利用增强粒子群优化技术扩展网络入侵检测
密码学与安全
2024-08-16 v1
摘要
本研究探讨如何通过结合机器学习（ML）和深度学习（DL）技术来改进网络入侵检测系统（NIDS），以应对日益增长的网络安全威胁威胁。一个完整的数据准备流程，包括数据清洗、归一化以及训练集和测试集的划分，为模型训练和评估奠定了基础。该研究使用 CSE-CIC-IDS 2018 和 LITNET-2020 数据集，比较了机器学习方法（决策树、随机森林、XGBoost）和深度学习模型（CNN、RNN、DNN、MLP）在准确率、精确率、召回率和 F1 分数等关键性能指标上的表现。决策树模型在经过增强粒子群优化（EPSO）微调后，在所有指标上表现更优，展示了其有效检测网络入侵的能力。研究结果突显了 EPSO 在提升机器学习分类器用于网络安全方面的重要性，提出了一种具有高精度和可靠性的 NIDS 强大框架。这项全面的分析不仅为网络安全领域提供了通往稳健入侵检测解决方案的路径，还提出了改进机器学习模型以应对不断变化的网络威胁格局的未来方法。
引用
@article{arxiv.2408.07729,
title = {Extending Network Intrusion Detection with Enhanced Particle Swarm Optimization Techniques},
author = {Surasit Songma and Watcharakorn Netharn and Siriluck Lorpunmanee},
journal= {arXiv preprint arXiv:2408.07729},
year = {2024}
}