Efficient feature selection and classification through ensemble method for network intrusion detection on cloud computing

Krishnaveni, S.; Sivamohan, S.; Sridhar, Sharath Nittur; Prabakaran, S.

doi:10.1007/s10586-020-03222-y

Cited by 109 publications

(58 citation statements)

References 30 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bulut ortamında sızma tespitinde geleneksel sızma tespiti yaklaşımlarının yetersiz kaldığının belirtildiği çalışmada [29], saldırı tespiti için etkili bir özellik seçiminin ve toplu öğrenmenin kullanıldığı bir sızma tespit yaklaşımı sunulmuştur. Veri madenciliğinin ve şifreleme tekniklerinin birlikte kullanıldığı bir model sunan He ve He [30], sürdürülebilir bir sistem güvenliği sağlanmasını amaçlamıştır.…”

Section: Sızma Tespiti Ve Ağ Güvenliği (Intrusion Detection and Network Security)unclassified

A Review on Challenges in Cloud Computing Security and Recent Researchs

GÜLBURUN

Dener

2022

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Bulut bilişim sistemleri, kişi ve organizasyonlar tarafından ihtiyaç duyulan farklı seviye ve nitelikteki bilg i sistemleri kaynaklarının, talebe bağlı olarak istenilen zaman ve miktarda ihtiyaç sahibine sunulabildiği, çoğunlukla internet üzerinden erişilebilir kılınan, özellikle değişken iş yüklerine sahip organizasyonların ihtiyaçlarına en iyi şekilde cevap verebilen sistemlerdir. Bulut bilişim sistemlerinin kullanımının artmasına paralel olarak hem bulut biliş im platformlarına hem de bu platformlardan servis alan organizasyonlara yönelik saldırılar artış göstermiştir. Çalışmad a, öncelikle, farklı kuruluşlar tarafından hazırlanan bulut bilişim güvenlik raporları incelenerek, bulut bilişim kapsamında karşılaşılan temel tehditler ortaya konmuştur. Daha sonra Web of Science veri tabanı temel alınarak bulut biliş im güvenliği kapsamında yapılan güncel çalışmalar incelenmiştir.

show abstract

Section: Sızma Tespiti Ve Ağ Güvenliği (Intrusion Detection and Network Security)unclassified

A Review on Challenges in Cloud Computing Security and Recent Researchs

GÜLBURUN

Dener

2022

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

show abstract

“…Among them, Pearson correlation coefficient, MI, and mRMR are filtered methods, which can quickly obtain the importance of features by calculating the relationship between features and labels; ET and XGBoost methods are embedded methods, which depend on classification algorithms to quickly evaluate the performance of subsets. Filtered and embedded methods can reduce computational costs when performing feature selection and are more efficient when extended to high-dimensional datasets [16][17][18][19][20][21].…”

Section: Feature Selectionmentioning

confidence: 99%

“…Embedded methods combine the classification process with the feature selection process [15] and perform feature selection along with classification, depending on the specific classification algorithm. Moreover, ensemble feature selection models can address the bias of individual methods for feature evaluation and enhance the performance of feature subsets [16][17][18][19][20][21].…”

Section: Introductionmentioning

confidence: 99%

An Effective Ensemble Automatic Feature Selection Method for Network Intrusion Detection

Zhang

2022

Information

View full text Add to dashboard Cite

The mass of redundant and irrelevant data in network traffic brings serious challenges to intrusion detection, and feature selection can effectively remove meaningless information from the data. Most current filtered and embedded feature selection methods use a fixed threshold or ratio to determine the number of features in a subset, which requires a priori knowledge. In contrast, wrapped feature selection methods are computationally complex and time-consuming; meanwhile, individual feature selection methods have a bias in evaluating features. This work designs an ensemble-based automatic feature selection method called EAFS. Firstly, we calculate the feature importance or ranks based on individual methods, then add features to subsets sequentially by importance and evaluate subset performance comprehensively by designing an NSOM to obtain the subset with the largest NSOM value. When searching for a subset, the subset with higher accuracy is retained to lower the computational complexity by calculating the accuracy when the full set of features is used. Finally, the obtained subsets are ensembled, and by comparing the experimental results on three large-scale public datasets, the method described in this study can help in the classification, and also compared with other methods, we discover that our method outperforms other recent methods in terms of performance.

show abstract

“…Feature selection processes can be categorized in several ways [12], the most popular and used in the revised literature entail two categories [13]: (1) Filter and (2) Wrapper.…”

Section: Related Workmentioning

confidence: 99%