عنوان فارسی مقاله:IDS مبتنی بر الگوریتم بهینه سازی کرم شب تاب اصلاح شده برای امنیت سایبری الهام گرفته از طبیعت

چکیده

پارادایم جدید امنیت سایبری الهام گرفته از طبیعت می‌تواند با استفاده از الگوریتم‌های محاسباتی با الهام از طبیعت برای تجزیه و تحلیل شبکه‌ها و اقدام سریع، یک دفاع قوی ایجاد کند. تحقیقات موجود در درجه اول بر انتخاب کارآمد ویژگی‌ها برای نرخ‌های تشخیص سریع و بهینه با استفاده از کرم شب تاب و سایر تکنیک‌های بهینه سازی الهام گرفته از طبیعت تمرکز دارد. با این حال، انتخاب مناسب‌ترین ویژگی‌ها ممکن است مختص شبکه باشد و مجموعه‌ای از ویژگی‌های متفاوت ممکن است بهتر از ویژگی انتخاب‌شده کار کند. بنابراین، نیاز به یک مرحله پیش پردازش تعمیم یافته بر اساس پارامترهای نظارت شبکه استاندارد برای تشخیص زودهنگام گره‌های مشکوک قبل از اعمال نظارت مبتنی بر ویژگی یا هر نوع نظارت دیگری وجود دارد. این مقاله یک نسخه اصلاح شده از الگوریتم بهینه سازی کرم شب تاب را برای نظارت مؤثر بر شبکه با معرفی یک تابع سلامت جدید برای تشخیص زودهنگام گره‌های مشکوک پیشنهاد می‌کند. ما طرح‌های مدیریت رویداد را بر اساس الگوریتم پیشنهادی پیاده‌سازی می‌کنیم و فهرست اولویت‌های مشاهده را بر اساس یک الگوریتم تکامل ژنتیک برای رویدادهای بلادرنگ در شبکه بهینه می‌کنیم. نتایج شبیه‌سازی به‌دست‌آمده، اثربخشی الگوریتم پیشنهادی را در سناریوهای مختلف حمله نشان می‌دهد. علاوه بر این، نتایج نشان می‌دهد که روش پیشنهادی تقریباً ۶۰-۸۰٪ از تعداد گره‌های مشکوک را کاهش می‌دهد در حالی که زمان چرخش را تنها حدود ۱-۲٪ افزایش می‌دهد. روش پیشنهادی همچنین به طور خاص بر نظارت دقیق بر سلامت شبکه برای محافظت فعالانه از شبکه متمرکز است.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Modified Firefly Optimization Algorithm-Based IDS for Nature-Inspired Cybersecurity

Abstract

The new paradigm of nature-inspired cybersecurity can establish a robust defense by utilizing well-established nature-inspired computing algorithms to analyze networks and act quickly. The existing research focuses primarily on the efficient selection of features for quick and optimized detection rates using firefly and other nature-inspired optimization techniques. However, selecting the most appropriate features may be specific to the network, and a different set of features may work better than the selected one. Therefore, there is a need for a generalized pre-processing step based on the standard network monitoring parameters for the early detection of suspicious nodes before applying feature-based or any other type of monitoring. This paper proposes a modified version of the firefly optimization algorithm to effectively monitor the network by introducing a novel health function for the early detection of suspicious nodes. We implement event management schemes based on the proposed algorithm and optimize the observation priority list based on a genetic evolution algorithm for real-time events in the network. The obtained simulation results demonstrate the effectiveness of the proposed algorithm under various attack scenarios. In addition, the results indicate that the proposed method reduces approximately 60–80% of the number of suspicious nodes while increasing the turnaround time by only approximately 1–2%. The proposed method also focuses specifically on accurate network health monitoring to protect the network proactively