Embedded Signal Artificial Neural Network Based Intelligent Non-Dependent Feature Selection for Cyber Attack Classification in Signal-Based Networks
Notice bibliographique
Résumé
Signal-based cyber attacks pose a significant threat to the integrity, confidentiality, and availability of information systems.Intrusion Detection Systems (IDS) monitor network and system activities for malicious activity or policy breaches, which are then reported to a management station.Due to the high volume of network traffic in cyber networks, real-time threat detection is often computationally infeasible.In this study, we explore the use of an Artificial Neural Network (ANN) for cyber network threat identification, specifically focusing on its application in nonlinear characteristics and network security domains.Data reduction is crucial for achieving real-time detection in a Signal-based Cyber Attack Detection Model (SCADM).However, traditional CADMs analyze all data features to detect patterns of intrusion or misuse, leading to redundancy in detection features.The primary objective of this research is to identify computationally efficient and effective input features for SCADM.We propose an embedded Signal with ANN-based Intelligent Non-Dependent Feature Selection Model (ANN-INDFSM) that effectively extracts signal-based cyber attack features and performs feature reduction for accurate detection of signal-based cyber attacks while maintaining security.The ANN-based feature selection method was employed for eliminating non-salient features and determining dimensionality levels.Given the diverse characteristics and pattern types of emerging cyber attacks, tracking them has become increasingly challenging.Various methods have been used for feature extraction and selection, with the ultimate goal of detecting anomalies in large cyber security datasets.Although this process is both time-consuming and computationally demanding, the efficiency of machine learning algorithms can be improved by removing unnecessary and redundant features.Feature selection (FS) serves as one such method.By utilizing datasets containing only a sufficient subset of features instead of the full dataset, the computational time required for attack detection algorithms can be reduced.When compared to existing models, the proposed ANN-INDFSM demonstrates optimized performance levels, providing a streamlined and effective solution for the detection of cyber attacks in signalbased networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».