Detection of Advanced Persistent Threat Attacks With Optimized Deep Learning Framework

Indra Kumari

doi:10.1109/ACCESS.2025.3633626

Detection of Advanced Persistent Threat Attacks With Optimized Deep Learning Framework

2025-01-01

0

OA

AI

DOI：10.1109/ACCESS.2025.3633626

原文链接

查看原文

摘要

En 中文

高级持续性威胁（Advanced Persistent Threat）被认为是危害性最大的安全攻击之一，已成为政府、商业领域和组织面临的挑战。由于其动态特性，组织在确定攻击的确切类型方面面临困难。为解决此问题，本文提出了一种新颖的、优化的混合深度学习模型。该模型包括四个主要阶段：1）预处理；2）特征提取；3）特征选择；4）攻击检测。最初，收集原始数据并使用数据清洗算法进行预处理。在特征提取步骤中，从预处理数据中提取统计特征，包括提出的加权熵和高阶统计特征（如偏度与峰度）。从提取的特征中选择最优特征，利用新提出的Aquila定制向日葵优化算法（Aquila Customized Sunflower Optimization Algorithm, ACSOA）。在该ACSOA模型中结合了Aquila Optimizer（AO）和标准向日葵优化（SnFO）算法。最后，在新建的优化混合分类器框架中进行攻击检测和分类，该框架由优化的循环神经网络（RNN）和门控循环网络（GRU）组成。RNN的权重将使用ACSOA进行微调，以提高所提出模型的检测准确率。最终检测结果将使用改进的混合分类器架构描述网络流量中的APT攻击类型。最后，通过比较分析验证了预期模型的有效性。

Keyword:

Advanced persistent threat

weighted entropy

ACSOA

optimized hybrid classifier framework

optimized RNN

Detection of Advanced Persistent Threat Attacks With Optimized Deep Learning Framework

摘要

AI总结

期刊

机构

引用论文