Skyline Computation for Improving Naïve Bayesian Classifier in Intrusion Detection System

Abdelkader, Alem; Dahmani, Youcef; Bendaoud, Bendaoud

doi:10.18280/isi.240508

Cited by 4 publications

(4 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Then the test was carried out in order to confirm the popularity of the proposed IDS KDD data set. The results, in contrast to previous art, have shown that while raising the false alarm rate, our program significantly increases the rare attack detection rate 14 …”

Section: Related Workcontrasting

confidence: 72%

“…The results, in contrast to previous art, have shown that while raising the false alarm rate, our program significantly increases the rare attack detection rate. 14 S. Sivanantham et al in 2019 Suggested a hybrid intrusion detection approach based on the traditional anomaly detection techniques with IDS. The structure of this paper was associated with the three classificatory in order to boost the output.…”

Section: R E T R a C T E D 2 | Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Retracted: An efficient stacking model with SRPF classifier technique for intrusion detection system

Karthikeyan

Mohanraj²,

Suresh³

et al. 2021

Int J Communication

View full text Add to dashboard Cite

Machine learning process is an important part in intrusion detection system (IDS) and plays an essential role in security information. Analysts operate IDS for the study of server logs or packets of data to identify network traffic malware. IDS automates this process with machine learning-based techniques that allow packet detection on a continuous basis without much human effort or intervention through network analyzing data. It has the following limitations on low rate of detection, false alarm rate is high, and so on, to which the conventional IDS has indicated. We proposed a stacking model that is more accurate to detect the attacks than other techniques of Random Forest, Naïve Bayes, and Decision Tree C4.5. Different researchers are exploring various techniques to classify the rules for associations. But the measure of confidence itself, as investigated in various literature, produces many times inaccurate results. So based on a recent value test called the significant rule power factor (SRPF), this paper discusses classifier. The experiments are carried out by implementation in Weka's method. Results indicate that the proposed classifier is a newly created, light weight classifier with better accuracy performance. Detection of different attacks uses NSL-KDD dataset to train and test the data in this technique. This proposed work is measured using different performance metrics to other intrusion detection models. Compared to existing methods, our proposed model offers prominent increase in detection accuracy.

show abstract

Section: Related Workcontrasting

confidence: 72%

Section: R E T R a C T E D 2 | Related Workmentioning

confidence: 99%

Retracted: An efficient stacking model with SRPF classifier technique for intrusion detection system

Karthikeyan

Mohanraj²,

Suresh³

et al. 2021

Int J Communication

View full text Add to dashboard Cite

show abstract

“…The solution is based on secure remote cryptographic protocols, blockchain technology and threshold cryptography theory. Practical Byzantine Fault Tolerance (PBFT) is deployed as a consensus mechanism in On the blockchain, studies have shown that the proposed scheme outperforms many existing schemes in terms of computational overhead and storage requirements, and does not affect the security level of the system [5]. In order to overcome the problems of lack of accuracy and operability in data classification of existing technologies, researchers such as Seo J H have developed a new algorithm called MB Ferns and the R package to build a multi-branch decision tree and use the data obtained from the training data.…”

Section: Introductionmentioning

confidence: 99%

Three-layer Distributed System Based on Bayesian Classifier

2022

DPS

View full text Add to dashboard Cite

Due to the rapid development of Internet technology and the rapid growth of the number of users, various data and information show an explosive growth trend. The analysis and processing of massive data is more and more important for the development of enterprises. To solve the problems of growing set and increasing system pressure, this paper proposes a distributed system with a three-tier architecture based on Bayesian classifier(BC). This paper first describes the module functions and system interface requirements of the three-layer distributed system(TLDS), followed by the design of the TLDS, and finally the system implementation. And the training time is analyzed, and it is found that the SNB algorithm improves the accuracy and shortens the training time.

show abstract

“…In authors [113] use the skyline operator as a filtering approach in a classification task over biological data. In terms of identifying the best candidate solutions authors of [114] try to identify the most suitable classifier in terms of accuracy, detection rate and false alarm rate using the skyline operator. Finally, in the work [115,116] presented in this Thesis the skyline operator is used to estimate the decision boundaries in a classification process.…”

