Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   23 ,  No.   1 ,   Ju ly   2021 , p p.  558 ~ 565   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 23 .i 1 . pp 558 - 565          558       Journ al h om e page :  http: // ij eecs.i aesc or e.c om   An  ens em ble fea ture sel ection  ap proach u sing hyb rid ke rnel  based   S VM fo r  network  intrusio n detecti on syst em       Ga d dam V en u G opal 1 , Gat ram  R ama   M ohan  B ab u 2     1 Y.S.  Rajasekha r   Redd y   Univ ersi t y   Coll ege of En gine er ing  &   T echnolog y ,   Ach ar ya  Naga rjuna Uni ver sit y ,   Naga r ju na  Naga r, Guntur ,   I ndia   2 Depa rtment of I nform at ion  T ec h nolog y ,   RVR  & J C  Coll eg e  of   E ngine er ing, Cho wdava ram,  Gunt ur ,   Indi a       Art ic le  In f o     ABSTR A CT    Art ic le   hist or y:   Re cei ved  J ul   1 8,   2020   Re vised A pr 29 , 2 021   Accepte d  Ma y   4 , 2 021       Feat ure   se le c ti o n  is  a  proc ess  of  ide nti f y i ng  re levant  fe at ure   sub set  tha t  leads   to  the  m ac hine  l ea rning  al gor it h m   in  a  wel l - def i ned  m anne r.  In  t his  pape r ,   a   novel   ense m ble   fea tur e  sele c ti on   appr oac h  tha t  c om prises  of  rel ie f  at tri bu t e   eva lu at ion  and   h y brid  ker n el - base d  support  vec tor  m ac hin e   (HK - S VM )   appr oac h  is  pro posed  as  a  fea t ure   sele c ti on  m et hod  for  net wo rk  int rusion  det e ct ion  s y stem   (NID S).  A  Hy b rid  appr oa ch  a lo ng  with  the  comb ina ti on   of   gaussian  and   p ol y nom ial  m et h ods  is  used  as  a  ker n el  for  su pport  ve ct or   m ac hin e  (SV M).   The  ke y   issue  i s  to  sel ec t   a   fe ature  subs et   that  yie lds  good   ac cur acy   a t  a  m ini m al   compu ta ti on al   cost .   T he  proposed  appr oac h  is   implemente d  an d  compare d  wit h  c la ss ic a l  SV M  and  sim ple   ker nel.  K y o to  2006+,   a  b enc h m ark   int rusion  det e ct ion  d atase t,   is  used  for  e xper imental  eva lu at ion   and   t hen  observa ti ons   are dra wn .   Ke yw or d s :   Feat ur e  selec ti on   Hybr i d ker nel   In tr us i on d et ec ti on  syst em   Kyoto 2 006+   Suppor t  v ect or  m achine   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Gaddam  V en u Gopal   Dr .  Y.S.  Raja s ekh a r  Re dd y  U niv e rsity  Colle ge of  Enginee r ing   & Tec hnol og y   Ach a rya  Nag a r j una  U niv e rsity   Nag a r j una  Na ga r,   G un t ur ,  In di a   Em a il : ven ugopal .g a ddam @g m ai l.co m       1.   INTROD U CTION     Now - a - days ,   ne twork  i ntr us io n  detect ion   s ys tem   play s  an  im po rtant  r ole .  Ow i ng  to  t he  r apid  gro wt h  in  the  us e  of   w eb  us a ge  a nd   ot her   net wor k  s erv ic es,  t hese  netw ork  ser vic es  are  pro ne  to   vu l ner a ble  an d  nee d   to  be   pro vid e d  with  m or e   se cur it y.   N et w ork  intr us i on  det ect ion   syst em   (NIDS)  is  one   of  the  s olu ti ons  that   identifie s  an d  pr e ven ts  the   intruder  f rom   pen et rati ng  into  the  network   a nd   fro m   do in g  a ny  m al ic iou s   act ivit ie s.   Fo r  t he  la st  few   deca des,   m os t  of   the  re sea rch e rs  are  wor king  in  the  fie ld  of   NIDS  a nd  pro posin g  and  im ple m enting  t heir  wor k  on  dif fer e n t  be nch m ark   datas et s  avail able.   As  the se  datas et s   are  ve ry  big   in  siz e  and   pro vid e d  it h   div e rsified   high  dim ension al it y,  m os t  of   t he  aut hors   hav e  pro pose d  m achine  le arn i ng  te chn iq ues  no t   on ly   f or   at ta ck  detect io n  bu t  al so   qu ic k  de te ct ion   of  intr ud e r.   Feat ur e  sel ect ion   an d  f eat ure   reducti on  ar e  s om e  of   the   m e thods  t o  c hoose   subset  sel ect ion  of  dim ension s.  Dim ensional it y  red uctio n  help s   the NID S in  in creasin g  the  d e te ct ion  r at es  by  elim inati ng  th os e ir releva nt  f eat ur es  a nd als o  m ini m iz es the co st   of the  detect io n  syst em .   Seve ral  m achine  le ar ning   te chn i qu e s  li ke   decisi on  trees ,   ada   bo os ti ng,   ra ndom   f ores t,  arti fici al  neural  net wor ks ,  a nd  S VM ,   are  us e d  as  cl assifi ers  f or   pr e dicti ng   w he ther  the  re quest   is  an  at ta ck  or  a   le gitim at e  on e.  Am on g  t hese  cl assifi ers,   S V M  is  on e  of   t he   prom inent  m achine  le ar ning  te ch nique s   t hat  is   us e d  especial ly ,   if  the  pr ob lem   do m ai n  i s  a  bin ary  cl assifi er.  S uppor t  vector   m achine  (S VM )  [ 1 ]   is  a   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       An  e ns e mb le   fe atu re  selec ti on app r oac h usin g hybri d  ker nel  base d SVM f or…   ( Gadda m Ve nu  Gop al )   559   sta ti sti cal  le arn in g  base d  li ne ar  cl assifi er  intr oduce d  by  Vapnik  a nd  te a m   in  19 90s.  In   order   to  s ol ve  the   qu a drat ic   opti m iz at ion   pro ble m ,  SV M  al gorithm   m axi m iz es  the  m arg in  am on g  the  t rainin g  data  t hro ugh  li near ly  sep a ra ble h y perplane .   A  hy perplane  i n  a  hi gh   dim ension al   s pace  ha s  the  la rg est   distance  to  the  ne arest  tr ai ning  data  points   of  any  cl ass   w hich   is   kn own  as  the  optim um   separ at ion   hy perplane.   S V M  al gorithm ,   al ong  w it h  non - li near  char act e risti cs   i m pr ove s   the  abili ty   of   gen er al iz at ion ,  so lv e s   the  hig h - dim ension al   p roblem s,  detect i on   ra t e   and  al so   pro vid es  a  bette r  s ol ution   for  fau lt   detect ion  an d  pr e dicti on   [ 2] .  A  ke r nel  f un ct ion   is  us e d  in  l inear   cl assifi ers  to  s olv e   non - li nea r  problem s.    In   S VM  cl assifi cat ion   al gorithm ,  ker nel  play s  an  i m po rtant  ro le   that  can  be  ap plied  in  SV M  t o  conve rt  or i gin a l  inp ut  sp ace  i. e.,  a  high  dim e ns io n  sp ace  i nto   a  nonlinea r  m app in g.   T he  pr im ary  go al   of  any   intru si on  detec ti on   syst em   is  t o  ide ntify  at ta cks  with  highe st  detect ion  rat es.  A pa rt  f ro m   the  detect ion   rate,   ano t her  re quire m ent  is  quic k  detect ion  i.e.,   m ini m iz at ion   of  the   com pu ta ti on al   ti m e  is  al so   im po rtant   in  NIDS   [3] ,  [4 ] .   I n  the   netw ork  e nvir on m ent,  ser ve r s  nee d  to   pr ovide  ser v ic es  wi th   quic k  res po ns e  to   it s  cl ie nt s.   I n  this vie w,   NID S h a ving  high  com pu ta ti on al   tim e, can  not  be  adop te d  as  a  detect ion sy ste m  f or  the  ser ve rs.   To  fu l fil  these  go al s   a  feat ur e   sel ect ion   m eth od  nam el y,  reli ef  featu re  sel ect ion   m od el   i s  us e d  a nd  a   hybr ie d  kernel  base d  S VM  cl a ssifie r  (HKS V M)  is  a dopted  as  a  cl assifi er . Th e obj ect ive  o f   the prop os e d  wor k  is  to  dev el op  an  intr us io n  de te ct ion   syst em   [5] ,  [6 ]   us i ng   a n  ensem ble  appro ac h  al ong  with  reli ef  featur e   est i m at or  and  HK - S VM to  gai n  hi gh acc ur a cy  an d  go od com pu ta ti on al  ti m es.   The  rem ai nin g  pap e r  is  orga nized  as  sta te d.  Sect io n  2   give s  a  bri ef  re vi ew  of  r el at ed  work   in  the   fiel d  of  N IDS  and  S VM.  Ba s ic s  an d  dataset   descr i ption  is  pr ese nted   in   S ect ion   3 .  Th e  p rop os ed   m et ho do l og y   is el aboratel y   di scusse d  i n  Sec ti on   4   a nd in  S ect ion   5   resu lt s . F inall y ,   in  Se ct ion   6 ,   c oncl usi on s   are  d e riv ed .       2.   RELATE D  W ORK   Fo r  t he  pa st  fe w  deca des,   se ver al   re searc he rs  are  wor king   in  the  fiel d  of  NIDS  a nd   al s o  in  S VM.  Ther e  a re  de ve lop m ents  in  SV M  as  well   as   NI DS .   T his  se ct ion   disc us ses   the  relat ed  res earch  wor k  do ne  by   var i ou s  a uthor s  in  the  area  of   NIDS  usi ng  SV M  [ 7 ] - [ 9 ] .  Table  1  pre sents  a  br ie f  de scriptio n  of  var i ou s   researc hers al ong wit h t he dat aset s   are   c onsidere d,  an d  m eth od ologies  are   adopted/ pro posed.       Table  1.  Rel at e d work   Ref .  No .   Descripti o n   [ 7 ]   The  au th o rs  o f   t h is  p ap er  p rop o sed  a  m eth o d o lo g y   to   i m p rov e  th e  p erfo r m an ce  o f   th e  SVM  u sin g   f u si o n   o f   t h e  g en etic   alg o rith m  f o r  th e S VM.   KDD  19 9 9  d ataset th at  is u sed   t o  test their ac cu rac y .   [ 1 0 ]   The  au th o rs of  this  pap er  su g g ested  a  h y b rid g en etic alg o rith m  f o r  SVR  as  its k ernel f u n ctio n .   The  m o d el w as tes ted  on  te m p eratur e  and  load  datas ets an d  co m p a red with  dif f erent kern el  m eth o d s.   [ 1 1 ]   The  au th o rs  o f   t h is  p ap er  p resents   a   m u tu al  in f o r m ati o n   g ain   b ased  f eat u re  selectio n   m eth o d   f o r  selectin g   f e atu re  su b set  an d   tested  us in g  L S - S VM  cl ass if er  o n  the KDD19 9 9  datas et.  Accur acy, FP  r at e and  oth er  m e asu r es wer e  con sid ered.   [ 1 2 ]   The  au th o rs  o f   th i s  p ap er  p resents   a  d etailed   stu d y   wh ich   is  p rov id ed   o n   v ariou s  f eatu re  selectio n   alg o rith m s   in   th e  f ield   o f  in trus io n   d etectin   syste m .  PCA,  Co r relation   co ef f icien t ,  an d   Fu sion  o f   Gen etic  Alg o rith m ,  were   p resented   an d   tested   o n   KDD  1 9 9 9  datas et.  Dete ctio n  r ate and  co m p u tatio n al ti m e  we re  co n sid ered to co m p are  t h e   m o d els.   [ 1 3 ]   The  au th o rs  in v estig ated   th e  p erfo r m an ce  o f   two   class if icatio n   alg o rith m s  n a m ely   SV M  an d   Artif icial  N eu ral  N etwo rks   (A NN) .    Three  p ara m ete rs  SVMs  tra in ,  an d   run ,  an   o rder  o f   m ag n itu d e  f aster  we re  co n sid ered  an d   co n clu d ed   th at  SV M  is  b etter   th an   ANN fo r  N IDS.   [ 1 4 ]   The  au th o rs  o f   th is   p ap er  stu d ied   NIDS  d atasets   KYO TO  2 0 0 6 +.  A  Deci sio n   Tr ee  alg o rithm   (J4 8 )  was  ap p li ed   o n   th is  d atasets   an d  gain ed  abo u t 9 7 % o f  acc u racy       Most  of  the  w orks  done  by  the  re searc her s   con ce ntrate d  on  a  sin gle  kern e l  based  SV M  and  featu re   sel ect ion   al gor it h m s  wh ic h  are  al so   co nc entrati ng  only   on   the  detec ti on   rates.  Ve ry  few   aut hor s  hav e   con ce ntrate d  on  the  com pu ta ti on al   tim e   whic h  is  ver y  i m portant  f or   ti m e  crit ic al   pr ob l e m s  li ke  NI D S.   The  m ot ivati on  of t he  pa pe r  is   to develo p  an  e ns e m ble c la ssifie r  us in g  Re li ef f e at ur e esti m at or  an d  a  hybri d k ern el   base d  S VM fo r  f eat ure sel ect ion p r ocess  t hat g ive s a  good a ccur acy   with  t he  best c om pu ta ti on al  ti m e as  well .       3.   RESEA R CH MET HO D   This  sect ion   pr esents  the   pro pose d  m et ho dol og y  by   pro vid i ng   the  detai le d  descr ipti on  of  the  dataset ,  basic  no ta ti ons  and c on ce pts  us e d,   reli ef alg or it hm   and fi na ll y ,   var io us   pe rfor m ance m etr ic s.     3.1.     Pr opose d  met hodol ogy   The  propose d  m et ho dolo gy  c on sist s  of   t hr e e  ph a ses.  T he y  are  data  pr e processi ng   pha se,  Feat ure   Sele ct ion ,   Eva luati on  phase   and   res ult  a naly sis  ph a se.  Figure  1   present s   the  pro posed   m et ho do l og y.   I n  t he   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  558   -   565   560   data  prep r oces sing   phase,  K YO T O  2006+  dataset   is  prep ro ces sed .  T he  pr e p r ocessi ng  consi sts  of  tw o  par ts   nam ely,   i )  data  tran s f or m at ion  and ii)  norm alizat ion .   Since  S VM  is  a  distance  ba se d  cl assifi e r,   it   works  on  num eric  data  w herea s  KYOT O  2006+  dataset   c onsist s  of   non - num eric  featur es.  The se  featur e   val ues  are  trans form ed  into  nu m eric  values.   T o  av oid   f eat ur e   range  i nfl ue nc e  on   distanc e  m easur e  a nd  ot her   cl ass ific at ion   pr oc ess,  each  fea tur e  has  un de rgo ne  norm al iz a ti on .  The  no rm alization   te ch nique  t hat  is  app li ed  i n  this  ex pe rim ent  is  m in - m ax   norm al iz a ti on .   The  form ula is g ive n  (1),     ′ = ( −   −  ×   ( _  − _  ) + _  )   (1 )     Wh e re   x  a nd  ′ are  act ual  a nd   tra ns f or m ed  values   of  feat ur e   vecto r  res pecti vely .   ,   a nd      a re   m ini m u m   and  m axi m u m   valu es  of  feat ur e   x  and  _    an d  _    are   ne w  m ini m u m   and  new  m axi m um  values  of  the  range  f or  w hi ch  th e  featu re   is  to  be  norm al iz ed.   A fter  t he  com pleti on  of   t he  pr e pro cessi ng  ph a se,  the  r es ultant  data  is  store d  as  K Y OTO - Norm   th at   is  su pp li e d  as  an  in pu t  f or  the  Feat ure  s el ect ion  ph a se.    In   fe at ure  sel e ct ion   ph ase ,  a  novel  e ns em bl e  featu re  el i m i nation  m et ho d  is  propose d  on  Kyoto - norm   dataset .   T he fe at ur e sele ct io n appr oach is gi ve n  as  foll ows:     Algorithm 2: Feature Selection Approach   Input           : KYOTO - Norm, normalized dataset   Output        : Feature Ranking vector,                           List of feature Subset   Step  1:  Fe atures are assigned rank based on th eir relevance using Relief Attribute   Estimation algorithm.    St ep     2:     T he   KY OT O - No rm   th en   re ar r an ge d  in to   K YO TO - Ra nk   da ta s et   by   ar r an gi ng   al l  th e  fe at ur es   ba se d  on   th e  Re li ef   At t ri bu te   Es ti ma ti on   Ra nk in g  as   sp ec if i ed   in   Algorithm 1.   St ep     3:   A  H K - SV M  cl as si fi er   is   ap pl ie d  on   th e   K yo to - Ra nk   da ta se t  re pe at ed ly   af te r   eliminating the least relevance feature at a time.   St ep     4:     F or   ea ch   it er at io n  in   st e p  3,   cl as si f ic at io n  ac cu ra cy   an d  co m pu ta ti on al   time are measured.    St ep   5:   A  fe at ur e  su bs et   is   se le ct ed   fr om   th e  ob se rv at io n  th at   yi el ds   th e  hi gh es t  accuracy with less computational time.     Finall y, the  res ults will  b e  com par ed  with   th e traditi onal  S VM m et ho d.           Figure  1.   