A Survey of Advancement in AnomalyIntrusion Detection System
Notice bibliographique
Résumé
Abstract Every day, trillions of data transfer takes place on the internet. With such huge data transfer the hackers are evolving new and anomalous techniques to intrude and misuse it. Different neural approaches were implemented for the Intrusion Detection System (IDS) based on deep learning (DL) and machine learning (ML) frameworks that helped to maximize the forecasting accuracy. Researchers to help identify intrusion detection upto significant accuracy. However, because of the processing of a huge volume of data having redundant characteristics with irrelevant features, the efficiency of the IDS model is reduced. The researchers use a variety of feature selection strategies to avoid processing of irrelevant and redundant features. Selection of proper features leads to improvement in detection rate as well as processing time. This survey paper aims to provide insight on utilization of various data sets namely KDD Cup’99, NSL-KDD, Kyoto 2006+, UNSW-NB15, Canadian Institute for Cybersecurity Intrusion Detection System (CICIDS) 2017, Aegean WiFi Intrusion (AWID), Australian Defense Force Academy (ADFA), Cambridge and University of Brescia (UNIBS), Communications-Security Establishment and the Canadian-Institute for Cybersecurity (CSE-CIC) IDS 2018 in IDS. This survey paper also describes various classifiers and matrices used for anomaly intrusion detection. The key objective of the present research work to improve dataset for the identification of accurate intrusion detection.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».