Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   24 ,  No.   1 ,  Octo be r   2021 ,  pp.  59 0 ~ 59 9   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 24 .i 1 . pp 590 - 59 9          590       Journ al h om e page :  http: // ij eecs.i aesc or e.c om   Optimi zed ma ch ine learn ing alg orithm  for in trusion  detecti on       Royid a A.  I br ah em  A lh ayal i 1 , Mohamm ad Alj anabi 2 ,  Ahmed  Hussein  A li 3 ,     Most afa Abd u lghfo or Mo hamm ed 4 , T ole  Sut ikn o 5   1 Depa rtment of  Com pute r  Engi n ee ring ,   Co ll eg e of  Engi n ee rin g,   Univer sit y   of   Di y a la,  Di y a la,  Ir a q   2,3 Depa rtment   of   computer ,   Col lege  of Educ at ion ,   A l - Ira qi a  Univ e rsit y ,   B aghda d ,   I raq   2,3 Depa rtment   of   Com pute r  Sci en ce ,   A l   Sa la m   Un ive rsit y   Coll ege,   Baghda d ,   Ir a q   4 Im am Aadha m   Univer sit y   Co ll e ge,   B aghda d ,   Ir a q   5 Depa rtment of  El e ct i ca l   Eng ineeri ng,   Univer si tas   Ahm ad  Dahla n ,   Yog y ak art a ,   In donesia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   J ul   9 ,  2021   Re vised  Sep   2 ,  2021   Accepte d  Se p   4 ,  2021       Intrusion  detec t i on  is  m ai nl y   a ch ie ved  b y   using   o pti m iz ation  a lgo rit hm s.  The   nee d  for  opt imiz at ion  al gori thms   for  int rusion  de t ec t ion  is  necess itate d  b y   the   inc re asing  num ber   of  feature s  in  audi t  d ata,   a s  well   as  the   p erf orm anc e   fai lur e  of the  hu m an - base d  sm art   int rusion  d et e cti on  s y stem (IDS ) in t erms   of   the ir  prolong ed   tra ini ng  ti m e   and  cl assificat ion  ac cur acy .   Thi s  art icle   pre sents  an  improved  int rusion  d et e ct ion  t ec hn iq ue  for  bina r y   class ifi cation.  The   proposal  i s  a  combinat ion  of  diffe ren t  opti m iz ers,   in cluding  Rao   opti m iz ation  al g orit hm ,   ex tre m e   le a rning  m ac h i ne  (E LM),   sup port  ve ct or  m ac hine   (SV M),  and  logi sti c   reg ression  (L R)  (for  feature  sele c ti on  &   weight ing) ,   as  well   as  a  h y brid  R ao - SV M  al gorit hm   with  supervis ed  m ac hine  le arn ing  ( ML )   t ec hniqu es  for  fe at ure   subs et   se lecti on  (FS S).  The  proc ess  of  sele c ti ng  the   lea st  num ber   of  fe at ure s  wi thout   s ac rif ic ing   the  FS S  ac cur a c y   was  conside red   a  m ult i - ob je c tive  opti m izati on   proble m .   Th e   al gori thm - spec ific,   par ame te r - l ess c once pt of t he  proposed   Rao - SV M was a lso e xplore d   in  thi s  stud y .   Th e  KD DCup  99  a nd  CICIDS   2017  were   used   as  t he  intrus ion  dat ase t  for  the   e xper iments,   whe re  significant   improvem ent s  were   note d  wi th   the   new  Rao - SV M  compare d  to  the   othe r  al go rit hm s.  Rao - SVM  pre sente d   bet t er  result s  th an  m an y   exi st i ng  works   by   re ac hing  100%  a cc ura c y   for  KD DCup 99  dataset   and  97%   for   CICIDS   dat as et .   Ke yw or ds:   Extrem e lea rn ing m achine   Feat ur e  subset  sel ect ion   In tr us i on d et ec ti on  syst em   Lo gisti c regres sion   Ma chine  le a rn i ng   Ra o op ti m iz a tio n al gorithm   S upport  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 :   Ah m ed  H us sei n Ali   Dep a rtm ent o f C om pu te r  Scie nce   A l   Sala m  U nive rsity  Colle ge   Ba ghda d ,  9818 2,   Ir a q   Em a il :  m sc.ahme d. h. al i@ gma il .co m       1.   INTROD U CTION   The  nee d  for  netw ork  i nform at ion   secu rity   has  i ncr ease d  recently   due   to  th e  a dv a nc e m ents  a nd   popula rizat ion  of  in f or m at ion   a nd  netw ork   te ch no l og ie s   [1 ] - [12] .  H uma n - base d  IDSs   can   ei ther   w arn  or  intercept  netw ork  int ru si on, b ut this is  not t he  case f or the t rad it io nal n et w ork defe ns e m echan ism s.  The foc us  of   m os t  stud ie s  in  this  fiel d  has  bee n  on  the  i m pr ovem e nt  of   the  perform ance  of   sm art  netw ork  i nt ru si on   detect ion   syst e m s   ( I DS s )   [ 13 ] - [ 17 ]   as   th ey   are  c onsid ered  an   ef fecti ve  s olu ti on  t o  netw ork  s e cur it y.   Con si der i ng  th e  lo w  detect ion  rate  (D R )  of  the  e xisti ng  I D Ss  in   the   prese nce  of  new  at ta cks,  co uple d  w it h  th e   high  over hea d  associat ed  with  au dit  data,  ef forts  are  bein g  channele d  t o  m achine  le ar ning - base d  m et ho ds   a nd   op ti m iz ation  al gorithm s f or  ne twork  intr us io n detec ti on  [ 18] - [29] .   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       Op ti mize d m ac hin e le arnin g a lgo rit hm f or  in trusio n detec ti on   ( Royid a A.  I br ahe m  Al ha y al i )   591   This  era   of  big  data  is  ass ocia te d  with   issues   on  the  secu rity   of   netw ork  s yst e m .  In tru sio n  detect io n  is  receiving   m uch   at te ntio n  du e  to  the  nee d  for  bette r  se cur it y  of   net w o r k  inf rastr uct ur e  in  rece nt  tim es.   Diff e re nt  m ac hin e  le a rn i ng  ( ML )   m et ho ds   hav e   bee n  c om bin ed  with  optim iz at ion   al gorithm s  fo r   e ff ic ie nt   intru si on  detec ti on ;  f or  insta nc e,  s om e  of   th e  cu rr e nt  com bin at io ns   i nclu de  fu zzy   l og ic ,   k - nea rest  neig hbors   ( K NN ) ,  a rt ific ia l  neural  netw ork  ( A NN ) ,  pa rtic le   swar m   op tim iz at ion   ( P SO ) ,  s upport  ve ct or   m achine  ( SV M ) ,  Cutt le fish  opti m iz at ion   al go r it h m ,  and   arti f ic ia l  i m m un e  syst e m   (A IM)   app r oac hes  [ 30] - [ 36] .  Most  of   the  appr oach es   tha t  com bin e  ML  with  op ti m iz a ti on   al gorit hms  ha ve  s how n  bette r  pe r form ance  as  c om par ed  t o  the  tra diti on al   cl assifi cat ion  te chn i ques  [ 37 ] - [ 40 ] .   Va riou s   ML  a nd  op ti m iz ation - ba sed  IDS  have  bee n  pro po se d  i n  t he  li te ratur e   [ 41 ] - [ 43 ] ;  f or  instance ,  a  c om bin at ion   of  K - m eans  c lust erin g,   NB,  C 4.5,  an d  Krus kal - Wall is  has  been   pr opos e d  by  Louvi eris  et   al.   [44]   fo r  the  detect ion   of   net work   intru s i on   with  high   accuracy.  This   appr oach   c an   be  us ed  t o  cl assify   releva nt   featu re  set s  a s  it   includes  a   sta ti sti cal   tool   fo r   validit y.    A  stud y   by   Čr epinše k   et   al.   [45]   pro po se d  a  sel f - orga nizi ng   m ap   (S OM )   an d  pr i ncipal   com po nen t   analy sis  ( PCA ) - base d  I DS   th at   filt ers  no ise   in  dataset   and  lo w - va riance  featur e s  us i ng   the  PCA  a nd   f isher   discrim inant  rati o  (F DR ).   It  reli es  on   t he  m os t  discri m in at ive  pro j ect io ns   that  do  no t  dep e nd  so le ly   on   t he   exp la ine d  va riance  by  the  prototypes  of  the   ei genvecto rs  ge ner at e d  by  th e  SO M  proces s.  H oweve r,   t he   m aj or  pro blem   of   this   syst e m   is  low  detect ion  r at e  ( DR )   [ 15] .  A  ti m e - var yi ng  ch aos - PS O  m et h od  h as b een p r ov i de d  by  Bam akan   [ 14]   as  a  new   M L - ba sed  IDS;  the  pro pose d  m et hod  is  base d  on  2   c onve ntio nal  optim iz ers  wh ic h  are  m ult iple  crit eria  li near   program m ing   ( MC LP)  an d  S VM.  The  par a m et ers  of   thes e  op ti m iz ers  wer e  set   us in g  the   pro pose d  m et ho d;  it   was  al so  us e d  to  sel ect   the  m os t  ap pro pr ia te   featu re  s ub set s  [ 46 ] - [49] .  T he   only   pro blem   of   this  new   m et ho d  is  the  pr ol onge d  trai ning  pe r iod   w hich  nee ds   to  be  im pr oved .  Alth ough   these   com bin at ion s  c an  im pr ove  I D S  pe rfor m ance   in  te rm s  of   D R  and  le ar ning   sp ee d,   f ur the r   i m pr ovem ent  is  sti l l   need e d  [ 50] .  Ra o  an d  Fate l  et   al.   [51]   pro posed  R ao - S VM  al gorithm   that  requires  no   us e r - def i ned   par a m et er  durin g  the  op ti m iz at ion   proce ss  for  m echan ic al   desig n  pro bl e m s.  The  ne w   m et ho d  was  e valuated  on  di f fer e nt   ben c hm ark   f unct ion s  a nd  f ou nd   t o  pe rfo rm   bette r  tha n  som e  pf   the  e xisti ng  o ne s.  T he  po te ntial   of   a ne w  R ao - SV M  al gorith m   in  opti m a l  fr ee  par am et ers  sel ect ion   f or   SV M  regressi on  m od el s  has  been  re porte d  by  [ 30]   us in g  m ulti - com m od it y  fu tur es  ind e x  data  retrieve d  from   m ult i - cut  cr osso ver   (MCX ) .  