TELKOM NIKA , Vol. 11, No. 4, April 2013, pp. 1725 ~17 3 0   ISSN: 2302-4 046           1725      Re cei v ed  No vem ber 1 9 , 2012; Re vi sed  Jan uar y 2, 20 13; Accepted  Jan uary 15, 2 013   Hybrid Feature Selection Based on Improved Genetic  Algorithm       Shuxin ZHU 1 , Bin HU 2 *  1,2 Colleg e  of Informatio n  Scien c e and T e chno log y , Na nji ng A g ricult ural U n iv ersit y   W e iga ng 1, Na njin g,chi na, 21 009 5   *Corres p o ndi n g  author, em ail :  hubin @ nj au.e du.cn       A b st r a ct  High  di mensi o nality  is on e of  the  most trou bles o m e d i fficu lties e n cou n ter ed i n  intrus io n  detectio n   system ana lysi s  and ap plic ati on.  For  hi gh d i mensi on dat a,  feature s e lect ion  not o n ly c an i m prove t h e  accuracy and  efficiency of classifica ti on, bu t also disc over  infor m ative s u bset. Co mbi n i n g F ilter type a n d   W r apper   type  character i stics,  this pa per pr opos es a  hy br id typ e   metho d  for fe ature   selecti on  usi n g a   improve d  g e n e t ic alg o rith m co ntain ed rew a r d  and  pun ish m e n t mec h a n is m.  T he mech anis m  ca n g uara n tee   this alg o rith m rapi d conver ge nce on a pprox imate glo b a l  o p timal sol u tio n . Accordin g to the exp e ri me nt a l   results, this alg o rith m perfor m s w e ll and it' s  time co mpl e xity is low .       Ke y w ords :   int r usion detection system , genetic algor ithm   (G A), feature  selection,  m u t ual infor m ation,   hybri d  type     Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Intrusio n det ection i s  essentially a cla ssifi cation p r oblem [1] an d the first problem to   solved in  cla ssifi cation i s  the f eature extraction  and  sele ction. Th ere i s  not a linear  relatio n ship   betwe en feat ure s  an d cla s sifier p e rfo r m ances.  But when the featu r e num be r excee d s a  ce rta i n  limit, it will cause the  classifier performance vari ation.  The so-called feat ure  sel e ction [2], is  to   cho o se the o u tput relevant  or im po rtant feature  sub s e t  from the or i g inal feature set acco rdin g  to   a ce rtain eval uation fun c tio n  and a s  far  as po ssib le t o  redu ce th e dimen s ion a lity of the feature   spa c e  on th e pre m ise of  not re du cin g  the cl as sif i cat i on ac cu r a cy .   A ppa re ntly, the feature   sele ct ion   ha s   t w o key  pro b lems:  sel e ct ion  of  su itabl e evalu a tion  function  an d  efficient featu r e   sub s et search method s.  Acco rdi ng to  be depen da nt or not dep enda nt  on machi ne lea r ni ng algo rithm, feature  sele ction  alg o rithm s  can  be divide d int o  two  cate go ries.  One i s   wra ppe r-type  algo rithm [3]  and  the other is filter-type algo rithm [4]. Filter ba sed feat ure sele ction  algorithm is  indep ende nt of  machi ne lea r ning alg o rith m and ha s  some be nefits such a s   lo w co mputatio nal co st an d high  efficien cy, bu t it perfo rm s  medio c rely in  re du ci ng  di mensi on.  On  the  co ntra ry, wrap per ba sed  feature sele ction algorith m s rely on  one or  se ve ral ma chine  learni ng alg o r ithms  with the   cha r a c teri stic of large  co mputation  co mplexity , low efficiency b u t good effe ct of redu cing  the  dimen s ion s . This pa per  combine s  the cha r a c teri stics of two kind s of  algorithm s and propo ses a   hybrid m e tho d  to pe rform  the cha r a c teristi c   sele cti on in i n tru s i on dete c tion  data  set. T h is  method utilizes mutual i n formatio n method to  eliminate re dund an cy, establi s he s re ward   puni shme nt  mech ani sm a nd u s e s  the  i m prove d  g e n e tic alg o rithm  to gen erate  optimal  sub s et  suitabl e for in trusio n dete c tion cla s sificat i on.       2. Rese arch  Metho d   In the int r u s io n dete c tion  p r oce s s, extra c ti on an d p r o c essing  too  m any featu r e  n u mbe r s   is  o n e  o f  the ma in   r e as ons  le ad in g to   s p ee d  do wn . In  fa c t, so me  p a r a me ters ju s t  inc l ud e   o r   contai n mini mal informati on on the system status  an d almost hav e no effect o n  the test results.  