新しいハイブリッド学習アプローチに基づく侵入検知

情報セキュリティと侵入検知システム（IDS）は、インターネットにおいて重要な役割を果たしています。IDSは、ネットワーク内のさまざまな攻撃を検出し、データの整合性、機密性、システムの可用性を維持するための必須ツールです。本論文では、高性能を達成するためのハイブリッドアプローチを提案します。実際、本論文の重要な目標は、効率的なトレーニングデータセットを生成することです。クラスタリングと特徴選択の強みを利用するために、侵入検知に強く焦点を合わせ、提案手法はこれらの技術も使用しています。まず、K-MedoidsクラスタリングとSVM法による特徴選択によって新しいトレーニングデータセットを作成します。その後、ナイーブベイズ分類器を使用して評価します。提案手法は、別のハイブリッドアルゴリズムや10倍交差検証と比較されます。KDD CUP’99データセットに基づく実験結果は、提案手法が他の手法よりも優れた精度、検出率、および誤警報率を持つことを示しています。