From   the  re su lt s,   SV M - R ao - SVM  p er f or m ed  well  in fin ding  the opti m al  p ara m et ers  com par ed  to  t he  cl ass ic al  SV M.   The  hybr i d  S V M - R a o - SV M m od el   was  pr e sented  by  Das  et   al.   [52]   via  i ntr oductio n  of a  dim ension - reducti on  a ppr oach  that  al lo ws  t he  re duct ion  of  t he  nu m ber  of  in put  va riables  us in g  PCA,  ke rn el   pri ncipal   com po ne nt  an al ysi s   ( KP CA ) ,  an d   in de pend ent  com ponen t   analy sis  (I C A ).   T he  st ud y  a lso  in vestigat e d  the   po s sibil it y  of   us ing   the  m ulti - com m od it y  fu tures  in de x  data   extracte d  fro m   the  M CX  in  the  pr op os ed  m od el .  The  perform ance  of  the  pro pose d  m od el   w as  co nf irm ed  to  be  s up e rio r  t o  that  of  so m e   existi ng  po pu l at ion - insp ire d  m od el s.  I n  a no t her  stud y,   the  e ff ect   of   num ber   of  ge ner at io ns   a nd  sam ple  siz e  on  the  perform ance  of  op ti m iz ation   fra m ewo r ks   was   evaluated  by  Ra o  and   Pate l  [50]   wh il e  Cre pin še k  et   al.   [45]   fo c us ed  on   us in g  R ao - S VM  to   so lve   the  e xa ct   pro blem s  hig hlig hted  i n  [42]   an d  [53] .   A  m ulti - obj e ct ive  R ao - SVM   was   dev el op e d  by  Nayak  a nd   R out  [47]   w her e  a  m at rix  of   so l utions  was  de velo ped   for  ea ch  ob j ect ive.  F or   the   R ao - S VM  m od el ,  t he  te ache r  sel ect io n  pro cess  wa s  reli a nt  on   the  best - fou nd  so l ution  in  t he  sea rch  sp ac e   wh il e  t he  le ar ne rs  a re  ta ught  just  to   m axi m i z e  that  obj ect iv e.  T he  a vaila bl e  so l utions  in   t he  sea rc h  s pac e  we re  arr a ng e s  to  ar r ive  at   a  set   of   op ti m al   so luti on s.  T he  stu dy  by   Shu kla   et   al.   [54]   reli ed  on  dif fer e nt  te a chin g  m et ho ds   t o  pr esent  a  m ulti - obj ect ive  R ao - SV M  in  wh ic h  the  c ro ss ove r  operat or   (in s te ad  of  us i ng   a  scal er   functi on)  was  util iz ed  in - between   s olu ti on s   in  the  te achin g  &  le ar ning  phases.  Kizi loz  et   al.   [40]   pres ented  3  m ul ti - obj ect iv e   R ao - S VM  fr a m ewo r ks   f or   F SS - BC P.  Am on g  th e  pr e sent ed  m et ho ds ,  a  m ul ti - obj ect ive   R ao - SV M wit h  scal ar tran s form at i on  ( MR ao - SVM - ST) was the  f ast est  d espite  p rovi ding a li m it ed  nu m ber  o f  no n - do m inate d  so l utions.  Re ga rdi ng   the  m ulti - obj ect ive  R ao - SV M  with  non - dom inate d  sel ect ion   (MR ao - S VM - NS ) ,  it   searc hes  the  so l ution   sp ace ,  ge ner at e  a  set   of   non - dom inate d  so l utions ,  an d  re quire s  m uch   i m ple m entat io n  ti m e.  Mult i - ob j ect ive  R ao - S VM  with  m ini m u m   dist ance  (MR ao - SV M - M D)  ge ner at e s   si m il ar  so luti on s  to  that  of   MR ao - S VM - NS ;   ye t,  in  a  sign if ic antly   le sser  a m ou nt  of   tim e.   The  propose d  R ao - SV M  wer e   eva luate d  for  perf or m ance  us i ng  LR,  S VM,  a nd  ELM .  S ultan a  an d  Ja bbar   [ 55 ]   sta te d  that  FSS  i n  the W ra pper  m et hod  is  m ade  as  a  black  box,   m eaning   that  there  is  no  kn owle dge  of  the  unde rly ing   al gorithm .  The  sel ect io n  of   f eat ure  s ubs et s  is  done  us i ng  in du ct ive   al gorithm s  and   t he  sel ect ed   fea ture  s ubset   are   us e d  to   est i m at e  the  accuracy  of  the   trai ning  m od e l.  The  acc urac y  le vel  will   gu ide  the  m od el   in  deci ding  w hethe r   featur e s can  be  ad de d  or   rem ov ed  f r om   the sele ct ed  su bs et . Hence , th e  Wrapp e r  m et ho ds  are  co ns ide red   m or e   com pu ta ti on al ly   com plex  [ 56] - [58] .  T he  Fil te r  m et ho d  is  ano t her  m et ho d  wh e re  t he  m od el   i niti at es  with  al l   the  avail able  f eat ur es  be fore   sel ect ing   t he  best  feat ur e   subset  ba sed   on  certai n  sta ti sti cal   m et rics,  suc h  as   Pears on’s  co rrel at ion   [59] ,  A NOV A,   LD A,   Chi  sq ua re,  a nd  m utu al   info r m at ion   [60],  [ 61 ] .  T hese  sta ti sti cal  m et rics  are  ba s ed  on  the f eat ure  a nd  res ponse   va riables  i n  t he  dataset ;  ho wev e r,  the  c om m on ly   us ed   s ta ti sti ca l   m et rics are  pea rson’s  c orrelat ion (PC )  a nd  m utu al   Inform at i on m et ho ds   [61] - [ 64] .    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.   24 , N o.   1 ,  Oct ober  20 21 :  590   -   59 9   592   Most  of  the  f eat ur e  sel ect io n  m et ho ds   ea r li er  discusse d  are  de pe nd e nt   on   featu re  s ubset   at   the  pr e processi ng   le vel;  hen ce,  t he  m et ho ds   to   be  disc us se d  her e  a re  the  e m bed ded   m et ho ds   a s  they   w ork  in  a   way  al lows   th e  sel ect ion   of   the  best  feat ur es  durin g  th e  le arn in g  phase  [65] - [ 67] .   The  ad va nta ges  of   inco rpor at in g  the  featu re  sel ect ion   process   in  t he  le ar ning  process   incl ud e   im pr ov e d  com pu ta ti on a l  cost ,   bette r  cl assifi c at ion   acc ur acy ,   an d  a vo i dan ce   of  the  nee d  to   retr ai n  m od el s  w hen e ve r  ne w   featu res  a re  a dde d.   The  em bed de d  m et ho d  perfor m s   featur e  s ubset   sel ect ion ,  a nd   t he  le ar ning  al gorithm   interact s  in  a  di fferent   m ann er   com par ed  t o  oth e r  f eat ur e  sel ect io n  m et ho ds.  Fil te r - ba sed   le arni ng   al gorithm s   are  no t  c omm on ly   e m p loye d  f or  featur e   sel ect ion,  but  the   Wrapp e r  m et ho d  te sts  the  qual it y  of   t he  sel ect ed  feat ur es   us i ng   t he   le arn in g  al gorithm   [68] .  F or  the  e m bed de d  m et ho d,  it   ad dresses  t he  iss ue   of  com pu ta ti on al   c om plexity   as  it   perform s  the  appr opriat e  m o del  le ar ning  a nd  featu re  sel e ct ion   at   the  sa m e  tim e;   featur e  sel ect ion  is  done   durin g  t he  m od el   trai ni ng  st age,  t her e by  r e du ci ng  the  c om pu ta ti on al   co st  com par ed  t o  that  of  t he  W rapper  m et ho d.     Wh e n  the   acc ur acy   of   detec ti on   is  inc reas ed,   the  exec ut ion   ti m e  will   so m et i m es  increase  by  a  su bst antia l  am ount.  O n  t he  oth er   ha nd,  t her e   m a y  be  reduct ion   i n  t he  e xec ution  ti m e,  le a ding  t o  lo w  ac cur acy .   Hen ce ,  the  FS S  prob le m   can  be  seen  as  a  m ul ti - obj ect ive   op ti m iz at ion   (MOO)  pro blem   that  req uire s  m or e  than   one  so l ution   [ 45 ] ,  [52],  [ 69 ] .  For  s om e,   accuracy  is  ve ry  i m po rta nt;  the  s olu ti on  tha t  of fe rs  acc ura cy   is  chosen .  Me an wh il e,  f or  ot he rs,   the  best  s olu ti on   is  th e  on e  that  reduces  t he  exec utio n  ti m e  even   if  acc ur acy   is  com pr om ise d.   R ao   was  de vel op e d  as  a  new  m et aheu risti c  for  var i ous  intr act able  op ti m i zat ion   pro blem s  and   has  perform ed  well   in  su c h  app li cat io ns   c om par ed  to  ot her   fr am eworks,  su c h  as  ge ne ti c  al go rith m s  ( GA ) ,  PSO,  an d  a nt  c olony  opti m iz a ti on   ( ACO ) .  T he  com bin at io n  of  the  ne w  m ulti - obj ect ive   R ao - S VM  f ra m ewo r k  with  s uper vise d  m achine  le ar ning  (ML)  te c hn i qu e s  is  pro po s ed   in  t his  pa per  f or  FS S  i n  b ina ry  cl assifi cat ion  pro blem s.  W hi le   try ing   to  s el ect   the  le ast   nu m ber   of   f eat ur es  with out  i m pacti ng   th e  accuracy  of  FSS   pro blem s,  the  f irst  obj ect i ve  s hould  be   the  se le ct ion   of  t he  r igh t  nu m ber   of  featu res,  w hile  the  sec ond  c on ce r n  sh oul d  be  the  accuracy  of  th e  detect ion .  T he  pe rfor m ance  of   R ao - SVM   has  been   r e po rted  as  rem ark a ble  wh e n  c om par e d  to   ot her  m e ta heurist ic s  al gorithm s.  The   ne w  te ac hing - le arn i ng - base d  op ti m iz ation  (R ao - SV M)   an d  a  s et   of  s up e rv ise d  ML   te ch niques  wer e   em plo ye d  f or  opti m al   featur es   s ub s et   sel ect ion  in  t his   stud y.  