在移动网络应用程序中检测网络威胁的ACO调整的随机决策树
1Department of Computer Science and Information, Applied College, Taibah University, Madinah, Saudi Arabia. aahjohani@taibahu.edu.sa.
Scientific reports
|December 19, 2025
概括
一个新的混合网络安全框架将殖民地优化 (ACO) 与随机决策树分类器 (RDTC) 结合起来,提高了移动网络安全. 这种方法有效地以高精度检测网络威胁,提高了系统的稳定性.
科学领域:
- 网络安全和网络安全网络安全.
- 机器学习应用 机器学习应用
- 移动计算安全 移动计算安全
背景情况:
- 移动网络应用程序对于基本服务至关重要,但面临着越来越多的网络攻击漏洞.
- 传统的安全措施与移动环境的动态性和资源限制性质作斗争.
- 在移动系统中有效识别入侵,需要先进的,适应性的解决方案.
研究的目的:
- 提出一种新的混合网络安全框架,ACO-RDTC,用于增强移动网络应用程序中的漏洞和入侵检测.
- 引入适应性特征子集改进机制,以适应移动环境.
- 提高动态移动设置中威胁检测的效率和准确性.
主要方法:
- 一种混合方法,将殖民地优化 (ACO) 结合为全球优化和随机决策树分类器 (RDTC) 进行分类.
- 使用单值分解 (SVD) 进行数据预处理,以减少维度,并使用SelectKBest进行特征选择.
- 对于RDTC,ACO动态优化超参数,并完善功能子集,从而提高其性能.
主要成果:
- 在CSE-CIC-IDS 2018数据集上,ACO-RDTC模型取得了高性能:准确率为99.08%,精度为98.50%,回忆率为99.08%,F1-score为98.74%.
- 该模型显示,与现有方法相比,虚假阳性结果显著减少.
- 在UNSW-NB15的交叉数据集测试证实了该模型的概括性,准确率为97.82%.
结论:
- 拟议的ACO-RDTC框架为保护现代移动网络环境提供了强大而可扩展的解决方案.
- 适应性功能的改进和优化显著提高了入侵检测能力.
- 该研究强调了混合机器学习模型在应对复杂的网络安全挑战方面的有效性.
