論文の概要: Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2406.09180v1
• Date: Thu, 13 Jun 2024 14:42:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 17:14:49.467151
• Title: Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection
• Title（参考訳）: ネットワーク侵入検出のための検出レート強調多目的進化的特徴選択
• Authors: Zi-Hang Cheng, Haopu Shang, Chao Qian,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.104686670216445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network intrusion detection is one of the most important issues in the field of cyber security, and various machine learning techniques have been applied to build intrusion detection systems. However, since the number of features to describe the network connections is often large, where some features are redundant or noisy, feature selection is necessary in such scenarios, which can both improve the efficiency and accuracy. Recently, some researchers focus on using multi-objective evolutionary algorithms (MOEAs) to select features. But usually, they only consider the number of features and classification accuracy as the objectives, resulting in unsatisfactory performance on a critical metric, detection rate. This will lead to the missing of many real attacks and bring huge losses to the network system. In this paper, we propose DR-MOFS to model the feature selection problem in network intrusion detection as a three-objective optimization problem, where the number of features, accuracy and detection rate are optimized simultaneously, and use MOEAs to solve it. Experiments on two popular network intrusion detection datasets NSL-KDD and UNSW-NB15 show that in most cases the proposed method can outperform previous methods, i.e., lead to fewer features, higher accuracy and detection rate.
• Abstract（参考訳）: ネットワーク侵入検知はサイバーセキュリティの分野で最も重要な問題の一つであり、様々な機械学習技術が侵入検知システムの構築に応用されている。 しかし、ネットワーク接続を記述する機能の数が多いため、一部の機能は冗長あるいはノイズが多いため、そのようなシナリオでは機能の選択が必要であるため、効率と精度が向上する。 近年,多目的進化アルゴリズム (MOEA) を用いて特徴を抽出することに注力する研究者もいる。 しかし、通常は、目的として特徴の数と分類精度だけを考慮し、クリティカルメトリック、検出率において満足のいくパフォーマンスをもたらす。 これにより、多くの実際の攻撃が失われ、ネットワークシステムに大きな損失をもたらすことになる。 本稿では,ネットワーク侵入検出における特徴選択問題を,特徴数,精度,検出率を同時に最適化する3目的最適化問題としてモデル化するDR-MOFSを提案する。 NSL-KDDとUNSW-NB15の2つの一般的なネットワーク侵入検出データセットの実験では、ほとんどの場合、提案手法は従来の手法よりも優れている。

関連論文リスト

• 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)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Machine Learning-Based Intrusion Detection: Feature Selection versus Feature Extraction [3.5889226512319903]
  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。
  論文  参考訳（メタデータ） (2023-07-04T08:48:01Z)
• 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)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• Feature Analysis for ML-based IIoT Intrusion Detection [0.0]
  ネットワーク侵入検知システム(NIDS)の実装に強力な機械学習モデルが採用されている。 検出精度と計算効率を最大化するデータ特徴の適切なセットを選択することが重要である。 本稿では,ネットワーク攻撃の重要性と予測力の観点から,最適な特徴セットを広範囲に分析する。
  論文  参考訳（メタデータ） (2021-08-29T02:19:37Z)
• 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)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• 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)
• A cognitive based Intrusion detection system [0.0]
  侵入検知は、コンピュータネットワークのセキュリティを提供する重要なメカニズムの1つである。 本稿では,Deep Neural Network Ans Supportctor Machine Classifierに基づく新しい手法を提案する。 提案手法は, 侵入検知に類似した手法により, より精度良く攻撃を予測できる。
  論文  参考訳（メタデータ） (2020-05-19T13:30:30Z)
• FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
  マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。 本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。 このアプローチは、検出と追跡の両方において高い精度を達成する。
  論文  参考訳（メタデータ） (2020-04-04T08:18:00Z)

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。