This  w ork  c on t rib utes  the  f ollo wing  to   li te ratur e:   i)  the  util iz at ion   of  the  R ao - S VM  al gorithm   for   featur e  sel ect ion   in  I DS   for  th e  first  tim e;   ii )  the  ne w  R ao - S VM  al gorithm   pro po se d  in  t his  stud y.   T he  re st  of   this  arti cl e  is  a rr a ng e d  as  f ollow s:  intr oducti on   of   the  F SS  pro blem   pr es e nted  in  s ect io n  2 ;  the  propose d  R ao - SV M  prese nted  in  s ect io n  3 ;   introdu ct io n  of   the  m achin e  le arn in g  te chn i qu e s  ap plied  with  R ao - S VM   an d  exp e rim ental   s et up   prese nted  in  s ect ion   4 ;  th e  resu lt s  of   the   R ao - S VM  al gorithm   in  co m par is on   to  R ao - SV M   pr ese nted  in  s e ct ion   5 ;  an d  th e co nclusi on o  the stu dy  pr ese nted  i n  s ect io n  6 .       2.   FEATU RE S UBSET  SELE CTIO N  P ROB LE M   Feat ur e   subset   sel ect ion   is   th e  proces s  of   s el ect in  featu re  su bse ts  f r om   a   la rg e   set   of   fe at ur es.   It  is   aim ed  at   red uc ing   the  c om pl ex  cal culat ions   by  rely ing   on   few er  num ber   of   feat ur es  to   achieve d  i m pr ove d  perform ance  of  cl assifi ers .  V ario us   sc ho la rs   hav e   pro vid e d  di ff e ren t  defi niti on s  of   FS S  [ 62 ] ;  f or   i nst ance,   so m e  def ined  i t  as  the  reducti on   of   t he  siz e  of   t he  sel ect ed   featur e  subset   wh il e  s om e  c on si der e d  it   a  way  of  i m pr ovin g  the   pr e dicti on   ac cur acy   of   cl as sifie rs.   F SS  is   reg a rd e d  as  a   way  of   est a bl ishing   t he  effe ct ive  su bse ts  that   ca ptures  the  inf orm ation   hidde n  in  a  dataset   by  rem ov ing   the   irreleva nt  and   re dunda nt  featur es .   Hen ce ,  t he  ai m   of  F SS  is   to   fi nd  the   le ast   nu m ber   of  feat ures  with out  sig ni ficantl y  aff ect ing   t he  cl assi ficat ion  accuracy.  Extr act ion   of  op ti m al   featur e  subsets  is  a  com plex  ta s k  that  currently   has  no   poly no m ia l   tim e   al g ori thm   to  address  it ;  this  i m pl ie s  that  FS S  is  an   N P - hard  prob le m   [63 ] .  A  ty pical   FS S  in vo l ves  4  t ypic al  ste ps   [ 64] - [ 67] :  i)  a  searc h  for   the  sel ect ion  of  in div id ual  fea tures  t hat  will   m ake  up  the  subsets;   ii )  eval ua ti on  of  the  subsets  and  their   c om par iso n  with  ea ch  oth e r;  ii i)  de te rm inati on   of  wh et her  the  t erm inati on   co ndit ion  has bee n  m et ;  and  iv )  c heck f or th e esta blish m ent o f  the  optim al  f eat ur e s ubset   based o n p re - knowle dge.   Pr oble m   def in it ion :  t his  stud y  involves  t wo   m ajo r  part s:  best  featur e  subset  sel ect ion ,  a nd   perform ance  evaluati on.  Sinc e  there  are  two  m ajo r  obj ect i ves,   FS S  is  con side red   a  m ul ti - obj ect ive  pr ob le m .  A   f orm al  d efin it ion  of  fin ding  optim al  so luti on s  th rou gh m eet ing   bo t h o bject ives   is p r ov i ded in  ( 1)  a nd  (2) .     1   =   | |   (1)     2   =       ( )   ℎ      ⊆     (2)     Wh e re k   re pr es ents  the  s ub set  o f  th e  ori gin al  d at aset   (K)  tha t  op ti m iz es  f1   and   f2  ( the objec ti ves) .  T he  s eco nd   par t  in vo l ves  the  evaluati on   of   the  sel ect ed   featur e  s ub set s  based   on   acc ur acy   (a n  est ablishe d  perf orm ance   evaluati on  m etr ic ),   a s  pr ov i de d  in   ( 3 ) .  Acc ur acy   cal c ulati on  re quires  t he   div isi on  of  t he  in sta nces  t hat  are  cl assifi ed  c orre ct ly  b y al l i ns ta nces.     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       Op ti mize d m ac hin e le arnin g a lgo rit hm f or  in trusio n detec ti on   ( Royid a A.  I br ahe m  Al ha y al i )   593        = (  +  )   /   (  +  +  +  )   (3)     Wh e re T P = t r ue posi ti ve,  T N  = t ru e  n e gative,  FP  =  f al se  po sit ive , a nd F N  =  false  neg at ive.   The  pro po se d  R ao - S VM  al go rithm   was  i m ple m ented  at   the  FSS  ph a se .   I t  was  init ia li zed  via  ra ndom  gen e rati on  of   a n  init ia l  po pula ti on   cal le d  the  Teacher  a nd  a  set   of   Stu den ts .  The  featu res  wer e  re present ed  in   the  R ao - S VM  by  com bin ing   R ao - S VM  with  G A ,  an d  the  featur e s  wer e  r epr ese nted  as  a   chr om os om e  as  this  is  on e  of  the  fe at ur es o f  G A.  Th e  ch r om os ome s  wer e  upda te d  by  ap plyi ng   cr os s ov e r  an d  m utati on   para m et er s   of   GA   a nd   ea ch  so l ution   i n  the  popula ti on   is  consi de re d  a  ch ro m os om e  or   an  in div id ual ,  as  s ho wn   i n     Fig ure   1.  Ch rom os o m es  that  hav e  a  featu re  gen e  with  a  va lue  of   1  are  c onside red   sel ect ed  w hile  tho se  with  a   value  of   0  a re  no t  sel ect ed .  T he  R ao - S VM  execu te d  var io us   it erati ons  a d  the  te ac her   i s  co ns ide red   t he  be st  ind ivi du al   i n  the  po pu la ti on  wh i le   the  rest  are  the  st ud e nt s.  A fter  sel ect ing   t he  te ache r,  the  three   phas es  of   R ao - S VM  are  init ia te d  wh ic h  are  the  Teach er,  Be st  Cl assm at es  (Learn er   Ph ase  1),  an d  Learn e r  Phase   2.   Th e   Teacher   P hase   involves  t he  te acher  s har i ng  kn ow le dge  with  eac h  stu de nt  t o  im pr ov e  their  un der st and i ng   wh il e  the  Be st   Cl ass m at e  Ph ase  involves   s el ect ion   of  tw o  be st  stude nt s  that  will   interact   with  the   oth e r   stud e nts.  Lea r ner   Ph ase  2  in vo l ves  ra ndom   interact ion   a m on g  the  eac h  to  en han ce  t he ir  unde rstan di ng.  T he  gen e rati on  of  ne w   ch r om os om es  in  the   ne w  R ao - S VM  was  done   usi ng  s pecial   cr os s ov e r  operat or s   cal le d  half - unif or m   cro ss over   an d  bi t - flip  m utati on   op e rato rs ,   as   show n  in  Fig ur e   1  an d  Fig ur e   2 .  T he  c rosso ver  op e rato r  need s   two  parent  c hrom os om es  (m ay   be  a  te ache r  an d  a  st uden t,  or   t wo  stu de nts).   The   cr os s ov e r   op e rato r  de pends  on  the  inf orm at ion   of   the  two  par e nt  chro m os o m es .   So ,  if  the  sa m e  gen e  is  pr ese nt  in  both   par e nts,  t he  ge ne  is  kep t;   bu t   w hen   t he  parents  feat ur e  di ff e ren t  genes,  the  ge ne  of  ei ther  pa ren t  is  c ho s en   rand o m l y  [32] .  This  ope rati on   re s ults  in  the  ge nerat ion   of   on e  ne w  c hrom os om e.  The  bit - flip  m utati on   op e rates  on  a  s ing le   ch r om os om e  to  al te r  a  sing le   gen e  us i ng   a  pro ba bili sti c  rati o;  if  the  gen e  has  a  val ue  of   zero, it  w il l be   updated  as  one , or vice   ver sa .         1  = s el ect ed fe at ur es   0  =  unsel ect ed feat ur e s           Figure  1. Sc he m at ic  r epr ese ntati on   of a c hro m os o m e   Figure  2 .  Muta ti on   op e rato r       3.   PROP OSE D RAO - S V M M ET HOD   In   the  pro pose d  al gorithm ,  R ao   was  im plem ented  at   the  FSS  phase;   it   was  init ia li zed  via  rand om  gen e rati on  of   t he  init ia l  po pu la ti on   cal le d  the  Teache r  an d  a  set   of   Stu den ts  (t hese  re pr ese nt  the  po te ntial  so luti ons ).   T he n,   the   cr os s ov e r  an d  m utati on  op e rato rs  of   GA   was  bor rowed   t o  re pre se nt  the  fe at ur e s  in  the   R ao   via  t he  re pr ese ntati on  of   the  feat ur es   a s  ch ro m os om e s.  Cr os s ov e r  w as  us e d  to   up da te   the  ch ro m os om e.  Each  so l ution  in  t he  popu la ti on   is  c on sidere d  a n  i ndivid ual/c hrom os om e ,  as  s how n  i n  Fig ure   1.   Chrom os om es  that  ha ve  a feat ur e   g e ne  with a  value   of 1   a r e  co ns ide red  se le ct ed  w hile  th os e w it h  a   val ue   of  0  are  no t sel ect e d.   Detai ls o f  th e pro posed  m eth od a re  pr e sent ed  in  A l gorith m  1   and   Fig ur e   3 .     