On efficiency enhancement of the correlation-based feature selection for intrusion detection systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The dramatic increase in the network traffic data has become a major concern in security systems. Intrusion detection systems (TDSs), as common widely used security systems for communication networks, are not an exception. An IDS monitors the network traffic to detect attacks through classifying the network traffic data into normal and abnormal classes. Due to the high dimensionality of the network traffic data, it is not always feasible for an IDS to detect intrusions quickly and accurately. Feature selection emerges as a necessary step in designing an IDS to overcome its shortcoming and enhance its performance through the reduction of its complexity and acceleration of the detection process. To this end, in this paper, we address the problem of dimensionality reduction by proposing an efficient feature selection algorithm that considers the correlation between a subset of features and the behavior class label. Correlation-based feature selection (CFS) and symmetrical uncertainty (SU) are the two correlation metrics used to measure the dependency level between features and class labels, and among features. Experimental results on NSL-KDD dataset shows that the proposed approach with fewer features, significantly outperforms the existing schemes in terms of the training time, time taken to build the model, while it preserves or increases the system accuracy. In addition, the efficiency of the proposed feature selection technique is tested on different classification algorithms and comparison results indicates that J48 classifier with the highest accuracy and precision values and lowest miss rate and false alarm rate values, performs better with the proposed feature selection technique.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle