启发式增强的基于多头注意力的循环神经网络,用于拒绝在无服务器计算环境中检测钱包攻击

科学领域:

• 网络安全 网络安全
• 云计算安全 云计算安全
• 人工智能在安全方面的应用

背景情况:

• 拒绝钱包 (DoW) 攻击的目标是云计算 (CC) 和无服务器平台,利用支付即用和自动扩展等金融模式.
• 无服务器计算,或功能即服务 (FaaS),由于其动态资源配置和成本结构,对DoW攻击具有独特的脆弱性.
• 准确及时检测内部DoW威胁对于防止财务耗尽和保持云环境中的运营完整性至关重要.

研究的目的:

• 开发一种有效的技术来检测无服务器计算环境中的拒绝钱包攻击.
• 为应对有效,准确地识别DoW内部威胁的挑战.
• 提高云和无服务器平台的安全性和成本管理.

主要方法:

• 开发了一种基于多头注意力的循环神经网络,用于拒绝钱包攻击检测 (MHARNN-DoWAD) 技术.
• 数据预处理涉及最小至最大的规范化,然后使用狼群捕食 (WPP) 方法进行特征选择.
• 核心检测和分类使用基于多头注意力的双向封闭反复单元 (MHA-BiGRU) 模型进行,该模型由改进的秘书鸟类优化算法 (ISBOA) 优化.

主要成果:

• MHARNN-DoWAD技术在模拟的无服务器环境中成功检测了DoW攻击.
• 该方法在实验验证中获得了98.30%的卓越精度,超过了现有的模型.
• MHA-BiGRU和ISBOA的组合有效地优化了检测性能.

结论:

• 在无服务器计算中,MHARNN-DoWAD技术为检测拒绝钱包攻击提供了一个有希望的解决方案.
• 开发的方法显著提高了检测准确性,为云金融模型提供了增强的安全性.
• 这项研究有助于持续努力保护无服务器架构免受复杂的金融剥削威胁.