A l g o r i t hm   1:   D e t a i l s   o f   t h e   R ao - S V M   a l g o r i t hm   S t e p   1 :   I n i t i a l i z e   t h e   p o p u l a t i o n   r a n d o m l y   w i t h   e a c h   p o p u l a t i o n   h a v i n g   d i f f e r e n t   s e t   o f   f e a t u r e s     S t e p   2 :   B a s e d   o n   t h e   a c c u r a c y   o f   t h e   c l a s s i f i c a t i o n  f o r   e a c h   s e t   o f   f e a t u r e s ,   s p e c i f y   b e s t   a n d   w o r s t   s et   ( p o p u l a t i o n )     S t e p   3 :   M o d i f y   s ol u t i on s   b a s e d   o n   t h e   b e s t   a n d   w o r s t   s o l ut i o n s   a nd   r a n d o m   i n t e r a c t i o n s   b a s e d   o n   N e w _ s e t =   r a n d o m _ s e t   c r os s o v e r   w i t h   ( b e s t _ s e t   c r o s s o v e r   w i t h   w o r s t _ s e t )   S t e p   4 :   I f   t h e   n e w   s e t   of   f e a t u r e s   b e t t e r   t h a n   t h e   o l d   b e s t   s e t   ( i n   t e r m   of   a c c u r a c y   o f   c l a s s i f i c a t i o n )   t h e n   k e e p   t h e   n e w   s e t   e l s e   k e e p   t h e   o l d   s e t     S t e p   5 :   I s   t h e   t e r m i n a t i o n   c r i t e r i a   s a t i s f i e d   o r   n o t ?  i f   y e s   r e p o r t   t h e   b e s t   s e t   o f   f e a t u r e s ,   e l s e   g o   t o   s t e p   3       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.   24 , N o.   1 ,  Oct ober  20 21 :  590   -   59 9   594   S t a r t I n i t i a l i z e   p o p u l a t i o n   s i z e ,  n u m b e r   o f   d e s i g n   v a r i a b l e s   a n d   t e r m i n a t i o n   c r i t e r i o n   I d e n t i f y   b e s t   a n d   w o r s t   s o l u t i o n   i n   t h e   p o p u l a t i o n   M o d i f y   t h e   s o l u t i o n s   b a s e d   o n   b e s t   a n d   w o r s t   s o l u t i o n s   a n d   r a n d o m   i n t e r a c t i o n s   N e w - s e t =  r a n d o m e - s e t   c r o s s o v e r   w i t h   ( b e s t - s e t   c r o s s o v e r   w i t h   w o r s t - s e t ) I s   t h e   s o l u t i o n s   c o r r e s p o n d i n g   t o   N e w - s e t B e t t e r   t h a n   t h a t   c o r r e s p o n d i n g   t o   C u r r e n t - s e t K e e p   t h e   p r e v i o u s   s o l u t i o n   A c c e p t   a n d   r e p l a c e   t h e   p r e v i o u s   s o l u t i o n   I s   t e r m i n a t i o n   c r i t e r i o n   s a t i s f i e d   R e p o r t   t h e   b e s t   s e t   o f   f e a t u r e s   E n d No Y es Y es No     Figure  3. Ra o - SV M al go rith m       4.   E X PERI MEN TAL SET UP   The  prese nt  stud y  evalu at ed  the  so l utions  achieve d  usi ng   R ao - S VM   by  dep loyi ng   three  ML   te chn iq ues   (L R,  SV M ,  an d  ELM ).   LR   is  a   com m on ,  fast ,  an d  easi ly   im plem ented  cl assifi er;  SV M  is   well - known   f or   it s   eff ect ive ness   in  bi nar y  cl as sific at ion ;  w he reas  ELM   is  a  ne wly  introdu ce d  but  pro m isi ng  cl assifi er.  LR:   cl assifi cat ion   with  LR  is  perform ed  by  est i m at ing   an  eve nt’s  occ urre nc e  prob a bili ty   based   on  the  sim il arit y  of   giv e n  data  po i nts.  It  fin ds  the  pro ba bili ty   of   the   eve nt  occurre nce  by  e m plo yi ng   a  sigm oid   functi on.  I f  th e  occurre nce  pro ba bili ty   of   a n  eve nt  is  >0. 5,   the n   the  LR  pr edict s  the  e ven t  as  “occ urred ”  or   “no t  occurre d” ,  as  the  case   m ay   be.   SVM :  cl assifi cat i on   ta s ks   us in g  S VM  are  pe rfor m ed  thr ough  the   const ru ct io n  of   a  separ at ing   li ne  betwee n  th e  giv en  data  points  [ 37 ] .   T he   data  po ints  cl os est   to  this  li ne  are  desig nated  a s  su pp or t  vecto r s  (SVs) .  T his  li ne  is  it erati vely   con str ucte d  th rou gh  the  m axi m iz ation   of   t he  m arg in  bet wee n   the  S V  an d  the  li ne  of  the  c la sses.  This  id ea  or igi nates  f r om   the  assu m ption   that  an  inc rease   in  the  m arg in  can  re duce  the   gen e rali zat ion  error.  ELM :  ELM   is  bu il t  as  a  feed   f orw ard   ne ur al   net wor k  (F F NN)  with  a  hidden  la ye r ,  an  in pu t  la ye r,   an d  an  outp ut  l ay er.  The  t rainin g  data  ar e  fed   int o  the  m od el   thr ough  the  in pu t  la ye r,   w he re  they   are  the n  weig hte d  an d  f orwarde d  to   the  hidden  la ye r  via  a  funct ion .  A  si m il ar  transfo rm ation   is  execu te d  bet ween   the  hidden  a nd  ou tp ut  la ye rs.   The  FF NN   requires  it erati ve  tu ni ng   of   it s  par am et e r;  howe ve r,   no  par am et er  tuni ng   occ ur s  i n  t he  ELM .   The r efore,  t he  le ar ning  ti m e  of   ELM   is   lowe r  as c om par ed  to  t ho se  of c onve ntion al   FFNNs.   The  ex pe rim en ta l  scenario ,  prob le m   instances,  an d  the  outc om e  of   the  experim ents  are  all  pr esent e d  in  this  sect ion .   In   this  stud y,   the  exp e rim e nts  wer e  perform ed  on   two  intr us io n  datas et s  (K D DCup  99   a nd   CICID S) ,   w hi ch  wer e  reduc ed,   beca us e  of  the  f oc us   on  bin a ry  cl assif ic at ion   to  acc omm od at e  on l y  two  cl asses  (nor m al   and   intr us i on).   T o  ens ure  fa ir  validat io n,   K - f old   validat io n  was  us e d,   w her e  th e  valu e  of   K  is   set  to 10  [ 39 ] .   KDDCu p  99   da ta set   was  first  us ed  to  bu il d  an  I DS   at   the  3rd  inter natio na l  kn owle dge  disco ver y  an d  data  m ining   t oo ls  c om petit i on   [50] .  T he  def e ns e  a dv a nc ed  resea rc h  pro j ect s  age ncy   ( D ARPA )   int ru si on   detect ion   e valu at ion   pro gr am   was  set   up   in  1998  by  the  MI T  Lincoln  La borat or y  as  a  sim ula te d  env ir onm ent   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       Op ti mize d m ac hin e le arnin g a lgo rit hm f or  in trusio n detec ti on   ( Royid a A.  I br ahe m  Al ha y al i )   595   for  gat her i ng   r aw  tra ns m issi o n  co ntr ol pro t oc ol/i ntern et   pro tocol   ( TCP/ IP )   du m p  data f or   a  local  area n et work  (LAN)   [46] .  It   was  set   up   w it h  the  aim   of   com par ing   va rio us   intr us io n  detect ion   m eth ods  based   on   their   perform ance.  A  ve rsion  of   th e  DA RP A ’98  dataset   was  use d  in  the  K DDC up   99   dataset   [31] .  Th e  D A RPA’9 8  dataset   consi sts  of   c om pr essed  ra w  TCP  dum p  data  of   7  week s  of   network   patte r n.   It  is  app r oxim at el y4   gig a byte s in  siz e and  ca n be  processe d  int o about 5 ,00 0,000 con necti on   r ecords,  eac h of about 10 0  byt es  [33] .  In  the  dataset ,   the  t wo  wee ks’  te st  data  c onta ins  a ppr oxim at ely  2,000,0 00  c onnecti on   rec ords.  T he  KDD   trai ning  datase t  is  com pr ise d  of   a bout  4,900,000  si ng le   c onnecti on  ve ct or s  of  41  feat ur es  eac h,   w hich  a r e   la beled  ei the r  a s nor m al  o r  a n at ta ck  of a s pe ci fic ty pe  [ 1] .    The  at ta ck  ty pe s in  t he data se t were  cate gori zed in t o four  m ajor  cat e gories:   a)   Pr obi ng  at ta ck :  this  i s  a n  ef f or t  by  a n  at ta cker  to  gain   ne twork   inf orm a ti on   sim ply  to  ci rcu m ven t  th e   netw ork’s  sec uri ty   con tr ols.   The  C ICI DS   da ta set   con ta in s   both  be nign  a nd  the  rece nt  f or m s  of  at ta ck s   that  m i m ic  real - w or ld  data   pr i ncipa l  com pone nt  analy sis  of   prote om i cs   (P CAPs ).   The  dataset   al so   con ta in s d at a  f ro m   networ k  tr aff ic   a naly sis  wh ic h  was  perf or m ed  us i ng  a CIC  f lo wm et er.  The   la belin g  of  the  fl ow s   is  ba sed  on  the   tim est a m p,   the  s ource   port,   the   destinat io n  por t,  the  s ource   I P,  t he   de sti nation  IP , a tt ack,  a nd  protoc ols.   b)   Den ia l - of - se rv i ce  (DoS )  at ta ck:  in  t his  ty pe  of   at ta ck ,  the  intr ud e r  intenti on al ly   de nies  le gitim at e  netwo r k  acce ss b y m aking the  syst e m  t oo busy t o pro cess le giti m a te  re qu est s .   c)   User - to - r oot  ( U2 R )  at ta ck:  the  a tt acker  ga ins  acce ss  to   the  netw ork  by  acce ssin g  t he  syst em   as  a  le gitim at e u ser,  b e f or e e xploit ing  t he  la pse s i n  s om e syst e m s to gain  roo t a ccess.   d)   Rem ote - to - u se r  (R2L )  at ta ck:   this  is  a  fo rm   of   at ta ck  wh e r e  an  inv a de r  ex plo it s  vulne rabi li t y  in  m achines  by   se nd i ng p ac kets to  them  o ve r  a  netw ork  i n a bi d  to  g ai n  l ocal acce ss  as  a legal  user.     Althou gh  se ve ral  ty pes  of  R2 U  at ta cks   exist ,  the   m os t  com m on   ty pes  are   tho se   exec uted   via  s ocial   eng i neer i ng.  T hese  at ta cks  ( DoS,  U2 R,  R 2L ,  an d  prob i ng)  are  cl assifi e d  into  22  diff e re nt  at ta ck  ty pes   in  the  KDDCu p  99   dataset ,  as  sho wn   in  Ta ble  1.  These  do   not  on ly   ref e r  to   the  sp eci fic  c ase  of   KDDC up   99  dataset ;  ad diti on al ly ,  se ve ral  know n  cl assif ic at ion s  a nd  ta xonom ie s  of   c om pu te r  syst e m   a tt acks  we r e  al so  analy zed i n  thi s stu dy  [ 37] .   The  CIC IDS  2017  dataset   [1 8],  [43]   sat isfie s  the  11   m and at or y  at trib utes  of  a  tr ue  ID S   dataset ,   wh ic h  are  a va il able  protoc ols,  feat ur e  s et ,  com plete   i nteracti on,  a nonym ity,  com plete   captu re,   at ta ck  div e rsity ,  com plete   traff ic ,  m et adata,  com plete   network   c onfi gurati on,  la beling,  an d  heteroge neity   [1 ] ,   [18],   [38] .  The  datas et   con ta ins  3,0 57,50 3  r ow s ( de vised  on  8   file s)  an d  each  r ow  co ntains  79 f eat ur e s.  Eac h  row  is   ei ther  la beled  as  ben i gn   or   as  a ny  of   the   14   ty pes  of   at ta ck.   Table  2  su m m arized  the  ty pes  of   at ta ck  distrib ution i n  the b e nign  r ows.   In   this  st ud y,   the  exp e rim e nts  we re  pe rfor m ed  on   a  c om pu te r  r unni ng   a n  I ntel  Core  i7 - 4810   process or  with   a  CP U  cl ock  rate  of  2.8 0  G Hz  a nd  a n  8   GB  m ai n  m e m or y.   Th e  cl assi ficat ion   a sp ect   of  the   al gorithm s  wa s  done  us in g  MATLAB   2017a.  The  tw o  im po rtant  par a m et ers  that  mu st  be  decide d  pr io r  to   run ning  R ao - S VM  we re  popula ti on   siz e  a nd  num ber   of   gen e rati ons.  A   higher   val ue  of   t hese  par a m et ers  ens ur es  a  hi gh er  res ult  of   acc ur acy ,   eve n  t houg h  the   com pu ta ti on   ti m e  will   be  inc reased .   A n  in vestigat i on  of  a n e w  in div i dual  is tim e ineff ic ie nt.       T a b l e   1 .   K D D   d a t a s e t   Attack  class   Ty p es o f  attacks   Do S   s m u rt,  nep tu n e,  p o d ,  teardrop ,  b ack,  l an d ,   R2 L   p h f ,  f t p - write,  i m a p ,  m u ltih o p ,  war ez clien t,  wa rez m aste r,  sp y ,  g u ess  pas swo rd   U2 R   p erl,  load m o d u le,  b u ff er - o v erflo w,  roo tk it   Prob in g   p o rtsweep, ips wee p ,  satan ,  n m ap       T a b l e   2 .   C I C I D S   d a t a s e t   Attack  class   Ty p es o f  attacks   DOS   DDo S,  slo wlo ris,   Hera tb leed ,  Hu lk ,  Go ld en Ey e,  Slo wh ttp test   Po rtScan   Po rtscan   Bo t   Bo t   Bru te - Fo rce   FTP - Pa tato r,   SSH - Patato r   W eb  Att ack   W eb  atta ck  XSS ,  web  attack S QL  in jectio n ,  web  atta ck  bru te f o rce   Inf iltration   Inf iltration       5.   RESU LT S  AND DI SCUS S ION   The  pa ram et er s  us e d  in  t his  stud y  a re  s ho wn  in   Ta ble  3.  T he  acc ur acy   res ult  of  t he  KDDCu p  99   dataset   is  pr e s ented  in   Table   4,   a nd   t he  re s ults  of   t he  CI CIDS   2017  da ta set   are  pr e se nted  in   Table  5.   T he  Tables  4  a nd  5  prese nt  the   ac cur acy   res ults  for  bo t h  data se ts.  From   Table   4,  bo t h  R ao - S VM  a nd  R ao - SV M   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.   24 , N o.   1 ,  Oct ober  20 21 :  590   -   59 9   596   offer e d  the  sa m e  execu ti on   tim e  fo r  each  ML  te chn iq ue.  Fo r  each  ML,  the  nu m ber   of  featur e s,  accu r acy ,  and  execu ti on  tim e  wer e  cal culat ed.   The  nu m ber s  in  red   s uggest  the  best  r esults  for  both   R ao - S VM  an d  R ao - SV M.   R ao - S V M  co ns ist ently   prese nted  bet te r  accu racies  as  com par ed  to  R ao - SV M  usi ng   the  thre e   ML  te chn iq ues .  It  al so   pr e sente d  bette r  tim e  acc ur acy   us i ng   L R  and   S VM  ML  te chn iq ues .  Howe ver,  R ao - S V M   pro vid e d  a  bette r  exec ution   ti m e  with  ELM   as  com par ed  to  R ao - SV M .  W it h  the  CICI DS   20 17   datas et ,  R ao - SV M  c onsist ently   showe d  be tt er  accu racy  than  m any  ot he r  al gorit hm s  us in g  t he  th ree   ML  te ch nique s.  W it h  the  LR  te chn i que,  R ao - S VM  pr ese nted  a  bet te r  execu ti on   ti m e  co m par ed  t o  the  S VM  an d  ELM   te ch niq ue s,  as sho wn in T a ble   5.   T h e   d e t e c t i o n   r a t e   ( D R )   a s   s ho w n   i n   ( 4 )   r e f e r s   t o   t h e   p e r c e nt a g e   o f   t h e   c o r r e c t l y   c l a s s i f i e d  s a m pl e s   b y   t h e   c l a s s i f i e r   i nt o   t h e i r   c o r r e c t   c l a s s .                =   +    (4)     A n o t h e r   s t a t i s t i c a l   t e s t   i s   t h e   e r r o r   r a t e ,   w h i c h   i s   t h e   p r o p o r t i o n   o f   p a t t e r n s   t h a t   h a v e   b e e n  i n c o r r e c t l y   c l a s s i f i e d   b y   t h e   m o d e l .   E R   i s   c a l c u l a t e d   b a s e d   o n   ( 5 ) .            =  +   +  +  +    (5)     T a b l e   6   i l l u s t r a t e s   t h e   r e s u l t s   of   ( 4 )   a n d   ( 5 ) .   A n o t h e r   s t a t i s t i c a l   t e s t   ( T - t e s t )   w a s   a p p l i e d   t o   d e m o n s t r a t e   t h e   s u p e r i o r i t y   o f   R ao - S V M   o v e r   R ao - S V M .   T a b l e   7   s h o w s   t h e   p - v a l u e s   a n d   t - v a l u e s   w h e r e   t h e   s m a l l   v a l u e s   p o r t r a y e d   t h e   s i g n i f i c a n c e   o f   t h e   n e w   R ao - S V M   a l g o r i t hm .   C om p a r i s o n   r e s u l t s   w i t h   e x i s t i n g   w o r k s   s h o w e d   t h a t   t h e   p r o p o s e d   m o d e l   p e r f o r m e d   b e t t e r   t h a n   m a n y   e x i s t i n g   w o r k s   i n   t e r m s   o f   a c c u r a c y   a s   s h o w n   i n   T a b l e   8 .       T a b l e   3 .   P a r a m e t e r s   u s e d   i n   t h i s   s t u d y   P a r am e t e r   V a l u e   P o p u l a t i o n   s i z e   f o r   R a o   40   N u m b e r   o f   g e n e r a t i o n s   f o r   R a o   60   C r o s s o v e r   t y p e   H a l f - u n i f o rm   M u t a t i o n   t y p e   B i t - f l i p       T a b l e   4 .   A c c u r a c y   r e s u l t   o f   K D D C u p   9 9   d a t a s e t   Cla ss ifier   Ra o   LR   No .  o f  f eatu res   Accurac y   2   0 .99 2   4   0 .99 4   Total ti m e   1 1 .40 2 3   SVM   3   0 .97   4   0 .99 8   5   1 .00   Total ti m e   1 3 0 5 .0 3 5 5   ELM   2   0 .99 3   3   0 .99 5   4   0 .99 9   Total ti m e   4 .42 6 1     T a b l e   5 .   A c c u r a c y   r e s u l t   o f   C I C I D S   2 0 1 7   d a t a s e t   Cla ss ifier   Ra o   LR   No .  o f  f eatu res   Accurac y   8   0 .94   9   0 .95 4   14   0 .95 5 2   15   0 .96   23   0 .97 6   Total ti m e   2 9 .08 9   SVM   14   0 .90   17   0 .92 2   22   0 .93   Total ti m e   5 4 8 4 .0 9 7   ELM   6   0 .90 1   7   0 .92   Total ti m e   6 .53 1 2         T a b l e   6 .   R e s u l t s   o f   ( 4 )   a n d   ( 5 )     KDDCu p  99   CICIDS 20 1 7   Detectio n  Rate   0 .99 9   0 .99 0   Er ror  Rate   0 .00 4 4 5   0 .02 6 7     T a b l e   7 .   T - T e s t     K D D C u p   9 9   C I C I D S   2 0 1 7   P - V a l u e   0 . 0 1 5 7   0 . 0 0 6 7 8   T - V a l u e   3 . 1 7 5   4 . 0 5 1         T a b l e   8 .   C om pa r i s o n   w i t h   e x i s t i n g   w o r k s   R e f .   D a t a s e t   A c c u r a c y   [ 4 7 ]   C I C I D S   9 7 . 9 0   %   [ 2 ]   C I C I D S   9 7 . 0 8   %   [ 4 1 ]   K D D   99 . 7 5   %   [ 4 9 ]   K D D   9 9 . 8 9   %   P r o p o s e d  m e t h o d   C I C I D S   9 7 . 6   %   P r o p o s e d  m e t h o d   K D D   1 0 0   %   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       Op ti mize d m ac hin e le arnin g a lgo rit hm f or  in trusio n detec ti on   ( Royid a A.  I br ahe m  Al ha y al i )   597   6.   CONCL US I O N   This  pa per   pro po s es  a  ne w  ( R ao - S VM)  for   featur e  s ubset   sel ect ion   pro bl e m s  in  intru sion   detect ion.   The  pe rfor m ance  of  th e  new  al gorithm   was  dem on strat e d  to  be   s up e rio r  to  m any  oth e r   al gorithm s  in  FS S   pro blem s  on   two  la rg e   intr usi on   dataset s.  The  pro po se d  R ao - S VM  c onsist ently   pr ese nted  b et te r  acc ur acy   i n  the  exec utio n  tim e.  On   the  s ta ti sti ca l  te sts  (confusi on   m at rix)   a ppli ed  t o  the  R ao - SVM   detect ion   ra te   and  error   rate  ext r act ed  f ro m   the  co nfusion  m at rix,   R ao - S VM  sho wed   a   higher  detect ion   rate  f or   both  t he   KDDCu p  99  a nd  IC IDS2 017  dataset s .   It  s howe d  a   lo w  e rror  rate  for  t he  t wo  dataset s.   