Network Packet Status-Aware and Ping-Integrated Attack Classification Along with Alert Generation Using Esw-Mlp and S3-Fuzzy
Notice bibliographique
Résumé
Recently, there has been a rapid increase in attacks along with network data, thereby posing a significant threat to network security. During attack prediction, none of the traditional systems concentrated on packet status identification. Thus, by using Entropy Softsin Wrapper based Multi-Layer Perceptron (ESW-MLP) and Standard S Shaped Fuzzy (S3-Fuzzy), this paper proposes a packet status-aware attack prediction and ping-enabled Alert Generation (AG) in a network. Initially, the Canadian Institute for Cybersecurity Android Malware 2017 (CICAndMal2017) dataset is gathered and pre-processed. Then, the features are extracted, and optimal features are selected employing the Tent Chaotic-Chicken Swarm Optimization Algorithm (TC-CSOA). Next, the selected features are subjected to ESW-MLP, where the attack types are classified. Similarly, from the traffic dataset, the features are extracted, followed by feature selection. Thus, by using ESW-MLP, the packet status is identified. Similarly, the similarity between the features is estimated. Then, the AG is done based on S3-Fuzzy. Besides, via TC-CSOA-based load balancing, the network collision is diminished. Next, Ping-based PSI and Attack Classification (AC) are carried out on the switch, followed by AG. As per the experimental findings, the proposed approach had higher supremacy with 98.63% accuracy.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».