These  param eters a r e  call ed  redu nda n c y pa ram e ters. So fe ature  sel e ctio n  sh ould first  ado pt  method s like  filter base d  method s to remove  re dun dan cy para m eter and  reta in the import ant  cha r a c teri stics  reflectin g  t he  state of t he  sy stem. I n  this pa per,  we  put fo rward a  featu r e  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA   Vol. 11, No. 4, April 2013 :  1725 – 1 730   1726 sele ction m e thod ba sed  on mutual i n formatio n  from persp ect i ve of  the data stati s tical  cha r a c teri stic. The use of  mutual inform ation feat ure  sele ction i s  al so ba se d on  assumptio n  that  the evaluatio n data an d th e actu al data  have the sam e  statisti cal p r ope rtie s. So we  can u s e t he    statistical pro pertie s  of kno w n evalu a tion  dat a t o  ex pre ss a c t ual  sy st em cha r a c t e ri st ic s.   Mutual information co uld  measu r e th e co-occu r re nce relation s of feature items an d   categories. Characteristi c  xi   appears   in a certai n category  C  with hi gh  probability and l o w   probability in other  catego ries will  acquire greater m u tual in formation value  (M I). MI coul d  be   expre s sed a s  formula (1 ):     (   |   )  (    ,   )    l o g (  )  *   (    ) Px C i MI x C i Px PC i                                   (1)    Becau s e MI is benefi c ial to the low freq uen cy f eature s , it easily leads to over-fitting. On   the othe r ha n d , removin g  l o w-f r eq uen cy  feature s  m a y affec t  the detec t ion  effic i enc y  [5]. In order   to improve it , we  ad d th e P(xi) facto r  fun c tion   which sta n d s  for the feature  appea ra nce   probability to mutual  information and form  an  i m proved al gorithm  (PMI). PMI could be   expre s sed a s  formula (2 ):     (   |   )  (    ,   )    ( ) l o g ( )  *   (    ) Px C i PM I x C P x ii Px PC i                          (2)    The criterio n  of this method is the co ndi tional mut ual inform ation and the  sele ction  algorith m  is  seq uential fo rwa r d  sele cti on. Firs t we  let feature  set empty, then cal c ul ate  th e   curre n t PMI (xi,c) value an d cho o se the maximum  mu tual informati on into feature sub s et Fi, and  in the  end   co mpute PMI  (x i,c/Fi) o n e  by  one. So   after  cho o si ng  sev e ral  features i n to the  feature   sub s et, a  ne w  sampl e   sp ace  is fo rme d .  Comp ared  with the  ori g i nal  sampl e   space, the n e w h a s   the smalle r di mensi on an d lowe r co rrelat ion amon g feature vari able s .  After achi evin g red u ctio n o f  original fe atur e  sets by e liminating the  redu nda ncy  among   feature s , we  coul d ad opt  the Wrapp e r  ba s ed fe ature  sele ction  method b a sed on  geneti c   algorith m . Fi gure  1  sho w s the  imp r ov ed g eneti c  al gorithm  which could  be  u s ed  in i n tru s i on  detectio n  system. The sa mples  are filt ered  by  con d i tional mutual  information  and then  se n t  to   improve d  g e n e tic o perator to be  optimi z e d  a c cordi ng t o  cl assifier. In  the e nd, the   optimal featu r e  s u bs e t  is  ac qu ir e d .               normal  abn orm al   sample  set    prepr ocesso r  trainn ing  samples   T e st    samples   feature  selection  improve d   GA  intrusi on det ection  classifier   C4.5  performa n ce  estimation  Figure 1.  