A s  a  rec omm end at ion,   the  pro po s ed  R ao - S VM  sho uld   be   ap plied   to  m ulti - cl ass  cl assifi cat ion   pro blem s,  and   m or e  ML  te chn iq ues  cou l d be  us e d  f or eval uating i ts pe rfor m ance.       ACKN OWLE DGE MENTS   The  a uthors  w ou l d   li ke  to  t ha nk   U niv e rsity   of   Diya la   and  A l  Sala m   Un iversity   Coll eg e  for  their   facil it ie s an d  s upport; a nd Un iversita s  Ah m ad Dahla n  to  s uppo rt this c ollaborat ive  resea r ch .       REFERE NCE S   [1]   I.   Alj ara h  and  S.  A.  Ludwig ,   “ MapReduc e   in t rusion  det e ction   s y stem  base d   on  a  par ti c le   s warm   opti m iz ati o n   cl uster ing  a lgori t hm , ”  2013  I EE E   Congress   on  E v o .   Comp . ,   2013 ,   pp.   955 - 962 ,   doi :  10. 1109 /CE C. 2 013. 6557670 .   [2]   S.  Alja warn eh,  M.  Aldwairi,  a nd  M.  B.   Y assein,  “ Anom aly - base d  int rusion   det e ct ion   s y st e m   through  feat ure   sele c ti on  anal y s i s  and  buil ding  hy brid  ef ficien t  m odel , ”  Journal   of  Computati onal  Sci en ce ,   vol .   25,   pp.   152 – 160,   2018 ,   doi :  10 . 10 16/j . jo cs. 2017 . 0 3. 006 .   [3]   I.   Idrissi,   M.  Boukabous,   M.  A zi z i,   O.  Mous saoui,   and  H.  E.   Fadil i,   “ Towa rd   a  dee p  le arn in g - base d  int r usio n  det e ct ion  s y s te m   for  iot   aga inst  b otne t  atta cks, ”  I AE S  Inte rnat ion al  Journal  of  Arti fi c ial   Int el l ige n ce ,   vol .   10,   no.   1 ,   pp.   110 – 120 ,   20 21,   doi :  10 . 1159 1/i jai. v10 . i1 . pp1 10 - 120.   [4]   A.  M.  Al - Ghail i  et   al. ,   “ A  rev ie w   of  anomal y   d et e ct ion  t ec hn ique s  in  adva n ce d  m eteri ng  infr astruc t ure , ”  Bul l et in  o f   El e ct rica l  Eng in ee ring a nd   Infor matic s ,   vo l. 10,  no.   1 ,   pp .   266 – 2 73,   2021 ,   doi :  10 . 11591/eei . v10i1 . 2026.   [5]   B.   Altay ,   T .   Dokerogl u,   and  A.  Cosar,   “ Conte xt - sensiti ve  and  ke y word  density - b ase d  supervise d  m ac hin e  learni n g  te chn ique s  for  m al ic ious  webp age   de tecti on , ”  Soft   Computing   -   A  Fusion   of  Foundat ions,  M et hodologies  an d   Appl ic a ti ons ,   vo l.   23 ,   no .   12 ,   pp .   4177 – 4191,   201 9 ,   doi :  10 . 1007/s 00500 - 018 - 3066 - 4 .   [6]   P.  W anda ,   M.  E. Hiswati ,   and  H. J .   Jie,   “ Dee pOS N:  Bringi ng  deep l ea rning as mali ci ous de tecti on   sche m e  in  onli n e   socia l   net work , ”  IA ES  In te rna ti onal  Journal  of  Artifi ci al   Int el li g ence ,   vol.  9,   no.   1,   pp.   146 – 154,   2020 ,     doi:   10 . 11591/ij ai . v9 . i1 . pp146 - 1 54.   [7]   A.  W .   Muham m ad,   C .   F.   M.  Foo z y ,   and  K.   M.  B .   Moham m ad,   “ Multi sche m e  f eedforward  ar ti fi cial  n eur al  ne twork  arc hi te c ture   for   ddos  at ta ck  d et e ct ion , ”  Bu ll e t in  of  El e ct rica l   Engi nee ring  a nd  Informatic s ,   vol.   10,   no.   1,     pp.   458 – 465 ,   20 20,   doi :  10 . 1159 1/e e i. v10i1 . 2383 .   [8]   V.  Mac h,   M.  A damek,   J.  Va lou ch,   and  K.  B arcova,   “ Control   a nd  indi c at ing   eq uipment  comm unic a ti ng  vi a  th e  per iphe r al   component  in te rco nn e ct   expr ess  bus,”   Bul letin  o f  Elec t rical   Eng ine erin g  and  Informati cs ,   vol .   9,   no .   2 ,   pp.   729 – 738 ,   20 20,   doi :  10 . 1159 1/e e i. v9i2 . 1753.   [9]   M .   S .   I .   S h a r i f u d d i n ,   S .   N o r d i n ,   a n d   A .   M .   A l i ,   “ C o m p a r i s o n   o f   C N N s   a n d   S V M   f o r   v o i c e   c o n t r o l   w h e e l c h a i r , ”   I A E S   I n t e r n a t i o n a l   J o u r n a l   o f   A r t i f i c i a l   I n t e l l i g e n c e ,   v o l .   9 ,   n o .   3 ,   p p .   3 8 7 - 3 9 3 ,   2 0 2 0 ,   d o i :   1 0 . 1 1 5 9 1 / i j a i . v 9 . i 3 . p p 3 8 7 - 3 9 3 .   [10]   A.  Boukhal fa ,   N.  Hm ina ,   and  H.   Chaoui ,   “ Para l l el   proc essing  using  big  dat a  and  m ac hine   l ea rnin g  te chni qu es  for   int rusion  detec t i on, ”  IAE S  In te r nati onal  Journa l  of  Arti ficia l  Inte lligen ce ,   vol.  9,   no.   3,   pp.   553 – 560,   2020,     doi:   10 . 11591/ij ai . v9 . i3 . pp553 - 5 60.   [11]   A.  J.  Moham m e d,   M.  H.  Arif,   and  A.  A.  Ali,   “ A  m ult il a y er  p erc ep tron  artificia l  neur al   ne twork  appr oac h  fo r   improving  the   accura c y   of  in trusi on  det e ction  s y st ems , ”  IAE S   Inte r nati onal Journal   of  Art if i ci al   Intelli gen ce ,   vol .   9 ,   no.   4 ,   pp .   609 – 6 15,   2020 ,   doi :  10 . 11591/i j ai.v9.i4 . pp609 - 615.   [12]   T.   Ghrib,   M.  B enmoham m ed,   and  P.  S.  Pande y ,   “ Autom at ed   dia gnosis  of  attac ks  in  interne t   of  thi ngs  usin g   m ac hine   l ea rnin g  and  fre quen c y   distr ibut ion  t ec hniqu es, ”  Bu l le ti n  o f  Elec tri c al  En gineering  and  Informatic s ,    vol.   10 ,   no .   2 ,   pp .   950 – 961 ,   2021 ,   doi: 10. 11591 /eei. v10 i2. 2766 .   [13]   M.  Alsajri ,   M.   A.  Ism ai l,   and   S.  Abdul - Baqi,  “ A  Revi ew  on  the   Recent   A ppli c at ion  of  Ja y a  Opt imization   Algorit hm , ”  201 8  1st  Annual   Inte rnational   Conf ere nce   on  Information  and  Sci e nce s  ( Ai CIS) ,   20 18,   pp.   129 - 132,   doi:   10 . 1109/Ai CIS.2018. 00034 .   [14]   S.  M.  H.  Bamakan,   H.  W ang,   T.   Yingjie,   and   Y.  Shi,  “ An   eff ec t ive   int rusion   det ection  fra m ework  base d  on   MCLP /SVM   o pti m iz ed  b y   tim e - var y ing  ch a os  par ti c le   sw arm  opti m iz a tion,”   N euroc omputing ,   vo l.   19 9,     pp.   90 – 102 ,   201 6 ,   doi :  10 . 1016/j.ne ucom.2016 . 0 3. 031 .   [15]   J.  Cai ,   J.  Luo ,   S.  W ang,   an d  S.  Yang,   “ Feat ure   sel ectio n  in  m ac hine   le arn ing:   A  ne w  per spec ti v e, ”   Neurocomputi ng ,   vol .   300 ,   pp .   70 – 79,   2018 ,   doi :  1 0. 1016/j.ne u com.2017. 11 . 077 .   [16]   S.  Raj agopal,   P.  P.  Kundapur,   and  H.  K.  Siddara m appa ,   “ A  pre dic ti v e  m odel   for  net work  int rusio n  det ection  using   stac king  appr oa c h, ”  Int ernati ona l   Journal  of  El e c tric al  and  Comp ute r  Engi n ee rin g ,   vol .   10,   no .   3 ,   pp.   2734 – 2741,   2020,   doi :  10 . 11 591/i jece . v10i3 . pp2734 - 2741.   [17]   S.  M.  Shara th,   P.  Manjuna th a,   an d  H.  R.   Shw et ha,   “ Insights  on  cri ti c al   ene rg y   ef fi ci en c y   appr oa ch es  in  int ern e t - of - thi ngs  appl i catio n, ”  Int ernati onal   Journal  of  Elec tric al  and  Comp ute r  E ngin ee rin g ,   vol.   11 ,   no.   4 ,   pp.   2925 – 2933,   2021,   doi :  10 . 11 591/i jece . v11i4 . pp2925 - 2933.     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.   24 , N o.   1 ,  Oct ober  20 21 :  590   -   59 9   598   [18]   A.  Chaudhar y ,   V.  Ti wa ri,  and   A.  Kum ar,   “ A  novel   int rusion  det e ct ion   s y st e m   for  ad  ho c  f l ooding  a tt a ck  u sing   fuz z y   logi c   in   m obil e   ad   hoc  n etw orks,”   Int .   Con f .   Rec .   Adv .   and   Innov .   Eng . ,   201 4,   pp .   1 - 4 .   [19]   M.  K.  Hos sain  and  M.  M.  Haque ,   “ Sem i - supervise d  le arn ing  a pproa ch  using  m odifi ed  self - training  al gor it hm   to   count er  burst  he ade r  pa cke t  floo ding  at t ac k  in  op ti c al   burst  sw it c hing  net work, ”  Inte rnational   Jou rnal  o f  El ectric a l   and  Computer  E ngine ering ,   vol .   10,   no .   4 ,   pp .   43 40 – 4351,   2020 ,   doi:   10 . 11591/ij ec e . v10i4 . pp434 0 - 4351.   [20]   K .   S .   Y i n   a n d   M .   A .   K h i n e ,   “ O p t i m a l   r e m o t e   a c c e s s   T r o j a n s   d e t e c t i o n   b a s e d   o n   n e t w o r k   b e h a v i o r , ”   I n t e r n a t i o n a l   J o u r n a l   o f   E l e c t r i c a l   a n d   C o m p u t e r   E n g i n e e r i n g ,   v o l .   9 ,   n o .   3 ,   p p .   2 1 7 7 – 2 1 8 4 ,   2 0 1 9 ,   d o i :   1 0 . 1 1 5 9 1 / i j e c e . v 9 i 3 . p p 2 1 7 7 - 2 1 8 4 .   [21]   Y.  Kham a y seh ,   M.  B.   Yass ei n ,   and  M.  Abu - Jaz oh,   “ Inte l li gen t  bla ck   hole  detec ti on  in   m obil e  AdH oc  net work s, ”   Inte rnational   J ournal  of  Elec tric al  and  Co mpute r  Engi ne ering ,   vol .   9 ,   no.   3,   pp.   1968 – 1977,   20 19,     doi:   10 . 11591/ij ec e . v9i3 . pp1968 - 1977.   [22]   H.  H.  