abstract—Extracting attributes from

abstract—Extracting attributes from network traffic is the first
step of network intrusion detection. However, the question of
which or what attributes are most effective for the detection still
remains. In this paper, we employed information gain, wrapper
with Bayesian Networks (BN) and Decision trees (C4.5)
respectively to select key subsets of attributes for network
intrusion detection based on KDD Cup 1999 data. We then used
the selected 10 attributes to detect DDoS attacks in the real
environments. The empirical results based on DDoS attack data
collected in the real world as well as KDD Cup 1999 data show
that only using the 10 attributes, the detection accuracy almost
remains the same or even becomes better compared with using all
the 41 attributes with both BN and C4.5 classifiers. Using a small
subset of attributes also improves the efficiency in terms of
attribute forming, models training as well as intrusion detection.

Kết quả (Việt) 1:

trừu tượng-giải nén thuộc tính từ mạng lưới giao thông là lần đầu tiênbước phát hiện xâm nhập mạng. Tuy nhiên, câu hỏi củathuộc tính đó hoặc những gì là hiệu quả nhất để phát hiện vẫn cònvẫn còn. Trong bài này, chúng tôi sử dụng thông tin được, wrappervới mạng Bayes (BN) và quyết định cây (C4.5)tương ứng để chọn chính con của các thuộc tính cho mạngphát hiện xâm nhập dựa trên dữ liệu KDD Cup năm 1999. Sau đó chúng tôi sử dụngCác thuộc tính đã chọn 10 để phát hiện các cuộc tấn công DDoS trong thực tếmôi trường. Kết quả thực nghiệm dựa trên DDoS tấn công dữ liệuthu thập trong thế giới thực cũng như KDD Cup năm 1999 dữ liệu Hiển thịchỉ sử dụng các thuộc tính 10, độ chính xác phát hiện hầu nhưvẫn giữ nguyên hoặc thậm chí trở nên tốt hơn so với sử dụng tất cảCác thuộc tính 41 với máy phân loại BN và C4.5. Bằng cách sử dụng một nhỏtập hợp con của thuộc tính cũng cải thiện hiệu quả vềthuộc tính hình thành, mô hình đào tạo cũng như phát hiện xâm nhập.

Kết quả (Việt) 2:

thuộc tính-Extracting trừu tượng từ mạng lưới giao thông là người đầu tiên
bước phát hiện xâm nhập mạng. Tuy nhiên, câu hỏi
đó hoặc những thuộc tính có hiệu quả nhất để phát hiện vẫn
còn tồn tại. Trong bài báo này, chúng tôi sử dụng thông tin thu được, bao bọc
với mạng Bayesian (BN) và cây quyết định (C4.5)
tương ứng để chọn các tập con quan trọng của các thuộc tính cho mạng
phát hiện xâm nhập dựa trên dữ liệu KDD Cup 1999. Sau đó chúng tôi sử dụng
các lựa chọn 10 thuộc tính để phát hiện các cuộc tấn công DDoS trong thực tế
môi trường. Các kết quả thực nghiệm dựa trên dữ liệu DDoS tấn công
thu thập trong thế giới thực cũng như KDD Cup 1999 dữ liệu cho thấy
rằng chỉ bằng cách sử dụng 10 thuộc tính, độ chính xác gần như
vẫn giữ nguyên hoặc thậm chí trở nên tốt hơn so với việc sử dụng tất cả
41 thuộc tính với cả BN và phân loại C4.5. Sử dụng một nhỏ
tập hợp các thuộc tính cũng cải thiện hiệu quả về
thuộc tính hình thành, mô hình đào tạo cũng như phát hiện xâm nhập.