Federated Multiobjective Convolution Neural Network Architecture for Enabling Efficient Iterative Intrusion Detection Mechanism to the Cloud Services
Notice bibliographique
Résumé
Cloud environment and its paradigms are exploring in large extent and revolutionizing the various industries and common peoples with multiple dynamic features and identical functionalities to gain significant prominence. Regardless of its numerous benefits, cloud providers suffers from the security challenges due to digital extortions. Particularly many solutions has been employed using machine learning approaches to detect intrusion and cryptographic techniques for privacy preserving of the cloud user but still many challenges exist due to abnormal activities of the attackers by injecting the large attack vector. In order to mitigate those challenges, a new federated deep learning architecture entitled as federated multi-objective convolution neural network architecture is proposed in this article. It is highly capable of handling large attack variant and its vectors along managing the data privacy challenges of the user information. In this work, Cloud Intrusion Detection Dataset which contain the knowledge and behaviour based audit data collected from the cloud user in real time and CIC-IDS2018 dataset is extracted from the Canadian Institute of Cybersecurity which incorporate data traffic to the cloud services. Initially these dataset were preprocessed through Z-score normalization method for data outlier reduction and data normalization. Preprocessed data is employed to particle swarm optimization which is considered as feature selection method to determine the optimal features for anomaly detection. Selected Optimal feature is employed to multi-objective convolution neural network to detect and classify the multiple attack propagating to the cloud server. Convolution Neural Network generate the feature map for various attacks characteristics which is computed as features in convolution and max pooling layer. Further those feature map is classified in fully connected network using softmax function. Experimental analysis of the proposed architecture is carried out on mentioned dataset to identify the significance of the proposed approach in resource utilization and processing time and performance analysis of the proposed model outperform other state of art architecture on the cross fold validation. Finally current architecture achieves 98.9 percent accuracy on basis of the cloud security.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 ».