相关实验视频
Updated: May 10, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
智能联合学习增强了网络攻击检测系统,用于拒绝钱包攻击,使用先进的启发式搜索和多式联络方法来进行高级启发式搜索
Elvir Akhmetshin1,2, Dilshod Hudayberganov3, Rustem Shichiyakh4
1Candidate of Economic Sciences, Department of Economics, Mamun University, Khiva, 220900, Uzbekistan.
Scientific reports
|April 24, 2025
概括
这项研究引入了一种新的模型,用于使用联邦学习和高级优化来检测拒绝钱包的网络攻击. 该模型实现了98.12%的准确性,增强了网络安全,防止财务损失.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 云计算 云计算 云计算 云计算
背景情况:
- 网络攻击,包括拒绝钱包 (DoW),在数字时代带来了重大的财务和运营风险.
- 联合学习 (FL) 为安全和可扩展的网络攻击检测提供了一个有希望的方法.
- 现有的方法很难有效地减轻针对云服务财务限制的DoW攻击.
研究的目的:
- 提出一个先进的网络攻击检测模型,用于拒绝钱包使用先进的元启发优化算法在联合学习 (CDMDoW-AMOAFL).
- 在网络环境中检测和减轻恶意活动,特别是DoW攻击.
- 提高网络攻击检测系统的准确性和效率.
主要方法:
- 使用z-score规范化进行数据规范化.
- 使用哈里斯霍克优化 (HHO) 算法进行特征选择.
- 通过使用Gated Recurrent Unit (GRU),Temporal Convolutional Network (TCN) 和Convolutional Autoencoder (CAE) 模型进行网络攻击检测.
- 使用修改后的海洋捕食者算法 (MMPA) 组合模型的超参数优化.
主要成果:
- 拟议的CDMDoW-AMOAFL模型在检测DoW攻击方面表现出卓越的性能.
- 在实验验证中达到98.12%的高准确率.
- 在识别和减轻恶意网络活动方面表现优于现有模型.
结论:
- 该CDMDoW-AMOAFL模型有效地检测和减轻拒绝钱包的网络攻击.
- 将元启发优化算法与联合学习集成,提高了检测准确性和系统可扩展性.
- 这种方法提供了一个强大的解决方案,以保护云服务免受复杂的网络威胁造成的财务损失.