Pro pose d  m et ho dolog y  FS HK - S V M       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       An  e ns e mb le   fe atu re  selec ti on app r oac h usin g hybri d  ker nel  base d SVM f or…   ( Gadda m Ve nu  Gop al )   561   3.2.      Dataset   descri pt io n   Kyoto  2006+,  a  ben c hm ark   da ta set   is  us ed  i n  this  process.  The  dataset   use d  in  the  pro po sed  w ork  i s   a  real  netw ork   traf fic  dataset   that  is  known   as  Kyoto  20 06+.  It  is  help f ul  to   im ple m e n t  intr us i on  de te ct ion  m et ho ds.  This   dataset   is  colle ct ed  from   ho ney po ts .  The   dataset   was  captu red   from   Novem ber ,   2006  t o  Aug us t ,   2009.   O ne  of   t he  a dv a ntage s  of   Kyoto  20 06 +   dataset   co ns ist s  of  rece nt  tre nd s   of  at ta ck s   that  ar e  gen e rated  with   the  hel p  of  honeyp ots.  Kyot o  dataset   is  a va il able  with  24   featu res,   ou t  of  them   14   are   d eri ved  from   KD DC U P’ 99  dataset   [ 15 ] - [ 17 ] ,  a nd  10  m or e  featu r es  are  a dded   that  m ay   be  he lpf ul  in  detect ing  the   kind  of att acks  ver y   e ff ect ivel y i n  the  ne tw or k.   In  the  pro pose d  m et ho dolo gy ,  im ple m entati on  ta kes   place  on ly   on e   day   da ta   set   i.e.,  on  5 th   A ugust ,     2009  co ns ist in g  of   1,28,34 7  sam ples  and   24   featu res  out  of   w hich ,  18  input  featu res  are  sel ect ed  be cause   three  featu res   nam el y ,   ID S _d et ect io n,   M al awa re _d et ect ion   a nd  A shu la _d et ect io n  a re  al l  co ns ide red   a s  pr e dicti on   feat ur es  i n  s uppor t  of   cl ass  la bel   [18] .  T wo   m or e  featu r es  ar e  IP   a ddresses   for  bo t h  sou r ce  an d  destinat io n  that  h a ve  ext rem ely large  r an ge o f  val ues.   O wing to  t he  a bove   reasons ,   these  f eat ur es a re  rem ov e d  for  the  expe rim ent. Th e  r es ul ta nt 1 8 i np ut fea tures  t hat are  u se d  i n  this a ppr oac h  are  li ste d  in   Ta ble 2 .   The  cl ass   la bel   of  this   dataset  is  a  t hree value d  featu re  that d efines   w hethe r  the  sam ple  is  an  at ta ck  or   a  norm al   req ue st.  Th os e  th re e  values  a re  { - 2,   - 1,  1}  t o  re pr ese nt  w hethe r  the  re quest   is  an  un known  a tt ack ,   known   at ta ck  or   a   no rm al   resp ect ively .  T he  per ce ntage   of  unknow n  at ta ck  sam ples  is  le ss  i.e.,   ab out  0.7%,  a s   it  is  dif ficult   t o  pr e dict  unkn own  at ta c ks .   I n  orde r  to   m ake  it   sim plifie d,   bi nar y  cl assifi cat ion   is   f ollo wed  as  known  a nd   unknown  sam ples   [19] ,  [20] .   T he  data  set   sel ect ed  for  this  stud y  is  from   th e  day  5 th   of   the   Augu st   2009, Ky ot o 2 006+ dat aset .       Table  2.   Sele vt ed  f eat ur e s fr om   k yoto 2006 +  d at aset   Featu re  #   Featu re  N a m e   Featu re1   Du ration   Featu re2   Service   Featu re3   so u rce_b y tes   Featu re4   d estin atio n _ b y tes   Featu re5   Co u n t   Featu re6   sa m e_ srv _ rate   Featu re7   serror_rate   Featu re8   srv _ serror_rate   Featu re9   d st_ h o st_ co u n t   Featu re10   d st_ h o st_ srv _ co u n t   Featu re11   d st_ h o st_ sa m e_ src _ p o rt_rate   Featu re12   d st_ h o st_ serror_rate   Featu re13   d st_ h o st_ srv _ serro r_rate   Featu re14   Flag   Featu re15   Label   Featu re16   so u rce_p o rt_nu m b er   Featu re17   d estin atio n _ p o rt_nu m b e r   Featu re18   Du ration 1       3.3.     Reli ef  alg ori th m     RELIEF  is  a n  eff ic ie nt  feat ure  rankin g  m odel   evaluated  ba sed  on  the  c on te xtu al   inf or m at ion .  Re li ef  al gorithm   esti m at es  featur e  qu al it y  for  a  s pecific  ta sk   by  com pu ti ng   de pende ncies  am ong  feat ur e s.  T he  basic   idea  of  REL IE F  ap proac h  is  t o  est im at e  the  qu al it y  of  feat ur es   acco rd i ng  to  ho w  well   th ei r  value s  disti nguis h  betwee n  in sta nc es  that ar e  nea r  to  each  o t her  [21 ] ,   [22] .     Algorithm 1: Relief Feature Estimator   Input   : D, the input dataset    d(A,R,H/M) is the difference formula   Output: F, Feature subset vec tor,                  W, weights/Quality of the features     Step 1: Initiate weights vector W to 0 for an attribute A in F   Step 2: for each instance of D do       Step 2.1: Select R, a random instance of D       Step 2.2: find H, a nearest Hit and                   M a  nearest Miss for R       Step 2.3: for A = 1 to # attributes in D do           Step  2.3.1: W[A]:=W[A]  -   d( A,R,H)/m  +d(A,R,M)/m       End for     End for   end   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  558   -   565   562   The  al gorithm   works  li ke  t his,  le t  a  trai ning  dataset   be  D  a nd  F  is  t he  feat ur e  sp ace   of  D .  