Dimension Reduction Features based on Principal Component Analysis in Intrusion Detection Systems
Publish place: The first international conference of modern research engineers in electricity and computer
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: English
View: 458
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CBCONF01_0271
تاریخ نمایه سازی: 16 شهریور 1395
Abstract:
In this paper a new hybrid algorithm PCA-MLP (principal component analysis - Multilayer Perceptron Neural Network) proposed. The PCA transform used to reduce the feature and trained neural network is used to identify the any kinds of new attacks. Test and comparison are done on NSL-KDD dataset. the experiments on NSL-KDD data demonstrate that our proposed with a 36% reduction feature space and the detection rate of 87.65%, better than the same algorithm.
Keywords:
Authors
Salar Heydari
Department of Computer Khouzestan Science and Research Branch, Islamic Azad University Ahvaz, Iran
Mohammadreza Norimehr
Mohamadreza Norimehr Department of Computer Khouzestan Science and Research Branch, Islamic Azad University Ahvaz, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :