information Systems, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Kingdom of Saudi Arabia.
Scientific reports
|April 17, 2025
概括
本研究介绍了使用优化算法与缩小维度和混合模型 (EAID-OADRHM) 技术的增强异常入侵检测. 在检测网络入侵时,EAID-OADRHM的准确性达到99.46%,明显超过现有方法.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 由于计算机网络利用率的增加,网络安全至关重要.
- 网络入侵可能会导致严重的中断.
- 异常检测对于识别网络基础设施中的未知威胁至关重要.
研究的目的:
- 建议使用优化算法与尺寸缩小和混合模型 (EAID-OADRHM) 技术进行增强异常入侵检测.
- 开发一种用于感知和减轻网络安全攻击的新方法.
- 提高基于异常的入侵检测系统的准确性和效率.
主要方法:
- 使用min-max缩放规范化的数据预处理.
- 使用平衡优化器 (EO) 模型减少尺寸.
- 混合分类模型结合了长短期内存和自动编码器 (LSTM-AE).
- 在LSTM-AE模型的超参数优化中,使用了改进的雪除尘优化器 (ISAO).
主要成果:
- 在异常入侵检测方面,EAID-OADRHM技术表现出卓越的性能.
- 在CIC-IDS2017数据集上实现了99.46%的高准确率.
- 在实验评估中表现优于现有方法.
结论:
- 拟议的EAID-OADRHM技术为先进的异常入侵检测提供了一个有效的解决方案.
- 混合模型和优化算法显著提高了分类性能.
- 这种方法为改善对复杂威胁的网络安全提供了强大的框架.
