Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System
Li Yang, Abdallah Shami
随着日益复杂的网络安全威胁和对网络自动化的需求不断增长,自主网络安全机制对于保护现代网络至关重要。 物联网(IoT)系统的快速扩展放大了这些挑战,因为资源受限的物联网设备需要可扩展和高效的安全解决方案。 在这项工作中,提出了利用自动机器学习(AutoML)和多目标优化(MOO)的创新入侵检测系统(IDS),用于在现代网络环境中进行自主和优化的网络攻击检测。 拟议的IDS框架集成了两个主要创新技术:优化的重要性和基于百分比的自动功能选择(OIP-AutoFS)和优化的性能,信心和基于效率的组合算法选择和超参数优化(OPCE-CASH)。 这些组件优化了特征选择和模型学习过程,以在入侵检测有效性和计算效率之间取得平衡。 这项工作提出了第一个IDS框架,该框架集成了所有四个AutoML阶段,并采用多目标优化,共同优化检测有效性,效率和部署在资源受限系统中的信心。 对两个基准网络安全数据集的实验评估表明,拟议的MOO-AutoML IDS优于最先进的IDS,为网络的自主,高效和优化安全建立了新的基准。 旨在支持具有资源限制的物联网和边缘环境,建议的框架适用于各种网络环境中的各种自主网络安全应用。
With increasingly sophisticated cybersecurity threats and rising demand for network automation, autonomous cybersecurity mechanisms are becoming critical for securing modern networks. The rapid expansion of Internet of Things (IoT) systems amplifies these challenges, as resource-constrained IoT devices demand scalable and efficient security solutions. In this work, an innovative Intrusion Detection System (IDS) utilizing Automated Machine Learning (AutoML) and Multi-Objective Optimization (MOO) ...
