在模拟和物理网络环境中使用粒子群优化和神经网络进行优化入侵检测

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 网络安全 网络安全

背景情况:

• 侵入检测系统 (IDS) 对网络安全至关重要.
• 优化机器学习工作流可以提高IDS的性能.
• 创建多样化的数据集对于强大的IDS评估至关重要.

研究的目的:

• 为构建和评估优化入侵检测系统提供可重复的框架.
• 研究特征选择对用于入侵检测的机器学习模型性能的影响.
• 为了比较不同的机器学习模型用于网络入侵分析.

主要方法:

• 从虚拟和物理网络环境中收集网络流量.
• 使用Wireshark进行数据包跟踪记录,并与参考数据集合并.
• 应用粒子群集优化 (PSO) 以减少特征维度.
• 训练和评估多种分类模型 (基于树的,基于距离的,神经网络).

主要成果:

• 公共服务局选择的功能导致了高效和精细的功能集.
• 在PSO选择的特征上训练的神经网络模型表现出卓越的性能.
• 优化的神经模型表现出稳定的检测行为,具有较低的虚假警报率.

结论:

• 拟议的框架为入侵检测系统的开发提供了一种可靠的方法.
• 优化驱动的特征选择显著提高了分类器的可靠性.
• 用PSO增强的神经方法被验证为入侵分析的强大解决方案.