Retracted: An innovation analysis of Machine Learning model to Automate Network Anomaly Detection through Time Series Analysis
Pourquoi ce travail est-il 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.
Dossier post-publication
OpenAlex signale ce travail comme rétracté, mais aucune notice correspondante de Retraction Watch ne figure dans cette base.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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
Résumé
This paper explores the potential of machine-mastering models to automate network Anomaly Detection (NAD) through Time series analysis. We employ a two-level method wherein the primary degree entails function selection thru foremost component analysis (PCA), accompanied by gadget mastering (ML) model choice from more than a few supervised studying algorithms. The second stage evaluates the overall performance of the numerous selected ML models and optimizes theirhyperparameters when necessary. Our experiments demonstrate that ML-driven computerized network Anomaly Detection can provide accurate and well-timed detection of network anomalies with little supervision and parameter tuning attempts. The outcomes of our experiments display that Random Forests and Support Vector Machines (SVMs) carry out first-rate some of the model’s grid searches, demonstrating aggressive accuracy and precision ratings from an anomaly detection perspective. We also intensely evaluate the consequences and provide insightful discussion on the possibilities and challenges surrounding using ML for automatic community Anomaly 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.
La notice
- Revue
- Thématique
- Network Security and Intrusion Detection
- Domaine
- Computer Science
- Établissements canadiens
- Horizon College and Seminary
- Organismes subventionnaires
- —
- Mots-clés
- Anomaly detectionComputer scienceTime seriesSeries (stratigraphy)Artificial intelligenceMachine learningAnomaly (physics)Data mining
- Résumé présent dans OpenAlex
- oui