Feature Sele ctio n Flow Di ag ram in the Intrusio n Dete cti on ba sed o n   Improved GA   A l g orithm Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Hybrid F eature Selection B a se d on Im pr ove d  Gen e tic Algorithm  (Shuxi n  ZHU)  1727 2.1. Impro v e d  Gene tic Al gorithm De sign   Selecting  the  optimal  sub s pace fro m  th e existi ng   fea t ure sub s et h a s prove n   to be  a NP- hard  proble m . From  th e optimi z atio n point  of  view, the fe a t ure  sele ctio n problem  i s  a  combi nato r ial  optimizatio n  probl em. Th e cu rrent  fea t ure  sele ction  method s ba sed  on g enet ic  algorith m  [6] usu a lly evalu a te the featu r e sub s et  on  the basi s  of  classifie r  an d give individ ual  evaluation in dexes a nd fitness (o ften e x presse d as f )  acco rdin g to the classifica tion accuracy .    2.1.1. Codin g  Scheme   In the feature  sele ction ra n ge, individual  c odi ng sch e me often utilize s  bina ry expre ssi on.  Becau s e  bin a ry strin g  ex pre ssi on i s  si mple an d  co nvenient to o perate. It also can  rep r e s ent a   wide  ra nge  of different i n fo rmation. A s su ming the  or i g i nal set ha s  1 6  features, th en the l ength   o f   individual  L = 16. Ea ch i ndi vidual h a s a   gene  corr e s p ondin g  to  se quen ce   characteri stics. When  the individu al  has  a ge ne  expre s sed  a s  "1" it  mea n s that the  correspon ding  feature item  is  cho s e n . Co nversely, "0" mean s th e featur e i s  not u s e d .  For exa m ple, indivi dual  1100 1000 010 1100 0 me an s that the  seco nd, fifth firs t, tenth, t w elfth, thirte enth featu r e s  are  sele cted. If using the exha ustive sea r ch  method to  so lve the optimal feature su b s et, it will be  2m   possibl e su b s et co mbin ations fo r the set containi ng  m feature s . Such a h uge  sea r ch sp ace is  not feasi b le. By using g e n e tic algo rithm ,  we not  only  can e n sure the glob al opt imum but al so  avoid the hug e sea r ch co st .    2.1.2. Initial  Population S e lection   Geneti c  alg o rithm always  starts from the   popul ation which re pre s e n ts  potential   solution  set of the proble m , nam ely initial population. The  population  con s i s ts of several gen e t ic   individual  co mpone nts a n d  ea ch in dividual i s  a p o ssible  sol u tion.  Here we ad o p t the sto c ha stic  method to ch oose the initial gro up. Every gene of ea ch individ ual  has the  sam e  prob ability in {0,  1} sel e ctio n.  Individual si ze is determi n ed acco rdin g to the actual  situation.     2.1.3. Design  of Gene tic Opera t or   There are three o perators appl i ed to  get optimal  feature sub s et: the pro portion al  sele ction o p e r ator, si ngle - p o int cro s sove r ope rator,  simple mutatio n  operator.   (1) Sel e ctio n is the survival  of the fittest  pr o c e ss  ba se d on fitness.  Here the p r o portion al  sele ction  ope rator i s  al so  calle d a roul ette whe e l  se lection  strate gy. The ba si c ide a  is th at the  prob ability of each individu al’s bei ng selected i s  pro p o rtional to the  size of its fitness.  (2) The  aim  of crossove r i s  to g ene rate  new  unit s  in  the next g e n e ration. By u s ing th e   cro s sove r op eration, ge ne tic algorithm  will be abl e to greatly imp r ove it s se arch capability. In   this algo rithm ,  the crossov e r ope ration  use s  a  si ngle - point cro s so ver and sele cts individual s with  a certain  pro bability p. Fo r two  eld e r i ndividual s p a r ticipatin g in   the cro s sove r, we  rando mly  sele cts  on e cross point an d  ge nerates  two ne w  indiv i dual  by swa pping  two  in dividual s pa rt ial  stru cture behi nd it or in fron t of it.  (3) Mutation  i s  a n  a s sisted   operation i n  g enetic  algo rit h m an d it i s   mainly to mai n tain the  popul ation di versity. Thi s   operation  use s  the  simp l e   mutation a n d  sele cts indivi dual s to p e rf orm  mutation op eration i n  the pro bability of pm. It r andomly  sel e cts th e indi vidual gen e  bit  partici pating i n  the mutation and do es th e reverse o p e r ation.     2.1.4.Termination Co nditi on  Becau s e th e  geneti c  algo ri thm doe s not  use  of  the gra d ient of the o b jective fun c tion and   other info rma t ion, it’s una ble to use traditional  m e thod s to judg e its co nverg ence in o r de r to  terminate the  genetic process. The co mmonly us e d  method is b y  controllin g the paramete r s to   reali z e th e al gorithm  termi nation,  su ch  as  re a c hi ng t he  spe c ified   maximum al g ebra. A nothe r  way is when  the averag e  fitness-differences of  adj ace n t gene ra tions is le ss than a thre sh old   value  ε , it can terminate the  genetic  o peration and the  end conditio n  is  21 1 ff f f ii i i   .    2.2. Fitness  Defini tion an d Re w a rd an d Punishment Mech anis m  In  most wrap per ba sed ge netic  al go rith ms  featu r e  selectio n meth ods  are u s in g ce rtain  cla ssifie r  m o dels to evalu a te sele cted  feature  set a nd  utili zing  t he cla ssifi cat i on contri buti o n   value o r  th e  cla ssifi cation   error rate  a s   the fitnes s fu nction. In  this pap er, i n  o r d e r to  search   out  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA   Vol. 11, No. 4, April 2013 :  1725 – 1 730   1728 the better lin ear  sepa ra bil i ty feature su bsp a ce,  we  adopt C4.5 a l gorithm [7] a s  the cla s sifier   model an d cl assificatio n  error  rate a s  the fitness fun c tion.            In orde r to  make  up fo r the inad equ acy of ge net ic alg o rithm’ s ability to mountain  climbin g , whi c h often falls  into local o p timal solutio n  but not the global optimal  solutio n , we  here   take  a reward  and  pu nishm ent me cha n ism as sho w n i n  Figu re  2.  We take the  ge netic  algo rith m  as the main  pro c e ss a nd  make  simulat ed anne aling  algorithm int egrate d  into it in order to is  further adj ust  and  optimi z e the  group s. The  co re  id ea i s : when   the ne w i ndi vidual fitne s s is  highe r than its parent fitness, we  use the new to take  the place of i t s pare n t as  a reward for the  new in dividua l. Otherwi se,  as p uni shme nt, accordi ng  to the Metro p o lis  standa rd  [8] we ma ke t he  new to replace its parent  by Bo ltzmann substitution probabilities  P. According to the iterative   improvem ent  philo sophy, it not only co ul d enha nce  th e global  co nverge nce but  also a c cele ra te   the evolution  spe ed a n d  acq u ire  the  satisfie d gl obal o p timal  solutio n . Th e algo rithm  first  determi ne s a n  averag e value to reflect e n vironm ent variabl e  α  in g enetic al gorit hm ope ration.     2 1 1 k i f f i k                                                 (3)    Whe n   α  i s  large r , nam el y during the  early pe riod  of genetic  operator p e rf ormin g ,  individual s vary con s ide r a b l y and the ph enotype varia n ce  α  of gen etic enviro n m ent of is larg er.  The p r ob ability of acqui ring  the bad  solut i on s hould  be  clo s e to 1 a n d  pop ulation  update  com e s  near to th e full update m ode. It could  accele rate g e netic alg o rith m conve r ge n c e p r o c e ss  a nd  climb  well  ov er the  lo cal  extremum  ob stacl e  to  gui de the  search directio n to  get  th e glo bal  optimum  solu tion. In the la ter pe riod,  α  i s  smalle r. We perfo rm a n nealin g ope ra tion on  cro ssed   and m u tation al individu als.  It is not o n ly benefi c ia l to  improve  the  cap a city of  searchin g glo b a l  optimum but  also to p r e s e r ve excell ent indivi dual s. Populatio n upd ate is cl ose to the cove rin g   update m ode . It gradually turns into g r eedy  sea r ch  method unti l  eventually finds the gl ob al  optimal  soluti on. So replaci ng probabilit y is set as: exp(- θ ⊿ f/ α ) wh ere  θ >0. If  α >= 1 t h e n   θ = α +1  else  θ =1.       3. Results a nd Analy s is  Our  experi m e n tal data i s  K DD  Cu p 1 9 9 9  Data  prep roce ssed  by  Colum b ia  Uni v ersity. It  provide s  the   netwo rk conn ection  data la sting 9  we eks a c qui red  from a  simulat ed lo cal n e twork.   Each  re co rd i n  this set con t ains  41  dime nsio n featu r e s  a nd m a rks i t s catego ry, such  a s   Norm al,  Do s,  U2R,  P r obing, R2L   a nd so on. We   extract s   the  data  in   the   seco nd and  fo urth wee k  wit h   the test platform bein g  AMD36 0 0 + , 2G, XP operating  system.   In orde r to m a ke  experi m e n t operation  conve n ient,  we ta ke  sam p les from the  data set  and re du ce the numb e r o f  the instances. We resp ectively take rand om sa m p ling metho d  for   DOS ， PROB E ， R2L ， U2 R ，  and  NORMAL in traini ng  set to  en sure th e di stri bution  co nsi s tency  (N)   candidate popula t ion  Re w a rd &  punishment  termination  condition( Y )     re w a r d  and  punishment  mechanism  selection,cr ossov e r , mutatio n   Genetic   operato r   encoding  features afte r    bein g  filtered  annealing calculation  Metr opolis r u le  Figure 2. Improve GA Flo w  Diagram   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Hybrid F eature Selection B a se d on Im pr ove d  Gen e tic Algorithm  (Shuxi n  ZHU)  1729 betwe en sam p les a nd ori g i nals. Th en we com b ine th e 5 new  sam p les to form t he experi m en tal  training d a ta  set, inclu d ing  mixture of NORM AL a nd  DOS, mixture  of NORMA L  and PROBE,  mixture of NORMAL  and  R2L, mixture  of NO RMAL  and U2R  and  mixture of DOS,PROBE,R2L   and  U2 R. Ea ch trainin g  da ta set h a s the  sam e  in stan ce n u mb er  of 1170 1. In th ese five t r aini ng  data set we u s e the  feature sel e ctio n al gorithm   prop ose d  ab ove a nd choo se  th e co rrespon di ng  feature  su bse t s which resp ectively conta i n  50 72,  5 2 8 0  an d 10 158   records. In  th e test,  we ta ke   10-time s run n ing average  as the test result, and  the n  build the int r usi on dete c ti on mod e l ba sed  on all  41 fe a t ures an d  sel e cted   feature  su bsets i n  e v ery traini ng  data  set. At last, we ma ke  comp ari s o n s  in the asp e ct  of system buil d ing ti me and  test accuracy between 4 1  features b a sed  intrusi on dete c ting sy stem  model an d  se lected featu r e  sub s ets b a sed model.   The expe rim ent first  sele cts 33 featu r e s  by  mutual inf o rmatio n ind e x es an d then  carrie s  out the impro v ed geneti c  algorithm. Let  cro s s pr oba bility pc=0.6 , mutation pro bability pm=0 .05  and iteration  numbe r i s  1 00, acco rdin g to the  alg o r ithm termi n a t ion co ndition s the th re sh old  value is  0.00 3. Experime n t al re su lts sh ow  that we g e t  the  final  al gorithm  opti m al sub s et when  the feature  n u mbe r  is p r o posed finally  in 18. Th is  result sh ows that comp ared with o r igi nal  feature ba se d system, the  modeling tim e  and det e c ting time both decli ne over  half. It  is sho w n  in Figure 3.        Figure 3. Co mpari s o n  Tim e  in the Mode ling and  Dete cting bet wee n  Origin al an d Optimal  Features      Comp ared wi th original fea t ures, the d e tect ion effici en cy has g r eatl y  improved in  the  asp e ct dete c t i on time and false rate as  shown in Tabl e 1.      Table1. Dete ction Efficien cy Comp ari s o n      Original featur es  Optimal features   Feature  numbe r   41  18  Detection rate   98.504%   99 ． 129%   False rate   9.367%   7 ． 