• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Use of Entropy for Feature Selection with Intrusion Detection System Parameters.
【24h】

Use of Entropy for Feature Selection with Intrusion Detection System Parameters.

机译：使用熵进行入侵检测系统参数的特征选择。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The metric of entropy provides a measure about the randomness of data and a measure of information gained by comparing different attributes. Intrusion detection systems can collect very large amounts of data, which are not necessarily manageable by manual means. Collected intrusion detection data often contains redundant, duplicate, and irrelevant entries, which makes analysis computationally intensive likely leading to unreliable results. Reducing the data to what is relevant and pertinent to the analysis requires the use of data mining techniques and statistics. Identifying patterns in the data is part of analysis for intrusion detections in which the patterns are categorized as normal or anomalous. Anomalous data needs to be further characterized to determine if representative attacks to the network are in progress. Often time subtleties in the data may be too muted to identify certain types of attacks. Many statistics including entropy are used in a number of analysis techniques for identifying attacks, but these analyzes can be improved upon. This research expands the use of Approximate entropy and Sample entropy for feature selection and attack analysis to identify specific types of subtle attacks to network systems. Through enhanced analysis techniques using entropy, the granularity of feature selection and attack identification is improved.
机译：熵度量提供了有关数据随机性的度量，以及通过比较不同属性获得的信息的度量。入侵检测系统可以收集大量数据，这些数据不一定可以通过手动方式进行管理。收集的入侵检测数据通常包含冗余，重复和不相关的条目，这使得分析的计算量很大，可能导致结果不可靠。将数据缩减为与分析相关且相关的内容需要使用数据挖掘技术和统计数据。识别数据中的模式是入侵检测分析的一部分，其中模式被分类为正常或异常。需要进一步特征化异常数据，以确定是否正在进行针对网络的代表性攻击。通常，数据中的时间细微程度可能太小而无法识别某些类型的攻击。许多统计信息（包括熵）已用于识别攻击的多种分析技术中，但是可以改进这些分析。这项研究扩大了近似熵和样本熵在特征选择和攻击分析中的应用，以识别对网络系统的细微攻击的特定类型。通过使用熵的增强分析技术，可以提高特征选择和攻击识别的粒度。

著录项

  • 作者

    Acker, Frank L.;

  • 作者单位

    Nova Southeastern University.;

  • 授予单位 Nova Southeastern University.;
  • 学科 Information science.;Computer science.
  • 学位 Ph.D.
  • 年度 2015
  • 页码 177 p.
  • 总页数 177
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号