آکادمی آموزشی کندوی دانش
آکادمی آموزشی کندوی دانش
ورود
عضویت
تشخیص فرآیندهای غیرعادی با استفاده از الگوریتم انتخاب منفی و تکنیک‌های طبقه‌بندی

زمان مطالعه: 5 دقیقه

مقاله اول تشخیص پردازش ناهنجار

تشخیص فرآیندهای غیرعادی با استفاده از الگوریتم انتخاب منفی و تکنیک‌های طبقه‌بندی

نویسندگان و وابستگی‌ها
گروه کامپیوتر، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان، کرمان، ایران
سوده حسینی
دانشکده مهندسی کامپیوتر، دانشگاه باهنر کرمان، کرمان، ایران
حسین سیلانی

https://link.springer.com/article/10.1007/s12530-019-09317-1

Cite this article

Hosseini, S., Seilani, H. Anomaly process detection using negative selection algorithm and classification techniques. Evolving Systems 12, 769–778 (2021). https://doi.org/10.1007/s12530-019-09317-1

Download citation

  • Received

  • Accepted

  • Published

  • Issue Date

  • DOIhttps://doi.org/10.1007/s12530-019-09317-1

 

مقدمه

سیستم ایمنی مصنوعی از سیستم ایمنی بیولوژیکی مشتق شده است. این سیستم روشی مهم برای تولید آشکارسازهایی است که شامل خودانطباقی، خودتنظیمی و خودآموزی هستند که ویژگی‌های خود/غیر خود را تشخیص می‌دهند. از این روش در تشخیص فرآیندهای ناهنجاری استفاده می‌شود که در آن ناهنجاری غیر خود در سیستم است. ما یک تکنیک ترکیبی جدید برای تشخیص فرآیندهای ناهنجاری ارائه می‌کنیم. این تکنیک ترکیبی تلفیقی از انتخاب منفی و الگوریتم طبقه‌بندی است. هدف اصلی تکنیک‌های پیشنهادی افزایش دقت در این سیستم و کاهش زمان آموزش آن است. در این تحقیق، از مجموعه داده‌های CICIDS 2017 و NSL-KDD با مجموعه‌های مختلف ویژگی و تعداد یکسانی از آشکارسازها استفاده شده است. این مقاله چارچوبی برای تشخیص فرآیندهای ناهنجار بر روی یک سیستم کامپیوتری مبتنی بر میزبان ارائه می‌کند که بر اساس سیستم ایمنی مصنوعی ایجاد شده است. ما تکنیک خود را با استفاده از الگوریتم‌های یادگیری ماشین مانند رگرسیون لجستیک، جنگل تصادفی، درخت تصمیم و K- همسایگی ارزیابی می‌کنیم. علاوه بر این، از طبقه‌بندی ابزار WEKA برای انجام انتخاب ویژگی مبتنی بر همبستگی روی مجموعه داده استفاده می‌کنیم.

نمونه تصاویر و جداول

extended data figure 1

 

 

extended data figure 2

 

extended data figure 3

 

extended data figure 4

 

منابع

  • Angelov P (2014) Anomaly detection based on eccentricity analysis. In: 2014 IEEE symposium on evolving and autonomous learning systems (EALS). pp 1–8. IEEE, New York

  • Angelov P, Sadeghi-Tehran P, Ramezani R (2011) An approach to automatic real-time novelty detection, object identification, and tracking in video streams based on recursive density estimation and evolving Takagi-Sugeno fuzzy systems. Int J Intell Syst 26(3):189–205

    Article Google Scholar 

  • Brandsæter A, Vanem E, Glad IK (2019) Efficient on-line anomaly detection for ship systems in operation. Expert Syst Appl 121(1):418–437

    Article Google Scholar 

  • Brown J, Anwar M, Dozier G (2016) Intrusion detection using a multiple-detector set artificial immune system. In: 17th international conference on information reuse and integration (IRI). pp 283–286

  • Forrest S, Perelson AS, Allen L, Cherukuri R (1994) Self-Nonself discrimination in a computer. In: Proc. 1994 IEEE symp. on security and privacy, pp 202–212

  • Hooks D, Yuan X, Roy K, Esterline A, Hernandez J (2018) Applying artificial immune system for intrusion detection. In: 2018 IEEE fourth international conference on big data computing service and applications (big data service), Bamberg, pp 287–292

  • Igbe O, Darwish I, Saadawi T (2016) Distributed network intrusion detection systems: an artificial immune system approach. In: IEEE first international conference in connected health: applications, systems and engineering technologies (CHASE). pp 101–106

  • Johny D, Haripriya P, Anju J (2017) Negative selection algorithm: a survey. Int J Sci Eng Technol Res 6

  • Meena G, Choudhary RR (2017) A review paper on IDS classification using KDD 99 and NSL KDD dataset in WEKA. In: International conference on computer, communications and electronics (Comptelix). pp 553–558

  • Panigrahi R, Borah S (2018) A detailed analysis of CICIDS2017 dataset for designing intrusion detection systems. Int J Eng Technol 7(3.24):479–482

    Google Scholar 

  • Pharate A, Bhat H, Shilimkar V, Mhetre N (2015) Classification of intrusion detection system. Int J Comput Appl 118:23–26

    Google Scholar 

  • Saurabh P, Verma B (2016) An efficient proactive artificial immune system based anomaly detection and prevention system. Expert Syst Appl 60:311–320

    Article Google Scholar 

  • Sharma S, Gupta RK (2017) A model for intrusion detection based on negative selection algorithm and J48 decision tree. Int J Res Appl Sci Eng Technol 5:1–7

    Google Scholar 

  • Tabatabaefar M, Miriestahbanati M, Grégoire J-C (2017) Network intrusion detection through artificial immune system. In: 2017 annual IEEE international on systems conference (SysCon). pp. 1–6

  • Ugochukwu CJ, Bennett E (2018) An Intrusion detection system using machine learning algorithm. Int J Comput Sci Math Theory 4:2545–5699

    Google Scholar 

  • Wen C, Tao L (2017) Parameter analysis of negative selection algorithm. Inf Sci 420:218–234

    Article Google Scholar 

  • Xu K, Xia M, Mu X, Wang Y, Cao N (2019) EnsembleLens: ensemble-based visual exploration of anomaly detection algorithms with multidimensional data. IEEE Trans Visual Comput Graphics 25:109–119

    Article Google Scholar 

  • Yang T, Chen W, Li T (2017) A real negative selection algorithm with evolutionary preference for anomaly detection. Open Phys 15:121–134

    Article Google Scholar 

  • Zhang F, Ma Y (2016) Integrated Negative Selection Algorithm and Positive Selection Algorithm for malware detection. In: International conference on informatics and computing (PIC). pp 605–609

دیدگاه و پرسش

برچسب‌ها: