Advanced NID-VGG16 with Orca Predation Optimization Based 1DCNN-BiLSTM for Network Intrusion Detection
Notice bibliographique
Résumé
Many cybersecurity dangers exist for modern computer networks, which emphasize how crucial Network Intrusion Detection (NID) is necessary. The ever-changing threat landscape has made it difficult for traditional intrusion detection systems (IDS) to remain successful, which emphasizes the growing significance of artificial intelligence (AI) solutions. To improve threat detection effectiveness, the paper used Deep Learning-powered network intrusion detection (DL-powered NID) in this study. The tests utilized two datasets: the Canadian Institute for Cybersecurity 2017 (CICIDS2017) dataset and Internet of Things network traffic (IOT23) captures to verify the efficacy of this technique. Preprocessing the dataset entails applying the Preprocessing and Minimax Scaling (PMS) method, which includes filtering, transforming, and normalizing the data. The paper offer the NID-VGGI6 framework, a 16-convolution-layer network intrusion detection visual geometry group based on Convolutional Neural Networks (CNNs), for feature extraction. In order to provide a class and scale-invariant architecture, this framework combines multilevel and multiscale features with data augmentation approaches. During NID-VGGI6 training, the focal loss function solves class imbalance, and the Flatten-T Swish (FTS) activation function reduces gradient vanishing and explosion problems. In order to improve decision-making in NID, a one-dimensional CNN-based Bidirectional Long Short-Term Memory (1DCNN-BiLSTM) model is used for classification after feature extraction. The paper utilized the Orca Prediction Optimization Algorithm (OPOA) to fine-tune classification hyperparameters for maximum accuracy. The findings show that the suggested model performs better than the existing ones and reaches an impressive 99.9% accuracy rate for both the datasets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».