运用基于OWFF的深度学习技术与改进的启发式算法解析网络中的网络安全框架

《Signal Processing: Image Communication》：Elucidating the Cybersecurity Framework in Networks using OWFF-based Deep Learning Technique and Improved Heuristic Algorithm

　　本文的要点如下，供您审阅。请您考虑并将我的文章转发以进行后续处理：•从标准在线资源中的攻击数据集中收集所需数据；•运用自动编码器、1D-CNN和RBM等深度学习技术处理这些数据；•开发Gannet优化算法的适应度更新机制（FUGOA）；•利用FUGOA算法优化权重，以获得最佳特征；•采用基于多尺度注意力机制的改进型深度时间卷积网络与DCN组合方法（MAD-DCN）。引言目前，信息技术和数字化进程已实现显著全球化[1]。随着移动设备的持续使用以及各类应用程序和服务的普及，攻击行为的不断增加给网络安全带来了诸多挑战。网络安全是一系列技术、流程和工具的集合，旨在降低信息网络和系统可能遭受的攻击、非法访问、信息窃取、篡改或丢失所带来的危害与风险[2]。通常，传统的网络安全系统可通过身份认证、加密、防火墙等措施来保护设备和用户。然而，传统方法在检测复杂攻击及其模式方面存在较大困难[3]。根据网络安全分析，众多行业和组织都遭遇过网络攻击，导致大量员工受到影响[4]。非法软件和恶意程序可轻易被用于攻击物联网（IoT）和云计算系统，以实现破坏安全的目的[5]。由于信息技术和网络系统在日常生活中发挥着关键作用，它们被广泛应用于业务管理、社交网络等诸多领域[6]。按照当前技术需求，传统措施包括身份认证、授权、加密等，但这些方法可能并非十分有效[7]。一些检测系统试图通过识别异常与正常状态来发现未知攻击，但这种方法也难以保证足够的准确率[8]。因此，这类系统在检测网络攻击的同时也会削弱安全性[9]。由于手动干预存在效率不足的问题，人们开始发展并应用机器学习技术来检测网络攻击[10]。某些分类方法无法有效获取特征空间，从而导致较低的检测率[11]。在攻击方层面，机器学习也被用来突破防御策略[12]。在网络安全领域，机器学习则被用于构建强大的防御体系，以便及时预判并减少可能造成的损害[13]。在各类机器学习应用中，恶意程序检测[14]、入侵检测[15]、数据隐私保护以及网络物理攻击等领域均广泛采用了监督学习和无监督学习技术。不过，这些机器学习方法仍难以检测复杂的攻击和未知的恶意程序，也无法有效保护隐私[16]。因此，深度学习[17]具备处理大规模数据的能力，能够构建更有效的安全协议，从而取得更好的检测效果。与现有方法的比较：所提出的方法通过将特征融合、优化和检测模块统一整合，与现有的基于深度学习的 cybersecurity 方法存在显著差异。现有模型通常仅依赖单一的深度学习模型或固定的特征提取技术[18]，而所提模型则运用自动编码器、1D-CNN和RBM等多种深度学习模型，从网络流量数据中提取互补的特征表示，从而能够捕捉输入数据中的低级和高级模式。与传统方法采用固定或手动调整的融合方案不同[19]，所提模型采用名为FUGOA的优化驱动型方法实现加权特征融合，进一步提升融合特征的质量。此外，现有的基于深度学习的入侵检测方法大多采用标准的卷积神经网络架构[20]，且不进行特征优化，而所提框架则将FUGOA实现的优化加权深度特征融合与MAD-DCN相结合，从而获得更具区分度的特征表示，显著提升网络攻击检测性能。因此，所提框架通过整合特征提取、优化融合和高级分类功能，使其区别于现有的基于深度学习的 cybersecurity 模型，进而提升了检测性能和系统的稳定性。该改进方法的主要优势如下：•通过多尺度深度学习模型，在分析恶意活动时生成更具区分度的特征，同时有助于分析网络数据包、日志或行为模式，以检测异常或已知攻击。