침입 탐지를 위한 유전자 알고리즘과 극단적 학습 기계를 기반으로 한 하이브리드 래퍼 특징 선택 방법

초록 침입 탐지 시스템은 사물인터넷(IoT) 환경에서 사이버 공격 완화에 중요한 역할을 합니다. IoT 환경 내에 많은 장치가 통합되면서 엄청난 양의 데이터가 생성됩니다. 생성된 데이터 세트는 대부분 관련 없고 중복된 특징으로 구성되어 있어 기존 침입 탐지 시스템(IDS)의 성능에 영향을 미칩니다. 최적의 특징 선택은 침입 탐지 시스템의 향상에 중요한 역할을 합니다. 본 연구는 SVM(서포트 벡터 머신) 분류기와 함께 최적화된 극단적 학습 기계(ELM)를 사용하는 순차적 특징 선택 접근법을 제안합니다. ELM의 주요 과제는 성능에 영향을 미치는 입력 매개변수를 선택하는 것입니다. 본 연구에서는 GA(유전자 알고리즘)를 사용하여 ELM의 가중치를 최적화하여 성능을 향상시킵니다. 최적화 후, 이 알고리즘은 순차적 전진 선택(래퍼 기법)의 추정기로 적용되어 주요 특징을 선택합니다. 최종적으로 얻어진 특징 하위 집합은 SVM을 사용하여 분류에 적용됩니다. IoTToN 네트워크와 UNSWNB15 데이터 세트를 사용하여 모델의 성능을 테스트하였습니다. 모델의 성능은 k-최근접 이웃, 그래디언트 부스팅, 랜덤 포레스트, 결정 트리와 같은 기존의 최첨단 분류기들과 비교되었습니다. 모델은 선택된 특징 하위 집합의 품질이 가장 좋았습니다. 결과는 제안된 모델이 IoTToN 네트워크 데이터 세트에서 99%, UNSWNB15 데이터 세트에서 86%의 정확도로 더 나은 침입 탐지 성능을 보였음을 나타냈습니다. 이 모델은 IDS 데이터 세트의 분류 성능 향상을 위한 유망한 도구로 사용될 수 있습니다.