論文の概要: AI-Powered Hybrid Intrusion Detection Framework for Cloud Security Using Novel Metaheuristic Optimization

• arxiv url: http://arxiv.org/abs/2601.01134v1
• Date: Sat, 03 Jan 2026 09:42:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.047012
• Title: AI-Powered Hybrid Intrusion Detection Framework for Cloud Security Using Novel Metaheuristic Optimization
• Title（参考訳）: 新たなメタヒューリスティック最適化を用いたクラウドセキュリティのためのAI駆動ハイブリッド侵入検出フレームワーク
• Authors: Maryam Mahdi Alhusseini, Alireza Rouhi, Mohammad-Reza Feizi-Derakhshi,
• Abstract要約: 本研究では,Energy Valley (EVO) を用いたHybrid Intrusion Detection System (HyIDS) を提案する。 24回の試験が行われ、分類精度、精度、リコールの大幅な向上が明らかにされた。 これらのデータは、EVOがクラウドコンピューティング(CC)のサイバーセキュリティを著しく改善することを示している。
• 参考スコア（独自算出の注目度）: 1.3318026799252651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cybersecurity poses considerable problems to Cloud Computing (CC), especially regarding Intrusion Detection Systems (IDSs), facing difficulties with skewed datasets and suboptimal classification model performance. This study presents the Hybrid Intrusion Detection System (HyIDS), an innovative IDS that employs the Energy Valley Optimizer (EVO) for Feature Selection (FS). Additionally, it introduces a novel technique for enhancing the cybersecurity of cloud computing through the integration of machine learning methodologies with the EVO Algorithm. The Energy Valley Optimizer (EVO) effectively diminished features in the CIC-DDoS2019 dataset from 88 to 38 and in the CSE-CIC-IDS2018 data from 80 to 43, significantly enhancing computing efficiency. HyIDS incorporates four Machine Learning (ML) models: Support Vector Machine (SVM), Random Forest (RF), Decision Tree (D_Tree), and K-Nearest Neighbors (KNN). The proposed HyIDS was assessed utilizing two real-world intrusion datasets, CIC-DDoS2019 and CSE-CIC-IDS2018, both distinguished by considerable class imbalances. The CIC-DDoS2019 dataset has a significant imbalance between DDoS assault samples and legal traffic, while the CSE-CIC-IDS2018 dataset primarily comprises benign traffic with insufficient representation of attack types, complicating the detection of minority attacks. A downsampling technique was employed to balance the datasets, hence improving detection efficacy for both benign and malicious traffic. Twenty-four trials were done, revealing substantial enhancements in categorization accuracy, precision, and recall. Our suggested D_TreeEVO model attained an accuracy rate of 99.13% and an F1 score of 98.94% on the CIC-DDoS2019 dataset, and an accuracy rate of 99.78% and an F1 score of 99.70% on the CSE-CIC-IDS2018 data. These data demonstrate that EVO significantly improves cybersecurity in Cloud Computing (CC).
• 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(CC)、特に侵入検知システム(IDS)に重大な問題を生じさせる。 本研究では,Energy Valley Optimizer (EVO)を用いて特徴選択(FS)を行う革新的なIDSであるHybrid Intrusion Detection System (HyIDS)を提案する。 さらに、EVOアルゴリズムと機械学習手法を統合することにより、クラウドコンピューティングのサイバーセキュリティを強化する新しい技術を導入している。 エネルギー・バレー・オプティマイザ(EVO)は、CIC-DDoS2019データセットの機能を88から38に、CSE-CIC-IDS2018データを80から43に効果的に減少させ、計算効率を大幅に向上させた。 HyIDSには、SVM(Support Vector Machine)、RF(Random Forest)、D_Tree(Decision Tree)、K-Nearest Neighbors(KNN)の4つの機械学習モデルが含まれている。 提案されたHyIDSは、CIC-DDoS2019とCSE-CIC-IDS2018の2つの実世界の侵入データセットを用いて評価された。 CIC-DDoS2019データセットはDDoS攻撃サンプルと法的なトラフィックとの間に大きな不均衡があるが、CSE-CIC-IDS2018データセットは主に、攻撃タイプが不十分な良性トラフィックで構成されており、マイノリティアタックの検出を複雑にしている。 データセットのバランスをとるために、ダウンサンプリング技術が採用され、良質なトラフィックと悪意のあるトラフィックの両方の検出効率が改善された。 24回の試験が行われ、分類精度、精度、リコールの大幅な向上が明らかにされた。 提案したD_TreeEVOモデルは,CIC-DDoS2019データセットで99.13%,F1スコアで98.94%,CSE-CIC-IDS2018データで99.78%,F1スコアで99.70%に達した。 これらのデータは、EVOがクラウドコンピューティング(CC)のサイバーセキュリティを著しく改善していることを示している。

