一个高效可信的网络攻击防御机制系统,用于自主引导的联合学习框架,使用注意力诱导的深卷积神经网络
Louai A Maghrabi1, Alanoud Subahi2, Nouf Atiahallah Alghanmi2
1Department of Software Engineering, College of Engineering, University of Business and Technology, Jeddah, Saudi Arabia.
Scientific reports
|May 15, 2025
概括
联合学习 (FL) 通过在本地数据上实现协作模式培训来增强网络安全,保护隐私. 新的CDMFL-AIDCNN技术在检测网络攻击方面达到99.07%的准确性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 分散式系统 分散式系统 分散式系统
背景情况:
- 传统的集中威胁情报模型与先进的网络攻击作斗争.
- 联合学习 (FL) 提供了一种保护隐私的,去中心化的网络安全方法.
- 机器学习 (ML) 和深度学习 (DL) 的进步对于强大的网络攻击防御至关重要.
研究的目的:
- 为联邦学习框架 (CDMFL-AIDCNN) 提出一个新的网络攻击防御机制系统.
- 用FL和基于注意力的深度学习来提高分布式系统中的网络安全弹性和隐私.
- 为了提高网络攻击检测准确性和效率.
主要方法:
- 使用Z-score规范化进行数据预处理.
- 为了有效的特征选择,使用了泥甲虫优化 (DBO).
- 开发了一个注意力诱导的深度卷积神经网络 (AIDCNN) 模型,集成卷积神经网络,双向长期短期记忆,封闭的反复单元和注意力 (CBLG-A),由增长优化器 (GO) 优化.
主要成果:
- 该CDMFL-AIDCNN技术在网络攻击检测方面表现出卓越的性能.
- 在CIC-IDS-2017数据集上达到99.07%的高准确率,在UNSW-NB15数据集上达到98.64%.
- 验证了FL和深度学习融合用于增强网络安全的有效性.
结论:
- 拟议的CDMFL-AIDCNN系统在联合学习框架中显著改善了网络攻击防御机制.
- 将FL与先进的深度学习模型集成,为现代网络安全挑战提供了强大且保护隐私的解决方案.
- 这种方法为分布式环境中更具适应性和弹性网络安全实践铺平了道路.