A  ra ndom   instance  R  fro m   D  is  sel ec ted ,  the n  it   picks   up   tw o  nea r est   neighb or s  H  nea rest  Hit  and   M  nea rest   Mi ss,   wh e re  H  is  f r om   the  sa m e  cl ass  as  R  an d  M  is  from   oth er  cl ass .  Now,   t he  di ff e re nce  betwee n  t hese  tw o  cl asses  a re  c om pu te d  an d  a dd e d  to   the  W ei gh t  Ve ct or   f or   eac h  at trib ut e  of   A.   T he  diff e re nce  f orm ula  i s   com pu te d  as  fo ll ow s:     d(A,   I 1 , I 2 )  =  V ( A , 1 )   –   V ( A , 2 ) max ( ) − min   ( )   (2 )     wh e re  I 1 ,  I 2  a r e  two  instance s,  and   V  is  the  value  of   a n  instance  at   at t rib ute  A,   m ax (A),  m in(A )  are  the   m axi m u m  an d m ini m u m  v al ues  of the  att rib ute A.     3.4.     Ker nel  appro ache s :   The  acc ur acy   of   a ny  S VM  de pends  on  the   sel ect ed  ke rn el   an d  pa ram et ers  pro vid e d  to   it .  The   hy br i d  kernel  functi on  that  is  pr op ose d  in  this  arti cl e  pr od uces  good   res ults.  T he  hybri d  ke r ne l  fu nctio n  of  SV M  al gorithm   is  a pp li ed   on  a   be nch m ark   i ntrusion   detect io n  dataset   an d  t he n  the   ex per i m ent  is  exec uted.   T he   exp e rim ent  resu lt s  sho w  tha t  the  pro posed   pr e dicti on  m et hod  has  be tt er  accu racy  w hen   com par ed   wit h  tradit io nal  SVM  k er nel a ppr oach e s   [ 23] ,  [ 24] .   A.   Gau s sia n  ke rn e l   An   e xpone ntial   decay  functi on   w hich  is  know n  as  G aus sia n  ke rn el ,  is   com pu te d  be tween  a  dat a   po i nt  an d  eac h  of   t he  s uppor t  vectors.  It  is   si m il ar  to  a  weig hted  li nea r  ke rnel .  T he  m axi m u m   value  of  a   Gau s sia n  f un ct ion   is  att ai ned   at  the s upport  vecto r  that i s  unif or m ly  d ecay ed  am on g al l d irect ion s .      1 ( , ) =  ( − ‖ − ´ ‖ 2 2 2 )  > 0   (3 )     B.   Po ly nom ial K ern el   Po ly nom ial  ker nels  are  c omm on ly   us ed  with  support  vect or   m achines  th at   sp eci fy  the  si m il arity  of   featur e  vecto rs   in  the  dataset   ov e r  poly no m i al s  of   the  or i gin al   featur e s.  I n  a  Po ly no m ia l   kernel,  K 2   re presents   F eat ur e  S pace’ s in ner   pro duct   F   [ 25] :     2 ( , ) = ( + )   (4 )     wh e re  x  a nd y  are in puts i n  t he  sam ple sp ace , d is  degree  of the  po ly nom ial.   The pr opose d  hybri d ker nel  H(x, y)  is de riv ed fr om  the sum m a ti on  of  ( 1) an d (2) as:     H(x,y)   =k 1 ( x,y ) + k 2 ( x,y )   (5 )     The  fo ll owin g  are  al go rithm s  f or   t he  pro pose d  Hy br i d  K ern el   base d  S VM  f or  I ntr us i on  Detect io n  Syst e m .  Algor it h m   1  represe nts  the  cl assifi cat ion   a ppro ac h  an d  Algorith m   2  pr ese nts  t he  pr opos e d  H ybri d  Kernel f unct io n.   Let   the  trai ni ng  sa m ple  set   S  =  {(x 1 ,y 1 ), ( x 2 ,y 2 ),   ( x 3 ,y 3 )….. },  w her e  x i   ∈   R  and   it s  respec ti ve  m ult i - cl ass  la bels   y i   ∈   {  - 2, - 1,   1}.   A  non - li near   m app in g  ϕ  fro m   or iginal  dat a  to  a  hig h - di m ension al   feat ur e  s pace,  therefo re,  it   can  be  rep la ce d  with  sam ple  po i nts  x i   a nd   x j   with  t he ir  m app ing   ϕ  (x i   )  an d  ϕ  (x j   )  resp ect ively [ 13 ].   K  is t he ker nel  functi on that  x i , x j   ∈ R,  sati sf ie s the follo wi ng equati on:     ( , ) = { ∅ ( ) , ∅ ( ) }   (6 )     wh e re  ϕ   is a  m app i ng fro m  R to a feat ure s pa ce F ,     ∅ : → ∅ ( ) ∈     (7 )     Hybr i d  kernel  functi ons  has  e xcell ent   le ar ni ng  ca pab il it y.  I n  th e  desig n  of  any  e ff ect ive   m od el ,  ther e   are  two  esse nt ia l  par am e te rs  that  influ e nce   SV M   [26] .  A m o ng   these  pa ram et ers,   the  first  p aram et er  C  is  known  as  re gu la rizat ion   pa ra m et er  wh ic h  de fines  the  ad ju st m ent  cost.  This  ad j us tm ent  co st  can  be  co m pu te d  as  the  cost  of   m ini m iz at ion   of   trai ning  er r or   a nd  m od el   com plexity ;  and   the  sec ond  pa ram et er  is  sigm a  that  consi ders  the  non - li near   m ap ping  f ro m   the  avail able  in pu t - sp ace  t o  the  hi gh - dim ensi onal   featur e - spa c e.  The  pr ese nt  work  sta te s  add it ive   functi on  of   bo t h  the   Ga ussi an  an d  poly no m ia l  ker nel s  as  a  hybri d  kernel   functi on.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       An  e ns e mb le   fe atu re  selec ti on app r oac h usin g hybri d  ker nel  base d SVM f or…   ( Gadda m Ve nu  Gop al )   563   3.5.     Per fo r m an ce  metric s   Accuracy   an d  com pu ta ti on al   tim e  are  con sidere d  as  the  pe rfor m ance  m easur e s  f or   i de ntifyi ng   t he  i m pact  of   feat ur e   sub set   on  cl assifi ers  e ff i ci ency.  A  c onf us io n  m at rix  is  cal culat ed   w it h  the  e ntries  of  tru e   po sit ive  (TP),  true  neg at ive   ( TN),  false  pos it ive  (F P )  an d  false  ne gative  (F N )  values .  Wh e re  T P  is  the  total   nu m ber   of  co rrec tl y  pr edict ed   no r m al   sam pl es,  TN  is  the  to ta l  nu m ber   of   cor re ct ly   pr ed ic te d  attack   sa m ples,   FP  a nd   FN  the  nu m ber   of  nor ma l   sam ples  ar e  pr e dicte d  a s  attacks   a nd  nu m ber   of   attack   sam ples  pr edic te d  as   no r m al   res pect ively .       Accuracy   is  co ns ide red   t o  be  rati o  of  total   num ber   of   te sti ng   sam ples  correct ly   cl assifi e d  out   of  th e   total  n um ber   of sam ples;     ACCURAC Y = TP + TN TP + TN + FP + FN   (8 )       4.   RESU LT S   A ND  D IS C USS ION   Th e  propose d  m od el   is  dev el op e d   in  Ja va  1.7  on   In te l  co r e  i5  process or,   with  4  GB  R AM  an d  with   W i ndows   7  e nv i ro nm ent.  F ro m   the  Ky oto   2006+,   70 %  is  c on si dered  for  t he  tra ining  set   a nd  30%  i s   consi der e d  a s  the  te st  set .  Fig ur e  2  a nd  Fi gure  3  prese nt   th e  com pu ta ti onal   tim e  and   ac cur aci es  of  the   EH K - SV M  cl assifi e r  r especti vely ,   after   each   fe at ur e  el im inatio n  afte r  reli ef   featu re  e stim at or .   Ta ble  3   giv e s   accuries  a nd  c om pu ta ti on al   tim es  of   tw o  f e at ue  subsets  w it h  11  feat ur es   an d  9  feat ur es   an d  com par e d  with   the  H K - SV M   cl assifi er  with   total   num ber   of  feat ues.  I n  Fig ur e   2  an d  Fig ur e   3,  It  i s  obser ve d  t ha t  t he  cl assifi er   EH K - SV M (11 )  is  an  ensem ble  Hyb rid  S VM  cl assifi er  with  11  featur es  a nd   EHK - S VM ( 9)   with  9  featuer s fo r bo t h gain i n  c om pu ta ti on al  ti m e  and accu racy a re suggest e d.       Table  3.   Acc uracy  an d com puta ti on al  tim e o f  the classi fie rs nu m ber   of f eat ur es  in pa ren t he sis   Alg o rith m   Accurac y   Ti m e  in  m i lliseco n d s   HK - SV M  (18 )   9 2 .51   2 7 5 2 0   EHK - SVM (11 )   9 9 .08   1 7 5 6 2   EHK - SVM (9)   9 2 .48   1 5 2 8 8           Figure  2.   Com pu ta ti onal  ti m e  of the  EHKS V M for  each it erati on       Figure  3.   Acc uraci es of t he  E HKSVM  f or  e ach  it erati on       In   Fig ur e  4  a nd   Fig ur e  5,  i t  is  ob se rv e d  that  t he  cl assifi er   E HK - S V M (11)   is  e xhibit ing   highes t   accuracy  i.e. ,  99.02 %  at   11  f eat ur es.   T he  c om pu ta ti on al   tim e  of   the  cl assifi er   is  al so   le ss  when  c om par ed  t o   HKSVM  with  a total  num ber   of  18  featu res.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  558   -   565   564       Figure  4.   Acc uraci es of  H KSVM, E ns em bled - SV M  with  11 a nd 9 feat ur es       Figure  5.   Com purati onal  tim e  of HKS VM,  E ns em bled - SV M  (w it h 1 1 and 9 )  i n  m illiSeconds       Fr om  the  a bove  r es ults   the  fo l lowing  obser va ti on s  wer e  dra wn.    a)   A  H KSVM  cl assifi er  with  is   a  hybr id  cl ass ifie r  that  yi el ds   good  res ults  than  the  tra diti on al   S VM  an d  SV M  with  ke rn el   base d  cl a ssifie rs  is  im plem ented  al ong  with   E ns e m bled  cl assifi er  with  f eat ure  reducti on a ppr oach.    b)   EHK - S VM ( 9)   is  al so   exh ibit ing   good  dete c ti on   rate  i.e.,  92 .48%  al m os t  as   sa m e  as   the  ac cur acy   of  H K - SV M  (0.03%  di ff ere nce i n  ac cur aci es ) wit h m or e g ai n  i n  c om pu ta ti on al  ti m e.       5.   CONCL US I O N   In   this  pa pe r,   an  ensem ble  hybr id  kernel  ba sed  S VM  is  us ed  as  a  featu r e  sel ect ion   appro ac h  that  is   i m ple m en te d  and  te ste d  on   a  b enc h  m ark   dataset ,  KYOTO  2006+.   The  pro posed   m et ho d  s ugge sts   2  scenari os ,  one   with  11  feat ures  i . e. ,  E HK - SV M ( 11)  a nd  ano t her   with  9  featu res  i.e. ,  EHK - S VM ( 9) .  It  is   ob s er ved   t hat  11 - feat ur e  sc e nar i o  is  giv i ng  highest  accu r acy   wh ic h  i s  a   good  sce nar io   for  a  re quire m ent  of   high  detect ion  rate  wh e reas  the  9 - fe at ur e   s cenari o  giv es   a  good   gai n  c om pu ta ti on al   t i m e  that  is  hel pful  in   qu ic k  detect ion   rate.   T he  pr opose d  EH K - S VM  is  com pared  to  t he  e xisti ng  m od el s  that  us es  t he  sam e  dataset   for  e val uatio n  and   c oncl ude d  the  pro pose d  appr oach   e xhibit s  bette r  acc ur acy .  O wing  to  these  resu lt s,  the  pro po se d  m odel   can  be  us e d  to  im ple m ent  in  real - ti m e  env ir on m ent  of  NIDS.  Im ple m entat ion   of  the   EH K - SV M  on Real  tim e d at aset  g e ner at e d on N I DS  is t he fut ure   w ork of t his  pap e r.       REFERE NCE S   [1]   V.  N.  Vapn ik, “ Stat isti ca l   l ea rn i ng  the or y , ”   vol .   2,   1998 .   [2]   Avci,   Engi n ,   "S el e ct ing  of  th e  o pti m al   feature   s ubset  and  ker ne l   par amete rs  in  d igi tal  m odula ti o n  cl assificat ion  b y   using  h y br id  ge net i c  a lgori thm – support  vec tor   m ac hine s:  HG AS VM , "  Ex pert  S yste ms   wit h  App li cations ,   vol .   3 6,   no.   2 ,   2009 ,   pp .   1391 - 1402,   doi :  10. 1016/j.e sw a. 2 007. 11. 014 .   [3]   “ Ns l - kdd  dat a  set   for   net work - bas ed  in trusion   detec t ion   s y stems . ”   Available  on:   htt p://ns l.cs.unb.ca /KDD /NSLKD D.ht m l,   Marc h   2009.     [4]   B.   B  Rao ,  K.  Sw at hi ,   “ Fast  kNN   cl assifi ers  for  ne tw ork  int rusion  det e ct ion  s y s te m , ”   Indian  Journal  of  Scienc e  and  Technol ogy ,   vo l. 10, no. 14, pp.  1 - 10,   2017 ,   doi :  1 0. 17485/i jst /201 7/v10i 14/93690 .   [5]   Zha ng   Qingl ei,  a nd  W en y ing  Fen g,   "N et work  in tr usion  det e ction  b y   support   ve ct o rs  and  an t  co lon y , "  Proceedi ngs.   The  2009  Inte rnational   Workshop  on  Information  Sec urity   and  Appl ic a ti on  ( IWISA   2009) .   Ac ademy   Publ isher ,  2009,   pp .   639 - 6 42.   [6]   Gu,  Chunhua,   a nd  Xueqin  Zhang,   "A   rough  set  and  SV M  ba sed  int rusio n  de te c ti on  c la ss ifi e r , "  2009  Sec ond   Inte rnational   W orkshop o n  Computer  Sc ie nc e  an d  Engi n ee ring , v ol.   2 .   I EEE,   200 9,   doi :  10 . 1109/ W CS E. 2009. 776 .   [7]   Kim ,   Dong  Seong,   Ha - Nam   Ngu y en ,   and   Jong   Sou  Park,   "G ene tic  al gor it hm   t o  improve  SV M  base d  net wor k  int rusion  d et e ct i on  s y stem, "  19th   Inte rnat ional   C onfe renc e  on   Ad vanc ed   Informat ion  Ne tworki ng  and  Application s  ( AINA '05) ,   vol.   1  (AIN A pa per s) .   v ol .   2 .   I EEE,   2 005,   doi :  10 . 110 9/AINA . 2005. 191 .   [8]   Mo,  Yuanbin,  a nd  Shuihua  Xu. ,   "A ppli cation  of  SV M  base d  on  hy brid   ker n el   fun c ti on  in  he art   d isea se  di agnose s, "  2010  Inte rnati onal  conf ere n c e  on  int e ll ig e nt  computi ng  and  cogni tive   inf orm ati cs ,   IEE E ,   2010,   doi:   1 0. 1109/ICICCI.2010.96 .   [9]   Mukkam al a,   Sri niva s,  and  Andr ew  H.  Sung,   "F ea tur e  select ion  for  int rusion  de t ec t ion  with  neur al   ne two rks  and  support  vec tor   m ac hine s, "  Tr anspor tat ion  Re s earc h  Record:  Journal  of  Tr anspor tat ion  Re se arch  Re cor d ,  v ol.  1822,   no .   1 ,   pp .   33 - 39,   2003 ,   doi :  10. 3141 /1822 - 05 .   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       An  e ns e mb le   fe atu re  selec ti on app r oac h usin g hybri d  ker nel  base d SVM f or…   ( Gadda m Ve nu  Gop al )   565   [10]   W u  Chih - Hung,   Gw o - H shiung  Tz eng ,   and  Rong - Ho  Li n,   "A   N ovel   h y br id  gen et i c  al gorit hm   for  ker nel   func tion   and  par amet er  opti m iz ati on  in  support  vec tor  r e gre ss ion, "  Ex per t  Syste ms   wit h  A ppli cations ,   vol.  36,   no.   3,   2009,   pp.   4725 - 4735 ,   doi:   10 . 1016/j.e s wa. 2008. 06 . 046 .   [11]   Am iri ,   Fate m eh ,   Moham m ad   Mahdi   Rezae i  Yous efi ,  Caro  Luc as ,  Aza deh   Shaker y ,  Nass er Yaz dani ,   "M utu al   informati on - bas ed  fea tur e  select io n  for  int ru sion  det ec t ion  s y stems , "  Journal  of  Net work  and  Computer  Appl ic a ti ons ,   vo l.   34 ,   no .   4 ,   pp .   1 184 - 1199,   2011 ,   doi:  10. 1016 /j . j nca . 2011 . 01. 002 .   [12]   Chen  You,  Yang  Li ,   Xue - Qi  C heng,   Li   Guo ,   " Surve y   and  t axo nom y   of  fe at ur e   sele ction  al gor i thm s  in  int rusion   det e ct ion  s y s te m , "  Inte rnational   Confe renc e  on  Information  Sec u rity   and  Cryptology ,   Sp ringe r ,   Berl in ,   Heidelbe rg ,   v ol.   4318 ,   2006 ,   doi:   10 . 1007/11 937807_13.   [13]   B .  Schölkopf,  et.  al.   “ Input  spac e  vs.  fe at ur e   spa ce   in  k ern e l - bas ed  m et hods,”   I E EE   Tr ans.  Neural  Net works ,   vo l .   10 ,   no .   5 ,   pp .   10 00 - 1017,   1999 ,   doi:   10 . 1109/72 . 788641 .   [14]   Sun,  Yux uan,   X ia ojun  Lou,   and   Bisai   Bao,   "A   novel   rel i ef  feat ure   sele c ti on  algorithm  base d  on  m ea n - var ia nc e   m odel , ”  Journa l  of  Information  and  Comput ati onal  Scienc e ,  vol.   8,   no.   16,   pp.   3921 - 3929,   2011,   doi:  10. 24297/ijct.v1 1i8. 7047.   [15]   W ang,   Ping  An,  Xu  Sheng  Gan,   and  W en  Ming  Gao,   "Resea r ch  on  No nli nea r  m odel ing  Method  of  Support  Vec t or  Mac hine   with  W av el et   Der iva t ion  Kerne l  Func ti on, "  Applied  Me chanics  and  Mate rials ,   v ol .   687,   pp.   1408 - 1411,   Tra ns T ec h   Publ ic a ti ons L td, 201 4,   doi :  10 . 4028/ ww w.sci ent ific. net /AMM . 687 - 6 91. 1408 .   [16]   Cheng  Lili,   Ji an pei   Zh ang ,  Jing  Yang ,  Jun  Ma ,   “ An  improved  hie rar ch ical  m ult i - cl ass  support  ve ct or  m ac hin e   wit h   bina r y   tr ee   arc hi te c ture , ”   In   2008   Inte rnational   Confe renc e  on  Int erne t  Computing   in  Scienc e   and  Engi ne ering ,   pp .   106 - 109 ,   IE EE, 2008,  doi :  10 . 11 09/ICICSE. 2008 . 9 .   [17]   Sun,  Yijun,   "Ite r at iv e  RE LIE F  fo r  feature   w ei ght i ng:  al gor it hm s,  t heor ie s,   and   app li c at ions, "  I EEE  tra nsac ti ons  on   pat t ern   an aly sis  and  m ac hin e int e ll ig ence ,   vol .   2 9,   no .   6 ,   pp .   103 5 - 1051 ,   2007 ,   d oi:   10 . 1109/T PA MI.2007. 1093.   [18]   Yili   Ren,   Fuxian g  Hu,  Hongping   Miao,   “ The   opti m iz at ion  of  ker nel   func ti on  and   it s  par amete rs  for  SVM  in  well - loggi ng , ”  13th  Inte rna ti ona l  Confer ence  on  Servic e  S y s te m s  and  Servic e  Man age m ent   (ICSS SM ) ,  2016,   doi:  10. 1109/ICSS SM . 2016. 753856 3 .   [19]   B .   Schölkopf ,   A .   Sm ola ,   “ Learni ng  W it h  Ker n el s , ”  C ambridge, M A:  MIT  Press ,   2 002.   [20]   Chih - Cheng  Ya ng,   W an - Jui  Le e ,   and  Shie - Jue  L ee ,   “ L ea rning  of   Kerne l  Functi o ns  in  Support  V ec tor  Ma chi nes , ”   2006  Inte rnation al  Joi nt  Confe re nce   on  Neural  Net works  Sheraton  Vanc ouve r  Wall   Cent re  Hotel ,   Vanc ouver ,   BC,   Cana da ,   2006 ,   p p.   1150 - 1155 .   [21]   K y oto   2006+  d ataset   is a v ai l abl e   on:  htt p :/ /www . t aka kura . com/K yoto_da t a/   [22]   Song  Jungs uk,   et   al.   “ Statis ti c al   anal y s is  of  hone y po t  data  and  buil ding  of   Ky o to  20 06+  dat ase t  for  NID S   eva lu at ion , ”  Pro ce ed ings  of  the   Fi rs t  Workshop  on  Bui ld ing  Ana ly sis  Datasets  a nd  Gathering  E x perie nc e  R et urn s   for Se curi ty ,   AC M,  2011 ,   pp.   29 - 36,   doi :  10 . 1145 /1978672. 19786 76 .   [23]   Lu,   Yan - Li ng,   Le i  LI ,  M eng - Meng  Zhou ,  Gu o - Li ang  Tian ,   “ A  new  fuz z y   su pport  vector  m a chi ne  b ase d  on  the   m ixe d  ker ne l  fu nct ion , ”   In  2009   Inte rnationa l  C onfe renc e  on  M achi ne  Learning   and  Cybe rne ti c s ,   v ol.   1 ,   2009 ,   p p.   526 - 531 ,   IE EE, doi:  10 . 1109/IC MLC. 2009. 5212 552 .   [24]   Altun  Gulsah,   e t.   al .   "H y brid  S VM   Kerne ls  for   Protei n   Se cond ar y   Struct u re  Pr edi c ti on, "  In   Gr C ,   pp.   762 - 765,   2006,   doi :  10 . 11 09/GRC.2006. 1 635912 .   [25]   A .   Bosch,   Zi ss er m an  A,  Munoz  X,  “ Repre senti n g  shap e  with  a  spatial  p y ramid  ker nel,”   Conf ere n ce   on  Image  and  Vi deo   Retrie val ,  2007,   pp .   401 - 4 08,   doi :  10 . 1145 /1282280. 12823 40 .   [26]   S .   Boughorbe l,   J . P .   Ta re l,   N.   B ouje m aa ,   “ Gene ral i ze d  histogr a m   int erse ct i on  k ern el   for  imag e   rec ognition, ”   I n  IEE E   Internat ion al   Conf ere n ce o n  Im age   Proc essing  2005 ,   Genov a,   I tal y ,   IEEE, d oi:   10 . 1109/ICIP . 2005. 1530353 .       BIOGR AP HI ES OF  A UTH ORS        Mr .   G.  Venu gopal ,   Rese arc h  S chol ar  at  Acha r ya  Naga r juna   Uni ver sit y .   Purs uing  Ph.  D  in  th e   fie ld  of  Ma chi n e   Le arn ing.   As   pa rt  of  his  Ph.  D  work,  he  is  writi n g  thi s  pape r .   He  Com ple te d  M.   Te ch  in  CS E  from   Acha ry a  Nag arj una  Univer si t y   (AN U)  in  the   y e ar  2010.   He  Finished  B.   Te ch   in  CS E  from   JNT UH ,   H y der ab a d.   His  area  of  intere st  is  Dat a  Mi ning  and  Mac h in e  Learni ng .   He   is a   Li f e  m ember   of  prof essional   bodie s l ike   ISTE ,   IAENG .         Dr.   G.  Rama  Mohan  Bab u ,   r ec e ive d  his  B . T ec h  degr ee   in  E le c troni cs  &   Co m m unic at ions   Engi ne eri ng  fro m   Sri  Venka te s wara   Univer si t y ,   India.  He   did  h i s  M.T ec h   in   Co m pute r  Scie n ce  &  Engi ne eri ng  f rom   Jawaha rla l  Nehru  Te chno lo gic a l  Univer sit y   (JN TU),   India .   He  rec e ive d  his  Ph.D.  from   Ach ar y a  Naga r juna   Univer sit y   (AN U),  India ,   in  Co m pute r  Scie nce   &  Engi ne eri ng.   He  is  cur ren tly   working  as  P rof essor,  in  the   De par tment  of  Info rm at ion  Te chno l og y   a t  RVR  &   JC  Coll eg e  of  E ngine er ing,  Guntur,   Ind ia.  He   h as  m ore   th an  19   y ea rs  o f  t eachi ng  expe r ie n ce .   His  rese arc h  ar e as  of  int er est  include  image  pro c essing,   patter n  r ec ogni ti on,   and  dat a  ana l y t ic s .  He  is life   m ember  in   profe ss ional  bodi es  li k e  IST E  and   CS I.     Evaluation Warning : The document was created with Spire.PDF for Python.