一个双相深度学习框架用于使用新的OptSHQCNN方法进行先进的网络鱼检测

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 网络鱼攻击是普遍存在的网络威胁,危及网络安全,导致财务损失和数据盗窃.
• 现有的反鱼策略往往不准确,并且对复杂的鱼尝试无效.
• 深度学习 (DL) 提供了一种有前途的方法,可以准确识别内部网站特征以检测网络鱼.

研究的目的:

• 提出一种新的网络鱼检测方法,OptSHQCNN,利用深度学习和优化算法.
• 提高网络鱼检测系统的准确性和有效性.
• 开发一个强大的解决方案,以实时识别和减轻网络鱼威胁.

主要方法:

• 一种两阶段的方法:预部署 (数据预处理,使用卷积块注意模块 (CBAM) 进行特征提取,通过红优化算法 (RKOA) 进行特征选择) 和后部署 (使用转换器 (OptBERT) 的优化双向编码器表示进行URL编码).
• 使用浅混合量子-经典卷积神经网络 (SHQCNN) 模型进行分类.
• 使用Shuffled Shepherd优化算法 (SSOA) 的SHQCNN模型的超参数调整.

主要成果:

• 拟议的OptSHQCNN方法实现了卓越的性能,准确度,精度,回忆率和F1得分超过99%.
• 该技术与现有的流行的网络鱼检测方法相比,表现出更高的性能.
• 这些发现支持为各种应用程序和设备开发安全插件.

结论:

• 该OptSHQCNN方法为网络鱼检测提供了一个高度准确和有效的解决方案.
• 该研究强调了集成先进DL模型和优化算法的网络安全潜力.
• 开发的方法可以大大提高用户对不断变化的网络鱼威胁的安全性.