論文の概要: Feature Selection-based Intrusion Detection System Using Genetic Whale
Optimization Algorithm and Sample-based Classification
- arxiv url: http://arxiv.org/abs/2201.00584v1
- Date: Mon, 3 Jan 2022 11:05:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 17:32:41.259103
- Title: Feature Selection-based Intrusion Detection System Using Genetic Whale
Optimization Algorithm and Sample-based Classification
- Title（参考訳）: 遺伝的鯨最適化アルゴリズムとサンプル分類を用いた特徴選択に基づく侵入検知システム
- Authors: Amir Mojtahedi, Farid Sorouri, Alireza Najafi Souha, Aidin Molazadeh,
Saeedeh Shafaei Mehr
- Abstract要約: ホエール最適化アルゴリズム(WOA)と遺伝的アルゴリズム(GA)とサンプルベース分類を組み合わせた特徴選択を用いたネットワーク侵入検知システムを提案する。
提案手法は,Whale最適化アルゴリズムと遺伝的アルゴリズムを組み合わせた特徴選択と,KNN分類を精度基準で組み合わせることで,従来の方法よりも優れた結果が得られる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Preventing and detecting intrusions and attacks on wireless networks has
become an important and serious challenge. On the other hand, due to the
limited resources of wireless nodes, the use of monitoring nodes for permanent
monitoring in wireless sensor networks in order to prevent and detect intrusion
and attacks in this type of network is practically non-existent. Therefore, the
solution to overcome this problem today is the discussion of remote-control
systems and has become one of the topics of interest in various fields. Remote
monitoring of node performance and behavior in wireless sensor networks, in
addition to detecting malicious nodes within the network, can also predict
malicious node behavior in future. In present research, a network intrusion
detection system using feature selection based on a combination of Whale
optimization algorithm (WOA) and genetic algorithm (GA) and sample-based
classification is proposed. In this research, the standard data set KDDCUP1999
has been used in which the characteristics related to healthy nodes and types
of malicious nodes are stored based on the type of attacks in the network. The
proposed method is based on the combination of feature selection based on Whale
optimization algorithm and genetic algorithm with KNN classification in terms
of accuracy criteria, has better results than other previous methods. Based on
this, it can be said that the Whale optimization algorithm and the genetic
algorithm have extracted the features related to the class label well, and the
KNN method has been able to well detect the misconduct nodes in the intrusion
detection data set in wireless networks.
- Abstract（参考訳）: 無線ネットワークへの侵入や攻撃の防止と検出は、重要かつ深刻な課題となっている。
一方、無線ノードの資源が限られているため、無線センサネットワークにおける侵入や攻撃を防止・検出するために、恒久的な監視のために監視ノードを使用することは事実上存在しない。
そのため、この問題を解決するための解決策は遠隔制御システムの議論であり、様々な分野の関心事の一つとなっている。
無線センサネットワークにおけるノードのパフォーマンスと動作のリモート監視,ネットワーク内の悪意のあるノードの検出に加えて,将来的な悪意のあるノード動作の予測も可能になる。
本研究では,クジラ最適化アルゴリズム (woa) と遺伝的アルゴリズム (ga) の組み合わせとサンプルベース分類を組み合わせた特徴選択を用いたネットワーク侵入検出システムを提案する。
本研究では,ネットワーク内の攻撃のタイプに基づいて,健康ノードや悪意のあるノードの種類に関する特徴を格納する標準データセットであるkddcup1999を用いている。
提案手法は,Whale最適化アルゴリズムと遺伝的アルゴリズムを組み合わせた特徴選択と,KNN分類を精度基準として組み合わせ,他の手法よりも優れた結果が得られる。
このことから、鯨の最適化アルゴリズムと遺伝的アルゴリズムは、クラスラベルに関する特徴をよく抽出し、kn法は無線ネットワークに設定された侵入検出データの不正なノードを適切に検出することができたと言える。
関連論文リスト
- Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection [21.104686670216445]
ネットワーク侵入検出における特徴選択問題を3目的最適化問題としてモデル化するDR-MOFSを提案する。
ほとんどの場合、提案手法は従来の手法、すなわちより少ない特徴、より高い精度と検出率を達成できる。
論文 参考訳（メタデータ） (2024-06-13T14:42:17Z) - LGTBIDS: Layer-wise Graph Theory Based Intrusion Detection System in
Beyond 5G [9.63617966257402]
侵入検知は、通信ネットワークのセキュリティを確保するための中心的なアプローチを示す。
The Layerwise Graph Theory-Based Intrusion Detection System (LGTBIDS) algorithm is designed to detect the attacked node。
結果は、より良いパフォーマンス、低い時間計算、低い複雑さを検証します。
論文 参考訳（メタデータ） (2022-10-06T05:32:03Z) - A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。
ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。
その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
論文 参考訳（メタデータ） (2022-09-16T17:20:23Z) - Mixture GAN For Modulation Classification Resiliency Against Adversarial
Attacks [55.92475932732775]
本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。
GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。
シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
論文 参考訳（メタデータ） (2022-05-29T22:30:32Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。
元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。
私たちのコードは、将来的な比較作業のためにオープンソースにされます。
論文 参考訳（メタデータ） (2021-07-01T08:58:16Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - Malicious Requests Detection with Improved Bidirectional Long Short-term
Memory Neural Networks [8.379440129896548]
我々は、時間的シーケンス分類問題として悪意のある要求を検出する問題を定式化する。
我々は,CNN-BiLSTM-CNN(CNN-BiLSTM-CNN)という新しいディープラーニングモデルを提案する。
HTTPデータセットCSIC 2010の実験結果は,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2020-10-26T02:27:44Z) - Deep Learning based Covert Attack Identification for Industrial Control
Systems [5.299113288020827]
我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。
このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳（メタデータ） (2020-09-25T17:48:43Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。