Section: Data Miningmentioning

confidence: 99%

Ευφυής Διαχείριση Δεδομένων Μεγάλου Όγκου

Καλύβας-Κασοπατίδης¹

View full text Add to dashboard Cite

Οι ραγδαία αναπτυσσόμενες τεχνολογίες δημιουργούν ολοένα και μεγαλύτερες ανάγκες για την ανάλυση και την αξιοποίηση των υφιστάμενων δεδομένων. Πολλοί οργανισμοί βασίζουν την βιωσιμότητα τους στην ανάλυση των δεδομένων της αγοράς αλλά και των δεδομένων που παράγουν οι ίδιοι είτε μέσω της εξαγωγής χρήσιμων στατιστικών και δεικτών απόδοσης είτε αξιοποιώντας τα κατά τη διαδικασία λήψης αποφάσεων όπου μια από τις σημαντικότερες παραμέτρους στην ανάλυση τους είναι η παράμετρος του χρόνου. Για να μπορέσει να αποθηκευτεί και να αναλυθεί ο πολλές φορές τεράστιος όγκος δεδομένων δημιουργήθηκαν νέοι μέθοδοι διαχείρισης και ανάλυσης δεδομένων. Αυτό έγινε ιδιαίτερα αισθητό με την έλευση των Big Data. Οι τεχνολογίες που αναπτύχθηκαν έδωσαν την ευκαιρία της επέκτασης των μεθόδων που υπήρχαν για τα συμβατικά δεδομένα αλλά και την δημιουργία νέων μεθόδων, τεχνικών και συστημάτων ώστε να μπορούν να παρέχουν την ίδια ή ακόμα και καλύτερη ανάλυση. Καθώς όμως η τεχνολογία προχωράει με την έλευση του IOT ο όγκος των δεδομένων αλλά και οι ροές δεδομένων αυξάνονται ραγδαία. Οι ροές αυτές θα πρέπει να αποθηκευτούν να αναλυθούν και να συνδυαστούν με άλλα δεδομένα ώστε να εξαχθούν χρήσιμες πληροφορίες. Με την έλευση του ΜL/AI ολοένα και περισσότερα διαδικασίες μπορούν να αυτοματοποιηθούν παράγοντας αυτόματα καινούργια γνώση. Ένα από το κυριότερα προβλήματα που υπάρχουν όμως είναι η έλλειψη επισημασμένων δεδομένων. Ένα από τα πιο διαδεδομένα ερωτήματα που υπάρχουν για την εξαγωγή συμπερασμάτων από τα δεδομένα είναι τα ερωτήματα κορυφογραμμής. Τα ερωτήματα κορυφογραμμής ανήκουν στην κατηγορία των multi-objective optimization προβλημάτων και έχουν ως στόχο την ανάκτηση ενός συνόλου απαντήσεων που ικανοποιεί κάποια συνήθως αντικρουόμενα κριτήρια. Η χρήση τέτοιου τύπου ερωτημάτων είναι πάντα χρήσιμη καθώς έχει πολλά πεδία εφαρμογής και μπορεί να βοηθήσει ιδιαίτερα στην διαδικασία λήψης αποφάσεων όπου υπάρχουν πολλαπλά κριτήρια για την επίτευξή ενός στόχου και η βέλτιστη λύση μπορεί να μην είναι μοναδική. Μέχρι στιγμής η βιβλιογραφία στο συγκεκριμένο ερευνητικό πεδίο εμφανίζει ένα σημαντικό πλήθος εργασιών οι οποίες κατά κύριο λόγο ασχολούνται με συμβατικά δεδομένα και υπάρχει χώρος για έρευνα στο πεδίο των Big Data. Λαμβάνοντας υπόψη όλα τα παραπάνω η διατριβή αυτή έχει ως στόχο την πραγματοποίηση μιας εκτενούς ανασκόπησης στον χώρο των ερωτημάτων κορυφογραμμής, την ανίχνευση των προδιαγραφών και των αναγκών σε δεδομένα ενός πληροφοριακού συστήματος για θαλάσσιο περιβάλλον, την ανάλυση της παραμέτρου του χρόνου στα ερωτήματα κορυφογραμμής, την ανάπτυξη ερωτημάτων κορυφογραμμής σε δενδρικές δομές ειδικά σχεδιασμένες για Big Data και την δημιουργία ενός ταξινομητή (classifier) για μεγάλα δεδομένα. Πιο αναλυτικά η πρώτη συνεισφορά είναι μια εκτενής ανασκόπηση του χώρου των ερωτημάτων κορυφογραμμής όπου θα παρουσιαστεί η οικογένεια των ερωτημάτων κορυφογραμμής με όλες τις παραλλαγές τους, την διαφοροποίηση ανάμεσα στις μεθόδους που βασίζονται η όχι σε ευρετήριο καθώς και τις εφαρμογές που έχουν τα ερωτήματα κορυφογραμμής για την επίλυση πληθώρας προβλημάτων. Μέσα από αυτή της ανασκόπηση παρουσιάζεται πως τα ερωτήματα κορυφογραμμής εξελίχθηκαν και ανοίγει ο δρόμος για την εύρεση τομέων οι οποίοι μπορούν να διερευνηθούν περαιτέρω. Στην δεύτερη συνεισφορά θα δούμε τις διάφορες πτυχές των δεδομένων στο πλαίσιο ενός θαλάσσιου πληροφοριακού συστήματος. Η ανάλυση που έγινε αφορούσε την ανασκόπηση του χώρου και των δεδομένων που χρειάζονται για την υλοποίηση ενός θαλάσσιου πληροφοριακού συστήματος καθώς και τους περιορισμούς που υπάρχουν στην επεξεργασία και την διακίνηση των δεδομένων αυτών. Μέσω της συγκεκριμένης έρευνας έγινε φανερή η έννοια των Big Data, ανιχνευθήκαν μεγάλα σύνολα δεδομένων τα οποία είναι διαθέσιμα για ανάλυση και είδαμε ότι η παράμετρος του χρόνου είναι πολύ σημαντική για την πραγματοποίηση αναλύσεων στα δεδομένα. Επίσης είδαμε του βασικότερους περιορισμούς στην διακίνηση και επεξεργασία των δεδομένων. Στην τρίτη συνεισφορά μελετάτε ο τρόπος με τον οποίο μπορεί να ενσωματωθεί η διάσταση του χρόνου στα ερωτήματα κορυφογραμμής. Η διάσταση του χρόνου είναι μια σημαντική παράμετρος στην ανάλυση των δεδομένων και στην πραγματοποίηση επερωτήσεων η οποία πολλές φορές δεν λαμβάνεται υπόψη. Με αυτήν της έρευνα θα δούμε ότι η παράμετρος του χρόνου μπορεί να επηρεάσει τα αποτελέσματα ενός ερωτήματος κορυφογραμμής κάτι που καταδεικνύει πως χρειάζεται να γίνει ιδιαίτερη ανάλυση ως προς την διάσταση του χρόνου και να παραμετροποιηθούν κατάλληλα το ερώτημα κορυφογραμμής ώστε να ενσωματωθεί η διάσταση του χρόνου σε αυτά. Η τέταρτη συνεισφορά εξετάζει την εφαρμογή των ερωτημάτων κορυφογραμμής στον χώρο των Big Data και συγκεκριμένα του SpatialHadoop. To SpatialHadoop είναι μια επέκταση του συμβατικού Hadoop το οποίο προσπαθεί να ενσωματώσει τις δενδρικές δομές που υπάρχουν για τα συμβατικά δεδομένα στο Hadoop. Μέσω αυτής της ανάλυσης μπορούμε να δούμε την συμπεριφορά των αλγορίθμων κορυφογραμμής που δεν χρησιμοποιούν κάποια ευρετηρίαση αλλά και αυτών που χρησιμοποιούν σε περιβάλλοντα Big Data και πως αποδίδουν οι υβριδικοί συνδυασμοί που χρησιμοποιούν αλγόριθμους επερωτήσεων κορυφογραμμής που δεν βασίζονται σε ευρετήρια στο ευρετηριασμένο σύνολο δεδομένων που δημιουργεί το SpatialHadoop. Τέλος ένα από τα μεγαλύτερα προβλήματα που υπάρχουν κατά την διάρκεια ανάπτυξης ενός μοντέλου μηχανικής μάθησης είναι η ελλείψει επισημασμένων δεδομένων. Η έλλειψη αυτή γίνεται ακόμα πιο αισθητή σε περιβάλλοντα Big Data καθώς εκεί λόγω όγκου είναι πιο δύσκολη η επισήμανση τους. Στην βιβλιογραφία υπάρχουν πολλοί μηχανισμοί επισήμανσης δεδομένων ανάλογα με την εφαρμογή τους αλλά δεν υπάρχουν όμως μηχανισμοί για την αποδοτική επισήμανση μεγάλου όγκου δεδομένων. Στην πέμπτη συνεισφορά δημιουργήθηκε ένας μηχανισμός επισήμανσης δεδομένων που βασίζεται στο ερωτήματα κορυφογραμμής. Η χρήση ερωτημάτων κορυφογραμμής επιτρέπει την δημιουργία των ορίων αποφάσεως αποτελούμενων από μικρό αριθμό σημείων.

show abstract

Skyline Computation for Improving Naïve Bayesian Classifier in Intrusion Detection System

Cited by 4 publications

References 19 publications

Retracted: An efficient stacking model with SRPF classifier technique for intrusion detection system

Retracted: An efficient stacking model with SRPF classifier technique for intrusion detection system

Three-layer Distributed System Based on Bayesian Classifier

Ευφυής Διαχείριση Δεδομένων Μεγάλου Όγκου

Contact Info

Product

Resources

About