.png){kind=icon}
返回
A novel combinatorial optimization based feature selection method for network intrusion detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2020.102164.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通信技术的进步和对广泛服务的无处不在的可访问性带来了许多挑战。越来越多的网络攻击表明，当前的安全解决方案和技术无法有效抵御现代攻击。入侵是病毒传播的主要问题之一，可能会危及任何规模网络的安全性。入侵检测/防御系统 (IDS / IPS) 用于监视，检查和可能阻止攻击。但是，传统的入侵检测技术，例如基于签名或基于异常 (网络行为) 的方法，容易出现许多弱点。机器学习算法，数据挖掘和软计算技术的进步已显示出在IDS中使用的潜力。所有这些技术，特别是机器学习算法必须处理数据/网络流量数据的高维问题，因为高维数据使数据在超空间中稀疏，这限制了不同算法的缩放和泛化能力。其次，当IDS需要在实时环境中做出决策时，问题的大小也呈指数增长。解决这个问题的解决方案之一是使用特征选择技术来减少数据的维数。特征选择是从大型特征集中选择最佳特征子集的过程，以提高分类精度，性能和提取特征的成本。在本文中，我们提出了一种基于包装器的特征选择方法，称为 “禁忌搜索随机森林 (ts-rf)”。禁忌搜索被用作搜索方法，而随机森林被用作网络入侵检测系统 (NIDS) 的学习算法。在UNSW-NB15数据集上对所提出的模型进行了测试。所得结果与其他特征选择方法进行了比较。结果表明，ts-rf提高了分类精度，同时减少了特征数量和误报率。（C）2020 Elsevier Ltd.版权所有。
Keyword:
Intrusion detection
Machine learning
Feature selection
Metaheuristics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
5.4
论文数:
4.6K
被引数:
1.4W
机构
暂无机构信息
引用论文
分享收藏A deep learning method with wrapper based feature extraction for wireless intrusion detection system一种基于包装器的无线入侵检测特征提取深度学习方法.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Intelligent defense using pretense against targeted attacks in cloud platforms利用伪装抵御云平台中针对性攻击的智能防御
OAAI
OAAI分享收藏
查看更多内容