BEVEZETÉS
Ebben a cikkben egy wrapper funkció kiválasztási algoritmust javasolunk az IDS számára. Ez az algoritmus a Moth Flame Optimization segítségével használja a kiválasztási folyamatot. A Moth Flame Optimization algoritmus (MFO) a természetben élő lepkék oldalirányú pozicionálási és navigációs mechanizmusából fejlődött ki. A javasolt algoritmust a CIC-2017 Dataset segítségével értékelték ki.
Gépi tanulás
Ez a tanulmányi terület lehetőséget ad a számítógépeknek arra, hogy tapasztalatból tájékozódjanak és fejlődjenek anélkül, hogy kifejezetten vagy automatikusan programoznák őket. A gépi tanulás azon programok eseményeire összpontosít, amelyek adatokat használnak fel önmaguk megszerzésére. A tanulási módszer megfigyelésekkel vagy adatokkal kezdődik, amelyek az adatok mintázataihoz jelennek meg, és jobb előrejelzéseket tesznek lehetővé a példákkal alátámasztva. Az első cél az, hogy lehetővé tegyék a számítógépek számára, hogy emberi segítség nélkül tájékozódjanak, és ennek megfelelően módosítsák a műveleteket.
Behatolásérzékelő rendszer
A behatolásészlelő rendszer (IDS) lehet olyan eszköz vagy szoftveralkalmazás, amely figyeli a hálózatot vagy rendszereket rosszindulatú tevékenységek vagy irányelvsértések szempontjából. Az IDS-típusok az egyedi számítógépektől a nagy hálózatokig céloznak meg. A fő szabványos besorolások a hálózati behatolásérzékelő rendszerek (NIDS) és a gazdagép alapú behatolásérzékelő rendszerek (HIDS). A behatolásérzékelő rendszereket gyakran két kategóriába sorolják, amelyeket az észlelési módszer támogat. Az elsődleges kategória az aláírás alapú észlelés. A hálózaton belül meghatározott mintákat használ, például a bájtok sorozatát, és összehasonlítja azokat egy meglévő aláírás-adatbázissal. A másik az anomáliákon alapuló észlelőrendszer.
Funkció kiválasztása
A legfontosabb jellemzők kiválasztása, amelyek hozzájárulnak egy szilárd modell összeállításához. A jellemzők kiválasztása gyakran több technikával és algoritmussal történik, amelyek általában csökkentik a jellemzők számát, hogy elkerüljék a modellen belüli túlillesztést.
Moth Flame optimalizálás
Az elmúlt években új metaheurisztikus optimalizáló algoritmusok jelentek meg, ezek egyike a molyláng optimalizálás (MFO) [4]. Az MFO a valódi lepke viselkedését utánozza a természetben. Egy igazi lepke úgy repül, hogy a Holdra fix szöget határoz meg, majd a fény felé konvergál, amitől a lepke egyenes úton repül. Ezen elmélet alapján az MFO azt feltételezi, hogy a lepkék a megoldások, és a térben elfoglalt helyzetük a probléma paraméterei. A lepkék által legjobban elért pozíciót (optimális pozíciót) lángban tartják.
Döntési fa
A döntési fa tanulása a statisztikában, az adatbányászatban és a gépi tanulásban használt prediktív modellezési megközelítések egyike. Döntési fát használ, hogy egy elemre vonatkozó megfigyelésektől (az ágakban ábrázolva) a célértékre vonatkozó következtetésekig (a levelekben ábrázolva) jut el. Azokat a döntési fákat, ahol a célváltozó folytonos értékeket (tipikusan valós számokat) vehet fel, regressziós fáknak nevezzük.
További információért erről a kutatásról nézze meg ezt, például ahol az IEEE-hez vezet, ahol a kutatás közzétette: A Moth Flame Optimization alapú behatolásérzékelő rendszer funkcióválasztó algoritmusa
