2021
DOI: 10.1007/s10586-020-03222-y
|View full text |Cite
|
Sign up to set email alerts
|

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

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1
1

Citation Types

0
57
0
1

Year Published

2021
2021
2024
2024

Publication Types

Select...
8
1

Relationship

1
8

Authors

Journals

citations
Cited by 109 publications
(58 citation statements)
references
References 30 publications
0
57
0
1
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
“…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
“…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%
“…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%