基于集成特征选择与C-HOA优化DenseNet的云计算攻击检测模型研究

为解决云计算环境中攻击检测的高误报率和资源消耗问题，研究人员提出融合时序优化算法(C-HOA)与密集网络(DenseNet)的新型检测模型C-HOA_DenseNet。通过集成CFS、互信息和SVM-RFE特征选择技术，结合数据增强和算法优化，实现92.877%准确率和94.766%真正率(TPR)，显著提升检测效率并降低资源开销。

　　

随着云计算技术的快速发展，网络安全威胁呈现爆炸式增长。勒索软件加密用户文件索要赎金，钓鱼攻击通过伪造邮件窃取敏感数据，分布式拒绝服务(DDoS)攻击则用海量流量瘫痪合法服务——这些攻击每年造成数千亿美元损失。更棘手的是，传统检测方法对加密云数据束手无策，而复杂检测模型又会带来巨大计算开销，形成"安全与性能"的两难困境。

在此背景下，研究人员开发了名为C-HOA_DenseNet的创新检测系统。该系统首先在分布式环境中模拟云架构，收集ISCX NSL-KDD数据集的日志文件进行特征缩放标准化。随后采用集成特征选择策略：基于相关性的特征选择(CFS)剔除冗余特征，互信息度量捕捉非线性关系，支持向量机递归特征消除(SVM-RFE)筛选最优子集。为解决样本不平衡问题，采用过采样技术进行数据增强。最终，将密集连接卷积网络(DenseNet)与新型时序登山优化算法(C-HOA)相结合，后者融合了时序分析和群体智能优化特性，显著提升了模型收敛速度和检测精度。

关键技术方法包括：1)基于OSI模型的云环境仿真；2)CFS-互信息-SVM-RFE三级特征选择；3)SMOTE过采样数据增强；4)C-HOA优化的121层DenseNet架构。实验采用8折交叉验证，对比XGBoost、LSTM等基线模型。

研究结果显示：

1. 检测性能：C-HOA_DenseNet达到92.877%准确率，TPR(真正率)94.766%优于DenseNet单独使用的89.2%，证明优化算法有效提升敏感度。F1值93.298%表明精确率与召回率均衡性良好。
2. 特征选择：集成方法将特征维度从78降至29，训练时间缩短37%，验证了CFS-SVM-RFE协同过滤的有效性。
3. 算法对比：C-HOA收敛代数比标准HOA减少15代，适应度值提升8.6%，其引入的时序记忆机制显著改善早熟收敛问题。

讨论部分指出，该研究有三重突破：首先，首次将时序记忆机制融入群体智能算法优化DenseNet超参数；其次，提出的三级特征选择框架可扩展至其他网络安全场景；最后，模型在保持高精度的同时将推理延迟控制在23ms内，满足云环境实时性需求。作者建议未来可探索联邦学习框架下的分布式部署方案。

这项发表于《Knowledge-Based Systems》的工作，为平衡云计算安全防护与系统性能提供了创新解决方案。其提出的C-HOA优化范式可能启发更广泛的深度学习模型加速研究，而模块化设计思路对构建自适应网络安全体系具有重要参考价值。