Malicious Data Classification in Packet Data Network Through Hybrid Meta Deep Learning
Notice bibliographique
Résumé
Advancements in wireless network technology have provided a powerful tool to boost productivity and serve as a vital communication method that overcomes the limitations of wired networks. However, because of using wireless networks, security is an increasing concern in the community. At the time of our study, people rely on machine learning techniques to create a trustworthy networking system. However, it hinders the development of a reliable network as the number of publicly available malicious data is insufficient to train a model correctly. In real life, people are not very keen to share this data as they are sensitive. In order to deal with this issue, we primarily aim to develop a solution that provides a reliable intrusion detection system despite being trained with a small amount of data. This paper proposes a novel idea of hybrid meta deep learning in detecting malicious packet data. We use a combination of Siamese and Prototypical networks where the Siamese network is used for binary classification and the Prototypical network for multi-class classification. Both approaches are based on meta learning techniques, requiring a minimal amount of data for most attack classes. Utilizing these meta learning characteristics, we could train our model with just 3000 data samples and achieve more than 90% accuracy for both meta learning tactics. Our study aims to provide a secure and trustworthy network domain that enhances communication between end users.
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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».