Este documento propone un Sistema de Detección de Intrusos (IDS) que emplea el algoritmo de Optimización de Harris Hawks (HHO) para optimizar el aprendizaje de Perceptrón Multicapa mediante la optimización de los parámetros de sesgo y peso. HHO-MLP tiene como objetivo seleccionar parámetros óptimos en su proceso de aprendizaje para minimizar los errores de detección de intrusiones en las redes. HHO-MLP se ha implementado utilizando el marco EvoloPy NN, una herramienta de Python de código abierto especializada para entrenar MLP utilizando algoritmos evolutivos. Con el fin de comparar el modelo HHO con otras metodologías evolutivas actualmente disponibles, las medidas de especificidad y sensibilidad, las medidas de precisión y las medidas mse y rmse se han calculado utilizando conjuntos de datos KDD. Los experimentos han demostrado que el método HHO MLP es eficaz para identificar patrones maliciosos. HHO-MLP ha sido probado contra algoritmos evolutivos como el Algoritmo de Optimización de Mariposas (BOA), Algoritmos de Optimización de Saltamontes (GOA) y Optimizaciones de Viuda Negra (BOW), con validación por Random Forest (RF), XGBoost. HHO-MLP mostró un rendimiento superior al alcanzar las puntuaciones más altas con una tasa de precisión del 93,17%, un nivel de sensibilidad del 89,25% y un porcentaje de especificidad del 95,41%.

Cet article propose un système de détection d'intrusion (IDS) utilisant l'algorithme d'optimisation de Harris Hawks (HHO) pour optimiser l'apprentissage du perceptron multicouche en optimisant les paramètres de biais et de poids. HHO-MLP vise à sélectionner des paramètres optimaux dans son processus d'apprentissage afin de minimiser les erreurs de détection d'intrusion dans les réseaux. HHO-MLP a été mis en œuvre à l'aide du framework EvoloPy NN, un outil Python open source spécialisé dans la formation de MLP à l'aide d'algorithmes évolutifs. Afin de comparer le modèle HHO à d'autres méthodologies évolutives actuellement disponibles, des mesures de spécificité et de sensibilité, des mesures de précision et des mesures mse et rmse ont été calculées à l'aide d'ensembles de données KDD. Des expériences ont démontré que la méthode HHO MLP est efficace pour identifier les modèles malveillants. HHO-MLP a été testé contre des algorithmes évolutifs tels que Butterfly Optimization Algorithm (BOA), Grasshopper Optimization Algorithms (GOA) et Black Widow Optimizations (BOW), avec validation par Random Forest (RF), XGBoost. HHO-MLP a montré des performances supérieures en obtenant les meilleurs scores avec un taux de précision de 93,17 %, un niveau de sensibilité de 89,25 % et un pourcentage de spécificité de 95,41 %.

This paper proposes an Intrusion Detection System (IDS) employing the Harris Hawks Optimization algorithm (HHO) to optimize Multilayer Perceptron learning by optimizing bias and weight parameters. HHO-MLP aims to select optimal parameters in its learning process to minimize intrusion detection errors in networks. HHO-MLP has been implemented using EvoloPy NN framework, an open-source Python tool specialized for training MLPs using evolutionary algorithms. For purposes of comparing the HHO model against other evolutionary methodologies currently available, specificity and sensitivity measures, accuracy measures, and mse and rmse measures have been calculated using KDD datasets. Experiments have demonstrated the HHO MLP method is effective at identifying malicious patterns. HHO-MLP has been tested against evolutionary algorithms like Butterfly Optimization Algorithm (BOA), Grasshopper Optimization Algorithms (GOA), and Black Widow Optimizations (BOW), with validation by Random Forest (RF), XGBoost. HHO-MLP showed superior performance by attaining top scores with accuracy rate of 93.17%, sensitivity level of 89.25%, and specificity percentage of 95.41%.

تقترح هذه الورقة نظام كشف التسلل (IDS) الذي يستخدم خوارزمية تحسين هاريس هوكس (HHO) لتحسين تعلم بيرسبترون متعدد الطبقات من خلال تحسين التحيز ومعلمات الوزن. يهدف HHO - MLP إلى تحديد المعلمات المثلى في عملية التعلم لتقليل أخطاء اكتشاف التسلل في الشبكات. تم تنفيذ HHO - MLP باستخدام إطار EvoloPy NN، وهي أداة بايثون مفتوحة المصدر متخصصة في تدريب MLPs باستخدام الخوارزميات التطورية. لأغراض مقارنة نموذج مكتب الإسكان بالمنهجيات التطورية الأخرى المتاحة حاليًا، تم حساب مقاييس الخصوصية والحساسية ومقاييس الدقة ومقاييس MSE و RMSE باستخدام مجموعات بيانات KDD. وقد أظهرت التجارب أن طريقة البرمجة اللغوية متعددة الأغراض لبيت الكلب فعالة في تحديد الأنماط الخبيثة. تم اختبار HHO - MLP مقابل الخوارزميات التطورية مثل خوارزمية تحسين الفراشة (BOA)، وخوارزميات تحسين الجندب (GOA)، وتحسينات الأرملة السوداء (BOW)، مع التحقق من صحتها بواسطة Random Forest (RF)، XGBoost. أظهر HHO - MLP أداءً فائقًا من خلال تحقيق أعلى الدرجات بمعدل دقة 93.17 ٪، ومستوى حساسية 89.25 ٪، ونسبة خصوصية 95.41 ٪.