KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2018 / Cilt: 33 - Sayı: 1

Saldırı Tespit Sistemlerinde Genetik Algoritma Kullanarak Nitelik Seçimi ve Çoklu Sınıflandırıcı Füzyonu

Atilla ÖZGÜR
Hamit ERDEM
Sayfa
0–0
Yayın Tarihi
2018-03-08
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Günümüzde, sınıflandırıcı başarısını artırmak için, tek sınıflandırıcı yerine sınıflandırıcı füzyonu kullanımı önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bilişim sistemlerinin gelişmesiyle, saldırı tespit sistemlerinin (STS) kullanımı önem kazanmıştır.
📊
Temel Bulgular & Veri:Bu sistemlerin çalışması, genellikle sınıflandırma problemi çerçevesinde değerlendirilebilir.
💡
Sonuç & Katkı:Günümüzde, sınıflandırıcı başarısını artırmak için, tek sınıflandırıcı yerine sınıflandırıcı füzyonu kullanımı önerilmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Nitelik Seçme · Sınıflandırıcı Füzyonu · Genetik Algoritma

Özet

Bilişim sistemlerinin gelişmesiyle, saldırı tespit sistemlerinin (STS) kullanımı önem kazanmıştır. Bu sistemlerin çalışması, genellikle sınıflandırma problemi çerçevesinde değerlendirilebilir. Sınıflandırıcı uygulamalarının en önemli aşamalardan birisi nitelik seçme aşamasıdır. Günümüzde, sınıflandırıcı başarısını artırmak için, tek sınıflandırıcı yerine sınıflandırıcı füzyonu kullanımı önerilmektedir. Bu öneride; saldırı tespit sınıflandırma uygulamalarında, nitelik seçme ve sınıflandırıcı füzyonu ağırlık belirleme işlemlerinin, genetik algoritma (GA) kullanılarak yapılması önerilmektedir. Bu sisteme, Genetik Algoritma tabanlı Nitelik Seçme ve Ağırlık Bulma (GA-NS-AB) adı verilmiştir. GA-NS-AB, saldırı tespit sistemi NSL-KDD veri kümesi üzerinde uygulanmıştır. Çoklu sınıflandırıcı füzyonunda sınıflandırıcı sayısının 3 ile 7 arasında olduğu doğrusal ağırlıklı birleştirme yöntemi kullanılmıştır. Kullanılan sınıflandırıcılar şunlardır: Adaboost, Karar Ağacı, Lojistik Regresyon, Saf Bayes, Rastgele Orman, Gradient Boosting, En yakın K komşu. Önerilen yöntem, GA-NS-AB, diğer füzyon yöntemleri ( basit ve olasılık oy) ve tek sınıflandırıcı sonuçları ile karşılaştırılmıştır. GA-NS-AB ile eğitim ve test süresi azaltılarak, doğruluk oranı değerleri daha yüksek olan bir sınıflandırıcı füzyonu elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

ÖZGÜR, A., ERDEM, H. (2018). Saldırı Tespit Sistemlerinde Genetik Algoritma Kullanarak Nitelik Seçimi ve Çoklu Sınıflandırıcı Füzyonu. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 33 - Sayı: 1, 0–0. https://ajindex.com/articles/20143

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. KAYNAKLAR (REFERENCES) K. Scarfone ve P. Mell, Guide to intrusion detection and prevention systems (IDPS), vol: 800, NIST, 2007
  2. S. Ganapathy, K. Kulothungan, S. Muthurajkumar, M. Vijayalakshmi, P. Yogesh ve A. Kannan, Intelligent feature selection and classification techniques for intrusion detection in networks: a survey, EURASIP Journal on Wireless Communications and Networking, vol: 2013, no. 1, 2013.
  3. C. Kolias, G. Kambourakis ve M. Maragoudakis, Swarm Intelligence in Intrusion Detection: A Survey, Computers and Security, vol: 30, no. 8, 625-642, 2011.
  4. A. Özgür ve H. Erdem, A Review of KDD99 Dataset Usage in Intrusion Detection and Machine Learning between 2010 and 2015, PeerJ Preprints 4:e1954v1, 2016.
  5. I. Guyon ve A. Elisseeff, An introduction to variable and feature selection, Journal of Machine Learning Research, vol: 3, 1157-1182, 2003.
  6. O. Yıldız, M. Tez, H. Ş. Bilge, M. A. Akcayol ve İ. Güler, Meme Kanseri̇ Sınıflandırması İçi̇n Veri̇ Füzyonu Ve Geneti̇k Algori̇tma Tabanlı Gen Seçi̇mi̇, Journal of the Faculty of Engineering and Architecture of Gazi University, vol: 27, no. 3, 2012. J. Pérez-Rodríguez, A. G. Arroyo-Peña ve N. García-Pedrajas, Simultaneous instance and feature selection and weighting using evolutionary computation: Proposal and study, Applied Soft Computing, vol: 37, 416-443, 2015.
  7. Ş. Sağıroğlu, E. N. Yolaçan ve U. Yavanoğlu, Zeki Saldırı Tespit Sistemi Tasarımı Ve Gerçekleştirilmesi, Journal of the Faculty of Engineering and Architecture of Gazi University, vol: 26, no. 2, 325-340, 2011.
  8. T. Tuncer ve Y. Tatar, FPGA Tabanlı Programlanabi̇li̇r Gömülü Saldırı Tespi̇t Si̇stemi̇ni̇n Gerçekleşti̇ri̇lmesi̇, Journal of the Faculty of Engineering and Architecture of Gazi University, vol: 27, no. 1, 2012.
  9. T. Bass, Intrusion Detection Systems and Multisensor Data Fusion, Commun. ACM, vol: 43, no. 4, 99-105, 2000.
  10. L. I. Kuncheva, J. C. Bezdek ve R. P. Duin, Decision templates for multiple classifier fusion: an experimental comparison, Pattern Recognition, vol: 34, no. 2, 299-314, 2001.
  11. Y. Wang, H. Yang, X. Wang ve R. Zhang, Distributed intrusion detection system based on data fusion method, Intelligent Control and Automation, 2004. WCICA 2004. Fifth World Congress on, 2004.
  12. Y. Zhang, H. Zhang, J. Cai ve B. Yang, A Weighted Voting Classifier Based on Differential Evolution, Abstract and Applied Analysis, vol: 2014, p. 6, 2014.
  13. J. Sylvester ve N. V. Chawla, Evolutionary Ensemble Creation and Thinning, %1 içinde The 2006 IEEE International Joint