Многоэкспертные бинарные системы как средство повышения вероятностей обнаружения атак на информационные ресурсы

Автор: Ле Тхи Чанг Линь

Журнал: Труды Московского физико-технического института @trudy-mipt

Статья в выпуске: 1 (37) т.10, 2018 года.

Бесплатный доступ

Приводятся результаты применения процедуры оптимального голосования в много- экспертных бинарных системах (МЭБС) обнаружения атак типа Reconnaissance, выпол- ненных на базе данных UNSW-NB 15. Рассмотрены две структуры МЭБС: 1) МЭБС, состоящая из трех экспертов на основе многослойных нейронных сетей; 2) МЭБС, со- стоящая из пяти экспертов на основе многослойных нейронных сетей, метода опорных векторов и метода случайного леса. В этих системах используется метод статистиче- ских испытаний, который позволяет обойти проблему межэкспертной статистической зависимости.

Многоэкспертная бинарная система, обнаружение атак типа reconnaissance, база данных unsw-nb 15

Короткий адрес: https://sciup.org/142215014

IDR: 142215014

Список литературы Многоэкспертные бинарные системы как средство повышения вероятностей обнаружения атак на информационные ресурсы

Stampar M., Fertalj K. Artificial intelligence in network intrusion detection//38th International convention on information and communication technology, electronics and microelectronics (MIPRO). 2015. P. 1318-1323.
Mrutyunjaya Panda, Ajith Abraham, Swagatam Das, Manas Ranjan Patra. Network intrusion detection system: a machine learning approach//Intelligent Decision Technologies. 2011. P. 347-356.
Аведьян Э.Д., Ле Т.Ч.Л. Двухуровневая система обнаружения DoS-атак и их компонентов на основе нейронных сетей СМАС//Информационные технологии. 2016. T. 29, № 9. C. 711-718.
Kesavulu R.E. Expert system for intrusion detection and its applications//International conference on innovative applications in engineering and information technology (ICIAEIT). 2017. P. 61-65.
Gang Wang, Jinxing Hao, Jian Ma, Lihua Huang. A new approach to intrusion detection using Artificial Neural Networks and fuzzy clustering//Expert Systems with Applications. 2010. V. 37. P. 6225-6232.
Sodiya A.S., Ojesanmi O.A., Akinola O.C. Neural network based intrusion detection systems//International Journal of computer applications. 2014. P. 19-24.
Anderson D.,Frivold T.,Valdes A. Next-generation Intrusion Detection Expert System (NIDES): A Summary//SRI International Technical Report SRI-CSL-95-07. 1995.
Debar H., Becker M., Siboni D.A. Neural network component for an intrusion detection system//Proceedings of the 1992 IEEE Symposium on Security and privacy. 1992. P. 240.
Витенбург Е.А., Никишова А.В., Чурилина А.Е. Системы поддержки принятия решений в информационной безопасности//Вестник компьютерных и информационных технологий. 2015. № 4. С. 50-56.
Аведьян Э.Д., Ле Тхи Чанг Линь. Процедуры оптимального голосования в многоэкс-пертных бинарных системах//Труды МФТИ. 2017. Т. 4(36). С. 174-189.
https://www.unsw.adfa.edu.au/australian-centre-for-cyber-security/cybersecurity/ADFA-NB15-Datasets/
Moustafa N., Slay J. The evaluation of Network Anomaly Detection Systems: Statistical analysis of the UNSW-NB15 data set and the comparison with the KDD99 data set//Information Security Journal: a Global Perspective. 2016. P. 1-14.
Ле Т.Ч.Л. Обнаружение атак в современной базе данных UNSW-NB15 с применением многослойной нейронной сети//Информатизация и связь. 2017. № 1. C. 61-66.
http://kdd.ics.uci.edu/databases/kddcup99/
http://github.com/defcom17/NSL_KDD
Haykin S. Neural Networks: A Comprehensive Foundation.-NY.: Macmillan College Publishing. 1994.
Mitchell T. Chapter 3 -Decision tree learning. 1997.
http://matlab.exponenta.ru/neuralnetwork/book2/
https://en.wikipedia.org/wiki/Kernel_method
Jojo Moolayil. Smarter Decisions: The Intersection of Internet of Things and Decision Science. 2016. P. 208.
Xu L., Amari Shunichi. Combining classifiers and learning mixture-of-experts//Encyclopedia of Artificial Intelligence. 2009. P. 319-326.
Aburomman A.A., Reaz M.B.I. A survey of intrusion detection systems based on ensemble and hybrid classifiers//Computers & Security. 2016. P. 1-45.
Kittler J., Alkoot F.M. Sum versus vote fusion in multiple classifier systems//IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003. V. 25, N. 1. P. 110-115.
Kuncheva L.I., Whitaker C.J., Shipp C.A. Limits on the majority vote accuracy in classier fusion//Pattern Analysis and Applications. 2003. V. 6. P. 22-31.
Moustafa N., Slay J. The significant features of the UNSW-NB 15 and the KDD 99 Data sets for Network Intrusion Detection Systems//Proceedings of the 4th International Workshop on Building Analysis Datasets and Gathering Experience Returns for Security (BADGERS), collocated with RAID, At Kyoto, Japan. 2015. V. 4.
Daniel Smit, Kyle Millar, Clinton Page, Adriel Cheng, Hong-Gunn Chew and Cheng-Chew Lim. Looking deeper: Using deep learning to identify internet communications traffic//Macquarie Matrix: Special edition, ACUR. 2017.

Еще

Статья научная