A computer network may be impacted by malware, computer viruses, and other hostile attacks. One of the most important elements of network security as an active defence technology is Intrusion Detection System (IDS). Issues with traditional intrusion detection systems include low detection effectiveness, inaccurate results, and an inability to handle new types of intrusions. This paper implemented a deep LSTMs with attention mechanism approach for IDS. The proposed technique is determined on Bot-IoT dataset, and z-score normalization is performed to normalize data. Information Gain (IG) is utilized to choose the features. A deep LSTMs with attention mechanism is used to effectively identify and categorize IDS effectively. The IG-deep LSTMs with attention mechanism achieves better accuracy using of 99.70% and 99.60% in NSL-KDD and CIC-IDS2017 datasets respectively.

The necessity of the continuous risk assessment as well as management is attracting the people due to the requirement of protecting the risk. The management of the risk plays a significant part in solving the cyber threats within Cyber-Physical System (CPS). However, because of the enhanced complexity of CPS, the cyber-attacks are the most urbane as well as low predictable, which made the risk management tasks more challenging. This research proposes the efficient Cyber Security Risk Management (CSRM) repetition by the utilization of the Weighted Fuzzy C Means (WFCM) clustering for the prediction and management of the cyber risk. Initially, VCDB dataset is collected to estimate the effectiveness of the model and Term Frequency-Inverse Document Frequency (TF-IDF) approach is utilized for the extraction of feature from the collected data. Then, feature selection is performed by using Principal Component Analysis (PCA) and prediction is performed by the utilization of the WFCM. The effectiveness of the WFCM is estimated by using various performance metrices and it achieves the accuracy of 84.2% and precision of 0.746 when compared to the existing methods such as fuzzy and DeepSpamPhisNet (DSPN).

The rapid development of number of connected devices exchange sensitive and personal significant data through Internet of Things (IoT)-assisted global network, attacks which are targeting security services are also enhancing every day. This paper proposed a Mayfly Optimization Algorithm (MOA) with Bidirectional Long-Short Term Memory (BiLSTM) for Intrusion Detection System (IDS) in $\text{IoT}$ . The MOA is used for feature selection which select relevant features through balancing exploration and exploitation. The BiLSTM is used for classifying network into attack and normal which process the data in both forward and backward directions, allowing them to capture dependencies between events that might be far apart in sequence. The min-max normalization is used to normalize the continuous features from NSL-KDD, ToN-IoT and UNSW-NB15 datasets. The recall, accuracy, f1-score and precision are considered to evaluate MOA-BiLSTM performance. The MOA-BiLSTM realizes accuracy of 99.25%, 89.61% and 99.35% accuracy for NSL-KDD, ToN-IoT and UNSW-NB15 datasets when compared to existing techniques such as LSTM and Deep Neural Network (DNN).

The Distributed Denial of Service (DDoS) attacks is a critical cyber security threat that blocks the services for users and leads to important damage for reputation and effective customers. The existing methods provides low classification accuracy due to irrelevant features in classification performance. The Improved Whale Optimization Algorithm (IWOA) is proposed for the selecting of relevant features which improved the classification performance. The selected features are detected and classified by Optimized Long Short-Term Memory (OLSTM) that provided high detection rate of DDoS attacks. The one-hot encoding and min-max normalization techniques are used in the data pre-processing stage to improve the performance of classification. The CIC-DDoS 2019 dataset are used for evaluating the proposed method. The IWOA-OLSTM method attained highest accuracy 97.12%, precision 96.74%, recall 96.27%. f1-score 96.54% and DR 93.26% on CIC-DDoS 2019 dataset which is effective than Convolutional Neural Network (CNN) - Bidirectional Long Short-Term Memory (BiLSTM) and CNN-LSTM.