459%       In addition,  we  com pare  the imp r ov ed ge netic  algorith m  an d traditio nal  geneti c   algorith m  in   conve r ge nce  sp eed  an d  conve r ge nce  preci s ion:  a l though  there  is  no  obvio us   increa se i n   converg e n c e ti me  spe ed,  we first u s e th e mutu al info rmation  ind e xes to   scree n   the  feature s  and t hus ma ke the  convergen ce  accura cy  mo re stabl e. It is proved to be  sup e rio r  to the  traditional GA  in the aspe ct  of detection rate and false rate.       4. Conclusio n     This pap er u t ilizies  a  hy brid fe ature  sele ction  met hod to  sim p li fy intrusio n d e tection  feature s . It first  adopt s m u tual info rma t ion ind e x an d sele cts  se quential  forward  co nst r u c tion   method fo r  eliminating  red unda nt feature sub s et. Th en o n  this ba sis, it  uses i m prove d  g e n e tic  algorith m  to con s tru c t the  optimal  sub s et. In the final simul a tio n  experim ent ,  it also get the   satisfie d re sul t s of modelin g time and de tection rate.    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA   Vol. 11, No. 4, April 2013 :  1725 – 1 730   1730 Referen ces   [1] Zave  P.  Classi fication of R e s earch Effort s in Req u ir ement ’ s  E ngi ne erin g . ACM Computi ng Surve y s .   199 7; 29(4): 31 5 - 32 1.  [2]  Yu L, Liu H. Ef ficient featur e selecti on vi a a nal ysis  of relev ance a nd re du nda nc y .   J ourn a l of Mach i n e   Lear nin g  Res e arch.  200 4; 5(1 0 ):120 5 − 12 24.   [3] S  Das.  F ilters, W r appers an d a Boostin g - B as ed Hy brid  for F eature Se lectio n . Procee din g s of 18th   Confer ence  on  Machin e Le arnin g . 200 1; 74- 81.   [4]  E Xi ng, M Jo rdan, R K a rp.   F eature se le ction for h i g h -di m e n sio nal  g eno mic  micro a rray d a ta .  Procee din g s of  Eightee nth Internati ona l Co nferenc e on Mac h in e Le arni ng. 200 1; 601 –6 08 .  [5]  Lu Xin- guo, Li n Ya-pi ng, Ch en Z h i-pi ng. A n  Im proved F eature Se lecti on Prepr ocess i ng Alg o rith m   Based o n  Mutu al  Information.  Journ a l of Hu n an Un iversity ( N atura l  Scienc e).  2005; (2):1 04-1 07.   [6]  Z hu Hon g -pi n g, Gong Qing -ge, LEI Z han -bo. F eature s e lecti on of intr usio n detecti o n  base d  on   gen etic al gorith m .  Applicati on  Rese arch of C o mputers . 20 1 2 . 29(4): 14 17- 141 9.  [7] Ruggieri  S.  Efficient C4.5.  IEEE Transactio n s  on Kn ow led g e  and  Data En gi neer ing . 2 0 0 2 ; 14(2): 4 38- 444.   [8]  Liu  Ya n, Ha n  C hen g-de,  W a n g  Yi- he,  Li  Xia o -ming. T he B a c k grou nd  of Sim u late d A nne al i ng  an d T he  Monoto n ic T e mperatur e Ris i ng Sa.  Jo ura n l  of Co mputer  Rese arch a n d  dev elo p m e n t.   1996;  (0 1):       4-10.   [9]  W u  Jian.  Unsu pervis ed i n trus ion  detecti on b a sed on  f eatur e  sel e ctio n.  C o mputer E n g i n eeri ng  an d   Appl icatio ns . 2 011; 47( 26): 79 -82.  [10]  Z hang  Yo ng,  Cao  Do ng- xi a.  Nov e l  improv ed fuzz y  clust e rin g  a l g o rithm  ap pli e d  in  n e tw o r k i n trusi o n   detectio n .  Co mputer Eng i n eeri ng an d Des i gn .  2012; 3 3 (2): 4 79-4 83.   [11]  Jing Xi ao- pei, W ang  Ho u- xi a ng,  NIE Kai, L uo Z h i- w e i. F e ature Se lectio n  Algorithm B a s ed o n  IMGA  and MKSVM to  Intrusion Dete ction.  Co mp ute r  Science.  20 1 2 ; 39(7): 97-9 9 .   [12]  Che n  W en, Z hao Yon g ji u,  Jun Z hou xi ao, C o mpact an d  w i de up per-stop b and tripl e -mo d e  broa dba nd   microstrip BPF.  Te lko m nika . 2 012; 10( 2): 353 -358.   [13]  Li Ju n-F ang a,  Z hang  Bu-H a n .  Lim i tation   of small- w o rl d  net w o rk to po l o g y  for a p p lic ation  in  non- domi nated  sor t ing differe ntia l evol ution  alg o ri thm.  T e lkomnik a . 2012; 1 0 (2): 400- 408.     Evaluation Warning : The document was created with Spire.PDF for Python.