IEDL-IDS: An Image-Enhanced Encoder-Based Deep Learning Scheme for Intrusion Detection Systems
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
As networks expand and evolve, their increasing complexity introduces significant security challenges, necessitating robust Intrusion Detection Systems (IDS). Traditional IDS often struggle to detect sophisticated cyberattacks due to their reliance on raw network data and primitive feature extraction techniques. To address these limitations, we propose an Image-enhanced Encoder-based Deep Learning scheme for Intrusion Detection Systems (IEDL-IDS), which combines image-based transformation and encoder-based feature extraction to detect complex intrusion patterns in network traffic. Technically, IEDL-IDS consists of three sequential modules. The preprocessing module transforms raw network traffic into RGB images to reveal temporal and spatial patterns. Thereafter, the encoder module processes the RGB images to extract latent features. Finally, the classifier module utilizes the latent features for high-accuracy intrusion detection. Notably, IEDL-IDS is highly flexible, as its built-in classifier can be easily replaced with any neural network-based model. This feature highlights the adaptability of IEDL-IDS in balancing detection performance with resource constraints, thereby meeting the diverse needs of network security applications. Our experimental results demonstrate that IEDL-IDS outperforms the state-of-the-art IDS schemes. On the CICIoT dataset, IEDL-IDS achieves a classification accuracy of 99.91% for binary classification and 95.66% for multi-class classification. Similarly, it attains 99.61% and 98.25% accuracy on the NSL-KDD dataset, and 99.27% and 96.42% on the ToN_IoT dataset, for binary and multi-class tasks, respectively. Notably, despite its high detection performance, IEDL-IDS maintains a competitive computational footprint, making it a practical and scalable solution for real-world intrusion detection deployments.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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