論文の概要: A Hybrid Intrusion Detection System with a New Approach to Protect the Cybersecurity of Cloud Computing

• arxiv url: http://arxiv.org/abs/2506.19934v1
• Date: Tue, 24 Jun 2025 18:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.500362
• Title: A Hybrid Intrusion Detection System with a New Approach to Protect the Cybersecurity of Cloud Computing
• Title（参考訳）: クラウドコンピューティングのサイバーセキュリティ保護のためのハイブリッド侵入検知システム
• Authors: Maryam Mahdi Al-Husseini,
• Abstract要約: 本研究の目的は、初期脅威を特定し緩和するハイブリッド侵入検知システム(HyIDS)を提案することである。 提案されたアプローチは、CIC_DDoS 2019、CSE_CIC_DDoS 2018、NSL-KDDデータセットを使用して評価される。 提案手法の結果はGrey Wolf(GWO)データセットと比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cybersecurity is one of the foremost challenges facing the world of cloud computing. Recently, the widespread adoption of smart devices in cloud computing environments that provide Internet-based services has become prevalent. Therefore, it is essential to consider the security threats in these environments. The use of intrusion detection systems can mitigate the vulnerabilities of these systems. Furthermore, hybrid intrusion detection systems can provide better protection compared to conventional intrusion detection systems. These systems manage issues related to complexity, dimensionality, and performance. This research aims to propose a Hybrid Intrusion Detection System (HyIDS) that identifies and mitigates initial threats. The main innovation of this research is the introduction of a new method for hybrid intrusion detection systems (HyIDS). For this purpose, an Energy-Valley Optimizer (EVO) is used to select an optimal feature set, which is then classified using supervised machine learning models. The proposed approach is evaluated using the CIC_DDoS2019, CSE_CIC_DDoS2018, and NSL-KDD datasets. For evaluation and testing, the proposed system has been run for a total of 32 times. The results of the proposed approach are compared with the Grey Wolf Optimizer (GWO). With the CIC_DDoS2019 dataset, the D_TreeEVO model achieves an accuracy of 99.13% and a detection rate of 98.941%. Furthermore, this result reaches 99.78% for the CSE_CIC_DDoS2018 dataset. In comparison to NSL-KDD, it has an accuracy of 99.50% and a detection rate (DT) of 99.48%. For feature selection, EVO outperforms GWO. The results of this research indicate that EVO yields better results as an optimizer for HyIDS performance.
• Abstract（参考訳）: サイバーセキュリティは、クラウドコンピューティングの世界が直面する最も大きな課題の1つだ。 近年,インターネットベースのサービスを提供するクラウドコンピューティング環境におけるスマートデバイスの普及が急速に進んでいる。 したがって、これらの環境におけるセキュリティの脅威を考慮することが不可欠である。 侵入検知システムの使用は、これらのシステムの脆弱性を軽減することができる。 さらに,ハイブリッド侵入検知システムは従来の侵入検知システムよりも優れた保護を提供することができる。 これらのシステムは、複雑さ、次元性、パフォーマンスに関連する問題を管理する。 本研究の目的は、初期脅威を特定し緩和するハイブリッド侵入検知システム(HyIDS)を提案することである。 本研究の主な革新はハイブリッド侵入検知システム(HyIDS)の導入である。 この目的のために、Energy-Valley Optimizer (EVO) を使用して最適な特徴セットを選択し、教師付き機械学習モデルを用いて分類する。 提案手法は,CIC_DDoS2019,CSE_CIC_DDoS2018,NSL-KDDデータセットを用いて評価する。 評価と試験のために,提案システムは32回実施されている。 提案手法の結果をGrey Wolf Optimizer (GWO)と比較した。 CIC_DDoS2019データセットでは、D_TreeEVOモデルは99.13%、検出率は98.941%に達する。 さらに、この結果はCSE_CIC_DDoS2018データセットの99.78%に達する。 NSL-KDDと比較して、精度は99.50%、検出率(DT)は99.48%である。 特徴選択では、EVOはGWOより優れている。 その結果,EVOはHyIDS性能の最適化として優れた結果が得られることがわかった。

