安全的联合学习与metaheuristic优化缩小维度和多头注意力,以缓解DDoS攻击.

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 物联网 (IoT) 的物联网 (IoT) 的物联网.

背景情况:

• 分布式拒绝服务 (DDoS) 攻击对物联网 (IoT) 环境构成重大威胁,影响电子商务,政府和银行系统.
• 联合学习 (FL) 提供了一种保护隐私的方法,用于训练分散数据的深度学习 (DL) 模型,解决网络安全方面的挑战.
• 有效的实时检测和缓解策略对于保护物联网设备免受不断变化的网络威胁至关重要.

研究的目的:

• 提出一种有效的方法来检测和减轻分布式拒绝服务 (DDoS) 攻击在现实世界的物联网 (IoT) 应用程序.
• 提高深度学习模型在识别和防御网络攻击方面的稳定性和准确性.
• 利用元启发式优化技术,在攻击防御模型中改进功能选择和参数调整.

主要方法:

• 开发了使用深度学习模型 (MDRRAD-DLM) 的强有力的攻击防御的元启发式驱动维度减少方法.
• 数据预处理涉及Z分数规范化,随后使用优化 (PO) 技术进行特征选择.
• 攻击分类是使用时间卷积网络与多头注意力和双向门循环单元 (TCN-MHA-Bi-GRU) 进行的,参数由羊群优化器 (EHO) 优化.

主要成果:

• 在检测DDoS攻击方面,MDRRAD-DLM方法表现出卓越的性能.
• 在NSLKDD和CIC-IDS2017数据集的实验验证结果分别为99.14%和99.41%的高准确率.
• 提出的方法有效地确定了重要的特征,并优化了模型参数,以实现强大的攻击防御.

结论:

• 在物联网环境中,MDRRAD-DLM方法为实时DDoS攻击的检测和缓解提供了有效的解决方案.
• 将元启发式优化与深度学习相结合,提高了网络安全防御的准确性和可靠性.
• 这项研究强调了先进的机器学习技术在保护不断扩大的物联网设备领域的潜力.