返回
Machine learning and metaheuristic optimization algorithms for feature selection and botnet attack detection
DOI:10.1007/s10115-024-02322-0.png)
摘要
En 中文
僵尸网络攻击利用一组被称为bots的易受攻击系统,并由被称为botmaster的管理员执行大规模攻击。检测此类攻击的方法有多种,例如:(1)流量分析 (2)行为分析 (3)基于行为的检测 (4)入侵检测系统 (IDS) (5)蜜罐和蜜网 (6)DNS查询分析 (7)通用威胁情报 (8)人工智能算法 (9)登录分析 (10)终端保护。本文提出了一种基于机器学习和元启发式算法的新型混合IDS,该系统基于三个步骤:(1)预处理,(2)特征选择,(3)攻击检测。在预处理阶段,包括数值化、归一化和去除异常值三个步骤,使用了K-Nearest Neighbor (K-NN)。在特征选择阶段,采用了结合的SFO-WOA方法。首先,使用SailFish Optimizer (SFO)去除冗余特征,并将一组特征提供给Whale Optimization Algorithm (WOA)作为初始种群,该算法选择最佳特征。在攻击检测阶段,使用了PSO-K-means结合方法。在该方法中,使用粒子群算法 (PSO)检测攻击,然后使用K-means管理搜索空间的边界。所提出的混合方法称为SFO-WOA-PSO-K-means。其性能通过与机器学习方法如Tree Ensemble (TE)、Chi-squared Automatic Interaction Detection (CHAID)、Iterative Dichotomiser 3 (ID3)、Fuzzy Rules、Probabilistic Neural Network (PNN)的比较进行评估。该方法使用BOT-IOT数据集和UNSW-NB15进行评估。结果表明,所提出的SFO-WOA-PSO-K-means方法在最低执行时间(训练和测试)分别为65.02秒和112.33秒的情况下,实现了0.998和0.995的最高检测精度,并能够检测攻击。此外,BOT-IOT数据集获得了更优的结果。
Keyword:
Intrusion Detection System (IDS)
Botnet
Machine learning Algorithms (ML)
SailFish Optimizer Algorithm (SFO)
Whale Optimization Algorithm (WOA)
Particle swarm algorithm (PSO)
K-means
期刊
IF:
3.1
论文数:
575
被引数:
5.2K
机构
引用论文
The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problemsSailfish优化器: 一种新颖的自然启发的元启发式算法,用于解决约束工程优化问题
A Visualized Botnet Detection System Based Deep Learning for the Internet of Things Networks of Smart Cities基于深度学习的智慧城市物联网可视化僵尸网络检测系统
Network Traffic Visualization Coupled With Convolutional Neural Networks for Enhanced IoT Botnet Detection网络流量可视化与卷积神经网络相结合,用于增强物联网僵尸网络检测
IEEE ACCESS
IF3.6
Hybrid Metaheuristics With Machine Learning Based Botnet Detection in Cloud Assisted Internet of Things Environment云辅助物联网环境下基于机器学习的混合元启发式僵尸网络检测
IEEE ACCESS
IF3.6
Identification of the decline in learning outcomes in statistics courses using the chi-squared automatic interaction detection method使用卡方自动交互检测方法识别统计学课程学习成果的下降