関連論文リスト

• Navigating the Edge with the State-of-the-Art Insights into Corner Case Identification and Generation for Enhanced Autonomous Vehicle Safety [38.07210302881341]
  仮想シミュレーションで合成データを利用するいくつかの手法が提案されている。 最も高いリスクデータであるコーナーケース(CC)は、AV制御の開発とテストにおいて最も価値のあるものである。
  論文  参考訳（メタデータ） (2025-02-27T22:47:46Z)
• Optimized detection of cyber-attacks on IoT networks via hybrid deep learning models [7.136205674624813]
  モノのインターネット(IoT)デバイスの急速な拡張は、サイバー攻撃のリスクを高めている。 本研究は,自己組織マップ(SOMs),ディープリーフネットワーク(DBNs),およびオートエンコーダを組み合わせた新たなアプローチを導入し,既知の,あるいはこれまで目に見えない攻撃パターンを検出する。
  論文  参考訳（メタデータ） (2025-02-17T06:01:06Z)
• Optimized IoT Intrusion Detection using Machine Learning Technique [0.0]
  侵入検知システム(IDS)は様々な攻撃に対する防御に不可欠である。 IoT IDSシステムの機能的および物理的多様性は、重大な問題を引き起こす。 本研究は、特異性に基づくIDSに対して、新しい成分選択抽出戦略を提案し、実装する。
  論文  参考訳（メタデータ） (2024-12-03T21:23:54Z)
• Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
  提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。 この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。 提案モデルの精度は98.42%,最小損失は0.0275である。
  論文  参考訳（メタデータ） (2024-05-28T22:12:15Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• An Effective Networks Intrusion Detection Approach Based on Hybrid Harris Hawks and Multi-Layer Perceptron [47.81867479735455]
  本稿では,Harris Hawks Optimization (HHO) を用いた多層パーセプトロン学習のための侵入検知システムを提案する。 HHO-MLPは、ネットワークの侵入検出エラーを最小限に抑えるため、学習プロセスにおいて最適なパラメータを選択することを目的としている。 HHO-MLPは、93.17%の精度、95.41%の感度、95.41%の特異度でトップスコアを獲得することで、優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-21T06:25:50Z)
• A Dependable Hybrid Machine Learning Model for Network Intrusion Detection [1.222622290392729]
  本稿では,機械学習とディープラーニングを組み合わせたハイブリッドモデルを提案する。 提案手法は,KDDCUP'99とCIC-MalMem-2022の2つのデータセットでテストした場合,優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-12-08T20:19:27Z)
• Audio Anti-spoofing Using a Simple Attention Module and Joint Optimization Based on Additive Angular Margin Loss and Meta-learning [43.519717601587864]
  本研究では,畳み込み層における特徴写像に対する3次元の注意重みを推定するための単純な注意モジュールを提案する。 2進分類のための重み付き加法的角縁損失に基づく共同最適化手法を提案する。 提案手法は, プールEERが0.99%, min t-DCFが0.0289。
  論文  参考訳（メタデータ） (2022-11-17T21:25:29Z)
• Distributed CNN Inference on Resource-Constrained UAVs for Surveillance Systems: Design and Optimization [43.9909417652678]
  無人航空機(UAV)は、広い地域をカバーし、困難で危険な目標地域にアクセスする能力のため、ここ数年で大きな関心を集めている。 コンピュータビジョンと機械学習の進歩により、UAVは幅広いソリューションやアプリケーションに採用されている。 ディープニューラルネットワーク(DNN)は、それらがオンボードで実行されるのを防ぐ、より深く複雑なモデルに向かって進んでいる。
  論文  参考訳（メタデータ） (2021-05-23T20:19:43Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Hybrid Model For Intrusion Detection Systems [0.0]
  このプロジェクトには、侵入検知システムで使用されるさまざまな機械学習アルゴリズムの分析が含まれる。 両データセットの異なる侵入検知システムの解析の後、本プロジェクトは侵入検知システムのための新しいハイブリッドモデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2020-03-19T05:52:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。