机构名称：
¥ 1.0
摘要 - 在当前年龄，互联网及其使用已成为人类生存的核心部分，随之而来的是我们开发了与我们日常活动的各个阶段无缝集成的技术。大多数现代基础设施的主要挑战是，与安全有关的要求通常是事后的想法。尽管越来越有意识，但当前的解决方案仍无法完全保护计算机网络和互联网应用程序免受不断发展的威胁格局的侵害。在近年来，深度学习算法已被证明在检测网络入侵方面非常有效。但是，手动调整深度学习模型的超级参数的疲惫，耗时和计算昂贵。此外，重要的是开发不仅做出准确预测的模型，而且还有助于理解模型如何做出这些预测。因此，模型解释性有助于增加用户的信任。网络入侵检测领域的当前研究差距是没有整体框架，该框架既包含优化和可解释的方法。在本研究文章中，提出了使用超频带进行超级参数优化的混合方法。通过考虑CSE CIC 2018数据集的所有攻击类型，可以实现98.58％的总体精度。提出的混合框架通过选择一组优化的参数和杠杆来增强网络入侵检测的性能，例如可解释的AI（XAI）方法，例如局部可解释的模型不可解释的解释（lime）和外形添加说明（SHAP）来了解模型预测。
使用深度学习的可解释和优化的网络入侵检测模型
主要关键词
相关文件推荐
