摘要 深度学习已成为现代网络安全解决方案的基础，特别是在入侵检测、恶意软件分析和异常检测方面。然而，其有效性常常受到高维特征空间和复杂超参数设置的挑战制约。近年来，基于自然启发的优化技术——如遗传算法、粒子群优化、蚁群优化、萤火虫算法和差分进化——逐渐被探索以克服这些限制。这些算法提供了全球搜索能力、灵活性和鲁棒性，使其非常适合在对抗性和动态网络环境中优化深度学习系统。本文对2020年至2024年间发表的经过同行评审的文献进行了全面回顾，重点集中于将自然启发的优化技术整合到网络安全的深度学习中。该回顾围绕两个核心优化维度构建： (i) 特征选择和 (ii) 超参数调优。对于每一个维度，我们批判性地评估代表性的方法，讨论多个应用领域（如物联网、工业控制系统、安卓）的实证发现，并突出这些算法如何解决关键性能瓶颈。该回顾旨在通过综合趋势、识别空白和概述设计原则，指导研究人员开发适用于安全关键应用的鲁棒和自适应深度学习模型。本文分类于：商业、法律和伦理问题 > 安全与隐私技术 > 机器学习技术 > 人工智能
Mallidi 等人（周一）研究了这个问题。