一种基于混合哈里斯鹰优化与多层感知机的有效网络入侵检测方法
神经与进化计算
2024-02-23 v1 人工智能
摘要
本文提出了一种入侵检测系统（IDS），该系统利用哈里斯鹰优化算法（HHO）通过优化偏置和权重参数来优化多层感知机（MLP）的学习过程。HHO-MLP 旨在其学习过程中选择最优参数，以最小化网络中的入侵检测错误。HHO-MLP 使用 EvoloPy NN 框架实现，这是一个专门用于利用进化算法训练 MLP 的开源 Python 工具。为了将 HHO 模型与当前可用的其他进化方法进行比较，我们使用 KDD 数据集计算了特异性和敏感性指标、准确率指标以及均方误差（MSE）和均方根误差（RMSE）指标。实验表明，HHO-MLP 方法在识别恶意模式方面是有效的。HHO-MLP 已与蝴蝶优化算法（BOA）、蝗虫优化算法（GOA）和黑寡妇优化算法（BOW）等进化算法进行了测试对比，并通过随机森林（RF）和 XG-Boost 进行了验证。HHO-MLP 表现出优越的性能，取得了 93.17% 的准确率、89.25% 的敏感性水平和 95.41% 的特异性百分比的最高得分。
引用
@article{arxiv.2402.14037,
title = {An Effective Networks Intrusion Detection Approach Based on Hybrid Harris Hawks and Multi-Layer Perceptron},
author = {Moutaz Alazab and Ruba Abu Khurma and Pedro A. Castillo and Bilal Abu-Salih and Alejandro Martin and David Camacho},
journal= {arXiv preprint arXiv:2402.14037},
year = {2024}
}