Функціональний відбір ReliefF для виявлення аномалій трафіку
DOI:
https://doi.org/10.18372/2073-4751.80.19779Ключові слова:
ReliefF, Random Forest, вибір ознак, аномалії трафіку, мережеві атаки, виявлення загроз, NSL-KDDАнотація
Стаття присвячена проблемі виявлення аномалій у мережевому трафіку з використанням методів машинного навчання та оптимізації вибору ознак. Оскільки сучасні комп'ютерні мережі постійно ускладнюються, а обсяги переданих даних зростають, ефективне виявлення загроз потребує швидких і точних алгоритмів аналізу трафіку. Особливу складність становить відокремлення нормальної мережевої активності від потенційно шкідливих атак, що можуть маскуватися під звичайні запити.
У роботі розглянуто використання методу ReliefF для вибору ключових ознак мережевого трафіку та його вплив на продуктивність класифікаційної моделі Random Forest. Досліджується питання оптимізації вибору характеристик трафіку, що дозволяє зменшити обчислювальні витрати та прискорити процес навчання, не втрачаючи важливих індикаторів аномальної активності. Особлива увага приділена аналізу продуктивності системи за різних обсягів відібраних ознак, що дає змогу знайти оптимальний баланс між точністю та швидкістю аналізу.
Запропонований підхід орієнтований на автоматизовані системи виявлення вторгнень (IDS), які працюють у режимі реального часу та повинні швидко реагувати на потенційні атаки, такі як DDoS, сканування портів, несанкціонований доступ та експлойти. Дослідження спрямоване на підвищення ефективності існуючих методів аналізу мережевого трафіку та адаптацію алгоритмів вибору ознак до умов високонавантажених мереж.
Посилання
Singh I. et al. An improved Net-work Intrusion Detection System using a Novel Hybrid Genetic Coati-Pelican Opti-mization Algorithms with an Ensemble Fuzzy c-means and CNN-RF. 2024 Asia Pacific Conference on Innovation in Technology (APCIT) : proceedings, MYSORE, India, 26–27 July 2024 / IEEE. 2024. P. 1–8. DOI: 10.1109/APCIT62007.2024.10673641.
Alam M. S., Patel Y., Gurram Y. GMC-168 Hybrid Approach of Data Mining and Deep Learning for Network Intrusion Classification in Big Data. URL: https://digitalcommons.kennesaw.edu/cgi/viewcontent.cgi?article=1510&context=cday.
Jeyakarthic M., Selvakumar T. Hybrid Dynamic Kernel Neural Learning for Efficient Anomaly Detection. Wireless Sen-sor Networks. 2025. Vol. 12(1). P. 106–120. DOI: 10.22247/ijcna/2025/08.
Benmalek M., Seddiki A. Particle swarm optimization-enhanced machine learning and deep learning techniques for Internet of Things intrusion detection. Data Science and Management. 2025. URL: https://doi.org/10.1016/j.dsm.2025.02.005.
Ramezani R. et al. Bench to Bed-side: AI and Remote Patient Monitoring. Frontiers in Digital Health. 2025. Vol. 7. URL: https://doi.org/10.3389/fdgth.2025.
Ghantous M., ElHarras S., ElAas-ser M. Use of AI and Intelligent Algorithms. Lecture Notes in Networks and Systems. Vol. 1268. Intelligent Systems, Blockchain, and Communication Technologies. Selected Papers From the International Conference on Intelligent Systems, Blockchain, and Communication Technologies (ISBCom24) - Volume 1. Conference proceedings / ed. by A. Abdelgawad, A. Jamil, A. A. Hameed. 2025. P. 454–467.
Logeswari G. et al. An improved synergistic dual-layer feature selection algo-rithm with two type classifier for efficient intrusion detection in IoT environment. Sci-entific Reports. 2025. Vol. 15. 8050. URL: https://doi.org/10.1038/s41598-025-91663-z.
Pradeesh S., Jeyakarthic M., Thirumalairaj A. Enhanced Hybrid Ap-proach for Multi-Class DDoS Attack Detec-tion and Classification in Software-Defined Networks Using Remote Sensing and Data Analytics. Remote Sensing in Earth Systems Sciences. 2025. DOI: 10.1007/s41976-025-00204-9.
Ghimire A. et al. Enhancing Cy-bersecurity in Critical Infrastructure with LLM-Assisted Explainable IoT Systems. arXiv: 2503.03180. 2025. 5 p.
Ansar N. et al. A Robust Hybrid Rf-Bilstm Approach Reinforcing Iot Net-works Against Cyber Threats. URL: https://ssrn.com/abstract=5165735.
Chaudhary P., Singh A. K., Gupta B. B. Dynamic multiphase DDoS attack identification and mitigation framework to secure SDN-based fog-empowered consum-er IoT Networks. Computers and Electrical Engineering. 2025. Vol. 123, part C. 110226. DOI: 10.1016/j.compeleceng.2025.110226.
Karrothu A., Sriramakrishnan G. V., Jegdic K. Gazelle‐Dingo Optimization and Ensemble Classification: A Hybrid Ap-proach for Intrusion Detection in Fog Com-puting. Transactions on Emerging Telecom-munications Technologies. 2025. Vol. 36, iss. 3. 70084. DOI: 10.1002/ett.70084.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
