结合优化池化与超参数调优的增强卷积神经网络用于网络入侵检测
密码学与安全
2024-09-30 v1 人工智能
计算机视觉与模式识别
摘要
网络入侵检测系统（NIDS）对于保护计算机网络免受恶意活动（包括拒绝服务攻击、探测攻击、用户到根攻击和远程到本地攻击）侵害至关重要。如果没有有效的 NIDS，网络将面临严重的安全漏洞和数据丢失风险。机器学习技术通过自动化威胁检测和提高准确性，为增强 NIDS 提供了一种有前景的方法。在本研究中，我们提出了一种用于 NIDS 的增强卷积神经网络，并使用 KDDCUP'99 数据集评估了其性能。我们的方法包括全面的数据预处理、探索性数据分析（EDA）和特征工程。我们将 EnCNN 与多种机器学习算法进行了比较，包括逻辑回归、决策树、支持向量机（SVM）以及集成方法（如随机森林、AdaBoost 和 Voting Ensemble）。结果表明，EnCNN 显著提高了检测准确率，比现有方法提高了 10%。这证明了 EnCNN 在实时网络入侵检测中的有效性，为识别和缓解安全威胁提供了稳健的解决方案，并增强了整体网络弹性。
引用
@article{arxiv.2409.18642,
title = {Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection},
author = {Ayush Kumar Sharma and Sourav Patel and Supriya Bharat Wakchaure and Abirami S},
journal= {arXiv preprint arXiv:2409.18642},
year = {2024}
}
备注
7 Pages , 2 figures , 4 Tables , Conference paper