Ibra h im ,   et   al . ,   “ A  comprehe nsive  st ud y   of  d istri bu te d  Deni al - of - S erv ice  a tt a ck  w it h  th e  de te c ti o n  te chn ique s,”   Int ernati onal  Journal  of  E le c tric a l   and  Computer  Engi ne ering ,   vol .   10,   no .   4,   pp.   3685 – 3694,   202 0,   doi:   10 . 11591/ij ec e . v10i4 . pp368 5 - 3694.   [23]   A.  Boukhal fa ,   A.  Abdell aoui,  N.  Hm ina ,   and  H.  Chaoui ,   “ LSTM  dee p  le arn i ng  m et hod  for  net work  int rusio n  det e ct ion  s y st em,”   In te rnationa l  Journal  of  El e ctr ic al  and  Comp ute r  Engi n ee rin g ,   vol .   10,   no.   3 ,   pp.   3315 – 332 2 ,   2020,   doi :  10 . 11 591/i jece . v10i3 . pp3315 - 3322.   [24]   P .   I .   P r i y a d a r s i n i   a n d   G .   A n u r a d h a ,   “ A   n o v e l   e n s e m b l e   m o d e l i n g   f o r   i n t r u s i o n   d e t e c t i o n   s y s t e m , ”   I n t e r n a t i o n a l   J o u r n a l   o f   E l e c t r i c a l   a n d   C o m p u t e r   E n g i n e e r i n g ,   v o l .   1 0 ,   n o .   2 ,   p p .   1 9 6 3 – 1 9 7 1 ,   2 0 2 0 ,   d o i :   1 0 . 1 1 5 9 1 / i j e c e . v 1 0 i 2 . p p 1 9 6 3 - 1 9 7 1 .   [25]   M.  Nare nder   an d  B.   N.  Yuvara j u,   “ Pree m pti ve  m odel li ng  towar ds  cl assif y ing  vu lne rab il i t y   of  D DoS   at ta ck  in  SD N   envi ronm ent , ”  I nte rnational   Jou rnal  of  El e ct rica l  a nd  Comput er  Engi ne ering ,   vo l .   10,   no.   2,   pp.   1 599 – 1611,   2020 ,   doi:   10 . 11591/ij ec e . v10i2 . pp159 9 - 1611.   [26]   M.  C.   Bel av agi   and  B.   Muni y al,   “ Multi ple   int ru sion  det ection  in   RP L  base d  net works , ”  Inte rnat ional   Journal  of   El e ct rica l  and   C omputer  Engi n e ering ,   vo l .   10,   n o.   1 ,   pp .   467 – 47 6,   2020 ,   doi :  10 . 11591/i jece . v10i 1. pp467 - 476.   [27]   A.  Sara v ana n ,   S.  Sath y a   Bam a,   S.   Kadr y ,   a nd  L.  K.   Ramasam y ,   “ A  ne w  fra m ework  t o  alleviate  DD oS   vulne rab il i ti es  i n  cl oud  computi ng, ”  Int ernati on al  Journal  of  Elec tri cal   and  Computer  Engi neer ing ,   vol.   9,   no .   5,   pp.   4163 – 4175 ,   2019,   doi :  10 . 11 591/i jece . v9i5 . p p4163 - 4175.   [28]   M.  S.  Vid y a  a nd  M.  C.   Pati l,  “ Revi ewing  eff ec t ivi t y   in  sec urity   appr oa ches   towar ds  strengt heni ng  intern e t   arc hi te c ture,”   In te rnational   Jour nal  of  El ectric al   and  Com pute r  Engi ne ering ,   vol .   9,   no.   5,   pp.   3862 – 3871,   2019,   doi:   10 . 11591/ij ec e . v9i5 . pp3862 - 3871.   [29]   Y.  N.  Doddam ani   and  U.  C.   Ka pal e ,   “ A  tra nsiti on  from   m anua l  to  int e ll ig ent   autom at ed  power  sy stem  oper at ion  -   A  indi cative   r eview,”   Int ernati on al  Journal  of  E l ec tri cal   and  Co mputer  Engi ne ering ,   vol .   9,   no .   4 ,   pp.   2274 – 2280 ,   2019,   doi :  10 . 11 591/i jece . v9i4 . p p2274 - 2280.   [30]   S.  P.  Das  and   S.   Padh y ,   “ A  nov el   h y brid   m odel  using  teac hing – le arn ing - base d  o pti m iz ation  and  a  support  ve ct or  m ac hine   fo r  com m odity   future s  i ndex  fore ca st ing , ”  In t. J.  Ma ch.  Learn.  Cybe rn . ,   vol.   9 ,   no .   1 ,   pp .   97 – 111,   2018 .   [31]   E.   De   l a  Hoz ,   E .   De  L a  Hoz ,   A.   Ortiz ,   J.  Ort ega,  and  B.   Priet o ,   “ PC A  fil te ring   an d  proba bi li sti c  S OM   for  net work  int rusion  d et e ct i on, ”  N euroc omp uti ng ,   vol. 164 ,   pp.   71 – 8 1 ,   2015 ,   doi:  10. 1016 /j . n euc om . 2014. 09 . 083 .   [32]   D .   D i n g ,   Q . - L .   H a n ,   Y .   X i a n g ,   X .   G e ,   a n d   X . - M .   Z h a n g ,   “ A   s u r v e y   o n   s e c u r i t y   c o n t r o l   a n d   a t t a c k   d e t e c t i o n   f o r   i n d u s t r i a l   c y b e r - p h y s i c a l   s y s t e m s , ”   N e u r o c o m p u t i n g ,   v o l .   2 7 5 ,   p p .   1 6 7 4 – 1 6 8 3 ,   2 0 1 8 ,   d o i :   1 0 . 1 0 1 6 / j . n e u c o m . 2 0 1 7 . 1 0 . 0 0 9 .   [33]   T.   Dokerog lu,   “ H y brid  te a chi ng – le arn ing - bas ed  opti m iz ation  a lg orit hm s  for  the   quadr atic  assignm ent   proble m , ”   Computers  &   In dustrial  Engi n eer ing ,   vol .   85 ,   pp .   86 – 101,   2015 ,   d oi:   10 . 1016/j.c ie. 2015. 03. 001 .   [34]   J.  A.  Jupin,   T.   S uti kno,   M .   A.  Is m ai l,   M.  S .   Moham ad,   S.  Kasim ,   and  D.  Sti awa n   “ Revi ew  of  the  m ac hine   l ea rn in g  m et hods  in  th e  c la ss ifi c at ion   of  p hishing  a tt a ck,”  Bul letin   of  Elec t rical   Engi ne erin g  and  Informati cs ,   vol .   8 ,   no .   4 ,   pp.   1545 – 1555 ,   2019,   doi :  10 . 11 591/e e i. v8i4 . 134 4 .   [35]   S.  Raj agopal,   K.   S.  Hare esha ,   an d  P.  P.  Kundap ur,   “ Perform anc e  ana l y sis  of  bin ar y   and  m ult ic l a ss   m odel s  using  az ure   m ac hin e   le a rning , ”  Int e rnational   Journal  of  El ectric al   and  Computer   Engi nee ring ,   vol.   10,   no.   1 ,     pp.   978 – 986 ,   20 20,   doi :  10 . 1159 1/i jece . v10i1 . pp 978 - 986.   [36]   K.  Farha na ,   M.  Rahman,   and  M .   T .   Ahm ed,   “ An  int rusion  de tecti on  s y s te m   for   pac ke t  and  f lo w  base d  net wor ks   us ing  dee p   neur al   n et work  appr oac h, ”  In te rnati onal  Journal  o f   Elec tri cal   and   Computer  Enginee ring ,   vol .   10 ,     no.   5 ,   pp .   5514 – 5525,   2020 ,   doi : 10.11591/ i je c e. v 10i5. pp5514 - 55 25.   [37]   S.  Dum ai s,  J.  P la tt,  D.   Hec k er m an,   and  M .   Sa hami,   “ Induc ti v e  l ea rning   al gor it hm s  and  rep r e senta ti ons  fo r  t e xt  ca t egor izati on , ”   Proce ed ings  of  t he  sev ent h  in te r nati onal  conf ere nce   on  In formati on  and  knowled ge  management ,  1998,   pp .   148 – 1 55 ,   doi :  10 . 1145 /288627. 288651 .   [38]   A.  S.  Ee sa,   Z.   Orm an,   and  A.  M.  A.  Brifc ani ,   “ A  novel   fea ture - sel ec t ion  a pproa ch  base d  on  the   cut tlefis h   opti m iz ation  a l gorit hm   for  intrus ion  det e ct ion   s y stems , ”  E xp ert  Syste ms   wit h  Appl ic a ti ons ,   vol.   42,   no .   5,     pp.   2670 – 2679 ,   2015 ,   doi :  10 . 10 16/j . eswa. 2014. 1 1. 009 .   [39]   C.   Guo,  Y.  Ping ,   N.  Li u,   and  S. - S.  Luo,   “ A  two - le ve l  h y brid  app roa ch  for  int rusi on  det ection,”  Neurocomputi ng ,  vol.   214 ,   pp .   391 – 400,   2016 ,   doi :  10. 1016/j.ne u co m . 2016. 06. 021 .   [40]   H.  E.   Ki zi lo z,   A.  Deniz,  T.   D oker oglu,   and  A.  Cosar,   “ Novel   m ult io bjecti v e  TL BO  al gor it h m s  for  the   fea tu re   subs et   select ion   proble m , ”   Neuro computi ng ,   vol .   306,   pp .   94 – 107 ,   2018 ,   doi:  10. 10 16/j . n eu com.201 8. 04. 020 .   [41]   M.  K.  Khal ee l ,   M.  A.  Ism ai l,   U .   Yunan,   and   S.  Kasim ,   “ Revi ew  on  int rusion  d etec t ion  s y st em  ba sed  on  the   go al   of  the   d et e ction  s y s te m , ”   Int. J.  In tegr .   Eng . ,   vol. 10, no. 6, 2018 ,   doi:  10. 30880/ ij i e. 20 18. 10. 06 . 028 .   [42]   W. - C.   Li n ,   S. - W .   Ke,   and  C . - F.  Tsai ,   “ CAN N:  An  int rusion  d et e ct ion  s y stem  base d  on  combi ning  cl ust er  c enters   and  ne are st   nei g hbors,”   Knowl ed ge - based  Syst . ,   v ol.   78 ,   pp .   13 – 21 ,   2015 ,   doi :  10 . 1 016/j . knos y s . 20 15. 01. 009 .   [43]   Y.  Li,  J. - L.   W a ng,   Z . - H.  Ti an ,   T. - B.   Lu ,   and   C .   Young,  “ Buil d ing  li gh twei ght   int rusion  de tection  s y stem  using   wrappe r - base d   f ea tur e  se le c ti on   m ec hani sm s,”   C omputers  &   Sec urity ,   vol .   28 ,   no .   6 ,   pp .   466 - 475 ,   2009 .   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       Op ti mize d m ac hin e le arnin g a lgo rit hm f or  in trusio n detec ti on   ( Royid a A.  I br ahe m  Al ha y al i )   599   [44]   P.  Louvi eri s,  N .   Cle wle y ,   and  X.  Li u,   “ Eff e cts - base d  fea tur e  ide nti f icati on  fo r  net work  int ru sion  det ection,”   Neurocomputi ng ,   vol .   121 ,   pp .   26 5 – 273,   2013 ,   doi :  10. 1016 /j.ne uc om . 2013. 04. 038 .   [45]   M.  Črepi nšek ,   S. - H.  Li u ,   and  L.  Mernik,   “ A  not e   on  t eachi ng – l earning - ba sed  op tim iz at ion   al gor ithm , ”  Informatio n  Sci en ce s ,   vol. 21 2,   pp .   79 – 93 ,   20 12 ,   doi   10. 1016 / j. ins.20 12 . 05. 00 9 .   [46]   S.  