A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

SVM Based Intrusion Detection Method with Nonlinear Scaling and Feature Selection Método de detecção de intrusão baseado em SVM com escala não linear e seleção de recursos

Fei ZHANG, Peining ZHEN, Dishan JING, Xiaotang TANG, Hai-Bao CHEN, Jie YAN

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A intrusão é um dos principais problemas de segurança da Internet com o rápido crescimento de dispositivos inteligentes e de Internet das Coisas (IoT), e torna-se importante detectar ataques e acionar alarmes em sistemas IoT. Neste artigo, o método baseado em máquina de vetores de suporte (SVM) e análise de componentes principais (PCA) é usado para detectar ataques em sistemas IoT inteligentes. SVM com esquema não linear é usado para classificação de intrusão e PCA é adotado para seleção de recursos nos conjuntos de dados de treinamento e teste. Experimentos no conjunto de dados NSL-KDD mostram que a precisão do teste do método proposto pode chegar a 82.2% com 16 recursos selecionados do PCA para classificação binária, o que é quase igual ao resultado obtido com todos os 41 recursos; e a precisão do teste pode atingir 78.3% com 29 recursos selecionados do PCA para classificação múltipla, enquanto 79.6% sem seleção de recursos. A precisão da detecção de ataques de negação de serviço (DoS) do método proposto pode atingir uma melhoria de 8.8% em comparação com o método existente baseado em rede neural artificial.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.5 pp.1024-1038
Data de publicação
2022/05/01
Publicitada
2022/02/14
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7184
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Fei ZHANG
  Northwestern Polytechnic University
Peining ZHEN
  Shanghai Jiao Tong University
Dishan JING
  Shanghai Jiao Tong University
Xiaotang TANG
  Shanghai Jiao Tong University
Hai-Bao CHEN
  Shanghai Jiao Tong University
Jie YAN
  Northwestern Polytechnic University

Palavra-chave