Predict Network Intruder Using Machine Learning Model and Classification
Notice bibliographique
Résumé
The massive number of sensors deployed in IoT generates humongous volumes of data for a broad range of applications such as smart home, smart healthcare, smart manufacturing, smart transportation, smart grid, smart agriculture etc. Analyzing such data in order to facilitate enhanced decision making and increase productivity and accuracy is a critical process for businesses and life improving paradigm. Machine Learning would play a vital role in creating smarter techniques to predict the intruder from the dataset. It has shown remarkable results in different fields, including Network security, image recognition, information retrieval, speech recognition, natural language processing, indoor localization, physiological and psychological state detection, etc. In this regard, intrusion detection is becoming a research focus in the field of information security. In our experiment, we used the CICIDS2017 data set to predict the Network Intruder. The Canadian Institute of Cyber Security released the data set CICIDS-2017, which consists of eight separate files and includes five days’ worth of normal cum abnormal network packet data. The goal of this research is to examine relevant and significant elements of large network packets in order to increase network packet attack detection accuracy and reduce execution time. We choose important and meaningful features by applying Information Gain, ranking and grouping features based on little weight values on the CICIDS-2017 dataset; and then use Random Forest (RF), Random Tree (RT), Naive Bayes (NB), Bayes Net (BN), and J48 classifier algorithms. The findings of the experiment reveal that the amount of relevant and significant features produced by Information Gain has a substantial impact on improving detection accuracy and execution time. The Random Forest method, for example, has the best accuracy with 0.14% of negative results when using 22 relevant selected features, whereas the Random Tree classifier algorithm has a higher accuracy with 0.13% of negative results when using 52 relevant selected features but takes a longer execution time.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».