CNN-RBM Integrated Deep Learning Design for Categorizing Attack in an Intrusion Detection System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Currently, network attacks and intrusions are increasing due to expansions in computer networks. The most critical issue these days in modern cyber networks are network attacks. Intrusion prevention systems are designed to enhance security along with the firewalls and other intrusion prevention systems. Each and every network regardless of its size is exposed to network attacks. An Intrusion Detection System (IDS) is an essential security tool for categorizing malicious attacks in networks. Presently, Machine Learning (ML) and Deep Learning (DL) models are applied for developing a competent IDS and in numerous domains. Automated detection of malicious attacks in a timely manner is the purpose of IDS. Advanced cyber security solutions are required for continuous detection of malicious threats. Hence, investigators are generating an effective IDS for this research problem due to complex malicious attacks. In this article, an integrated DL model comprising of Convolutional Neural Network (CNN) with Restricted Boltzmann Machine (RBM) are applied to generate a fusion IDS to predict and classify malicious attacks. In the proposed Integrated Convolutional Restricted Boltzmann Machine Intrusion Detection System (ICRBM_IDS), the CNN executes convolution to hold local features and RBM captures the temporal features to enhance the performance of Intrusion Detection and Prediction. The ability of the ICRBM_IDS model is assessed based on the ID data present widely. The experiments were conducted on CSE-CIC-DS2018 dataset which is the result of collaborative project between Communications security Establishment (CSE) and the Canadian Institute of Cybersecurity (CIC) that is currently used and realistic. The simulation results of the proposed ICRBM_IDS outperform the present ID methods by attaining a high accuracy rate by detecting malicious attacks.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle