INBRAAKDETECTIE MET BEHULP VAN KENMERK SELECTIE EN GEHYBRIDISEERDE

Tegenwoordig is het zeer belangrijk om een hoog beveiligingsniveau te handhaven om veilige en betrouwbare communicatie van informatie tussen verschillende organisaties te waarborgen. Maar beveiligde datacommunicatie over het internet en elk ander netwerk wordt altijd bedreigd door inbraken en misbruik.Ongetwijfeld wordt een breed scala aan beveiligingstechnologieën zoals informatie-encryptie, toegangscontrole en inbraakpreventie gebruikt om netwerkgebaseerde systemen te beschermen, maar er zijn nog steeds veel onopgemerkte inbraken.Dit project presenteert een overzicht van inbraakdetectie en een hybride classificatiealgoritme gebaseerd op naïve baye en K Nearest neighbour. De dataset wordt eerst door de naïve baye gehaald voor classificatie, waarbij de prior en conditionele waarschijnlijkheden voor elk voorbeeld in de dataset worden gegenereerd. Als er een verkeerde classificatie is, wordt het voorbeeld doorgegeven aan KNN, dat vervolgens de omgeving van het voorbeeld rangschikt en de resulterende voorbeelden weegt met behulp van de gelijkenis van elke buur van het voorbeeld. Als Sim(X,Dj) gelijk is aan 1, dan is X normaal, anders zoekt het algoritme de K grootste Sim(X,Dj), toetst die aan een stopcriterium (drempel).

Sr. Obiwusi Kolawole Yusuf M.Sc., B.Sc.(Hons) in Computer Science, University of Ilorin, Nigeria.