Integration of metaheuristic based feature selection with ensemble representation learning models for privacy aware cyberattack detection in IoT environments
Notice bibliographique
Résumé
The Internet of Things (IoT) connects virtual and physical objects inserted with software, devices, and other technology that interchange data utilizing the Internet. It enables diverse devices and individuals to exchange data, interconnect, and personalize services to ease usage. Despite IoT's merits, rising cyberthreats and the rapid growth of smart devices increase the risk of data breaches and security attacks. The increasing complexity of cyberattacks demands advanced intrusion detection systems (IDS) to defend crucial assets and data. AI techniques such as machine learning (ML) and deep learning (DL) have shown robust potential in improving IDS performance by accurately detecting and classifying malicious network behavior in IoT environments. This manuscript proposes an Adaptive Metaheuristic-Based Feature Selection with Ensemble Learning Model for Privacy-Preserving Cyberattack Detection (AMFS-ELPPCD) technique. The data normalization stage initially applies Z-score normalization to convert input data into a beneficial format. The AMFS-ELPPCD model utilizes the adaptive Harris hawk optimization (AHHO) model for the feature process selection of the subset. Furthermore, ensemble models such as bidirectional gated recurrent unit (BiGRU), Wasserstein autoencoder (WAE), and deep belief network (DBN) are used for the classification process. Finally, social group optimization (SGO) optimally adjusts the ensemble classifiers' hyperparameter values, resulting in better classification performance. A set of simulations is performed to exhibit the promising results of the AMFS-ELPPCD under dual datasets. The experimental validation of the AMFS-ELPPCD technique portrayed a superior accuracy value of 99.44% and 98.85% under the CICIDS-2017 and NSLKDD datasets over existing models.
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 | 0,001 | 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 | 0,000 | 0,001 |
| 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 ».