Comparación de Rendimiento entre Máquina de Soporte Vectorial, Bosque Aleatorio y Máquina de Aprendizaje Extremo para Detección de Intrusiones

La detección de intrusiones es una parte fundamental de las herramientas de seguridad, como dispositivos de seguridad adaptativos, sistemas de detección de intrusiones, sistemas de prevención de intrusiones y cortafuegos. Se utilizan diversas técnicas de detección de intrusiones, pero su rendimiento es un problema. El rendimiento de la detección de intrusiones depende de la precisión, que necesita mejorar para disminuir falsas alarmas y aumentar la tasa de detección. Para resolver preocupaciones sobre el rendimiento, se han utilizado en trabajos recientes el perceptrón multicapa, la máquina de soporte vectorial (SVM) y otras técnicas. Tales técnicas muestran limitaciones y no son eficientes para su uso en grandes conjuntos de datos, como datos de sistemas y redes. El sistema de detección de intrusiones se utiliza en el análisis de grandes datos de tráfico; por lo tanto, es necesaria una técnica de clasificación eficiente para superar el problema. Este problema se considera en este documento. Se aplican técnicas de aprendizaje automático bien conocidas, a saber, SVM, bosque aleatorio y máquina de aprendizaje extremo (ELM). Estas técnicas son conocidas por su capacidad en clasificación. Se utiliza el conjunto de datos de descubrimiento de conocimiento y minería de datos NSL, que se considera un estándar en la evaluación de mecanismos de detección de intrusiones. Los resultados indican que ELM supera a otros enfoques.