IGRF-RFE:UNSW-NB15データ集合上のMLPベースネットワーク侵入検出のためのハイブリッド特徴選択法【JST・京大機械翻訳】

Yin Yuhua; Jang-Jaccard Julian; Xu Wen; Singh Amardeep; Zhu Jinting; Sabrina Fariza; Kwak Jin

プレプリント

J-GLOBAL ID：202202200474481461 整理番号：22P0322586

IGRF-RFE:UNSW-NB15データ集合上のMLPベースネットワーク侵入検出のためのハイブリッド特徴選択法【JST・京大機械翻訳】

IGRF-RFE: A Hybrid Feature Selection Method for MLP-based Network Intrusion Detection on UNSW-NB15 Dataset

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2023年02月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

機械学習モデルの有効性はデータセットのサイズによって著しく影響され,冗長で無関係な特徴としての特徴の品質は性能を根本的に劣化させる。本論文では,多層パーセプトロン(MLP)ネットワークを用いたマルチクラスネットワーク異常のためにタスクされたハイブリッド特徴選択手法を提案した。IGRF-RFEは,フィルタ特徴選択法とラッパー特徴選択法の両方に基づく特徴低減技術として考えることができる。提案手法では,特徴部分集合探索空間を減らすために,情報利得とランダムフォレスト重要度の組み合わせであるフィルタ特徴選択法を使用した。次に,著者らは,縮小特徴部分集合上で再帰的に冗長な特徴を除去するために,ラッパー特徴選択法として再帰的特徴除去(RFE)を適用した。UNSW-NB15データセットに基づいて得られた実験結果は,提案手法が特徴次元を低減しながら異常検出の精度を改善できることを確認した。結果は,MLPの多重分類精度が82.25%から84.24%に改善される間,特徴次元が42から23に減少することを示す。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

データ保護 , 人工知能

, ,

前のページに戻る