Pendanaan: Penulis tidak menerima pendanaan khusus untuk karya ini.

ABSTRAK

Dengan meningkatnya jenis dan kompleksitas serangan jaringan, dan popularisasi perangkat Internet yang cepat, masalah keamanan jaringan menjadi semakin serius. Model deteksi intrusi jaringan tradisional sulit untuk sepenuhnya menangkap fitur data dalam lingkungan jaringan skala besar, yang mengakibatkan tingkat positif palsu dan negatif palsu yang tinggi. Oleh karena itu, model deteksi intrusi jaringan yang mengintegrasikan algoritma pengelompokan puncak kepadatan dan BiLSTM yang ditingkatkan dirancang. Model tersebut menggunakan jaringan saraf konvolusional untuk mengekstraksi fitur spasial dan menggabungkan BiLSTM untuk mengekstraksi fitur deret waktu. Kemudian, algoritma pengelompokan puncak kepadatan diterapkan untuk memfilter sampel abnormal, yang meningkatkan representasi fitur. Akhirnya, XGBoost digunakan untuk menyelesaikan keputusan klasifikasi. Model yang diusulkan memiliki tingkat deteksi 95,8%, tingkat positif palsu 4,2%, efisiensi komputasi 720 sampel/detik, dan nilai AUC 0,96, yang secara signifikan lebih baik daripada model perbandingan lainnya. Hasil penelitian menunjukkan bahwa algoritma pengelompokan puncak kepadatan gabungan secara signifikan meningkatkan kemampuan model untuk mengidentifikasi serangan yang tidak diketahui, dengan ekstraksi fitur yang efisien dan kemampuan deteksi anomali, memberikan solusi yang efektif untuk meningkatkan efektivitas deteksi keamanan jaringan dan dukungan teknis yang penting untuk membangun sistem keamanan jaringan yang cerdas dan efisien.