Ensemble classification based hybrid dual-channel convolution neural network (dccnn) with enhanced manta ray foraging optimization (emrfo) algorithm for cyber security malware threats detection

P Vijayalakshmi; Dr. D Karthika

doi:10.56294/sctconf2024760

Original

Published: 2024-05-12

DOI: https://doi.org/10.56294/sctconf2024760

Red neural de convolución híbrida de doble canal (dccnn) basada en clasificación de ensemble con algoritmo mejorado de optimización de forraje de manta ray (emrfo) para la detección de amenazas de malware de seguridad cibernética

Resumen

Introducción: Este estudio sugiere el uso de aprendizaje profundo (DL) híbrido para identificar software ilegal y malware en redes de Internet de las cosas (IoT). Además, Channel Boost STM-RENet (CB-STM-RENet) se propone como una técnica de optimización DCCNN que amplía el modelo de división, cambio y fusión. La detección de malware se realiza mediante la red neuronal convolucional híbrida de doble canal (DCCNN) y la optimización del forraje de Manta Ray.
Métodos: en este contexto, introduzca un STM convolucional de un solo bloque conocido como DCCNN en CB-STM-RENet que realice procesamiento local y espacial al mismo tiempo. El uso sistemático de la región y el despliegue de procesos de socialización paralelos facilitan la investigación de la unidad de la región, la diversidad de fuerzas y las características definitorias de la región. Se proponen tres versiones de DL: STM-RENet, DenseNet201 e InceptionResNetV2 (IRNV2) que trabajan juntas para optimizar DCCNN utilizando división-cambio-fusión de una manera única para mejorar la generalización del aprendizaje híbrido. Este conjunto de datos es un Google Code Jam (GCJ) para los desafíos de detección de malware de IoT.
Resultados: Los resultados experimentales del método sugerido son mejores que los métodos existentes en cuanto a exactitudes y valores obtenidos de precisión, especificidad, puntuaciones F1, MCC y promedio. tiempos de procesamiento en las clasificaciones de ciberamenazas.

Keywords:

Internet de las cosas,

Minería de datos,

Seguridad cibernética,

Red neuronal convolucional de doble canal (DCCNN),

Detección de malware,

STM-RENet,

DenseNet201,

InceptionResNetV2 (IRNV2),

conjunto,

Máquina de vectores de soporte,

clasificación,

Cómo citar

Vijayalakshmi P, Karthika DD. Red neural de convolución híbrida de doble canal (dccnn) basada en clasificación de ensemble con algoritmo mejorado de optimización de forraje de manta ray (emrfo) para la detección de amenazas de malware de seguridad cibernética . Salud, Ciencia y Tecnología - Serie de Conferencias [Internet]. 12 de mayo de 2024 [citado 3 de julio de 2024];3:760. Disponible en: https://conferencias.saludcyt.ar/index.php/sctconf/article/view/760

Aviso de derechos de autor/a

Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.

Article metrics

Google scholar: See link

Métricas

Cargando métricas ...

Vol. 3 (2024)

See full issue

Revistas / Journals

Números

Acerca de

Directrices para autores/as