基于LSVM-MPAO的人工智能网络安全态势感知系统设计与实验验证

《Kuwait Journal of Science》:Design and experimental validation of an artificial intelligence driven network security situation awareness system

【字体: 大 中 小 】 时间:2026年09月20日 来源:Kuwait Journal of Science 2.6

编辑推荐:

  研究人员提出了一种用于人工智能驱动的网络安全态势感知的LSVM-MPAO方法。主成分分析(PCA)在保留判别性流量特征的同时降低了数据维度。LSVM-MPAO在网络流量数据上实现了93.84%的威胁检测率(TDR)和3.62%的误检率(FDR)。该模型获得了0

  
研究人员提出了一种用于人工智能驱动的网络安全态势感知的LSVM-MPAO方法。主成分分析(PCA)在保留判别性流量特征的同时降低了数据维度。LSVM-MPAO在网络流量数据上实现了93.84%的威胁检测率(TDR)和3.62%的误检率(FDR)。该模型获得了0.0003的均方误差(MSE)、0.03%的平均绝对百分比误差(MAPE)和0.0172的均方根误差(RMSE)。该方法在准确性和收敛性方面优于现有的基于优化的方法。
随着数字基础设施的快速扩张,现代网络面临日益复杂的威胁。物联网(IoT)设备的激增使传统监控手段难以应对,网络攻击(CA)呈现高影响、低频次的特征,可能导致设备损坏、停电和系统崩溃。高级持续性威胁(APT)能引发级联故障或大面积停电。网络安全态势感知(SA)旨在感知环境要素、理解其意义并预测未来风险,是及时检测威胁、评估影响和预判漏洞的基础。然而,传统入侵检测系统(IDS)依赖签名匹配,无法识别未知或零日攻击;静态规则系统误报率高,且难以适应异构网络、加密流量和复杂攻击模式。因此,迫切需要智能、自适应的AI驱动框架,以实现实时威胁检测和响应。

研究人员提出了一种混合AI驱动解决方案,将高级预处理、降维、分类优化和强化学习(RL)相结合,即LSVM-MPAO框架。该框架采用线性支持向量机(LSVM)作为分类器,利用海洋捕食者算法(MPAO)优化模型超参数,并通过强化学习增强自适应决策能力。在Kaggle的AI驱动网络安全数据集(2500条标注记录,包含正常流量和多种攻击类型)上,LSVM-MPAO取得了93.84%的威胁检测率(TDR)和3.62%的误检率(FDR),误差指标分别为均方误差(MSE)0.0003、平均绝对百分比误差(MAPE)0.03%和均方根误差(RMSE)0.0172,均优于现有基于优化的方法。该研究为复杂网络环境下的实时安全态势感知提供了高效、可扩展的技术方案,具有重要的实践意义。

关键技术方法:研究人员使用的数据集来自Kaggle“AI-driven network security dataset”,包含2500条网络流量记录。主要技术包括:(1)数据预处理,采用Z-score标准化和基于中位数、四分位距的鲁棒缩放,处理缺失值、重复和异常值;(2)主成分分析(PCA),将高维流量特征降维至10个主成分,保留主要方差并降低计算开销;(3)线性支持向量机(LSVM),以平方铰链损失进行分类,提高模型稳定性和泛化能力;(4)海洋捕食者算法(MPAO),通过模拟捕食者-猎物动态平衡探索与开发,优化LSVM的正则化参数和权重;(5)强化学习(RL)模块,根据网络状态反馈动态调整防御决策,以最大化TDR并最小化FDR。

研究结果如下:

4.2 端到端数据分析:研究人员通过多种可视化对网络特征进行分析,发现包计数、字节计数、流持续时间和熵等特征在不同严重性类别间高度重叠,线性可分性差,且无显著时间相关性,表明需要复杂的非线性分类器。

4.4 性能评估:与现有方法(如传统D-S、PSO-DS、CPSO-DS、AMCPSO-DS)相比,LSVM-MPAO取得了最高TDR 93.84%和最低FDR 3.62%;误差指标方面,MAPE为0.03%、MSE为0.0003、RMSE为0.0172,均优于多种优化神经网络和SVM模型。配对t检验表明提升具有统计学显著性(p<0.05),且效应量大。跨数据集验证(NSL-KDD、UNSW-NB15、CICIDS2017)显示该方法具有良好泛化能力。

4.5 sMAPE:LSVM-MPAO获得对称平均绝对百分比误差(sMAPE)1.87%,低于现有PSO-BiLSTM的2.654%,表明预测精度更高。

4.6 消融研究:对比LSVM与LSVM-MPAO,后者TDR从89.12%提升至93.84%,FDR从6.87%降至3.62%,证明MPAO优化显著提高了分类性能和稳定性。此外,框架在类不平衡和未知攻击场景下仍保持稳健,计算效率优于深度学习模型(如CNN-LSTM),训练时间为42.60秒,模型大小仅3.10 MB,适用于实时应用。

讨论部分指出,传统方法如D-S证据理论、RBF神经网络、BP网络以及深度学习方法等各有局限,如易陷入局部最优、计算开销大或依赖大规模数据。LSVM-MPAO通过MPA的全局探索与局部开发平衡避免了过早收敛,线性结构保证了对大规模高维数据的可扩展性,且训练和推理速度快于深度学习模型,适用于企业网络、物联网、工业基础设施和网络物理系统等场景。

研究结论:本研究提出了LSVM-MPAO算法,集成LSVM与MPAO以实现最优超参数和权重选择。该集成促进了更快的收敛、增强的分类性能,并在高维复杂数据中对网络欺诈流量提供稳定检测。该算法在威胁检测方面优于现有方法,TDR达93.84%,FDR为3.62%,预测性能MAPE为0.03%,MSE为0.0003,RMSE为0.0172。结果表明模型在实时网络安全态势感知和预测中的精度、稳定性和可靠性得到提升。尽管LSVM-MPAO依赖参数初始化且极大规模数据处理开销较高,未来可研究混合优化技术、自适应参数调整和实时部署以进一步提高扩展性、鲁棒性和效率。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号