基于猫群优化的混合基础线2D-CNN模型以增强先进持续威胁检测
发表于: 。本研究解决了网络安全中检测先进持续威胁(APT)的困难,通过结合2D基础线卷积神经网络(CNN)与猫群优化(CSO)算法,提出了一种创新的方法以显著提升APT检测的准确性。研究结果显示,该方法在各种攻击阶段中达到98.4%的准确率,展现了在应对复杂威胁方面的潜在影响。
本研究解决了网络安全中检测先进持续威胁(APT)的困难,通过结合2D基础线卷积神经网络(CNN)与猫群优化(CSO)算法,提出了一种创新的方法以显著提升APT检测的准确性。研究结果显示,该方法在各种攻击阶段中达到98.4%的准确率,展现了在应对复杂威胁方面的潜在影响。