Two-tier network anomaly detection model: a machine learning approach

Pajouh, Hamed Haddad; Dastghaibyfard, Gholamhossein; Hashemi, Sattar

doi:10.1007/s10844-015-0388-x

Cited by 134 publications

(51 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This measure [48] This measure indicates that there is no strict dependency among the classifier input features -see also Tables 1 and 2. The figures dependency among the features also significantly decreases, in comparison to the findings reported in [31]. The certainty-factor similarity measure in the classification module is based on the distribution proportion of classes in the training dataset to resolve imbalance data set issue.…”

Section: Classification Modulementioning

confidence: 69%

“…In [31], a twolayer classification module was used to detect U2R and R2L attacks with low computational complexity due to its optimized feature reduction. Osanaiye et al [13] proposed an ensemble-based multi-filter feature selection method to detect distributed DoS attacks in cloud environments using four filter methods to achieve an optimum selection over NSL-KDD dataset.…”

Section: Related Workmentioning

confidence: 99%

“…At this stage, TDTC is already trained using the transformed dataset and classified incoming traffic utilizing a multilayer classifier (introduced in [31]) to detect anomalies. The choice of the classifier is due to its capability in detecting abnormal behaviors due to the use of:  Two embedded classifiers for assigning exact class labels;  Simple classifier techniques such Naïve Bayes [47] and K-Nearest Neighbor (KNN);  Good similarity measure for rare instances to handle imbalanced datasets; and  Bucketing technique to speed up classification tasks.…”

Section: Classification Modulementioning

confidence: 99%

See 2 more Smart Citations

A Two-Layer Dimension Reduction and Two-Tier Classification Model for Anomaly-Based Intrusion Detection in IoT Backbone Networks

Pajouh

Javidan

Khayami

et al. 2019

IEEE Trans. Emerg. Topics Comput.

Self Cite

340

157

View full text Add to dashboard Cite

Abstract-With increasing reliance on Internet of Things (IoT) devices and services, the capability to detect intrusions and malicious activities within IoT networks is critical for resilience of the network infrastructure. In this paper, we present a novel model for intrusion detection based on two-layer dimension reduction and two-tier classification module, designed to detect malicious activities such as User to Root (U2R) and Remote to Local (R2L) attacks. The proposed model is using component analysis and linear discriminate analysis of dimension reduction module to spate the high dimensional dataset to a lower one with lesser features. We then apply a two-tier classification module utilizing Naïve Bayes and Certainty Factor version of K-Nearest Neighbor to identify suspicious behaviors. The experiment results using NSL-KDD dataset shows that our model outperforms previous models designed to detect U2R and R2L attacks.

show abstract

Section: Classification Modulementioning

confidence: 69%

Section: Related Workmentioning

confidence: 99%

Section: Classification Modulementioning

confidence: 99%

See 1 more Smart Citation

A Two-Layer Dimension Reduction and Two-Tier Classification Model for Anomaly-Based Intrusion Detection in IoT Backbone Networks

Pajouh

Javidan

Khayami

et al. 2019

IEEE Trans. Emerg. Topics Comput.

Self Cite

340

157

View full text Add to dashboard Cite

show abstract

“…Çox sayda tədqiqatlarda anomaliyaların aşkarlanması üçün statistik yanaşmalar, ölçünün kiçildilməsi, maşın təliminə əsaslanan, neyron şəbəkələr, bayes şəbəkəsi, entropiya, qaydalara əsaslanan, SVM əsaslı və s. model və alqoritmlər təklif olunmuşdur [7,9,[14][15][16][17][18].…”

Section: Anomaliyalarin Aşkarlanmasi Metodlariunclassified

“…Bir çox tədqiqatlarda anomaliyanın aşkarlanmasında klassifikasiyanın dəqiqliyini artırmaq məqsədi ilə hibrid və ya çox səviyyəli klassifikasiya modelləri təklif olunmuşdur [7,9,15,19,20].…”

Section: Anomaliyalarin Aşkarlanmasi Metodlariunclassified

Big Data analitika əsasında informasiya təhlükəsizliyi obyektində anomaliyaların aşkarlanması modeli

Alıguliyev¹,

Hacırəhimova²

2017

İnformasiya Təhlükəsizliyinin Aktual Problemləri III Respublika Elmi-Praktiki Seminarının Materialları

View full text Add to dashboard Cite

Xülasə-Anomaliyaların aşkarlanması verilənlərin analizində əsas məsələlərdəndir və şəbəkə təhdidlərinin aşkarlanmasında geniş istifadə olunur. Məqalədə Big data analitika əsasında şəbəkə trafikində anomaliyaların aşkarlanması üçün daha dəqiq və sadə multi-klassifikator modeli təklif olunmuşdur. Eksperimentlər NSL-KDD verilənlər dəsti üzrə WEKA proqram təminatında aparılmışdır.Anomaliyaların aşkarlanmasının dəqiqliyi baxımından təklif olunan model yaxşı nəticələr göstərmişdir.Açar sözlər-Anomaliya, Big data, Big data analitika, informasiya təhlükəsizliyi, klassifikatorlar ansamblı, IDS, NSL-KDD, WEKA. I. GİRİŞBəşəriyyətin mövcudluğundan təhlükəsizlik problemləri insanları daim düşündürmüş. Big data erasında isə təhlükəsizlik məsələlərinə maraq daha da artmış və siyasi, iqtisadi, sosial, demoqrafik, hərbi, ekoloji və s. kimi aspektlərdə çox ciddi elmi-tədqiqat istiqamətinə çevrilmişdir.[1]-də də göstərildiyi kimi Big data və informasiya təhlükəsizliyi məsələlərinə iki müxtəlif aspektdən baxmaq olar: informasiya təhlükəsizliyində Big data analitikanın tətbiqi və Big data texnologiyalarında informasiya təhlükəsizliyi problemləri.Şəbəkə xidmətlərindən, veb əlavələrdən geniş istifadə müəssisə və təşkilatlarda şəbəkə və kompüter təhdidlərinə qarşı təhlükəsizlik tədbirlərinin həyata keçirilməsini ön plana çəkmişdir. Belə ki, son zamanlar kiber-terror, kibermüharibələr və s. kimi kiber-məqsədli hücumların (məsələn, kiber-terror, kiber-müharibələr, APT-Advanced Persistent Threat və s.) sayı sürətlə artmaqdadır [2]. Korporativ kompüter şəbəkələrin təhlükəsizliyinə böyük təhdidlər yaradanbu hücumların aşkarlanması üçün şəbəkə, host, təhlükəsizlik qurğuları və s. mənbələrdən çox böyük həcmdə verilənlərin toplanması, verilənlərdə anomaliyaların aşkarlanması məsələsini aktuallaşdırır və məsələnin həllində daha effektiv analiz metod və alqoritmlərinin yaradılmasını tələb edir. Çünki kompüter şəbəkələrində təhlükəli trafiklərin erkən aşkarlanması, log faylların analizi şəbəkə təhlükəsizliyinin təmin edilməsində əsas şərtdir. Verilənlərin analizində anomaliyaların aşkarlanması isə əsas məsələlərdəndir. Anomaliyaların aşkarlanması qeyri-müntəzəm davranışlara müdaxilə etmək imkanı verir. Hücumların qarşısının qabaqcadan alınması (0-cı gündən), yəni əvvəllər rast gəlinməyən və bədniyyətli verilənlərin filtirlənməsi xüsusilə vacibdir.Anomaliya verilənlərdə müəyyən olunmuş normal davranışa uyğun olmayan qanunauyğunluq kimi başa düşülür və ya verilənlərin göstəricisi kimi təyin olunur. Tədqiqatlarda anomaliya sözünə sinonim kimi "outliers", "exceptions", "peculiarities", "surprise" terminləri də istifadə olunur [3]. Yəni anomaliyaların aşkarlanması verilənlərdə ehtimal olunan davranışlara uyğun olmayan şablonların tapılması problemidir. Bu problem özünü Big data kontekstində daha qabarıq göstərir. Anomaliyaların aşkarlanmasındakı ənənəvi metodlar böyük həcm, müxtəliflik, yüksək sürət kimi kimi xüsusiyyətlərlə təyin olunan böyük verilənlərdə yaxşı nəticə göstərmirlər [4][5][6][7].Anomaliyaların düzgün aşkarlanmaması və ya emalı əldə olu...

show abstract

Ensemble approach for network threat detection and classification on cloud computing

Krishnaveni¹,

Prabakaran

2019

Concurrency and Computation

View full text Add to dashboard Cite

Summary As Network traffic rises and attacks become more widespread and complicated, we must come across Innovative ways to enrich Intrusion Detection Systems in Cloud Computing. This paper proposes the Ensemble approaches for Network Intrusion Detection and Classification in Cloud. The major aids of the Ensemble Learning to improve the outcome of each Machine Learning Algorithms and to get a robust Classifier. Real Time Malicious Network Streams Samples were collected using Honeynet, which is deployed on cloud environment. We use supervised learning and Unsupervised learning algorithms for classifying the known malicious network streams and unknown malicious streams. Network related attacks can be segregated into four classes, namely, Denial of service (DOS), User to root (U2 R), Remote to local (R2L), and probe, and the vital constraints that must be overcome with the end goal to build efficient Intelligent Intrusion Detection. The motivation behind the proposed work is to enhance the accuracy rate with response time. The outcome obtained from the Ensemble method has better accuracy rate compared to the SVM, Naive Bayes, and Logistic regression method.

show abstract

Two-tier network anomaly detection model: a machine learning approach

Cited by 134 publications

References 18 publications

A Two-Layer Dimension Reduction and Two-Tier Classification Model for Anomaly-Based Intrusion Detection in IoT Backbone Networks

A Two-Layer Dimension Reduction and Two-Tier Classification Model for Anomaly-Based Intrusion Detection in IoT Backbone Networks

Big Data analitika əsasında informasiya təhlükəsizliyi obyektində anomaliyaların aşkarlanması modeli

Ensemble approach for network threat detection and classification on cloud computing

Contact Info

Product

Resources

About