结合猫群优化与基线 2D-CNN 模型以增强高级持续性威胁检测
密码学与安全
2024-09-02 v1 人工智能
机器学习
网络与互联网体系结构
摘要
在网络安全领域，由于高级持续性威胁 (APTs) 具有隐蔽且复杂的特性，检测它们仍然是一项艰巨的挑战。本研究论文提出了一种创新方法，利用具有 2D 基线模型的卷积神经网络 (CNNs)，并通过前沿的猫群优化 (CSO) 算法进行增强，以显著提高 APT 检测准确率。通过将 2D-CNN 基线模型与 CSO 无缝集成，我们释放了在 APT 检测中实现前所未有的准确率和效率的潜力。结果揭示了 的出色准确率，标志着在各个攻击阶段的 APT 检测取得了显著提升，为对抗这些持续且复杂的威胁指明了前进道路。
引用
@article{arxiv.2408.17307,
title = {Hybridizing Base-Line 2D-CNN Model with Cat Swarm Optimization for Enhanced Advanced Persistent Threat Detection},
author = {Ali M. Bakhiet and Salah A. Aly},
journal= {arXiv preprint arXiv:2408.17307},
year = {2024}
}
备注
6 pages, 5 figures