.png){kind=icon}
返回
Feature selection method for network intrusion based on hybrid meta-heuristic dynamic optimization algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2025.104512.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着网络攻击日益频繁，确保网络入侵检测系统的有效性对网络安全至关重要。基于混合元启发式的特征选择方法在处理高维数据时存在初始种群质量差、收敛速度慢以及易陷入局部最优的问题。这些问题降低了网络入侵检测的效率和准确性。为解决这些挑战，提出了一种混合元启发式特征选择方法HMDOA。该方法通过优化特征选择过程来提升检测效率和准确性。在种群初始化阶段，引入增强的种群生成机制以增加特征空间分布中初始解的多样性，并提高所选特征子集的质量。在特征评估阶段，引入自适应加权参数以加速收敛并提升特征选择效率。此外，采用动态策略集成动态搜索机制，有效防止局部优化。采用三个公开网络入侵检测数据集—NSL-KDD、CIC_Mal-Mem_2022和RT_IOT2022—评估HMDOA方法的表现，并将其与六种其他元启发式算法进行比较。实验结果表明，HMDOA方法实现了更高的特征选择效率、更快的收敛速度和更高质量的解。HMDOA方法显著提升了网络流量特征选择的效果，但该算法在噪声和数据异常背景下的鲁棒性需要在未来进一步探索。
Keyword:
Network intrusion detection
Feature selection
Enhanced population generation mechanism
Adaptive weighting strategy
Dynamic search mechanism