New class‐dependent feature transformation for intrusion detection systems
Notice bibliographique
Résumé
ABSTRACT Intrusion Detection Systems (IDS) mainly focus on the original features extracted from the communications networks without complex pre‐processing. In this paper, we propose new methods for class‐dependent feature transformation to improve the accuracy of the IDS. In the previously known class‐dependent feature transformation methods, the mapping process is accomplished by employing separate mapping matrices for each class of the dataset. In the training phase, samples of each class is mapped using only the corresponding matrix, whereas, in the test phase, each sample is mapped using all transformation matrices. This may lead to inaccuracy in classification. We modify the training and test phases of the class‐dependent methods to extract more information from the dataset in the training phase that the other class‐dependent methods ignore. Unlike the previously known class‐dependent methods, the training and test phases of our proposed methods are very similar. We evaluate the performance of the proposed methods by measuring Mutual Information, and Maximum‐Relevancy Minimum‐Redundancy Information on a benchmark dataset for intrusion detection, namely NSL‐KDD dataset, and on three different types of classifiers: distance‐based, neural network‐based, and decision tree‐based classifiers. The experimental results demonstrate that the classifiers trained on the dataset transformed by our proposed feature transformation methods are more accurate in detecting intruders. In all experiments, the proposed methods perform better than their peers in increasing the classifier accuracy and reducing the false alarm of the detection process. Copyright © 2011 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».