面向云安全的 AI 驱动混合入侵检测框架及新型元启发式优化
密码学与安全
2026-01-06 v1 人工智能
摘要
网络安全为云计算（Cloud Computing, CC）带来显著挑战，尤其是入侵检测系统（IDS），面临数据不平衡和分类模型性能次优的困难。本研究提出一种混合入侵检测系统（HyIDS），其采用 Energy Valley Optimizer（EVO）进行特征选择（Feature Selection, FS）。此外，它引入一种创新技术，通过集成机器学习方法与 EVO 算法来增强云计算的网络安全。能源谷优化器（EVO）将 CIC-DDoS2019 数据集的特征数从 88 降至 38，将 CSE-CIC-IDS2018 数据集的特征数从 80 降至 43，显著提升了计算效率。HyIDS 集成了四种机器学习模型：支持向量机（SVM）、随机森林（RF）、决策树（D_Tree）和 K 近邻（KNN）。对所提出的 HyIDS 进行了使用两个真实入侵数据集的评估，即 CIC-DDoS2019 和 CSE-CIC-IDS2018，两者都具有显著的类别不平衡。CIC-DDoS2019 数据集在 DDoS 攻击样本与合法流量之间存在显著不平衡，而 CSE-CIC-IDS2018 数据集主要由良性流量组成，攻击类型的代表性不足，导致难以检测少数类攻击。采用下采样技术平衡数据集，从而提高对良性和恶意流量的检测效果。进行了 24 次实验，显示出在分类准确率、精确率和召回率方面实现了显著提升。我们建议的 D_TreeEVO 模型在 CIC-DDoS2019 数据集上实现 99.13% 的准确率和 98.94% 的 F1 分数，在 CSE-CIC-IDS2018 数据集上实现 99.78% 的准确率和 99.70% 的 F1 分数。这些数据表明，EVO 在云计算中显著提升了网络安全。
引用
@article{arxiv.2601.01134,
title = {AI-Powered Hybrid Intrusion Detection Framework for Cloud Security Using Novel Metaheuristic Optimization},
author = {Maryam Mahdi Alhusseini and Alireza Rouhi and Mohammad-Reza Feizi-Derakhshi},
journal= {arXiv preprint arXiv:2601.01134},
year = {2026}
}