最近，机器学习（ML）技术已被应用于各种入侵检测系统（IDS），以自动检测和分类已知及未知攻击。由于攻击行为在大量数据中快速变化，导致了各种问题。采用机器学习算法开发的现有入侵检测系统通常难以识别和检测各种未知攻击，并且由于缺乏学习和模式识别，未能达到已知攻击所需的检测准确性。因此，本研究将深度学习（DL）技术与入侵检测系统相结合，以深入学习数据集，识别最重要的特征，并在检测准确性方面实现合理的性能。然而，这种系统需要大量时间来预测攻击。本研究提出了一种改进的入侵检测系统框架，应用特征工程与混合模糊支持向量机（FSVM）基础的卷积神经网络（CNN）分类器，以提高检测率和效率。模糊逻辑使FSVM能够处理不确定数据，并为输入添加自适应隶属度，从而生成比传统支持向量机更好的结果，同时降低模糊或噪声数据样本的影响。FSVM的精炼数据由CNN处理，识别时间攻击模式，以增强特征提取准确性和分类检测。通过将FSVM与CNN集成，更精确的攻击检测变得可能，因为不平衡数据集得到了更有效的处理，更好地推广到新的攻击模式。利用模糊逻辑和时间约束，提出的入侵检测系统将网络流量相应地分类为CICIDS2017（DoS/DDoS、暴力破解、渗透、网络攻击、僵尸网络和正常）和UNSW-NB15（模糊器、分析、后门、DoS、利用、通用、侦察、shellcode、蠕虫和正常）中存在的现代攻击家族。我们使用CICIDS2017和UNSW-NB15基准数据集进行了广泛的实验评估，结果显示在检测准确性和计算效率方面优于现有的基于机器学习和深度学习的入侵检测模型。
Suma等人（星期六）研究了这个问题。