一个带有机器学习的混合元启发算法,用于检测无线传感器网络中的拒绝服务攻击
Ashwani Prasad1, Karmel Arockiasamy1, Kanimozhi Gunasekaran2
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, Tamil Nadu, India.
Frontiers in artificial intelligence
|February 23, 2026
概括
本研究介绍了一种混合的草优化算法-遗传算法 (GOA-GA),用于检测无线传感器网络 (WSN) 中的拒绝服务 (DoS) 攻击. 该GOA-GA方法在识别DoS攻击方面实现了95.51%的准确性,提高了网络安全.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 无线传感器网络 (WSN) 容易受到拒绝服务 (DoS) 攻击,因为它们在无人监督环境中固有的安全限制.
- 有效的入侵检测系统对于保护WSN免受各种DoS攻击载体的保护至关重要.
- 现有的防御机制经常与WSN的动态和资源受限性质作斗争.
研究的目的:
- 开发和评估一种新的混合优化技术,用于检测WSN中的DoS攻击.
- 提高WSN环境中的入侵检测系统的准确性和效率.
- 为了应对优化DoS攻击分类的特征选择挑战.
主要方法:
- 一种混合的草优化算法-遗传算法 (GOA-GA) 已被提议用于从WSN数据集中进行最佳特征选择.
- 机器学习分类器,包括K-Nearest Neighbors (KNN),用于交通分类 (正常与DoS攻击).
- 对GOA-GA技术的标准性能指标进行了验证,并将其有效性与现有方法进行了比较.
主要成果:
- 在与KNN分类器相结合时,GOA-GA混合方法实现了95.51%的高精度.
- 该模型的回忆率为95.51%,表明在识别DoS攻击实例方面表现强.
- 与其他方法相比,拟议的方法有效地减少了特征维度和计算开销.
结论:
- GOA-GA混合优化策略为WSN中DoS攻击检测提供了强大的和高效的解决方案.
- 这项研究通过提供一种改进的WSN入侵检测方法,有助于推进信息安全.
- 这些发现突显了元启发算法在优化特征选择以提高网络安全方面的潜力.