.png){kind=icon}
返回
Optimal intrusion detection for imbalanced data using Bagging method with deep neural network optimized by flower pollination algorithm
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2745.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着连接设备数量和物联网（IoT）设备的增多，开发高效的安全机制以管理物联网网络中的风险和漏洞变得越来越重要。入侵检测系统（IDSs）已被开发并在物联网网络中实施，用于区分常规网络流量和潜在恶意攻击。本文提出了一种基于元启发式和深度学习技术混合方法的新型IDS，即花传粉算法（FPA）和深度神经网络（DNN），并结合集成学习范式。为处理入侵数据集中不平衡的类别分布问题，采用了一种大致平衡（RB）的Bagging策略，其中通过FPA在代价敏感适应度函数上训练的DNN模型被用作基学习器。RB Bagging策略从原始数据集中派生出多个RB训练子集，并将适当的类别权重纳入适应度函数以获得无偏见的DNN模型。通过NSL-KDD、UNSW NB-15、CIC-IDS-2017和BoT-IoT四个常用公开数据集，从准确率、精确率、召回率和F1分数等不同指标评估了我们的IDS性能。结果表明，在准确检测网络入侵的同时有效处理类别不平衡问题上，我们的IDS优于现有系统。
Keyword:
Internet of Things (IoT)
Intrusion detection system (IDS)
Flower pollination algorithm (FPA)
Deep neural network (DNN)
Imbalance class distribution
Bagging classifier
Class weights
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
暂无机构信息
引用论文
Nearest neighbors and density-based undersampling for imbalanced data classification with class overlap.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Effectiveness of Focal Loss for Minority Classification in Network Intrusion Detection SystemsSymmetry
OAAI
SymmetryIF0
OAAI分享收藏Role of swarm and evolutionary algorithms for intrusion detection system: A survey群算法和进化算法在入侵检测系统中的作用: 综述
PREAI
分享收藏
查看更多内容