A Resilient Machine Learning-Driven Multi-Layered Security Model for Modern Cyberspace
Notice bibliographique
Résumé
The increasing heterogeneity of cyber threats emphasizes the inadequacy of traditional, single technique security models. Existing models often emphasize perimeter defence, anomaly detection, or access control in isolation, leaving systems vulnerable to advanced consistent threats, attacks from insiders, and data integrity compromise. This escalating advancement of cyber threats, therefore, demands resilient, adaptive, and auditable cybersecurity models that is beyond traditional single-layered defences. This study presents the Multi-Layered Cybersecurity Model (MLCM), which is a hybrid model architecture that integrates three complementary principles: artificial intelligence (AI)-driven intrusion detection systems (IDS), blockchain-based integrity management, and zero-trust access control. Using the Canadian Institute for Cybersecurity Intrusion Detection System 2017 (CICIDS2017) benchmark dataset, a hybrid CNN–BiLSTM intrusion detection model was trained and validated, achieving 98.6% detection accuracy, 98.3% F1-score, Receiver Operation Curve – Area Under the Curve (ROC-AUC) macro of 99.1% and a false positive rate of 1.75%, outperforming standalone CNN (94.8%) and LSTM (95.6%) baselines. The incorporation of blockchain into the model ensured impervious logging with average transaction latency of 0.45 seconds, while Zero-Trust Access policies reduced unauthorized edgewise movements by 84.5% during simulation. The multi-layer feedback loop demonstrated strong flexibility under malicious and incomplete data conditions, maintaining over 96% accuracy despite 9% feature loss. These results support the model’s robustness, scalability, and applicability to national cybersecurity strategies, particularly in resource-constrained environments like Nigeria. The MLCM therefore offers a pathway toward strong, flexible, AI-enhanced, and policy-based digital defence in the modern threat landscape as well as advancing resilient digital infrastructures in the era of increasing connectivity. Keywords: Multi-layered security, Resilience, Blockchain, Zero-trust access, artificial intelligence Article Citation Format Afolorunso, A.A., Adeniyi, A.E., Abiodun, A.O., Oyewande, O.V. & Garki, F.S. (2025): A Resilient Machine Learning-Driven Multi-Layered Security Model for Modern Cyberspace. Journal of Digital Innovations & Contemporary Research in Science, Engineering & Technology. Vol. 13, No. 3. Pp 27-42 www.isteams.net/digitaljournal dx.doi.org/10.22624/AIMS/DIGITAL/V13N3P3
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 | 0,021 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,008 | 0,002 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».