A Network Intrusion Detection System Based on a Hybrid Machine Learning Approach

Abstract

With the rapid growth of Internet of Things (IoT) devices, systems have become signiicantly more exposed to cyberattacks. Traditional security solutions are no longer suicient on their own, making Intrusion Detection Systems (IDS) essential for strengthening the protection of IoT networks. In this work, we propose a hybrid model combining three techniques: the Grey Wolf Optimizer (GWO), LightGBM, and Convolutional Neural Networks (CNN). GWO is used to select the most relevant features in order to reduce data complexity and improve system performance. LightGBM provides fast and eicient learning while maintaining low memory consumption. Finally, CNN is employed to extract deeper representations from LightGBM outputs and perform the inal classiication.

Experiments conducted on the CICIoT2023 and CICIoMT2024 datasets demonstrate the strong performance of the proposed model. On CICIoT2023, it achieves an accuracy of 95.24% with a high detection rate, including 99.85% for DDoS attacks. On CICIoMT2024, the model achieves an accuracy of 99.50% and a precision of 99.52%.

Moreover, the model maintains a low false alarm rate, which is crucial for IDS applications. Overall, the proposed model outperforms several conventional machine learning algorithms, including Random Forest and SVM, as well as deep learning models such as CNN, LSTM, and Multi-Head Attention. ----------------------------------------------------------------- مع النمو السريع للأجهزة المتصلة بالإنترنت IoT، أصبحت الأنظمة أكثر عرضة للهجمات السيبرانية. لم تعد حلول الأمن التقليدية كافية بمفردها، مما يجعل أنظمة كشف التسلل IDS ضرورية لتعزيز حماية شبكات إنترنت الأشياء.

في هذا العمل، نقترح نموذجًا هجينًا يجمع بين ثلاث تقنيات: خوارزمية تحسين ذئب رمادي Grey Wolf Optimization ، وLightGBM، والشبكات العصبية الالتفافية CNN. تُستخدم خوارزمية GWO لاختيار أهم الخصائص بهدف تقليل تعقيد البيانات وتحسين كفاءة النظام. يتيح LightGBM تعلماً سريعاً وفعالاً مع استهلاك منخفض للذاكرة. وأخيراً، تُستخدم CNN لاستخراج تمثيلات أعمق من مخرجات LightGBM وإجراء التصنيف النهائي.

تُظهر التجارب التي أُجريت على مجموعتي البيانات CICIoT2023 وCICIoMT2024 أن النموذج المقترح يقدم أداءً جيداً جداً. على مجموعة CICIoT2023، حقق النموذج دقة بلغت 95.24% مع معدل كشف مرتفع، بما في ذلك 99.85% لهجمات حجب الخدمة الموزعة DDoS. أما على مجموعة CICIoMT2024، فقد كانت النتائج أفضل، حيث بلغت الدقة 99.50% والدقة الإيجابية 99.52%

علاوة على ذلك، يحافظ النموذج على معدل منخفض من الإنذارات الكاذبة، وهو أمر مهم جداً لتطبيقات IDS. وبشكل عام، يتفوق النموذج على عدة طرق تقليدية في التعلم الآلي مثل Random Forest وSVM، بالإضافة إلى نماذج التعلم العميق مثل CNN وLSTM وآلية الانتباه متعدد الرؤوس Multi-Head Attention. ------------------------------------------------------------------------ With the rapid growth of Internet of Things (IoT) devices, systems have become signiicantly more exposed to cyberattacks. Traditional security solutions are no longer suicient on their own, making Intrusion Detection Systems (IDS) essential for strengthening the protection of IoT networks. In this work, we propose a hybrid model combining three techniques: the Grey Wolf Optimizer (GWO), LightGBM, and Convolutional Neural Networks (CNN). GWO is used to select the most relevant features in order to reduce data complexity and improve system performance. LightGBM provides fast and eicient learning while maintaining low memory consumption. Finally, CNN is employed to extract deeper representations from LightGBM outputs and perform the inal classiication.

Experiments conducted on the CICIoT2023 and CICIoMT2024 datasets demonstrate the strong performance of the proposed model. On CICIoT2023, it achieves an accuracy of 95.24% with a high detection rate, including 99.85% for DDoS attacks. On CICIoMT2024, the model achieves an accuracy of 99.50% and a precision of 99.52%.

Moreover, the model maintains a low false alarm rate, which is crucial for IDS applications. Overall, the proposed model outperforms several conventional machine learning algorithms, including Random Forest and SVM, as well as deep learning models such as CNN, LSTM, and Multi-Head Attention.