La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

SVM Based Intrusion Detection Method with Nonlinear Scaling and Feature Selection Méthode de détection d'intrusion basée sur SVM avec mise à l'échelle non linéaire et sélection de fonctionnalités

Fei ZHANG, Peining ZHEN, Dishan JING, Xiaotang TANG, Hai-Bao CHEN, Jie YAN

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'intrusion est l'un des problèmes de sécurité majeurs d'Internet avec la croissance rapide des appareils intelligents et de l'Internet des objets (IoT), et il devient important de détecter les attaques et de déclencher des alarmes dans les systèmes IoT. Dans cet article, la méthode basée sur la machine à vecteurs de support (SVM) et l'analyse des composants principaux (PCA) est utilisée pour détecter les attaques dans les systèmes IoT intelligents. SVM avec schéma non linéaire est utilisé pour la classification des intrusions et PCA est adopté pour la sélection des fonctionnalités sur les ensembles de données de formation et de test. Les expériences sur l'ensemble de données NSL-KDD montrent que la précision des tests de la méthode proposée peut atteindre 82.2 % avec 16 caractéristiques sélectionnées dans PCA pour la classification binaire, ce qui est presque le même que le résultat obtenu avec les 41 caractéristiques ; et la précision du test peut atteindre 78.3 % avec 29 fonctionnalités sélectionnées dans PCA pour la multi-classification, tandis qu'elle peut atteindre 79.6 % sans sélection de fonctionnalités. La précision de détection des attaques par déni de service (DoS) de la méthode proposée peut atteindre une amélioration de 8.8 % par rapport à la méthode existante basée sur un réseau neuronal artificiel.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.5 pp.1024-1038
Date de publication
2022/05/01
Publicisé
2022/02/14
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDP7184
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Fei ZHANG
  Northwestern Polytechnic University
Peining ZHEN
  Shanghai Jiao Tong University
Dishan JING
  Shanghai Jiao Tong University
Xiaotang TANG
  Shanghai Jiao Tong University
Hai-Bao CHEN
  Shanghai Jiao Tong University
Jie YAN
  Northwestern Polytechnic University

Mots-clés

Table des matières