論文の概要: Machine Learning-Based Intrusion Detection: Feature Selection versus Feature Extraction

• arxiv url: http://arxiv.org/abs/2307.01570v1
• Date: Tue, 4 Jul 2023 08:48:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 17:49:47.472320
• Title: Machine Learning-Based Intrusion Detection: Feature Selection versus Feature Extraction
• Title（参考訳）: 機械学習に基づく侵入検出:特徴選択と特徴抽出
• Authors: Vu-Duc Ngo, Tuan-Cuong Vuong, Thien Van Luong, and Hung Tran
• Abstract要約: モノのインターネット(IoT)デバイスは、サイバー攻撃に対して非常に脆弱である。 機械学習に基づくIoTネットワークの侵入検出手法が開発されている。 本稿では,この2つの特徴量検出手法の総合的な比較を行った。
• 参考スコア（独自算出の注目度）: 3.5889226512319903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internet of things (IoT) has been playing an important role in many sectors, such as smart cities, smart agriculture, smart healthcare, and smart manufacturing. However, IoT devices are highly vulnerable to cyber-attacks, which may result in security breaches and data leakages. To effectively prevent these attacks, a variety of machine learning-based network intrusion detection methods for IoT networks have been developed, which often rely on either feature extraction or feature selection techniques for reducing the dimension of input data before being fed into machine learning models. This aims to make the detection complexity low enough for real-time operations, which is particularly vital in any intrusion detection systems. This paper provides a comprehensive comparison between these two feature reduction methods of intrusion detection in terms of various performance metrics, namely, precision rate, recall rate, detection accuracy, as well as runtime complexity, in the presence of the modern UNSW-NB15 dataset as well as both binary and multiclass classification. For example, in general, the feature selection method not only provides better detection performance but also lower training and inference time compared to its feature extraction counterpart, especially when the number of reduced features K increases. However, the feature extraction method is much more reliable than its selection counterpart, particularly when K is very small, such as K = 4. Additionally, feature extraction is less sensitive to changing the number of reduced features K than feature selection, and this holds true for both binary and multiclass classifications. Based on this comparison, we provide a useful guideline for selecting a suitable intrusion detection type for each specific scenario, as detailed in Tab. 14 at the end of Section IV.
• Abstract（参考訳）: スマートシティ、スマート農業、スマートヘルスケア、スマート製造など、多くの分野において、IoT(Internet of Things)が重要な役割を担っている。 しかし、IoTデバイスはサイバー攻撃に非常に脆弱であり、セキュリティ侵害やデータ漏洩を引き起こす可能性がある。 これらの攻撃を効果的に防止するために、さまざまな機械学習ベースのIoTネットワーク侵入検知手法が開発されており、機械学習モデルに入力される前の入力データの次元を減らすために、しばしば特徴抽出または特徴選択技術のいずれかに依存している。 これは、リアルタイム操作のための検出の複雑さを低くすることを目的としており、特に侵入検知システムでは不可欠である。 本稿は,最新のUNSW-NB15データセットとバイナリクラスとマルチクラス分類の両方が存在する場合において,これらの2つの特徴量削減手法を,精度,リコール率,検出精度,ランタイム複雑性といった様々なパフォーマンス指標で総合的に比較する。 例えば、一般的には、特徴選択法は、より優れた検出性能を提供するだけでなく、特徴抽出よりも低いトレーニングと推論時間を提供する。 しかし、特徴抽出法はその選択法よりもはるかに信頼性が高く、特にK = 4 のような K が非常に小さい場合である。 さらに、特徴抽出は、特徴選択よりも縮小された特徴kの数を変更することに対する感受性が低く、バイナリクラスとマルチクラスの両方に当てはまる。 この比較に基づいて,タブで詳述したように,特定のシナリオごとに適切な侵入検出タイプを選択するための有用なガイドラインを提供する。 第4節の最後で14。

関連論文リスト

• Feature Selection for Network Intrusion Detection [3.7414804164475983]
  本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。 提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
  論文  参考訳（メタデータ） (2024-11-18T14:25:55Z)
• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• 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)
• Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
  モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。 既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。 我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:23Z)
• Effective Metaheuristic Based Classifiers for Multiclass Intrusion Detection [0.0]
  侵入検知は情報システムやネットワークデバイスのセキュリティにおいて重要な役割を果たす。 大量のデータを持つことは、攻撃を検出する上で重要な問題のひとつだ。 特徴選択法は、最適な特徴を選択し、最大限の精度を達成するための鍵となる役割を担っている。
  論文  参考訳（メタデータ） (2022-10-06T04:56:01Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• An Explainable Machine Learning-based Network Intrusion Detection System for Enabling Generalisability in Securing IoT Networks [0.0]
  機械学習(ML)ベースのネットワーク侵入検知システムは、組織のセキュリティ姿勢を高める多くの利点をもたらす。 多くのシステムは研究コミュニティで設計・開発されており、特定のデータセットを用いて評価すると、しばしば完璧な検出率を達成する。 本稿では,異なるネットワーク環境と攻撃タイプに設定した共通機能の汎用性を評価することにより,ギャップを狭める。
  論文  参考訳（メタデータ） (2021-04-15T00:44:45Z)
• Supervised Feature Selection Techniques in Network Intrusion Detection: a Critical Review [9.177695323629896]
  機械学習技術は、ネットワーク侵入検出の貴重なサポートになりつつある。 データトラフィックを特徴付ける膨大な多様性と多数の機能に対処することは難しい問題です。 機能領域を縮小し、最も重要な機能のみを保持することで、FS(Feature Selection)はネットワーク管理において重要な前処理ステップとなる。
  論文  参考訳（メタデータ） (2021-04-11T08:42:01Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。