Design and Evaluation of BE-RF Framework on Multi-Dataset: A Network Intrusion Detection System Using Ensemble Learning with Random Forest
Notice bibliographique
Résumé
Cyber-attacks and associated challenges have caused a relentless loss of money, data, and a tragic impact on the personal and public levels.These attacks did not spare even the most critical infrastructures of the smart grid and nuclear facilities.Consequently, this has reinforced the general trend towards searching for appropriate means and techniques to prevent, reduce, or mitigate the risk of cyber-attacks.Recently, the use of artificial intelligence in various fields has proven its effectiveness due to its ability to devise fast learning and highly accurate learning models.Therefore, in this paper, we used machinelearning techniques to learn the patterns of cyberattacks and build an accurate classification model of data flow in networks to take advantage of the intelligent machine's capabilities to identify potential attacks.We propose using the Bagging Ensemble Learning method fortified by the Random Forest (BE-RF) to build a classification model for the attack categories.The random forest algorithm generates many decision trees and then combines them to obtain the most accurate threat classifier, while the bagging ensemble improves the stability and accuracy of machine learning (ML) algorithms.We employ UNSW-NB15, NSL-KDD, and CICIDS2017 datasets for evaluating the classification performance over several previously used classifiers, such as AlexNet, Convolutional Neural Network (CNN), and Bidirectional Long Short-Term Memory network (BiLSTM).According to the F1 assessment, the proposed BE-RF model achieved results of 90.43 on the UNSW-NB15 dataset, 84.9 on the NSL-KDD dataset, and 99 on the CICIDS2017 dataset.The results show the success of the proposed methodology in terms of accuracy, precision, recall, and F1 Measure compared to previous methods.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».