Enhanced Network Security Through Optimized Feature Subset Selection Using GTO Algorithm

Abderrezak Benyahia

doi:10.24138/jcomss-2025-0146

Enhanced Network Security Through Optimized Feature Subset Selection Using GTO Algorithm

2025-12-01

0

PRE

AI

A

Abderrezak Benyahia *

DOI：10.24138/jcomss-2025-0146

原文链接

原文求助

摘要

En 中文

每天都会发生攻击以窃取敏感数据或使服务器无法访问。目前，光突发交换（OBS）网络是全球应用最广泛的网络之一。由于网络架构存在漏洞，黑客经常采用突发报头分组泛洪（BHPF）技术。识别BHPF攻击可防止服务器应用程序中断或停止。我们的解决方案包括三个主要步骤：学习、检测和模型扩散。我们使用了极限学习机（ELM），这是一种高精度且快速的分类器。我们提出了一种新的特征选择算法，该算法结合了费希尔分数（Fisher score）来计算变量相关性，并采用猩猩部队优化器（GTO）来避免穷举搜索。攻击类型通过MQTT协议共享，以增强网络安全。实验结果表明，与蚁树（Ant-Tree）、朴素贝叶斯（Naive Bayes）、最近邻（Nearest Neighbor）、人工神经网络（ANN）、线性核支持向量机（SVM-LN）和径向基函数支持向量机（SVM-RBF）相比，我们的方法在保持竞争性准确率的同时实现了最佳精度。

Keyword:

machine learning

feature selection

gorilla troops optimizer

predictive models

optical burst switching

Enhanced Network Security Through Optimized Feature Subset Selection Using GTO Algorithm

摘要

期刊

机构

引用论文