関連論文リスト

• AI-Enhanced Intelligent NIDS Framework: Leveraging Metaheuristic Optimization for Robust Attack Detection and Prevention [1.4968127458030251]
  本研究は,ネットワークセキュリティの向上を目的としたAI駆動リアルタイム侵入検出フレームワークを提案する。 提案されたシステムは、決定木で98.95パーセント、K-Nearest Neighborsで98.47パーセント、ロジスティック回帰で88.84パーセントの精度を達成した。
  論文  参考訳（メタデータ） (2025-08-31T15:20:11Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• A Hybrid Intrusion Detection System with a New Approach to Protect the Cybersecurity of Cloud Computing [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-24T18:19:02Z)
• Distillation-Enabled Knowledge Alignment for Generative Semantic Communications in AIGC Provisioning Tasks [38.5438416972178]
  ジェネレーティブ・セマンティック・コミュニケーション(GSC)は、高度にコンパクトな情報を伝達することで有望なソリューションを提供する。 GSCは、クラウド生成AI(GAI)の知識と、エッジとユーザが所有する知識の整合性に依存している。 GSCシステムのための蒸留可能な知識アライメントアルゴリズムであるDeKA-gを提案する。
  論文  参考訳（メタデータ） (2025-06-24T10:50:14Z)
• Ustnlp16 at SemEval-2025 Task 9: Improving Model Performance through Imbalance Handling and Focal Loss [38.70308073598037]
  分類タスクは、しばしば厳しいクラス不均衡、短いテキストと非構造化テキスト、および重なり合うセマンティックカテゴリに悩まされる。 本稿では,SemEval-2025 Task 9: Food Hazard Detectionを提案する。
  論文  参考訳（メタデータ） (2025-04-24T16:35:44Z)
• Leveraging Semi-Supervised Learning to Enhance Data Mining for Image Classification under Limited Labeled Data [35.431340001608476]
  従来のデータマイニング手法は、大規模で高次元で複雑なデータに直面すると不十分である。 本研究では,ラベルのないデータを利用するアルゴリズムの能力向上を目的とした,半教師付き学習手法を提案する。 具体的には、自己学習法を採用し、画像の特徴抽出と分類のための畳み込みニューラルネットワーク(CNN)と組み合わせる。
  論文  参考訳（メタデータ） (2024-11-27T18:59:50Z)
• Optimizing Intrusion Detection System Performance Through Synergistic Hyperparameter Tuning and Advanced Data Processing [3.3148772440755527]
  侵入検知は、悪意のある活動に対するコンピュータネットワークの確保に不可欠である。 そこで本研究では,ディープラーニングとデータバランシング,高次元化を組み合わせたシステムを提案する。 CIC IDS 2018やCIC IDS 2017のような広範なデータセットをトレーニングすることで、当社のモデルは堅牢なパフォーマンスと一般化を示している。
  論文  参考訳（メタデータ） (2024-08-03T14:09:28Z)
• 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)
• 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)

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。