在本文中,提出了一个新的入侵检测系统(IDS)来处理分布式拒绝服务(DDOS)攻击。提出了一种基于Harris Hawks优化(HHO)和蜻蜓算法(DA)的组合算法,以选择相关功能,并消除NSL-KDD数据集中的无关和冗余特征。提取的特征呈现给多层感知器(MLP)神经网络。该网络(作为分类器)将网络流量分为两个类别,即正常和攻击类别。在入侵检测领域中使用两个标准和广泛使用的数据集评估所提出的模型的性能:NSL-KDD和UNSW-NB15。模拟的结果清楚地表明了在关键评估标准(例如准确性,精度,回忆和F量)方面,与以前的方法相比,所提出的方法的优越性。具体而言,所提出的方法在这些指标中分别显示出96.9%,97.6%,96%和96.8%的改善(与基线方法相比)。这些改进的主要原因是合并算法智能选择最佳特征并降低数据尺寸的能力。这种仔细的功能选择使MLP神经网络可以专注于关键信息,提高分类准确性并最终提高入侵检测系统的性能。这项研究表明,将优化算法和机器学习结合起来效果很好。因此,它有效地应对DDOS攻击。它可以导致更好的入侵检测系统。这些系统将更有效,准确。
[1] Yasser F. Nassar、Samer Y. Alsadi、Hala J. El-Khozondar、Mohamoud S. Ismail、Maher Al-Maghalseh、Tamer Khatib、Jaser A. Sa'ed、Mohammed H. Mushtaha、Tarek Djeraf,“独立可再生混合能源系统的设计:案例研究”,《可再生和可持续能源材料》,第 11 卷,225–240 (2022)。[Q2] [2] Ahmed Samir Badawi、Siti Hajar Yusoff、Alhareth Mohammed Zyoud、Sheroz Khan、Aisha Hashim、Yılmaz Uyaroğlu、Mahmoud Ismail,“数据库:通过五种统计工具测试的用于确定风能发电威布尔参数的九种数值方法”,《国际电力电子与驱动系统杂志》,第 11 卷。 12,第2号。2021 年。[Q2] [3] MS Ismail,“光伏系统性能分析:巴勒斯坦技术大学 (PTUK) 光伏电站案例研究”,巴勒斯坦技术大学研究期刊,9(1),10-21。[4] LJ Olatomiwa、S. Mekhilef、MS Ismail、M. Moghavvemi,“混合可再生能源系统中的能源管理策略:回顾”,可再生和可持续能源评论,第 62 卷,第 821-835 页,2016 年。[Q1] [5] MS Ismail、M. Moghavvemi、TMI Mahlia、KM Muttaqi 和 S. Moghavvemi,“有效利用独立混合可再生能源系统中的过剩能源来提高舒适度并降低能源成本:回顾与分析”,可再生和可持续能源评论,第 62 卷。 42,第726-734 页,2015 年。[Q1] [6] MS Ismail、M. Moghavvemi 和 TMI Mahlia,“基于遗传算法的混合可再生能源系统建模和设计的优化”,能源转换与管理,第 85 卷,第 120-130 页,2014 年。[Q1] [7] MS Ismail、M. Moghavvemi 和 TMI Mahli.a,“为偏远小社区设计优化的光伏和微型燃气轮机混合动力系统:以巴勒斯坦为例”,能源转换与管理,第 75 卷,第 271-281 页,2013 年。[Q1] [8] MS Ismail、M. Moghavvemi 和 TMI Mahlia,“约旦河西岸和加沙地带巴勒斯坦领土的能源趋势:减少对外部能源依赖的可能性”,可再生能源与可持续能源评论,第 28 卷,第 117-129 页,2013 年。[Q1] [9] M. Moghavvemi、MS Ismail、B. Murali、SS Yang、A. Attaran 和 S. Moghavvemi,“用于远程控制商用大型 FM 发射器的 PV/柴油混合供电系统的开发和优化”,能源转换与管理,第 75 卷,第 542-551 页,2013 年。[Q1] [10] MS Ismail、M. Moghavvemi 和 TMI Mahlia,“对太阳能辐射在
中心(FLDC) - Zagazig University(带有IBCT认证):1-Research伦理2进行竞争项目,资助研究3-EXAM系统和对学生的评估4-TERDECT SYSTER 5-CONTHENCES 5-CONTHENCES 5-CONTHENCES 6-SELF-ELF-FELM EXPERATINA概念11科学写作和国际出版课程12科学写作和参考资料管理13-危机和灾难管理14专业的礼节和大学工作中的态度15审视论文和科学研究16,通过国家质量保证和
摘要简介:急性透析中并发症仍然是接受血液透析 (HD) 的终末期肾病 (ESRD) 患者的一大负担。它们常常导致 HD 疗程提前终止,从而影响透析充分性和患者的整体健康。这项研究的目的是建立一个人工智能模型并评估其在预测透析中临床事件发生方面的表现。方法:我们研究了 215 名 ESRD 患者进行的 6000 次 HD 疗程,记录了许多预测因素,包括:患者、机器和环境因素。这些数据是在 24 周内收集的,包括 COVID 19 时期的 12 周,并用于开发和训练人工神经网络模型 (ANN) 以预测透析中临床事件的发生,例如:低血压、头痛、高血压、痉挛、胸痛、恶心、呕吐和呼吸困难。结果:我们的 ANN 模型在二元 ANN 中预测透析中并发症(事件或无事件)发生的平均精确度和召回率为 96%,AUC 为 99.3%,而分类 ANN 在预测事件类型方面的准确率为 82%。我们发现心率变化、平均收缩压、超滤率、透析液钠、膳食、尿素减少率、室内湿度和透析持续时间对透析中并发症的发生影响最大。讨论:我们的 ANN 模型可用于预测 HD 患者透析中临床事件的风险,并可为经常人手不足的透析部门的医疗保健决策提供支持,尤其是在 COVID 19 时代。