Hybridizing Base-Line 2D-CNN Model with Cat Swarm Optimization for Enhanced Advanced Persistent Threat Detection

要約

サイバーセキュリティの分野では、APT (Advanced Persistent Threat) のステルス性と洗練された性質により、その検出は依然として困難な課題となっています。
この研究論文では、畳み込みニューラル ネットワーク (CNN) と 2D ベースライン モデルを活用し、最先端の Cat Swarm Optimization (CSO) アルゴリズムによって強化され、APT 検出精度を大幅に向上させる革新的なアプローチを紹介します。
2D-CNN ベースライン モデルを CSO とシームレスに統合することで、APT 検出における前例のない精度と効率の可能性を解き放ちます。
その結果、$98.4\%$ という驚異的な精度スコアが明らかになり、さまざまな攻撃段階にわたる APT 検出の大幅な強化が示され、これらの執拗で洗練された脅威と戦う上で前進する道が明らかになりました。

要約(オリジナル)

In the realm of cyber-security, detecting Advanced Persistent Threats (APTs) remains a formidable challenge due to their stealthy and sophisticated nature. This research paper presents an innovative approach that leverages Convolutional Neural Networks (CNNs) with a 2D baseline model, enhanced by the cutting-edge Cat Swarm Optimization (CSO) algorithm, to significantly improve APT detection accuracy. By seamlessly integrating the 2D-CNN baseline model with CSO, we unlock the potential for unprecedented accuracy and efficiency in APT detection. The results unveil an impressive accuracy score of $98.4\%$, marking a significant enhancement in APT detection across various attack stages, illuminating a path forward in combating these relentless and sophisticated threats.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google