Boosting Cybersecurity: A Zero-Day Attack Detection Approach Using Equilibrium Optimiser with Deep Learning Model

doi:10.32604/cmes.2025.070545

Boosting Cybersecurity: A Zero-Day Attack Detection Approach Using Equilibrium Optimiser with Deep Learning Model

2025-11-01

0

PRE

AI

Abdulrahman Alzahrani *

M

Mohammed Mujib Alshahrani

A

Asma A. Alhashmi

DOI：10.32604/cmes.2025.070545

原文链接

原文求助

摘要

En 中文

零日攻击利用未知的漏洞，这些漏洞无法被网络安全检测工具识别。本研究表明，零日攻击对计算机安全具有显著影响。传统的基于签名的检测算法在识别零日攻击方面效率不高，因为零日攻击的签名通常无法预先获取。基于机器学习（ML）的检测算法擅长捕捉攻击的统计特征，因此在零日攻击检测方面具有前景。机器学习（ML）和深度学习（DL）被用于设计入侵检测系统。新型网络攻击数量的绝对增长给依赖攻击先前签名数据集的IDS解决方案带来了重大挑战。本文提出了一种采用平衡优化器与深度学习（ZDAD-EODL）方法的零日攻击检测技术，以确保网络安全。ZDAD-EODL技术采用元启发式特征子集选择，利用最优的DL分类技术对零日攻击进行分类。首先，使用min-max缩放器对输入数据进行归一化处理。在特征选择（FS）阶段，ZDAD-EODL方法利用平衡优化器（EO）模型选择特征子集。此外，ZDAD-EODL技术采用双向门控循环单元（BiGRU）技术对零日攻击进行分类和识别。最后，通过实施基于减法平均优化器（SABO）的调优过程，进一步提升了BiGRU技术的检测性能。ZDAD-EODL方法在基准数据集上的性能进行了评估。ZDAD-EODL方法的对比研究显示出比现有技术更高的98.47%的准确率。

Keyword:

Zero-day attack

cybersecurity

deep learning

intrusion detection systems equilibrium optimiser

Boosting Cybersecurity: A Zero-Day Attack Detection Approach Using Equilibrium Optimiser with Deep Learning Model

摘要

期刊

机构

引用论文