这解决了传统方法在捕捉复杂恶意活动模式方面的局限性，提升了异常和攻击检测性能；•通过自动编码器、1D-CNN和RBM从给定数据中提取最相关的特征，这些模型通过多层卷积运算来获取所需的特征信息，进而便于对网络攻击进行分类。由于早期模型无法提供有效的特征分析功能，这一方法有助于确定更优的特征参数，从而提升系统性能；•提出了一种名为FUGOA的改进算法，旨在实现最佳检测效果。该算法借鉴了海鸥的捕食习性，并结合随机参数的自适应调整机制，其主要功能是以最优方式优化权重，解决了现有融合策略依赖手动调整权重的问题，从而提升了特征整合效率和分类性能；•开发了一种高效的节点检测系统MAD-DCN，该系统依托多尺度、时间和深度方向的卷积运算来实现功能。在这一多尺度处理过程中，特征会通过卷积运算与最优权重相结合，最终得到分类结果。此外，由于该系统采用多尺度和时间维度处理数据，因此能够有效解决大规模数据的分析难题。本文的其余部分结构如下：第二部分介绍了当前用于检测计算机网络攻击的最新方法；第三部分阐述了基于多尺度注意力机制的深度学习技术在网络安全中的应用；第四部分利用所提出的FUGOA算法实现最优加权特征融合，以增强网络安全性；第五部分展示了MAD-DCN模型在网络安全中的应用；第六部分介绍了该模型的运行过程及实验结果；第七部分则是对整个研究工作的总结。相关研究基于深度学习的 cybersecurity 模型：数字革命的推动使得数字技术和基于互联网的系统得以广泛应用，因此，确保数据、网络以及用户隐私的安全已成为亟待解决的问题。基于深度学习的 cybersecurity 模型被视为一种有效的解决方案，因为它能够学习更复杂的模式，并从海量安全数据中识别出潜在的关联。2022年，Akgun等人[21]提出了某一种基于深度学习的 cybersecurity 模型。网络安全的 proposed 模型描述所提出的网络安全网络检测系统如图1所示。该方法包含多个阶段，首要任务是收集有关攻击的重要信息。自动编码器、1D-CNN和RBM等深度学习技术被用于处理收集到的数据，从中提取有意义且具有区分度的网络流量特征。为了将这些特征提供给分类模型，所有提取出的特征都会被进一步处理。基于自动编码器的特征自动编码器的架构[39]通常由编码器和解码器两个主要部分组成。输入到该阶段的是被攻击数据Rx。负责将输入信息转换为低维潜在数据表示的“编码”层或“瓶颈层”被称为编码器，而解码程序则利用这些编码信息尝试重建原始输入数据。自动编码器由编码器部分ekd和解码器组成。深度时间卷积网络深度时间卷积网络（DTCN）[43]是一种神经网络架构，它结合了时间卷积层和深度学习的优势，用于从时间序列数据或序列数据中提取和建模特征。该架构旨在保留数据中的时间和空间依赖关系。DTCN中的卷积神经网络利用输入序列来捕捉局部模式和特征，后续的层次则通过卷积运算进一步处理这些特征。实验设置为有效检测网络安全攻击，搭建了基于Python的系统，并通过多种标准来评估其性能。验证工作同时考虑了负面指标和正面指标。所提出的方法采用了10个种群、50次迭代以及9对染色体。该方法还与哈里斯鹰优化算法（HHO）[47]、算术优化算法（AOA）[48]、欧亚蛎鹬优化算法（EOO）[49]以及GOA-MAD-DCN等传统方法进行了对比测试。结论基于FUGOA的网络安全模型是通过分析网络数据包和行为模式来检测攻击的。首先，利用自动编码器、1D-CNN和RBM等深度学习技术对收集到的数据进行分析，从中提取有用且具有区分度的特征。随后，通过FUGOA算法估算出的最优权重，将这三个特征进行整合。MAD-DCN模型则结合了多尺度处理机制。CRediT作者贡献说明Rasikha V：概念设计。Marikkannu P Dr.：概念设计。利益冲突声明作者声明不存在任何利益冲突。Rasikha V | Marikkannu P