Mahda vif ar  a nd  A .   A.  Ghorb ani ,   “ Applic a ti o n  of  de ep  l ea rn i ng  to  c y ber sec u r ity :  A  surv e y , ”   Neurocomputi ng ,  vol.   347 ,   pp .   149 – 176,   2019 ,   doi :  10. 1016/j.ne u co m . 2019. 02. 056 .   [47]   M.  A.  Mohamm ed,   et   al . ,   “ A  Fo ca l  lo ad  bal an ce r   base d  al gorit hm   for  ta sk  assign m ent   in  cl oud  envi ronm ent , ”  201 8   10th  Int .   Con f .   E le c . ,   Comp t.   Artif .   In te l l.,  2018 ,   p p.   1 - 4 ,   doi :  10 . 1 109/E CAI.2018.8679043 .   [48]   M .   R .   N a ya k ,   C .   K .   N a ya k ,   a n d   P .   K .   R o u t ,   “ A p p l i c a t i o n   o f   m u l t i - o b j e c t i v e   t e a c h i n g   l e a r n i n g   b a s e d   o p t i m i z a t i o n   a l g o r i t h m   t o   o p t i m a l   p o w e r   f l o w   p r o b l e m , ”   P r o .   T e c h . ,   v o l .   6 ,   p p .   2 5 5 – 2 6 4 ,   2 0 1 2 ,   d o i :   1 0 . 1 0 1 6 / j . p r o t c y . 2 0 1 2 . 1 0 . 0 3 1 .   [49]   R.   V.  Rao ,   V.   J.  Savsani,  an d  D.  P.  Vakha r ia ,   “ T eachi ng – l ea rning - b ase d  o pti m iz ation:  a  novel   m et h od  f or   constra in ed  m echani c al   d esign  o pti m iz ation  prob le m s,”   Comput e r - Ai ded  Design ,   vol.   43 ,   no .   3 ,   pp .   303 – 315 ,   2011 .   [50]   R.   V.  Ra o,   V.   J.  Savsani ,   and   J.  Balic ,   “ Teac hi ng – le arn ing - bas ed  opti m izati on   al gorit hm   for  u nconstra in ed  an d   constra in ed  r ea l - par am et er   opt imization  prob le m s,”   Eng .   Opt . ,   vo l .   44 ,   no .   12 ,   pp .   1447 – 1462,   201 2.   [51]   R.   V.  Rao  and  V.  Pate l ,   “ An  improved  te ac h in g - le arn ing - base d   opti m iz ation  algorithm  for  solving  unconstra in e d   opti m iz ation  pro ble m s,”   S ci en ti a  Iranica ,   vo l. 20,  no.   3 ,   pp .   7 10 – 7 20,   2013 ,   doi :  10 . 1016/j.sci en t. 20 12. 12. 005 .   [52]   S.  P.  Das,  N.  S.  Acha r y ,   and  S.  Padh y ,   “ Novel  h y brid   SV M - TL BO  fore ca st ing  m o del   in cor pora ting  dimensionali t y   red uction  t ec hn i ques, ”  Appl.  In tell. ,   vol .   45 ,   no.   4 ,   pp .   1148 – 1165 ,   2016 ,   doi:  10. 10 07/s10489 - 016 - 0801 - 3 .   [53]   R.   Sen,   M.  Chattopadh y a y ,   and  N.  Sen,   “ An  eff ic ie n t  appr oa ch  t o  deve lop  an  in t rusion  det ection  s y stem  base d  on   m ult i  lay e r  b ac k propa gation  neur al   n et work  a lgor it hm :  IDS   using BPNN   al gorit hm , ”  Proceedi ngs  o f  the  2015  ACM   SIGMIS Conf ere nce   on   Compute rs   and  P eople R ese arch ,   2015,   p p.   105 – 108 ,   doi :  10. 1145/275195 7. 2751979 .   [54]   A.  Shukla,  S.  Kum ar,   and  H.   Singh,  “ AN N  base d  ex ec u ti on   ti m e  pr edicti on   m odel   and   ass essm ent   of  inpu t   par amete rs   throu gh  ISM . , ”   Int .   A rab J .   Inf. Tec hn ol. ,   vol .   17 ,   no .   5 ,   pp .   683 – 691 ,   2 020 ,   doi :  10 . 340 28/i ajit/ 17 /5/ 1 .   [55]   A.  Sulta na  and  M.  A.  Jabba r,   “ I nte lligent   n et wo rk  int rusion  dete ct ion  s y s te m   using  dat a  m ini ng   t ec hniqu es, ”  201 6  2nd  Inte rnationa l  Confe renc e  on  Appl ie d  and  The oreti cal   Comput ing  and  Comm unic ati on  Te chnology  ( iCA TccT) ,  2016,   pp .   329 - 3 33,   doi :  10 . 1109 /ICATCCT . 2016 . 7912017 .   [56]   P.  Ta o,   Z.   Sun  a nd  Z.   Sun,  “ An  Im prove d  Intrusion  Dete c ti on  Al gorit hm   Ba sed  on  GA   and  SVM,”   IEEE  Acce ss ,  vol.   6 ,   pp .   13624 - 13631,   2018 ,   d oi:   10 . 1109/AC CESS . 2018. 281 0198 .   [57]   Y.  Ti an ,   M.  Mir za bagh eri,  S.  M.   H.  Bamakan,   H .   W ang,   and  Q.  Qu,  “ Ramp  loss  one - class   support  vector  m ac hin e ;  a  robust  and effect iv e  appr o ac h   t o  anomal y   d etec ti on  prob le m s,”   Neurocomputi ng ,   vol .   310 ,   pp .   22 3 – 235,   2018 .   [58]   A.  H.   Ali ,  Z.   F .   Hus sain,   and  S.  N.   Abd,  “ Big  Data   Cl assificat ion  Ef ficien c y  Based  on  Li n e ar  Discriminant  Anal y sis . ”   Iraq i  Journal  For  Computer  Scienc e   and  Math emati cs,   vol.  1 ,   no.   1,   pp.   7 - 12 ,   2020,   do i :  10. 52866/ijcsm . 2019. 01. 01 . 001 .   [59]   S.  N.  Abd ,   M.  Alsajri   and   H .   R.   Ibra he em,  “ Rao - SV M  Mac hine   L ea rning   Algorit hm   for  Intrusion  Detect i on  S y stem. ”   Iraqi   Journal  For  Computer  Sci e nce   and  Mathem ati cs ,  vol .   1 ,   no.   1,   pp.   23 - 27 ,   2020 ,  do i :  10. 52866/ijcsm . 2019. 01. 01 . 004 .   [60]   M.  A.  Moham me d,   I .   A.  Moha m m ed,   R.   A.  Hasan,   N.  Ţă puş,   A.  H.  Ali,   and  O.  A.  Ham m oo d,   “ Gree n  Ener g y   Source s:  Iss ues  and  Cha ll eng e s,”   2019  18th   RoE duNet  Conf ere nce :   Net wor ki ng  in   Educ a tion  and  Re searc h  ( RoE duNet ) ,   201 9,   pp .   1 - 8 ,   doi :  1 0. 1109/ROEDUN ET . 2019. 8909 595 .   [61]   M.  A.  Mohamm ed,   Z.   H.  Sali h ,   N.  Ţă puş,  and  R.   A.  K.  Hasan,   “Sec urity   and  acc ounta bilit y   for  sharing  the   data   stored  in  the   cl o ud, ”  2016  15th  RoE duNet   Con fer enc e:  Ne tworking  in  Educ at ion  and  Re search ,   2 016,   pp.   1 - 5,   doi :   10. 1109/RoE du Net. 2016. 77532 01 .   [62]   M.  A.  Moham m ed  and   N.  Ţ ăpu ş ,   “ A  novel   app roa ch  of   red u cing  ene rg y   cons um pti on  b y   utili zi ng  ent ha lp y   in   m obil e  cl oud  computing, ”  St udie s  in  Informatic s  and  Control ,   vol.   2 6,   no.   4,   pp.   425 – 434,   2017 ,     doi:   10 . 24846/v 26i4 y 201706 .   [63]   N.  Q.  Moham me d,   M.  S.  Ahmed,   M.  A.  Moham m ed,   O.  A.  Ham m ood,   H.  A.  N.  Alshara   and  A.  A.  Kam il ,   “ Com par at ive   Anal y sis  bet we en  Solar  and  W ind  Turbi ne  Ene rg y   Sourc es   in  Io T  Based  on  Ec onom ic al   and   Eff iciency   Cons ide ra ti ons,”   201 9  22nd  Inte rnational   Confe ren c e  on  Control  Syste ms   and  Computer  Sci ence   ( CSCS ) ,   2019,   p p.   448 - 452 ,   doi : 10.1109/ CS CS . 2019. 00082 .   [64]   R.   A.  I.   Alha y al i ,   M.  A.  Ahm ed,   Y.  M.  Mohial de n,   and  A.  H.  Ali,   “ Eff ic ie nt  m et h od  for  bre ast  ca n ce r  class ifi cation   base d  on  ense m ble   hoff edi ng  tr e e  and  n aï v e  Ba yes, ”  Indon esian  Journal  of  El e ctr ic al  Eng ineering  and  Computer   Sci en ce ,   vol .   18 ,   no.   2,   pp.   1074 – 1080,   2020 ,   doi :  10. 11591/ijeecs. v18. i2. pp1074 - 1 080 .   [65]   Z.   H.   Sal ih,   G .   T.   Hasan ,   and  M.  A.  Moham m ed,   “ Inve st iga t e  and  an aly z e  the   le ve ls  of  e lectr o m agne ti c   rad i ati ons  emitt ed  from   under ground  po wer  ca b le s  e x tended  in  m oder n  ci t ie s, ”  2017   9th  Int ernati o nal  Confe ren ce  on   El e ct ronics,   Co mputers and  Artific ia l  In te l li gen c e  ( ECA I) ,   2017,   pp.   1 - 4 ,   doi :  10 . 1109/E CAI.201 7. 8166452 .   [66]   Z.   H.  Sa li h ,   G.  T.   Hasan ,   M.  A.   Moham m ed,   M.  A.  S.  Kl ib,   A.   H.  Ali,   and  R.   A.  Ibr ahi m ,   “ St ud y   the   E ffe c t  o f   Inte gra ti ng  the   Solar  Ene rg y   Source   on  Stabi l i t y   of  Elec tri c al  Distribut ion  Sy stem, ”  2019  22nd  Inte rnation al  Confe renc e  on   C ontrol  Syst ems and  Computer  Sc i enc e ,   2019 ,   pp .   443 - 447,   doi :  10 . 1109/CSCS . 2019. 00081 .   [67]   N.  D.  Za ki ,   N.   Y.  Hashim ,   Y.   M.  Mohial d en,  M.  A.  Moham m ed,   T.  Sutikno,  a nd  A.  H.   Ali ,   “ A  rea l - ti m e  b ig  dat a   senti m ent   an aly s is  for  ira qi  twee t s  using  spark  strea m ing, ”  Bulleti n  of  Elec tri cal   E ngine ering  and  I nformatic s ,   vol .   9,   no .   4 ,   pp .   141 1 – 1419,   2020 ,   d oi:   10 . 11591/eei . v9i4. 1897 .   [68]   N.  M.  Hus sien,  Y.  M.  Mohialden,   N.  T.   Ah m ed,   M.  A.  Moham m ed,   and  T.   Sutikno ,   “ A  sm art   gas  le akage  m onit oring  s y st em  for  use  in   h ospita ls, ”  Indon esian  Journal   o f  Elec tric al   Eng ine ering   and  C omputer  Scienc e ,    vol.   19 ,   no .   2 ,   pp .   1048 – 1054 ,   20 20 ,   doi :   10 . 1159 1/i jeec s.v19 . i2 . p p1048 - 1054 .   [69]   M.  Dash  and  H.  Li u,   “ Feat ur e  select ion  for  c la s sific a ti on, ”  Intel l.   data   Ana l. ,   vol.   1,   no .   1 – 4,   pp .   131 – 156,   1997 ,  doi:   10 . 1016/S1 088 - 467X(97)00008 - 5 .   Evaluation Warning : The document was created with Spire.PDF for Python.