Resumen

Los modelos de vecino más cercano (NN) juegan un papel importante en el sistema de detección de intrusiones (IDS). Sin embargo, con la llegada de la era de los grandes datos, el modelo NN tiene las desventajas de baja eficiencia, sensibilidad al ruido y alta demanda de almacenamiento. Este artículo presenta un método de selección de prototipos vecinos basado en CCHPSO para la detección de intrusiones. En el modelo, la selección de prototipos y el ajuste de pesos de características se realizan simultáneamente y se utiliza el vecino más cercano k (KNN) como clasificador básico. Para abordar problemas de optimización a gran escala, se propone en este artículo un algoritmo de coevolución cooperativa basado en híbrido de enjambre de partículas estándar y enjambre de partículas binario, que emplea la estrategia de dividir y conquistar. Mientras tanto, se define una función de aptitud basada en la precisión y la tasa de reducción de datos en el CCHPSO para obtener un

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Vecino más próximo; Sistema de detección de intrusos; Big data; Método de selección de prototipos; CCHPSO; KNN
• Keywords:Nearest neighbor; Intrusion detection system; Big data; Prototype selection method; CCHPSO; KNN