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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».