A new Distance-based Feature Selection (DFS) approach in KDDCUP99 dataset for anomaly detection with Negative Selection Algorithm (NSA)
محل انتشار: کنفرانس بین المللی علوم و مهندسی
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 815
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICESCON01_0393
تاریخ نمایه سازی: 25 بهمن 1394
چکیده مقاله:
One of the most interesting and challenging task in intrusion detection system is feature selection.In this paper, a new distance-based feature selection approach is proposed in order to reduce the dimensions of KDDCUP99 dataset. One of the main problems of KDDCUP99 dataset is the curse dimensionality. So in order to solve this challengeable problem, feature selection algorithms are used widely. In this research, we use Euclidean distance to measure the distances between normal and abnormal data features. Our proposed feature selection algorithm, leads us to select 11features from 11 ones. To detect anomaly data, negative selection algorithm is used. The results shows better performance in anomaly detection compared with recent works
کلیدواژه ها:
نویسندگان
Khashayar Khosharay
Department of Computer, Buinzahra Branch, Islamic Azad University, Buinzahra, Iran
Mahdi Mollamotalebi
Department of Computer, Buinzahra Branch, Islamic Azad University, Buinzahra, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :