क्रमण पहचान के लिए SVM-आधारित समूह विधि

इस लेख का उद्देश्य एक क्रमण पहचान मॉडल विकसित करना है जो नेटवर्क में हमलों को भेद कर सके। IDS बनाने का उद्देश्य क्रमण डेटा के प्रीप्रोसेसिंग, सबसे प्रासंगिक विशेषताओं को चुनने और एक प्रभावशाली शिक्षण एल्गोरिदम की योजना पर निर्भर करता है जो सामान्य और दुर्भावनापूर्ण उदाहरणों को सही तरीके से समूहित करता है। इस प्रयोग में, पहचान मॉडल क्रमण पैटर्न का पता लगाने के लिए सुपरवाइज्ड (SVM) और अनसुपरवाइज्ड (K-Means) की समूह विधि का उपयोग करता है। यह तकनीक पहले डेटा को विभाजित करती है और K-Means के अनुसार दो क्लस्टर बनाती है और क्लस्टरों को सपोर्ट वेक्टर मशीन (SVM) का उपयोग करके लेबल करती है। K-Means और SVM के पैरामीटर क्रमण डेटा सेट का उपयोग करके ट्यून और ऑप्टिमाइज़ किए जाते हैं। SVM व्यक्तिगत रूप से 88% तक और K-Means 83% तक की सटीकता प्रदान करता है। हालाँकि, K-Means और SVM का समूह तीन मानक डेटा सेट्स पर 99% से अधिक सटीकता प्रदान करता है और कम समय में। SVM केवल प्रत्येक क्लस्टर के तीन उदाहरणों को यादृच्छिक रूप से वर्गीकृत करता है और उन्हें बहुमत मतदान विधि के अनुसार लेबल करता है। प्रस्तावित दृष्टिकोण क्रमण डेटा सेट्स पर पहले की समूह विधियों की तुलना में बेहतर प्रदर्शन करता है।