Mejorando la Detección de Intrusiones en Redes de Sensores Inalámbricos Utilizando un Enfoque GSWO-CatBoost

Los sistemas de detección de intrusiones (IDS) en redes de sensores inalámbricos (WSN) dependen en gran medida de la selección efectiva de características (FS) para una mayor eficacia. Este estudio propone un enfoque novedoso llamado Optimización de Ballenas Genéticas Sacrificiales (GSWO) para abordar las limitaciones de los métodos convencionales. GSWO combina un algoritmo genético (GA) y algoritmos de optimización de ballenas (WOA) modificados mediante la aplicación de una nueva estrategia de división en tres poblaciones con una opción condicional heredada propuesta (CIC) para superar la convergencia prematura en WOA. El enfoque propuesto logra un equilibrio entre la exploración y la explotación y mejora las habilidades de búsqueda global. Además, se emplea el modelo CatBoost para la clasificación, manejando de manera efectiva datos categóricos con patrones complejos. Se introduce una nueva técnica para ajustar finamente los hiperparámetros de CatBoost, utilizando cuantización efectiva y la estrategia GSWO. Experimentos extensivos en varios conjuntos de datos demuestran la superioridad de GSWO-CatBoost, alcanzando tasas de precisión más altas en los conjuntos de datos WSN-DS, WSNBFSF, NSL-KDD y CICIDS2017 que los enfoques existentes. Las evaluaciones integrales destacan la aplicabilidad en tiempo real y la precisión del método propuesto a través de diversas fuentes de datos, incluyendo conjuntos de datos especializados de WSN y referencias establecidas. Específicamente, nuestro método GSWO-CatBoost tiene un tiempo de inferencia casi 100 veces más rápido que los métodos de aprendizaje profundo, logrando tasas de precisión altas del 99.65%, 99.99%, 99.76% y 99.74% para WSN-DS, WSNBFSF, NSL-KDD y CICIDS2017, respectivamente.