Machine Learning in Classification Time Series with Fractal Properties

Abstract

The article presents a novel method of fractal time series classification by meta-algorithms based on decision trees. The classification objects are fractal time series. For modeling, binomial stochastic cascade processes are chosen. Each class that was singled out unites model time series with the same fractal properties. Numerical experiments demonstrate that the best results are obtained by the random forest method with regression trees. A comparative analysis of the classification approaches, based on the random forest method, and traditional estimation of self-similarity degree are performed. The results show the advantage of machine learning methods over traditional time series evaluation. The results were used for detecting denial-of-service (DDoS) attacks and demonstrated a high probability of detection.

The method of secure routing of multifractal traffic

“…До складу СВВ входить класифікатор, який за результатами аналізу параметрів трафіка приймає рішення, чи цей трафік є легітимним, чи атакою. В рамках даного дослідження класифікатор був побудований на базі алгоритму Machine Learning [14]. У зв'язку з тим, що класифікатор, який використовується, є прикладом бінарної класифікації (трафік є легітимним чи атакою) в залежності від того, чи пройшла класифікація правильно чи ні, можливі наступні випадки:…”

“…Як елементи матриці помилок під час проведення дослідження приймаються відповідні значення вихідних параметрів алгоритму Machine Learning за результатом виконання класифікації, описаного в роботі [14].…”

“…А саме, високе значення FP призведе до менш ефективного виявлення, а високе значення FN зробить систему вразливою для вторгнень. Таким чином, для забезпечення необхідної продуктивності системи виявлення вторгнень FP і FN повинні бути мінімізовані при забезпеченні необхідної точності виявлення [13,14]. Всі відомі підходи, запропоновані для зменшення помилкових спрацьовувань, недостатньо ефективні, оскільки вони орієнтовані тільки на зменшення помилкових спрацьовувань.…”

“…Всі відомі підходи, запропоновані для зменшення помилкових спрацьовувань, недостатньо ефективні, оскільки вони орієнтовані тільки на зменшення помилкових спрацьовувань. В ході роботи було використано метод, який описано в [14], що дозволяє одночасно зменшити як FN, так і FP, зберігаючи точність на заданому рівні або навіть збільшуючи її.…”

Approaches to Building a Chaotic Communication System

“…The discovery of deterministic chaos [1] (50 years ago) led to the fast growth of both fundamental and applied scientific investigations related to the description of the behavior of this nonlinear phenomenon [2][3][4][5][6]. When two important properties of chaotic oscillations had been discovered-namely synchronization and sensitive dependence on initial conditions [7], it became possible to investigate the usage of deterministic chaos in information systems [8][9][10][11][12].…”