분류 방법의 앙상블을 이용한 하이브리드 침입 탐지

지난 10년간 기계 학습의 주요 발전 중 하나는 앙상블 방법으로, 이는 여러 개의 중간 정도 정확한 구성 분류기를 결합해 매우 정확한 분류기를 찾습니다. 본 연구에서는 배깅을 사용한 동종 앙상블 분류기와 아킹 분류기를 사용한 이종 앙상블 분류기 위한 새로운 앙상블 분류 방법을 제안하고, 정확도 측면에서 그 성능을 분석합니다. Radial Basis Function (RBF) 및 Support Vector Machine (SVM)을 기반 분류기로 사용하여 분류기 앙상블을 설계합니다. 제안된 접근 방식의 가능성 및 이점은 침입 탐지를 위한 실제 및 벤치마크 데이터 세트를 통해 입증됩니다. 제안된 접근 방식의 주요 독창성은 세 가지 주요 부분에 기반합니다: 전처리 단계, 분류 단계 및 결합 단계. 침입 탐지의 실제 및 벤치마크 데이터 세트에 대한 다양한 비교 실험이 수행됩니다. 기본 분류기의 정확도는 데이터 마이닝 문제에 대한 동종 및 이종 모델과 비교됩니다. 제안된 앙상블 방법은 개별 분류기와 비교할 때 정확도를 상당히 개선하며, 이종 모델은 침입 탐지의 실제 및 벤치마크 데이터 세트에 대한 동종 모델보다 더 나은 결과를 보여줍니다.