Machine Learning Approach for Improvement in Kitsune NID

Alabdulatif, Abdullah; Rizvi, Syed Sajjad Hussain

doi:10.32604/iasc.2022.021879

Cited by 4 publications

(1 citation statement)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…В качестве примера, на котором иллюстрируется влияние мультифрактальных характеристик анализируемого трафика на эффективность классификации КА, рассмотрена база Kitsune (2019) [18,19], в которой собран набор данных сетевого трафика от устройств Интернета вещей (IoT). Целью создания базы Kitsune являлось предоставление исследователям большого набор данных о реальных и маркированных вредоносных программах, и безопасном трафике Интернета вещей для разработки алгоритмов машинного обучения.…”

Section: структура экспериментальных данныхunclassified

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

2024

Cybersecurity Issues

View full text Add to dashboard Cite

Цель исследования: разработка метода повышения эффективности бинарной и многоклассовой классификации компьютерных атак (КА) путем использования дополнительных информативных признаков, в качестве которых предложно использовать мультифрактальный спектр фрактальной размерности (МСФР) обрабатываемых последовательностей.Методы исследования: дискретный вейвлет анализ, мультифрактальный анализ, машинное обучение, программная реализация комбинированного метода многоклассовой классификации в совокупности с методами фрактального анализа.Объектами исследования являются теоретические и практические вопросы разработки, реализации и визуализации алгоритмов обнаружения и классификации КА в целях информационной безопасности.Результаты исследования. Разработаны метод и алгоритм композиции машинного обучения и методов мультифрактального анализа обрабатываемых процессов с целью повышения эффективности многоклассовой классификации КА. Обоснованы границы изменения входных параметров алгоритма, для корректной многоклассовой классификации компьютерных атак. Показана целесообразность использования при классификации КА характеристик МСФР, что позволяет повысить эффективность классификации атак методами машинного обучения за счет расширения количества атрибутов параметрами МСФР.Практическая значимость: представленный метод является универсальным и может быть применен в различных системах обеспечения информационной безопасности.

show abstract

Section: структура экспериментальных данныхunclassified

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

2024

Cybersecurity Issues

View full text Add to dashboard Cite

show abstract

Kitsune Dataset Analysis via BigData and Deep Learning Techniques

Zelichenok,

Kotenko

2024

2024 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT)

View full text Add to dashboard Cite

IoT Traffic Fractal Dimension Statistical Characteristics on the Kitsune Dataset Example

Shelukhin,

Rybakov

2023

jour

View full text Add to dashboard Cite

The paper considers a method for estimating the fractal properties of traffic, and also evaluates the statistical parameters of the fractal dimension of IoT traffic. An analysis of real traffic with attacks from the Kitsune dump and an analysis of the fractal properties of traffic in normal mode and under the influence of attacks such as SSDP Flood, Mirai, OS Scan showed that jumps in the fractal dimension of traffic when attacks occur can be used to create algorithms for detecting computer attacks in IoT networks. Studies have shown that in the case of online analysis of network traffic, when assessing the RF, preference should be given to the modified algorithm for estimating the Hurst exponent in a sliding analysis window.

show abstract

Machine Learning Approach for Improvement in Kitsune NID

Cited by 4 publications

References 35 publications

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

Kitsune Dataset Analysis via BigData and Deep Learning Techniques

IoT Traffic Fractal Dimension Statistical Characteristics on the Kitsune Dataset Example

Contact Info

Product

Resources

About